导语：本轮最值得关注的是 黄仁勋离任的冲击波——TechCrunch 与 The Verge 分析指出，他离任可能通过五种途径损害 AI 产业：开放权重模型、AI 安全自我监管、AI PC 产业链与数据中心融资都失去关键推手。硬件与学术同步推进：简智机器人在 CoRL 发布 DAS 2.0 数据采集硬件，用真实触觉数据「教」视觉模型；AlphaSignal 介绍的免训练解码器 STDec 可让扩散式 LLM 提速最高 14 倍；Apple 连发四篇论文，分别揭示门控机制对状态空间模型上下文学习的阻碍、Agent 工具发现架构的复杂度依赖交叉、KL 正则化对齐的信息论极限等。
本轮采集时间：2026-11-13 12:00 ｜ 来源：TechCrunch、The Verge、AlphaSignal、量子位、Apple ML Research、Google、OpenAI ｜ 新增条目：9
产业与商业
OpenAI 客户案例：Holiday Extras 用 Codex 两周重建应用，预订转化率提升 32.5%
OpenAI 报道，欧洲旅游科技公司 Holiday Extras 全面接入 ChatGPT Enterprise 与 Codex，让懂客户与运营的员工直接参与软件开发：团队用 Codex 在两周内完成了原本需要半年以上的主应用重建，开放到预订的转化率提升 32.5%，应用错误率从 19% 降至 9%，主应用从年度大版本转向每周多次发布。CEO Matthew Pack 表示，公司正从「少数工程师才能构建」转向「整个团队都能用 AI 构建」，并据此重新评估业务野心。这是企业 AI 从试验走向「业务专家直接造软件」的一个量化样本。
来源：OpenAI
工具与产品
简智机器人在 CoRL 发布 DAS 2.0 数据采集硬件
量子位报道，简智机器人在 CoRL 发布新一代数据采集硬件 DAS Ego 2.0 与 DAS Dex 2.0：Ego 2.0 为第一视角头戴设备，搭载 6 颗全局快门摄像头（2 颗 500 万像素 + 4 颗 200 万像素），水平视野 340°，指尖追踪精度 4mm，单包续航 2.5-3 小时；Dex 2.0 为灵巧手手套，单手集成 16 块触觉传感器、980 个触觉单元，触觉分辨率 1mm、最小检测力 0.1N、采样率 100Hz，拥有 21 自由度，指尖定位精度小于 1mm。两设备可实现约 1ms 级时间对齐，并探索 Ego+Wrist Camera+Dex 的同步采集，用真实触觉数据「教」视觉模型，目标是把有效数据交付从十万小时级提升到百万小时级/季度。
来源：量子位
Google AI 帮助恢复澳大利亚巨型海藻林
Google 报道，在 COP31 召开之际，Google 与澳大利亚国家科学机构 CSIRO 合作，用 AI 与基因组学帮助恢复巨型海藻林：团队发表了两份高质量的澳大利亚巨型海藻参考基因组，并训练 Google 开源工具 DeepVariant 分析从塔斯马尼亚海岸 40 个站点采集的 600 份野生样本 DNA——当地种群数量已萎缩至历史水平的 5%。基于遗传分析与实验室杂交研究，研究人员正为「用多样化、耐热样本重新种植海藻林」做准备。这是 AI 用于生态保护的又一落地案例。
来源：Google
GATE-AD：仅用少量干净照片让工厂缺陷检测提速 25%
AlphaSignal 报道，NeurIPS 2026 论文 GATE-AD 提出一种基于图注意力网络的少样本工业异常检测器：用冻结的 DINO 骨干提取图像块特征，将图像块表示为图节点，通过掩码图编码预测被隐藏 token 的正常表示，再用可学习的潜在对齐空间与 Scaled Cosine Error 计算异常分数。在 MVTec AD、VisA、MPDD 三个基准的 1-8 shot 设置下达到最优，最高提升 1.8 AUROC，且每张图像的推理速度比此前最优方法快 25%，代码与示例已开源于 GitHub（支持 DINOv2/DINOv3 骨干）。
来源：AlphaSignal
学术与前沿
STDec：免训练解码器让扩散式 LLM 提速最高 14 倍
AlphaSignal 报道，STDec 提出一种免训练的置信度解码器，用逐 token、逐去噪步的自适应置信度阈值替代全局阈值：利用空间一致性（>90% 的解码 token 在邻近已解码邻居中即可确定）与时间一致性（约 95% token 的 top-1 ID 提前稳定）来减少冗余采样。在 MBPP 上，LLaDA 提速 14.17 倍且精度相当；Dream-7B 平均 10.03 倍、LLaDA-8B 7.60 倍，多模态 LaViDa-Reason 吞吐提升 3.57 倍。该方法可与 dKV-Cache、Fast-dLLM 等现有加速技术叠加，为扩散式 LLM 的实用化部署提供了低成本提速方案。论文：arXiv 2604.06330。
来源：AlphaSignal
Apple 研究：门控机制决定状态空间模型的「记忆」与上下文学习
Apple Machine Learning Research 在 NeurIPS 发表研究《On the Importance of Gating: Memorization vs. In-Context Learning in State Space Models》（arXiv 2609.16540），发现门控机制会决定状态空间模型（SSM）的学习路径：模型往往先学到「权重内记忆」（in-weights memorization）解，这延迟甚至阻碍了模型收敛到正确的上下文学习（in-context learning）解——即使架构与记忆容量本身没有根本限制；但门控对长序列泛化常常是有益的。研究为 SSM 的训练与架构设计提供了新的诊断视角。
Apple 研究：工具发现架构的大规模对比——先规划还是先检索
Apple Machine Learning Research 在 EMNLP 发表研究《Plan-then-Retrieve vs Retrieve-then-Plan for Tool Discovery》（arXiv 2610.19068），系统对比两种 Agent 工具发现架构：Retrieve-then-Plan（RtP，先检索再规划）与 Plan-then-Retrieve（PtR，先生成抽象工具桩再检索）。在 ToolBench（46,984 个 API、50 个类别）上的实验显示存在复杂度依赖的交叉：单工具查询 RtP 更好，多工具查询 PtR 更好；该结论在 1k-47k API 注册表、k=1-20 检索预算、Gemini 2.5 Flash 与 gpt-oss-120b 上均稳健。研究同时发现 PtR 存在「桩幻觉」（stub-hallucination）失败模式，且额外发现调用约使推理成本翻倍。
Apple 研究：KL 正则化对齐的信息论极限
Apple Machine Learning Research 在 NeurIPS 发表《Theoretical Limits of Language Model Alignment》（arXiv 2605.07105），从信息论角度刻画 KL 正则化对齐的根本极限：推导出固定 KL 预算下最大可实现的期望奖励提升的闭式表达式，发现其由 Jeffreys 散度项主导（而非以往分析所用的 √KL），并将其重写为基模型下的协方差，得到一个仅用基模型样本即可预测可达对齐增益的实用估计器。研究进一步表明，奖励误差越大、KL 惩罚越弱，「奖励黑客」（reward hacking）缺口越大，而奖励集成（reward ensembling）可缓解该问题；实验显示 best-of-N 接近理论极限，而 PPO 与 GRPO 仍显著次优。
观点与思考
黄仁勋离任的五种代价：开放权重、AI 安全自监管与数据中心融资都失去推手
TechCrunch 与 The Verge 分析黄仁勋离任对 AI 产业的五种潜在损害：其一，他作为开放权重模型倡导者的角色无人接替——英伟达已同意以 129 亿美元收购 Hugging Face（预计明年上半年完成），他还在 7 月组织数百家科技公司联署支持开放权重模型；其二，他主导的 AI 安全自我监管平台（Open Agent Safety Platform，100+ 公司签署）面临停摆风险；其三，「AI 是工具而非生命体」的行业叙事声音被消音；其四，英伟达推动的高端 AI PC 产业链（搭载自研 CPU、假日季新品）在营销上承压；其五，英伟达参与的数据中心融资金融工程（截至 7 月约 7500 亿美元循环交易、1050 亿美元 OpenAI 俄亥俄数据中心背书、说服 Apollo/BlackRock/Blackstone 等 PE 承诺最高 5000 亿美元）可能失去关键推手。
来源：TechCrunch | The Verge