2026年10月下旬的美股科技财报季，呈现出一幅业务高速增长与资本市场剧烈抛售并存的景象。
Alphabet在10月28日发布的第三季度财报显示，Google Cloud营收同比暴增103%，但该季度自由现金流却录得负91亿美元，同时核心搜索广告业务表现未达市场预期。次日，Alphabet股价大跌12.6%，云业务的翻倍增长未能抵消投资者对现金消耗失控的担忧。
一天后，Amazon交出了结构高度相似的第三季度成绩单：AWS云服务营收同比增长39%至460亿美元（年化营收跑率达1,840亿美元），集团整体营业利润创下281亿美元的历史新高。但在截至9月30日的过去十二个月里，尽管经营性现金流增长29%达到1,683亿美元，公司自由现金流却从上一年同期的净流入148亿美元逆转为净流出424亿美元。
这些现金缺口中，Alphabet的负91亿美元反映的是单季度的现金缺口，而Amazon的负424亿美元覆盖了过去十二个月的累计流出。在此期间，Amazon扣除资产处置后的物业与设备采购支出同比激增948亿美元，全年现金资本开支预计高达2,200亿美元。
Microsoft在10月28日公布的2027财年第一季度财报之所以能成为少数的正面样本。其Azure营收增长48%（超出自身44%至45%的指引），集团总营收达923亿美元，且在单季资本开支高达452亿美元的情况下依然维持了正向自由现金流。关键就在于其庞大的企业级软件与办公订阅底盘提供了极厚的当期现金缓冲。因此，其股价财报后大涨3%。
因此这说明，目前市场对于大公司在AI基建的投入，超出其盈利现金流的举措产生了很大担忧。他们并非不认为当前算力紧缺，而且算力中心是个挣钱生意。这一切是虚假繁荣。但对于未来，他们的信心就没那么大了。
对于这些大公司来讲，必须大举投资未来的基建和算力才能保持竞争力。但这些巨量的投入最后是不是真的能转化成有效收益，这不好说。
第一，按现在的增长，可能赚不到太多。根据Gartner据当前AI收入增长测算，到2030年，AI公司和云业务的基建投入可能达到7万亿美元，总计的收入可能是8.5万亿美元，而可归属于AI数据中心的企业与消费者AI收入不超过3.6万亿美元。考虑到其运营成本和折旧、税费。其有效利润率很可能低于12%。也就是说，赚钱效率比较低。考虑到机会成本，这可能不如投入其他方向更有赚头。
第二，这还是在算力需求依然巨量增长的预期下，如果AI发展受阻，扩张停滞呢？如果玩家减少，目前占比50%以上的训练算力用量锐减呢？如果infra有较大进展，算力需求降低呢？这些风险因子显然会进一步削弱这种大规模前期投入的稳定回报预期。
简单来讲，就是我们拿当前最好的情况算这个账，都不一定算得有多赚。风险太大，而最大的收益，却不是通过算力扩张独自获取的。有一家赢得游戏，其他家如果只能作为算力参与方，其收益上限不高，下限却很低。
信用评级机构同样在用这套标尺审视各家巨头的造血底线，标普全球（S&P Global）在10月30日维持了Meta的AA−信用评级，但将其评级展望下调为负面，核心理由正是担忧激进的AI资本开支侵蚀现金流，可能导致Meta的杠杆率在2027年初突破AA−评级所允许的1.0倍上限。
同理，我们也可以理解理解Anthropic为何会被评级为垃圾级信用。
10月30日，《金融时报》及多家市场机构披露，黑石集团在向投资者沟通时预计，Anthropic即便完成上市，其信用评级可能依然停留在非投资级（即俗称的“高收益级”或“垃圾级”高端区间），难以在短期内拿到投资级评级。这也是因为Anthropic在10月26日公开提交的IPO招股说明书（Form S-1）显示，公司背负着长达五年的高额设备租赁承诺（仅Broadcom相关的五年期租赁总额就达1,612亿美元，不含利息），且其间它建立的循环信贷协议加重了这一疑虑。
因为Anthropic没有正向自由现金流，因此它只能依靠借贷来构建算力基础。而这个借贷需要抢担保兜底。
10月26日，Broadcom联合美国银行、黑石集团（Blackstone）、花旗集团与摩根士丹利宣布了一项高达630亿美元的设备融资安排，用于为Anthropic部署基于Broadcom技术的专属AI算力与网络设备，预计2027年开始交付。
芯片卖家Broadcom亲自充当了优先贷款人的兜底方。在向监管机构提交的8-K文件中，Broadcom承诺为优先贷款提供最高可达约430亿美元（未折现口径）的残值担保。一旦发生违约且机柜变卖所得低于尚未偿还租赁本金的72.5%，Broadcom必须自掏腰包补齐差额。
类似的循环借贷，使得基建脆弱性的传导风险进一步加剧。Anthropic不行了，那博通也得遭殃。
对远期买单能力的怀疑很快传导到了上游硬件供应链。美东时间10月30日上午09:45，存储芯片与硬盘板块遭遇集体抛售，盘中记录显示美光（Micron）下跌4.26%，闪迪（Sandisk）重挫8.53%，西部数据（Western Digital）下跌6.07%，希捷（Seagate）下跌5.26%。耐人寻味的是，就在前一天收盘后，闪迪刚刚交出了一份极其亮眼的2027财年第一季度财报：当季营收达110.31亿美元，环比增长23%，同比暴增378%（其中数据中心业务营收环比大增61%至48.02亿美元），GAAP毛利率从一年前的29.8%跃升至85.0%，公司还宣布了1拆8的拆股计划并上调了下季度营收指引至122亿到126亿美元。强劲的业绩不仅没能推高股价，反而触发了获利了结与板块共振下跌。
因为大家都在预判，这种疯狂激进的基建投入，也许无法持续。而由此高歌猛进的硬件供应商未来预期自然也就会被相应调低。
AI科学探索迎来爆发期，各领域皇冠研究被攻破
2026年10月下旬，人工智能在基础科学领域的角色发生了一次具有分水岭意义的质变。在短短数日内，OpenAI与Anthropic等前沿实验室密集披露了一批横跨理论计算机科学、基础数学、理论物理、化学动力学与生物医药的突破性进展。
与早期AI仅限于在给定评价指标下做局部工程调优不同，这一轮成果直接刺入了困扰人类学界数十年的核心猜想与实验黑盒。从两家机构同日独立推翻计算复杂性基石“指数时间假说（ETH）”，到全维度攻克调和分析中的局部光滑猜想与挂谷（Kakeya）猜想。
从1,147页的四维量子场论存在性构造，到跨模型接力完成化学反应网络全局收敛的形式化证明，再到深入自动化湿实验室推翻传统仪器的错误打分标准。
一条从“形式化公理推演”延伸向“真实物理世界实验设计”的完整科研链条，正在被快速打通。
10月26日，OpenAI在官方公告《Working with academic communities to build scientific understanding》中投下一枚重磅炸弹，公开了题为《The Exponential Time Hypothesis is False》的67页预印本论文及配套的Lean 4形式化证明代码，宣布其内部推理模型于10月16日找到了推翻“指数时间假说（ETH）”的自然语言证明，并在次日完成了机器形式化核验。
戏剧性的是，仅仅一天后的10月27日，Anthropic也在数学预印本平台Hexagon与自家的形式化数学仓库中公开了论文《ATime Algorithm for 3-SAT》。Anthropic的溯源声明显示，其内部研究版Claude模型同样在10月16日这一天，在零人工干预的情况下消耗1,400万个输出token独立发现了推翻ETH的核心算法，随后在人类研究员协助改进表述后完成了Lean形式化。
在公布计算复杂性结果的同时，OpenAI在同一份10月26日公告中还向纯数学界释出了另一份完全公开的自然语言论文与Lean证明包《Local smoothing for the Euclidean wave equation》（内部模型于10月18日产出自然语言证明，10月19日完成Lean形式化）。这项工作直接宣称解决了调和分析大师Christopher Sogge于1991年提出的欧几里得波动方程“局部光滑猜想（Local Smoothing Conjecture），并顺带将几何测度论与调和分析中著名的挂谷（Kakeya）猜想、Nikodym极大值猜想以及Stein傅里叶限制猜想一并推进到了任意维度。
在人类数学家的推进历史上，每往上爬一个维度都伴随着极其艰苦的几何与分析攻坚：Larry Guth、王虹（Hong Wang）与张瑞祥（Ruixiang Zhang）在2019年提交、2020年发表于《数学年刊》的长篇论文中，首次攻克了二维空间的局部光滑猜想。2025年，王虹与Joshua Zahl又合力证明了三维空间的挂谷猜想。
在数学与计算机科学两项直接开源代码的成果之外，OpenAI在10月26日公告中宣布的第三项突破指向了现代理论物理学的圣杯之一，其内部模型在9月9日生成了四维纯杨-米尔斯（Yang–Mills）规范场论的数学存在性自然语言证明，在9月18日进一步生成了包含规范场与费米子（物质粒子）的四维相互作用量子场论，包括描述强相互作用的量子色动力学（QCD）以及粒子物理标准模型统一完备化方案的存在性证明，并于10月16日完成了纯杨-米尔斯存在性部分的Lean形式化。
与前两项直接挂上网任人下载的做法不同，这批物理材料目前并未公开，而是全权移交给了由2004年诺贝尔物理学奖得主David Gross担任主席，Arthur Jaffe、Michael Douglas、Igor Klebanov与Nikita Nekrasov组成的五人独立学者工作组，由工作组决定何时以及如何向学界披露。
根据卡弗里理论物理研究所（KITP）于10月28日发布的五人工作组官方声明，OpenAI模型生成的自然语言证明手稿长达惊人的1,147页。从工作组披露的初步信息来看，AI并没有另起炉灶发明一套全新的物理学，而是沿着波兰数学物理学家Tadeusz Bałaban在20世纪80年代开辟的“重整化群（Renormalization Group）”构造路线一路硬推到底。由于David Gross等人在1973年发现的“渐近自由（Asymptotic Freedom）”特性，强相互作用在极短距离（高能紫外区）下会变得很弱，Bałaban当年正是利用这一点，写了十几篇极其晦涩、连同行都几乎无人能完整读懂的长文，试图一阶一阶地控制网格变细时的紫外发散。工作组指出，OpenAI的模型正是借助并补全了Bałaban的核心思想，将重整化群分析一路从微观格点追踪到了无限远距离，从而宣称证明了恰当连续极限的存在性。
如果把视线从上述三大理论突破移向更广泛的科学日常，可以看到AI不仅在单点攻克顶级难题，更在以“跨模型分工、复用开源形式化资产、深度介入真实实验设计”的方式，重塑整个科学研究的生产流水线。
10月27日，Anthropic生命科学团队发布了药物研发合作进展报告，系统披露了过去数月里Claude在六家生物医药机构（BigHat Biosciences、Generate Biomedicines、Divergence Labs、Enveda、The Column Group与百时美施贵宝）真实研发管线中的应用成果，并同步公开了收购单人罕见病研发公司Mithril Medicine的消息。
在这批案例中，AI扮演的角色已经不再局限于早期的“分子结构生成器”：在Generate Biomedicines，科学家利用Claude Code将CAR-T细胞疗法中结构尚不明确的胞内信号域缩短了约70%，使细胞表面的受体表达量提升了约10倍，为攻克实体瘤腾出了宝贵的基因载体空间。在Divergence Labs，Claude在一个月内自主规划并生成了约3.5万个双臂抗体设计，成功筛选出能在常规注射浓度下将已结合的过敏原抗体（IgE）从免疫细胞上剥离的候选分子。而其中最值得深入剖析的科学方法论突破，发生在与BigHat Biosciences的抗体先导物优化合作中。
通过比对原始数据，研究员发现了检测设备的极限问题。为了验证这个猜想，他要求Claude建立了一个解释原始曲线趋势的生物物理模型，并主动提议修改湿实验的测量规程BigHat的科学家完善并执行了这组对照实验，结果完全印证了Claude的物理推演。团队随即废除了原有的错误打分公式，改用新修订的评价指标继续制导后续迭代，最终拿到的最优抗体变体不仅靶点结合力提升了约9到10倍（达到亚纳摩尔级亲和力），抗癌先导物保持溶解状态的耐受温度提高了18°C，长效药物先导物的聚集速度更是减慢了100倍以上，部分分子甚至在仪器最高85°C的极限测试下仍未完全聚集。
这一案例把AI参与科学研究的边界向前推了一大步。在过去的大多数“AI制药”叙事里，人类负责设定考卷和评分公式，模型只是一台不知疲倦的刷分机器，负责在几百万个候选分子里更快地找出得分最高的那一个。但这一事例说明，AI有能力在人类引导下提供更基础的基础假设。
这些案例揭示了当下AI赋能科学最深刻的变化。AI已经从昔日只会做表面调参的“实验室学徒”，成长为能够产出千页级底层构造、挑战领域核心假设的发现引擎。
Google公布Gemini 4 Carbon，暂时成为领先者
距离上一代前沿模型Gemini 4 Argon发布仅两周，Google于10月28日正式公布了新一代旗舰模型Gemini 4 Carbon。
为了证明Carbon的能力跃迁，Google公布了多项第三方与内部硬核评测数据。在刚刚更新的独立评测基准Artificial Analysis Intelligence Index v5.0中，Carbon以59分的成绩登顶榜首；在前端与全栈开发打榜平台WebDev Arena上，其Elo评分较前代大幅跃升89分，以1768分位列第四。更具标志性的是其在网络安全全生命周期中的表现：在挖掘真实软件漏洞的SEC-bench Pro测试中，Carbon取得了88.2%的准确率，在检验漏洞是否真正可被利用的ExploitGym基准中拿到54.8%，而在将漏洞直接转化为代码补丁的CWE-bench上达到了71.0%。
Google内部团队在真实代码库中观察到，Carbon已经能够连续数日自主运行，在跨越大规模代码库和底层系统的复杂排错中自己走出死胡同并修复隐蔽缺陷，Chrome团队反馈其生成高质量安全补丁的效率比另一家前沿实验室的大模型高出10倍以上。
值得关注的是，Carbon在安全对齐上也展示了实质进展：在检验智能体是否会走捷径作弊的Terminal-Bench 4.0中，其成功作弊率降至0.0%（作弊尝试率仅0.4%），在Gray Swan的间接提示词注入（IPI）测试中更是实现了0.0%的攻击成功率。
在商业定价上，Gemini 4 Carbon同样体现出明显的“过渡期”特征。官方宣布其上线初期的推广价格与Argon保持一致，即每百万输入token收费2美元、每百万输出token收费10美元（缓存输入token享受0.5折优惠）。但公告底部的注释明确写明，推广期结束后，正式价格将直接翻倍至每百万输入4美元、每百万输出20美元。
DeepSeek发布超级Agent，给出了他们对团队合作Agent和Always on Agent的解法
当单个程序员手里的编码工具越来越聪明时，如何让智能体顺畅地融入几十人的研发团队，正在成为一个独立于“代码生成准确率”之外的产品与工程命题。
在团队协作场景中，如果一个智能体谁的话都听、遇到一点小疑问就在群里连环弹窗，或者改坏了代码却没人知道该由谁拍板合并，那么它节省下来的敲代码时间，很快就会被全员核对信息、清理烂摊子的沟通成本彻底抵消。
DeepSeek Harness团队近期在GitHub上开源的研究原型dsh-superagent-prototype（按MIT协议发布，正是围绕这一痛点给出的一套架构示范。该原型将自己定位为服务于单个GitHub代码仓库的“主动式团队编码智能体”。
其核心设计哲学被浓缩为一句话：“占用尽可能少的人类注意力，交付尽可能多的实际价值。”
为了防止智能体沦为团队注意力的粉碎机，这套原型在请求入口、执行环境与结果回传三个环节建立了一套严格的隔离与过滤机制。在入口端，系统同时监听GitHub的评论事件与可选的飞书（Feishu）群聊消息，但它并不是有求必应，而是先经过一层明确的授权规则（Authorization）校验，只有具备相应权限的成员发出的指令，或者符合团队预设自动化规则的事件，才会真正触发执行。
一旦请求获批，系统会正式创建一个工作项（Work Item），并为其分配一个完全独立的智能体会话与隔离的工作目录。这意味着智能体在后台跑测试、改文件、反复试错的过程全部在沙箱内闭环，绝不会污染主干分支或刷屏群聊。
更关键的设计在于它何时开口说话。在执行过程中，除非遇到必须由人类做出授权或裁决的卡点，否则智能体保持静默并主动从对话汇总信息，由Agent判断是否根据会话需求去改进原型。而在独立目录中完成代码编写与自检后，它会回到最初发起讨论的那个GitHub Issue或飞书对话串里，直接贴出可交付的成果。
与此同时，系统配套提供了一个轻量级的Web管理面板（Panel），专门汇总当前所有挂起、报错或必须由人工介入审批的任务状态。这种“后台静默执行、原路精准回传、异常集中看板”的工作流表明，团队级Agent的竞争焦点已经从单纯比拼底座模型写代码有多快，转向了权限边界管理与人机交接协议的设计：一个真正能进组干活的智能体，不仅要会写代码，更要懂得在平时保持安静，并在自己搞不定的那一刻，准确地让人类知道该从哪里接手。
Genie 4展示最新的实时互动世界模型标杆
10月27日，Google DeepMind发布了新一代实时交互世界模型Genie 4的研究预览。
如果说前代产品Genie 3的核心突破是让用户能够像玩游戏一样实时走进一张生成的画面里四处移动，那么Genie 4则解决了一个让虚拟世界真正“活过来”的关键缺失：它不仅首次在实时生成的三维交互环境中加入了原生同步音频（涵盖环境底噪、背景音乐与交互式角色对话），更重要的是，它打通了“底层世界模型”与“上层大语言模型”之间的实时协同控制链路。
在以往的生成式视频或早期世界模型中，模型根据最初的一句提示词不断往后预测像素帧，用户虽然能控制视角移动，但既很难在半途用自然语言精准修改场景设定，也很难让画面里的虚拟角色展现出合乎逻辑的长期行为。
Genie 4采用了一套混合架构来打破这一局限。在底层，世界模型与Gemini Omni共同锚定