今天的 AI 行业把两条主线同时推到了台前。一条是治理：英伟达董事会被曝最早 11 月 12 日开会讨论黄仁勋的去留，盘后股价一度跌超 9%。另一条是资本：台积电董事会批准最高 10 亿美元，按 IPO 价格认购 Anthropic、以优先股入股 OpenAI。前者说明算力龙头最大的不确定性可能来自人，后者说明产业链上游已经开始用股权锁订单。中间夹着一组值得对照的数据：CoreWeave 三季度营收同比涨 168%、订单储备 1325 亿美元，但单季净利息支出 8.46 亿美元，已经超过它 3.79 亿美元的调整后营业利润。一、黄仁勋站在罢免边缘：英伟达第一次被「关键人物风险」定价

先说事实。北京时间 11 月 12 日早间美股盘后，英伟达股价直线跳水，一度跌超 9%，发稿时跌 8.79%。《华尔街日报》报道称，英伟达董事会正准备罢免 CEO 黄仁勋，最快于当地时间 11 月 12 日召开会议决定其去留，并在考虑先任命一位临时 CEO、再借助外部公司物色长期人选。几分钟前，《纽约时报》刚曝出第二段婚外情：对象是直接向黄仁勋汇报的英伟达医疗保健业务副总裁金伯利·鲍威尔（Kimberly Powell），报道称今年 3 月圣何塞一场公司会议期间有人拍到两人举止亲密的视频，但该媒体表示尚未看过这段视频。此前 11 月 8 日，黄仁勋已发布致全体员工信，承认对妻子不忠并道歉，董事会同日启动由独立董事组成、聘请外部律师参与的独立调查（财联社、上海证券报、纽约时报，11 月 12 日）。

把时间线拉长一点看，市场其实已经用四个交易日走完了一轮情绪周期。11 月 9 日、10 日两个交易日，英伟达市值累计蒸发约 4200 亿美元，本周累计下跌 7%，朝着连续第六周下跌的方向去；11 月 11 日常规交易时段反弹 2.87% 收于 173.73 美元，盘后又被这条消息打回去。同期英伟达还背着首起证券集体诉讼、11 月 18 日的闭门听证，以及「传砍台积电订单」这类单一信源的传闻。也就是说，压在股价上的不是一条新闻，而是「治理不确定性 + 订单可信度」两条叙事叠加。

我更在意的是这件事暴露的结构性问题，而不是道德层面。黄仁勋 1993 年联合创办英伟达，33 年一直担任 CEO，彭博的描述是「围绕自己建立了一套非正式的组织架构」，且没有明显的指定接班人。这种安排在顺风期是效率，在逆风期是单点故障。瑞穗科技分析师 Jordan Klein 说得很直白：如果黄仁勋无法继续执掌，对英伟达是重大风险。但同一个分析师又说，公司远期市盈率已降到 10 倍以下，「便宜得离谱」。这两句话并不矛盾——它说明市场当前的分歧不在业绩，而在「谁签字」。

对产业链来说，短期要盯三个变量：一是 11 月 12 日董事会会议到底给出「留任」「临时 CEO」还是「彻底换人」；二是下周的三季度财报会不会因为管理层动荡而推迟或缩水指引；三是客户侧的反应，超大客户（微软、谷歌、Meta、xAI）的采购决策高度依赖创始人关系，这种关系无法通过组织流程快速转移。如果只看估值，10 倍不到的远期 PE 确实提供了缓冲；但如果真进入「没有黄仁勋的英伟达」，重估的就不只是 PE，而是整个 AI 资本开支叙事的带头人。二、台积电 10 亿美元：从卖铲子到持股淘金

同一天的另一条主线发生在产业链更上游。台积电董事会（当地时间 11 月 10 日）批准向 Anthropic 与 OpenAI 合计投资最高 10 亿美元：其中最高 5 亿美元按 IPO 发行价认购 Anthropic 股份，另最高 5 亿美元认购 OpenAI 优先股。同一场董事会还通过了约 410 亿美元的资本预算，投向先进制程、先进封装、厂房设施与研发，并另设一家上限 5 亿美元的投资公司布局半导体产业链。财务侧同时给了两个数字：10 月营收同比增长 60%，2026 全年营收预计增长约 44%，需求持续超过产能（财联社、智通财经、环球市场播报，11 月 11 日）。

这笔投资的量级其实很小——10 亿美元对台积电不到一个季度的资本开支。但它的性质很不一样。Anthropic 这轮 IPO 的公司发行部分是 8.014 亿股、定价区间 70 至 78 美元，基础发行最多募资 644 亿美元，另有一笔 260 亿美元的私募配售，认购方包括 AMD、博通、谷歌、美光、微软、英伟达和台积电。换句话说，AI 产业链上下游七家关键公司，正在同一张股东名册上出现。这不是简单的财务投资，而是把「产能优先权」写进股权关系里。

我的判断是，这类结构会越来越常见，也越来越难评估。好处很清楚：Anthropic 和 OpenAI 都在自研芯片，台积电通过股权把自己嵌进客户的技术路线，锁定未来数年的先进制程与 CoWoS 订单。坏处同样清楚：客户、股东、竞争对手三重身份叠在一起，定价谈判会变得不透明；更关键的是，一旦模型层的估值出现重估，减值会从「投资收益」这一行传导回制造端，而这种传导在过去是不存在的。台积电真正押注的其实不是两家模型公司，而是「推理需求会持续吃掉先进制程产能」这个前提。这个前提目前看仍然成立——10 月营收 +60% 比任何 PPT 都有说服力。三、CoreWeave 的 168%：需求是真的，利息也是真的

三季度财报（美东 11 月 10 日盘后发布）是一份典型的「需求侧超预期、财务侧承压」的报表。营收 36.61 亿美元，同比增长 168%，高于市场预期的约 35.5 亿美元；GAAP 净亏损 7.09 亿美元（去年同期 1.10 亿），每股亏损 1.27 美元，好于预期的 1.46 美元；调整后每股亏损 0.95 美元，也好于预期的 1.16 美元。订单储备从 6 月底的 1040 亿美元升至 1325 亿美元，一年前只有 556 亿。全年营收指引由 124 亿至 132 亿上调到 130 亿至 133 亿美元，调整后营业利润指引从 9.6 亿至 11.5 亿上调到 12.75 亿至 13.75 亿美元。调整后营业利润率一季度 1%、二季度 5%、三季度超过 10%，比原计划提前一个季度达到两位数（中国证券网、澎湃新闻、中国基金报，11 月 11 日）。

然后是另一面。当季净利息支出 8.46 亿美元，同比增长 173%，而调整后营业利润只有 3.79 亿美元——利息是经营利润的 2.2 倍，覆盖率仅 45%。四季度利息指引 10.5 亿至 11.5 亿美元，单季就相当于全年调整后营业利润指引中值（13.25 亿）的八成以上。资本开支当季 145.11 亿美元，全年 370 亿至 390 亿美元，接近营收指引上限的三倍；调整后 EBITDA 22.56 亿美元虽然创新高，也只覆盖资本开支的 15.5%，季度自由现金流为负 77 亿美元，债务规模约 470 亿美元，流动比率低于 0.5。

但这份财报里还有一条被低估的信息：存量资产的收益率在上升。管理层披露，基于 Ampere、Hopper 架构的上一代 GPU，三季度租赁价格环比上涨 30% 至 50%，部分设备重新签约的价格甚至高于原始合同；公司 7 月将各 SKU 价格平均上调约 25%，三季度末再上调约 10%，四季度仍在涨，涨幅超过成本增幅。四至五年期长期合同的年化收入约为每兆瓦 2000 万至 2500 万美元，短期合同超过 4000 万美元。这组数字的含义是：在供给受限、制程推进放缓的背景下，算力正在从「快速折旧的电子设备」变成「久期更长的稀缺资产」，折旧年限与实际经济寿命之间的差距，成了这类公司利润表里最敏感的一条缝。

所以我不认为这是一场「需求证伪」，而是一场「融资结构考验」。CEO 因特拉托说 2027 年算力基本售罄、合格客户需求约为可用容量的 10 倍，今年 70% 的交易已收到预付款，部分客户甚至预付了合同全额——这些都是硬证据。风险在于利率：如果 2027 年再融资成本维持在当前水平，利息会继续吞掉经营利润的改善。11 月 11 日 CoreWeave 股价大涨 24.71%，费城半导体指数涨 5.66%，市场选择先相信需求；但这条链上真正的观察指标是利息覆盖倍数，而不是营收增速。四、Gemini Decisions API：把「判断」从「生成」里拆出来

Google 11 月 11 日在 AI Studio 上线 Gemini Decisions API，背后是新模型 Gemini Decision 1。它不做逐 token 生成，而是在单次前向传递中对预先给定的候选选项打分，直接返回概率与置信度。一次请求可以喂进最多 256K token 的多模态材料（文本、图像、音频、视频、PDF），同时提出最多 1000 个互相独立的问题；支持三类任务——是/否判断、最多 255 个选项的多选、以及自定义评分标准的有序打分，三类还能混在一次请求里。端到端延迟 150 至 250 毫秒，16K 上下文内模型计算阶段的中位延迟 50 至 100 毫秒；输入每百万 token 0.10 美元，输出 token 不收费，谷歌称成本约为 Gemini 3.5 Flash-Lite 的五分之一（Google AI Studio、InfoQ，11 月 12 日）。

它最值得关注的地方不是价格，而是「专用化」这件事终于发生在最不起眼的一层。过去几年，Agent 的每一步——要不要调用工具、调哪个工具、这条内容是否违规、这次请求该路由给哪个模型——都是用生成式大模型完成的，然后再从自然语言输出里解析出结论。这相当于用卡车送一封信。Decision 1 把这一层换成分类器式的单次前向，代价是失去开放性，收益是延迟和成本的数量级下降。谷歌自己披露的内部用法很能说明问题：Gemini Notebook 用它做实时模型路由，日常查询延迟最多降低 40%；Google Search 用它给 MCP 工具搭了一层安全检测；Stitch 的 Rapid Canvas 用它把语音、点击指令即时转成线框图。

但我不打算把它说得太圆满。谷歌公布的 9 项基准里它拿了 7 项第一——JevBench 92.2%（GPT-6 Luna 90.9%、TypeSafe Jev 1.14 90.0%、Flash-Lite 86.6%）、New Yorker Caption 79.7% 对 68.4%、PubMedQA 79.8% 对 74.4%；可在最贴近 Agent 场景的两项上它输了：When2Call 79.9% 对 TypeSafe Jev 1.14 的 82.0%，Mind2Web Multimodal 86.2% 对 86.8%。也就是说，「什么时候该调用工具」这种时序判断，专用小模型仍然更准。反倒是校准误差这一项更有分量：Top-1 ECE 0.0250，而 GPT-6 Luna 是 0.0721、Jev 是 0.0494、Flash-Lite 高达 0.2104。对需要自动执行的系统来说，一个「说自己 80% 确定、实际就真的 80% 正确」的模型，比一个准确率高 2 个点但过度自信的模型有用得多。

给开发者的实操建议：把 prompt 里那些「请判断以下内容是否……」的逻辑迁到 decisions 端点，收益最明显的是内容风控、模型路由、检索结果重排、批量打标这四类；但涉及多步时序决策的，保留原来的生成式链路做兜底。五、微软 Lazarus：不到 10 个神经元，就能给 Agent 装后门

微软研究院与微软红队 11 月 10 日公开了一项叫 Lazarus 的技术：不需要重新训练，只改写模型里不到 10 个「休眠神经元」，就能植入一个条件触发的后门。具体做法是在模型最后一层前馈网络里挑那些日常几乎不激活的神经元，重新编程为「触发器识别器」，一旦触发模式出现，就强制把指定的 token 注入残差流，串起若干神经元即可拼出任意命令串。在 Nemotron-Terminal-8B 上，研究者只改了 12000 多个神经元中的 7 个，用 23 条触发与非触发轨迹测试，模型在留出的触发场景里至少 98.8% 生成了恶意载荷，而在良性场景中完全不激活。同样的方法在 Qwen 3.6-27B 和 Gemma-4-31B-IT 上也成立（Microsoft Research、InfoWorld、Help Net Security，11 月 10 日至 11 日）。

这项研究真正的杀伤力在于「评测无效」。被篡改的模型能通过常规安全评估，表现和原模型没有区别，直到触发条件出现。触发条件也不必是恶意指令——微软举的例子是「时钟跨过午夜进入 2027 年」，Agent 在正常任务中途就会输出一条下载并运行攻击者代码的命令，然后用你授予它的权限执行。攻击门槛也不高：需要 checkpoint 的写权限（来自失陷账号、开发流水线或存储系统），算力只需「能跑推理就够」。微软威胁情报团队表示目前尚未观测到真实攻击者使用该技术，但明确指出内部自研模型同样暴露。

我认为这项研究最有价值的部分不是攻击本身，而是它给出的防御范式——「模型物料清单」。微软建议在部署前和每次更新后，把 checkpoint 与声明的基座模型做差异比对：正常微调会广泛改变权重，而植入的后门往往表现为「少数权重向量的巨大变化」。检测侧，研究者让前沿 Agent 去审计权重，能标出 91.4% 的篡改 checkpoint，假阳性 9.7%，而且不需要原始参考模型。但首席研究员 Papailiopoulos 说得很清楚：没有任何扫描能证明模型绝对安全，可靠检测必须对比原始权重，所以溯源才是根本。

落到工程上，能马上做的有六件事：给 Agent 最小权限；代码执行放沙箱；限制出网；高危动作（执行命令、改权限）强制人工审批；把审批过的模型放进私有 registry，禁止 Agent 直接从公共仓库拉 checkpoint；采购时把「可验证的来源与哈希」写进合同。还有一个细节值得记下来——论文说这项技术的核心思路是 Claude Code 配 Opus 4.5 在 2026 年 2 月自主发现的。攻击和防御正在同一批模型上加速，这大概是今年最不浪漫的一条结论。六、AlphaGenome 2：从「组织平均」到「细胞类型」

Google DeepMind 11 月 11 日发布 AlphaGenome 2，把基因组变异预测的分辨率从组织层面推到单细胞层面。它是一个条件模型：输入除了 100 万碱基的 DNA 序列，还有目标生物学条件（组织、细胞类型或细胞状态），条件在架构的每一层都参与计算，因此能学到「同一段 DNA 在不同细胞里被读出不同结果」。训练集来自人类与小鼠样本的超过 1.07 亿个单细胞图谱，覆盖 68 种组织。效果上，它识别出的、与基因表达相关的变异数量接近上一代的两倍；在针对 28 种原代免疫细胞类型的 TenK10K 数据集测试中，识别致病因果变异的比例达到 30%，上一代模型用单细胞数据微调后是 16%；预测基因表达变化方向的准确率是 43%，上一代为 23%（DeepMind 官方博客、IT之家，11 月 12 日）。

除了基因表达，它还新增了 DNA 甲基化的预测——这是上一代不支持、研究人员反复提过的需求，同时覆盖组蛋白修饰与染色质可及性。更有意思的是 cell encoder 带来的零样本能力：研究者上传少量单细胞 RNA 测序数据，模型就能据此生成此前没见过的细胞类型或状态的预测。DeepMind 给的例子是，在一份此前未见过的新冠 mRNA 疫苗数据里，模型能区分疫苗激活状态与静息状态的 T 细胞，并预测出一种与重症相关的遗传变异在免疫细胞被激活时对基因活动的影响更明显。

这项工作的意义在「因果排序」而不在「预测精度」。全基因组关联研究（GWAS）产出的是统计相关，真正的瓶颈是把几万个信号收敛到少数可实验验证的靶点，而细胞类型往往决定一个突变到底有没有影响。分辨率从组织降到细胞，等于把大量「平均掉了」的信号重新暴露出来。旧模型 16% 到新模型 30% 的致病因果变异识别率，意味着实验验证的排队顺序要重排。但边界也要说清楚：它仍然是预测模型，湿实验不可省；1.07 亿细胞图谱这种数据壁垒，不是靠架构创新能追平的；同时它通过 AlphaGenome API 只对非商业研究开放，商业用途仍是私有预览——这条线最终会走到 Isomorphic Labs 的药物发现闭环里去。

对国内 AI for Science 的启示比较直接：这一轮的护城河在数据资产与合作网络，不在模型结构。Human Cell Atlas 这类公开项目的价值，正在被「谁能把它变成预测引擎」重新定价。七、百度世界 2026：李彦宏把 AI 的瓶颈指向「组织」

11 月 12 日，百度世界 2026 在北京开幕。李彦宏给出的判断是「AI 的下一幕是智能组织」，并首次提出组织进化三原则：打破岗位边界、沉淀隐性知识、设计流程闭环。他的类比是工业史——「换一台 AI 新电机只是起点，重新设计新厂房才是分水岭，这座新厂房就是智能组织」。配套的判断是岗位会收敛为两类：负责创造的 Builder，和负责建立信任与连接的 Seller。他给出的内部数据是：过去一年百度日活智能体数（DAA）从日均 0.5 万涨到 3.7 万，智能体每周完成的有效任务从 8.4 万个涨到超过 100 万个，已建设 4300 个 Workspace、沉淀超过 2 万个组织 Skill（中国工信新闻网、国际金融报，11 月 12 日）。

产品侧的信息比理念更实。百度正式推出大模型交易平台「词元所」，上线一个月入驻供应资源超过 100 个、日均调用 token 超 7000 亿；发布文心大模型 5.5 Flash 预览版（总参数 2800 亿，支持最长 100 万 token 上下文）及两款文心应用模型；百度搭子、库库、百度一镜、伐谋四个智能体升级；智能云发布天池 1024 卡超节点，昆仑芯 M100 已上市、M300 明年推出；萝卜快跑覆盖全球 28 座城市、自动驾驶里程超 3.5 亿公里，已在迪拜、阿布扎比做全无人商业化运营。

「词元所」是这次最值得单独拎出来看的东西。它本质上是把 token 做成可交易商品——供需双方在平台上撮合，平台抽佣。这对行业的影响是双面的：好的一面是价格发现，长尾开发者可以按需买到比官方便宜的推理额度；风险的一面是质量与合规不可控，第三方供给的模型版本、量化精度、上下文限制都可能与标称不符，一旦出问题责任归属模糊。百度从「卖模型」走到「做交易所」，说明它判断单纯卖 API 的毛利撑不住，必须往流量与撮合上走。但这与云厂商自营推理的商业逻辑存在张力，能不能跑通要看供给侧的意愿。

至于「智能组织」，我部分同意。AI 投入的收益确实滞后于技术成熟——这不是新发现，1987 年索洛就说过「你到处都能看到计算机时代，除了在生产率统计数据里」。把瓶颈从模型能力转向组织流程，是过去两年企业侧最真实的体感：模型够用了，但审批链、数据权限、考核方式没变，Agent 就只能停在演示阶段。不过「Builder / Seller 二分法」过于干净，现实中大部分岗位是两者的混合体；而 DAA 从 0.5 万到 3.7 万这类数据是自报口径，缺少留存率与任务成功率的对照。真正能验证这套理论的，是明年百度自己的财报效率，而不是发布会的金句。本次最硬的信息其实是昆仑芯 M100 已上市——芯片落地比组织哲学更难伪造。八、双 11 的 AI 账单：token 包销量涨了 10 倍

京东 11.11（10 月 12 日晚 8 点至 11 月 11 日 23:59）给出的数据是：累计售出超过 5000 万件 AI 产品，产生超过 3 亿服务订单，首次参与的新客平均下单 6 件。细分项更能说明问题——JoyInside 累计完成超 7000 万次交互；JoyAI App 日均活跃用户峰值为常态期的 5 倍以上；AI 医生「大为」问诊订单同比增长超 5 倍；AIPC、AI 工作站、AI 相机、AI 眼镜、AI 录音设备等品类成交额同比增长超 100%；「Token」搜索量环比提升超 13 倍，平台大模型 token 包销量环比增长超 10 倍。履约侧，物流「超脑」3.0 在双 11 期间完成 3207 亿次订单定位，灵巧臂「异狼」累计抓取 1553 万件包裹，机器人军团处理单量同比增长 45%；直播侧有超过 2 万个数字人同时开播（京东官方数据，11 月 12 日）。

路透社 11 月 11 日的报道补上了需求侧的另一半：今年 10 月，中国某短视频电商平台约 5% 的购物交易通过 AI 聊天机器人提供的链接完成，在营养补剂这类需要仔细比较的品类中，这一比例超过 20%；双 11 期间某电商平台的 AI 购物助手吸引了近 8000 万用户咨询，是去年的三倍多。另外两个数字是 AI 玩具上线一年销售额突破 1 亿元，10 月下半月 AI 陪伴机器人销售额同比增长近 5 倍。

我更看重 token 包销量环比涨 10 倍这一条。它是普通消费者第一次大规模为「推理」而不是为「硬件」付费的证据——过去 token 是开发者的成本项，现在成了零售 SKU 上的商品。这意味着两件事：一是推理需求的曲线可能比训练需求更陡，且更分散；二是价格战会从 API 打到零售端，中间商的利润空间会被迅速压薄。至于「5000 万件 AI 产品」，口径需要谨慎，它包含大量带 AI 功能的家电与 3C，不等于 AI 原生硬件；数字人直播超 2 万场倒是很直接地说明了供给端成本塌陷——一场直播的人力成本被压到接近于零，这对平台生态是好是坏，明年会有答案。其他值得注意

• xAI 上线 Grok Voice 3.0 语音转语音 API：官方统一定价每分钟 0.08 美元，省去语音转文字再转语音的中间环节，延迟压到接近真人对话水平（财联社，11 月 12 日）。这个价格已经贴近人工客服话务成本，对车载语音、智能硬件与出海呼叫中心是可算账的替代方案。

• OpenAI 将于 12 月 11 日停用 Standard 与 Advanced 语音模式：全面转向今年 7 月推出的 GPT-Live，历史语音对话保留，但实时视频与屏幕共享、自定义 GPT 语音对话暂仍走 Advanced。X 与 Reddit 上大量用户抱怨 GPT-Live 频繁打断、丢上下文，部分付费用户表示考虑退订。OpenAI 此前曾因反对声浪推迟停用 GPT-4o，这次未必不会重演。

• 阿里 Qwen4-Max-Preview 上线：1M token 上下文、最大输出 393,216 token（思考与回答共享额度），仅通过 Token Plan 提供、不支持按量计费，预览期 11 月 11 日 10:00 至 11 月 25 日 24:00，到期下线，促销费率最低为标准价的两折。官方尚未公布基准成绩、参数量、权重与单价。

• 摩根士丹利人形机器人调查：94 位中国制造、工业与服务业高管中，64% 可能在未来三年采用人形机器人，但预期部署时间较上年平均推迟约一年；72% 认为单机售价需低于 10 万元才具经济可行性（去年 53%），82% 要求投资回收期不超过三年，平均可接受 26 个月；仅 18% 对现有产品表现满意。

• 字节 AI 芯片负责人施云峰离职：《晚点 LatePost》称其已提交离职申请、处于交接期。字节 AI 芯片走对标谷歌 TPU 的纯 ASIC 路线，相关芯片今年已完成流片但性能未达预期，正推进下一代。

• 沐曦与优必选合资公司曦选创智完成 5 亿元天使轮：纪源资本、经纬创投联合领投，首款芯片定位机器人「大小脑一体」SoC，计划 2027 年提供开发验证平台、2028 年推出首款 SoC。

• 摩尔线程宣布 MDC 2026 于 12 月 29 至 30 日在北京举行：将发布十余项新产品与技术，市场预期 S6000 智算卡与「庐山」系列图形 GPU（华港架构）年底前上市，官方尚未公布规格。

• Anthropic 收购单人 AI 药企 Mithril Medicine：据《自然》报道，创始人 Matt Davidson 已加入 Anthropic，前 CEO Cody Tranbarger 在领英称该团队探索出「个人化研发管线」模式；斯坦福邹杰认为 AI 会催生大量小团队新药研发，但 Third Rock 合伙人 Jeb Keiper 提醒临床试验仍需行业共同体协同。

• BloombergNEF：数据中心配套自建燃气发电规划已达 181GW：超过 90% 在美国，主因是并网排队时间过长，开发商转向园区自建电站。

• 英国学生事务办公室要求高校恢复线下考试：调查覆盖 127 所院校 300 余名受访者，认定 AI 已使课程作业「几乎无法评估」，并警告评估设计不当可能违反注册条件、招致处罚。一句话总结

今天所有线索指向同一件事：AI 的瓶颈正在从模型能力转移到三件更硬的东西上——关键人物的可替代性、资本结构的耐久度、以及权重与数据的可信来源；模型本身，反而成了这条链上最不缺的一环。