算力板块回调，创业板算力ETF广发连续3天净流入8880.01万元
创业板算力ETF广发(158049)截至2026年10月22日连续3天获得资金净流入，合计8880.01万元，材料援引机构观点讨论算力硬件超跌反弹机会。10月23日午间，其跟踪的创业板算力基础设施指数(970083)下跌5.39%，该ETF半日成交3.33亿元、换手24.49%。
#部署/工程
界面新闻AI 评分6666 界面新闻AI 评分6464 SpaceX 算力不到一年回本，Meta Muse 扩张受限背后的 AI 变现差异
SpaceX 披露按当前价格新部署算力不到一年即可回本，Meta 则因算力成本等因素尚不能在全球推出个人智能体 Muse。Muse 尝试通过商家交易付费及订阅变现；特斯拉三季度汽车交付同比下降2%，包含一次性购买和月度订阅的活跃 FSD 订阅指标却同比增长67%。这组财报分析强调，判断 AI 商业回报需要区分外部付费与内部转移、新增收入与原有收入替代，并核对资本开支口径变化后的真实投入。
掘金 · 人工智能AI 评分5555 从 GitHub Copilot 到 Google Antigravity，编码智能体权限治理转向沙箱与系统边界
GitHub Copilot、Kiro CLI 和 Google Antigravity 的权限机制变化，被归纳为编码智能体从逐次询问转向先设边界、再授予自主权的趋势。
界面新闻AI 评分3232 A股AI叙事迎产业验证窗口，业绩超预期标的值得关注
英伟达GTC柏林大会与特斯拉三季度财报电话会等事件交汇，为A股AI产业链带来多重催化，万得人工智能概念指数10月19日以来累计上涨超2%。分析人士认为，液冷散热、高速互联、机器人执行器等环节有望受益，但行情能否转向基本面驱动，仍取决于订单能见度与场景兑现进度。
MIT Technology Review · AIAI 评分1717 Vanguard 探讨构建可扩展 AI 系统的基础
Vanguard 的 AI 与洞察中心负责人 Jing Wang 在 MIT Technology Review 的 EmTech Future 会议上探讨如何在严格监管环境中构建可扩展 AI 系统。核心是让数据、工程、平台、运营模式与治理协同，并通过负责任、可信赖的实施，将 AI 智能体等新兴能力转化为投资者的长期价值。
Latent SpaceAI 评分6060 Modal CEO Erik Bernhardsson 解析 AI 算力为何按“矩形”购买
Modal CEO Erik Bernhardsson 在访谈中解释，固定 GPU 数量与期限的“矩形”合同难以匹配波动负载，Modal 通过聚合数千客户的需求提供弹性算力。提前锁定长期容量也带来风险，若 GPU 价格下跌，平台可能持有成本过高的供应。编码智能体、后台智能体和强化学习带动沙箱需求增长，目前沙箱约占 Modal 收入的三分之一，启动与恢复延迟也成为基础设施的重要考量。
钛媒体AI 评分3535 亚马逊云科技 Ozgur Tohumcu：决定物理AI规模化落地速度的，往往不是技术本身
亚马逊云科技汽车与制造全球总经理 Ozgur Tohumcu 指出，物理AI规模化落地的瓶颈往往不是技术，而是数据基座、安全治理与组织能力。制造企业还需验证方案能否跨工厂复制，以及规模化后的成本是否划算。Amazon Bedrock提供统一模型接入，Amazon Bedrock AgentCore支持智能体统筹管理。
雷峰网AI 评分3838 从一次机器人抓取看智能计量：Token 经济学如何聚合算力、模型与语料？
Token 经济学以模型 token 用量连接模型服务、推理算力与数据供给，让智能投入更易计量和定价，但不能单独衡量智能作业价值。芯模协同、端侧推理和高质量语料共同影响任务表现，实际部署仍需综合评估时延、能耗、成功率与设备投入。不同模型的分词方式、缓存策略和计费口径各异，不能仅凭 token 单价判断性价比。
MIT Technology Review · AIAI 评分3838 AI 隐藏的存储账单：推理留下了什么
AI 推理持续产生并积累后台数据，使存储成为企业基础设施预算中容易被低估的成本。WD 内部测量显示，一段用户收到的 3.97MB 视频会留下超过 500MB 的后台关联数据，包括日志、缓存上下文和备份。企业需要按数据生命周期规划分层存储，兼顾容量、检索性能与总拥有成本。
Latent SpaceAI 评分6060 面向 Fortune 2000，Tenex 如何构建 AI 原生软件开发生命周期
Tenex 的 Alex Lieberman 与 CJ Hess 在访谈中介绍了按交付成果付薪、以 MetaHarness 组织 AI 原生软件开发流程的实践。
Latent SpaceAI 评分4848 可编程数据中心：与 SF Compute 的 Evan Conrad 对谈
SF Compute CEO Evan Conrad 在访谈中讲解 GPU 算力交易的实物交付，以及让数据中心基础设施可编程的工程实践。SF Compute 撮合不同约束条件的订单，交付可用算力而非现金结算；工作负载能否中断、GPU 代际及网络配置都会影响合约与价格。基础设施可编程的实例包括动态划分 InfiniBand 网络。
MIT Technology Review · AIAI 评分3434 企业 AI 的新经济学
企业 AI 的成本衡量正从 token 或 GPU 小时单价，转向每项可用业务成果所需的平台、模型、运维及算力总成本。自有基础设施能否降低成本，取决于需求规模、资源利用率及运营能力，而非所有权本身。HPE Private Cloud AI 整合基础设施、软件与治理，支持调度、模型选择、GPU 分区及缓存管理。
InterconnectsAI 评分5454 Nathan Lambert：AI 将快速进步，但未必走向通用超级智能
Nathan Lambert 预计，AI 未来几年将在基础设施和工程能力上快速进步，但这些提升不等于模型性质发生根本变化或走向通用超级智能。他认为，训练速度、推理成本等指标易于验证和优化，AI 智能体将推动整套技术栈的效率提升，使模型智能的有效成本接近指数级下降。随着工程瓶颈减弱，研究创意将更有价值，而近期进步更多来自利用现有工具扩大推理时计算，并非模型研究能力的突然跃升。
Nielsen Norman GroupAI 评分5252 新的“大泥球”：为什么 AI 智能体系统会变得脆弱
AI 让构建成本显得近乎为零，用户因而不断拼接智能体系统，最终可能陷入自己也难以理解和维护的复杂结构。Nielsen Norman Group 在研究中发现，一些技术背景有限的构建者依赖大型上下文库搭建日常工作系统，却缺少促使其确定优先级和规划架构的约束。这类为短期功能拼凑的“大泥球”起初可以运行良好，但复杂性累积后，系统会变得难以指挥、诊断或重建。
Berkeley AI ResearchAI 评分5050 智能趋近免费之后：为 AI 智能体服务、管理智能体并由智能体构建的数据系统
Aditya G. Parameswaran 及合作者探讨推理成本趋近于零时，数据系统如何服务、管理 AI 智能体，并由智能体构建。多智能体 text-to-SQL 实验中，80-90% 的子查询存在重复工作，可探索复用结果、近似查询和主动反馈。智能体群的状态管理、协调与故障处理，以及生成系统的行为验证，也是研究挑战。