今日要点
- 台积电 TSMC — 台积电拟向 OpenAI 与 Anthropic 各投 5 亿美元，合计 10 亿 据 Ars Technica 报道，芯片代工巨头台积电准备向 Anthropic 和 OpenAI 投入合计 10 亿美元。
- 英伟达 NVIDIA — 《华尔街日报》称英伟达准备撤换黄仁勋，公司未回应 《华尔街日报》报道称，英伟达可能正在准备更换创始人兼 CEO 黄仁勋。
这里是由Robin为你带来的咸话咸说之每日AI乱炖。
台积电拟向 OpenAI 与 Anthropic 各投 5 亿美元，合计 10 亿
先说钱的方向。一家给所有人代工芯片的公司，现在反过来买客户的股份。
台积电拟向 OpenAI 与 Anthropic 各投 5 亿美元，合计 10 亿
据 Ars Technica 报道，芯片代工巨头台积电准备向 Anthropic 和 OpenAI 投入合计 10 亿美元。路透社是这笔消息的来源：台积电董事会已经批准两项安排，最多 5 亿美元用于认购 OpenAI 为大型投资者保留的优先股，另外 5 亿美元按 Anthropic 预期的 IPO 价格买入其普通股。
金额不是重点，方向才是。台积电自己就靠 AI 数据中心建设潮赚了很多，代工业务受益明显，现在它把钱投回给买它产能的客户，在两家头部 AI 开发商里直接持股。一家供应商同时成了股东，这是最近几笔 AI 大交易里反复出现的结构。
《华尔街日报》的解读是，在 AI 交易显出压力的当下，这类投资可能给市场一点信心。分析人士同时提醒，投资者、供应商和客户之间的这种循环融资，让外界越来越难判断 AI 硬件和服务的需求到底是终端需求，还是这几方在互相买单。
供应商变成股东，账面上是投资，逻辑上是在给自家产能找确定性——客户买得起，自己的产线才转得满。麻烦在于几方身份一重叠，外部人再想靠订单量判断真实需求就很难了。接下来值得看的是有没有更多设备商和云厂商复制这个结构，以及这类持股会不会被要求披露得更细。一旦供应商的营收和客户的融资能力绑在一起，现金流的方向就不再只是订单的方向。
《华尔街日报》称英伟达准备撤换黄仁勋，公司未回应
再往下这条，报道里全是尚未落定的部分。
《华尔街日报》称英伟达准备撤换黄仁勋，公司未回应
《华尔街日报》报道称，英伟达可能正在准备更换创始人兼 CEO 黄仁勋。报道没有说明这件事已经获批或已经完成，也没有给出继任人选、时间表、董事会给出的理由，以及英伟达方面的回应，因此目前只能理解为一场还在展开的接班博弈，而不是已经落定的换人。
黄仁勋创立了英伟达，长期担任 CEO，公司的技术路线、政治关系和创始人权威都和他个人深度绑定。他一贯不重视常规的接班规划，董事会手上几乎没有现成的过渡方案，这也是这次传闻同时牵动治理与运营两条线的原因：换的是一个职位，动的是创始人对公司的控制权。
如果报道所说的动作真的推进下去，英伟达在加速计算、AI 工厂、开放模型、智能体系统和物理 AI 这些方向上都会面临不确定性，而这些方向都是黄仁勋在 GTC 上一条条铺出来的路线。影响大小还取决于他是否留在其他岗位，以及新 CEO 多快能到位。
社区的反应集中在两处：一是担心换人会削弱英伟达长期的技术执行力，并疑问谁能真正接得住；二是有人把话题引到创始人投票权和董事会独立性上。也有人猜测继任者可能更看财报而不是技术，或者这层不确定性会传导到其他 AI 公司的情绪上，但这些都只是社区猜测，报道本身并没有给出这些事实。
创始人加上 CEO 的双重身份，让任何接班讨论都不只是人事问题：公司的技术方向、对外关系和内部权威都系在一个人身上。董事会被说成手上没有现成方案，这既说明准备不足，也说明这个位置的制度成本本来就高。真正要观察的不是传闻真假，而是公司会不会被迫给出关于接班安排的正式说法。传闻之所以能搅动这么大范围，是因为这里同时牵扯治理结构和运营连续性。
Anthropic 发布 Fable 5.2 与 Mythos 5.2，千个智能体 30 小时形式化费马大定理
接下来这条，把智能体和数学证明放进了同一个实验。
Anthropic 发布 Fable 5.2 与 Mythos 5.2，千个智能体 30 小时形式化费马大定理
Anthropic 发布了 Claude Fable 5.2 和 Mythos 5.2。Fable 5.2 被定位成面向复杂研究任务的多智能体系统，可以让大量智能体自主分工、协调，一起推进形式化证明。
发布材料给出的例子是费马大定理：1,000 个 Fable 5.2 智能体在约 30 小时里把它形式化了，人工干预极少。智能体从最少的提示出发，自己商量出协作方式，不查数学参考资料，只拿一组中间定理陈述当评分依据。作为对照，早期未发布的研究版本需要专门搭建运行框架，还要一名人类研究员指导，一共用了 11 天。
所谓形式化，是把证明改写成计算机能逐步检查的对象，而不只是用自然语言讲一遍论证。费马大定理本身说的是：当整数 n 大于 2 时，不存在正整数 x、y、z 满足 xⁿ＋yⁿ＝zⁿ。
这个实验同时测了三件事：模型本身的推理、多智能体怎么编排、以及最终结论能不能被形式验证。如果结果经得起独立复核，被推着走的不只是某条定理，而是一批智能体并行推进研究、再由机器检查结论的流程。现有材料只有发布方给出的数据，独立复核还没看到。
可用的范围要分清：Fable 5.2 现在可以通过 Claude Platform 和 Amazon Bedrock 使用；Mythos 5.2 只对通过 Anthropic 验证的网络安全与生命科学高级工作开放，发布材料没有进一步交代它的具体能力和可用性。
社区的评价不算一边倒：有人认为 Fable 5.2 能力很强，但普通任务上和 Opus 5.5 常常分不出来，只有把任务目标抬到很复杂才显出差距；也有人拿 Opus 5.5 已经能胜任约 12.5 万行代码的项目说事，疑问新版是否对应真实的工作流需求。还有人对发布基准提出疑问，比如 Carbon 的 effort-intel 曲线异常、缺少单一网络安全基准的横向对比、Robodojo 比较改用 Argon 而不是 Carbon。
这件事的看点不在定理本身，而在于判定权交给了机器：结论能被逐步检查，一批智能体并行推进研究就有了可验收的标准。眼下的证据仍然只有发布方一边，普通任务上和新版差距不明显、基准选择也被质疑，这些质疑恰好说明能力边界还没被外部摸清。该盯的是有没有第三方拿同样的题目复现一遍。发布方的数据先成立，结论才算数，这在数学上是硬要求。
Claude Code 设置文件把数千条密钥带到了 GitHub 公开仓库
下面两条都是安全问题，先看离我们每天用的工具最近的那条。
Claude Code 设置文件把数千条密钥带到了 GitHub 公开仓库
安全公司 Apiiro 的研究人员发现，GitHub 上一些仓库里的 Claude Code 配置文件嵌着大量敏感信息，包括数据库密码、API token 和 root 登录凭据，数量以千计。
问题出在自动执行 shell 命令的授权方式上。用户在弹窗里选了「Yes, and don’t ask again」之后，这个选择会被写成一条规则，存进本机的 .claude/settings.local.json。规则有时会写成模式匹配的形式，但更常见的情况是，被批准的那条命令原样写进文件，命令里带的敏感信息也就一并留了下来。
如果这个文件只待在本机，这算不上严重问题，前提是这台机器本身没被攻破。Anthropic 在 Claude Code 文档里也说明，这个设置文件会被加进开发者的全局 .gitignore，通常能挡住它被公开。换句话说，风险不在于授权本身，而在于那条命令连同敏感信息一起落盘，又被一起推到了公开范围。对用这类工具的人来说，能自检的地方很具体：仓库里有没有 .claude/settings.local.json，里面是不是留着带凭据的完整命令。
这条的分量在默认值和便利之间的那道缝：一次「别再问我」的确认，会把当时的整条命令固化下来，凭据也就跟着进了文件。工具方靠全局忽略规则兜底，可仓库配置、团队模板和 CI 脚本都可能把这类文件重新带回版本库。使用者不必等官方修复，清掉仓库里带凭据的完整命令就是最直接的动作。团队层面的成本更高：这类文件往往是几个人各自的私有配置，谁也不知道里面躺着什么。
Google 发布 Gemini Decisions API，单次可判 1000 个问题
还有一条接口层面的变化，方向是把模型从说话改成判定。
Google 发布 Gemini Decisions API，单次可判 1000 个问题
Google 发布了 Gemini Decisions API，把一个「判断层」做成独立接口，Gemini Decision 1 是这条产品线的第一个模型。
决策模型和聊天模型的走法不同：它拿一组预先定义好的问题去对照同一个输入，直接返回结构化答案、分数，以及置信度或概率，而不生成自由文本。Gemini Decisions API 一次最多可以评估 1,000 个是/否问题、多选题或者按评分规则打分的问题，输入可以是文本、图像、音频、视频和 PDF，多模态内容共用同一份。
对开发者来说，省掉的是「让模型别说话、只给结论」的那层包装：不再生成散文，直接拿到校准过的概率，可以当成智能体和编码 harness 里很轻的一个判断层。最清楚的用法是有边界的分类任务，包括需要听音频、看视频的场景。不过现有材料没有给出它和其他方案相比的准确率或成本优势。
开发者的讨论集中在两个细节：用约束语法输出时不会暴露概率；有人即使 Gemini 更贵，也仍然倾向 respan/span-02。音频和视频输入被认为在特定多模态场景里有价值；也有人估算，问题很多的超长上下文流程，成本大致相当于调用一次 Google Search API。Google 把它定义为第一方接口，用来搭 AI 辅助的决策工作流；从讨论看，它处在能力边界已经清楚、证据还不足的阶段，既没有基准，也还没有大规模采用的记录。
把概率和结构化答案直接交出来，省掉的是工程侧自己拼解析和校准的那层胶水，智能体循环里的开关判断尤其受用。代价是信任成本转移了：没有横向对比，选它更像是选一种接口形状，而不是选更准的判断。可以留意约束输出和概率能不能同时拿到，不少团队的评估就卡在这个细节上。接口变轻，判断逻辑就能被更频繁地调用，误判也会被更快地复制。
Grok Build 的分享链接可被枚举，数千用户数据外泄
第二条安全问题更直白：链接本身就是入口。
Grok Build 的分享链接可被枚举，数千用户数据外泄
安全公司 Claroc 的研究显示，SpaceXSI 的 vibe-coding 智能体 Grok Build 正在泄露数千名用户的数据，其中有商业机密，也有其他敏感凭据。SpaceXSI 是 SpaceX 与 xAI 合并后的名字，也就是说，提供这个平台的公司自己也在受影响之列。
泄露通道是 Grok Build 的分享链接。平台把 URL 做了随机化处理，本意是只有拿到确切地址的人才能访问对应项目，但开发过程中的一个设计决定把这层保护废掉了：任何人都能枚举出成千上万个还在线的 Grok Build 项目。点开这类链接，除少数例外，应用会直接打开，并带出与之关联的全部数据。
Claroc 列出的暴露内容包括内部商业计划、广告提案、体检结果、某家名人邮轮的配餐检查表，以及员工姓名和工号。讽刺的是，其中一部分数据来自 SpaceXSI 自己做的应用，Claroc 一共找到 24 个。抽样出来的文件里有标注为机密的新员工入职计划、覆盖 594 个客户的销售区域图、销售团队工具的内部系统地址，还有广告投放提案。整个过程不需要破解任何东西，遍历分享链接就够了。
随机链接靠的是猜不到，只要能被逐个试出来，随机性就退化成顺序，防护等于没有。更该记的是漏出去的内容类型——人事、客户名单、投放计划，恰恰是智能体被接进真实业务之后最容易碰到的材料。平台怎么补救、会不会强制过期与鉴权，比这次到底漏了多少更值得盯。分享功能的默认值在这里是关键，默认公开加默认永久，等于把用户的判断交给设计者。
AWS 开源本地模拟器，项目由自主智能体写成
这条新闻有意思的地方不在工具本身，而在它是谁写的。
AWS 开源本地模拟器，项目由自主智能体写成
AWS 在 GitHub 上放出了 AWS Emulator，一个用来模拟 AWS 服务的工具，目标场景是让依赖 AWS 的软件能在本地跑测试。这个项目的开发方式本身也是新闻点：AWS 表示，项目是由自主 AI 智能体构建的。
边界要说清楚。它的安全指引明确排除了 IAM 策略和权限边界、以资源为中心的策略（比如存储桶策略）、KMS 密钥策略、跨账号和跨区域访问，以及其他安全控制，所以它不能替代真实的 AWS 测试。
社区的反应是分裂的。有人推荐 Floci 和 Testcontainers 这类成熟方案，因为它们还支持 GCP 和 Azure，并质疑新模拟器的实际价值；也有人把它当成一个信号，说明智能体驱动的开发能把这些本来昂贵的内部工具做出来；还有人认为它会让云模拟进一步商品化，反而帮到竞争对手。AWS 会不会把它当正经产品长期维护，目前也没人说得准。
周边生态其实已经在走同样的路：Spring Cloud AWS 把 Floci 接进了集成测试，Floci 的 Testcontainers 模块可以拉出彼此隔离、不共享状态也不抢端口的实例。项目本身提供了面向 AI 编码助手的初始化支持，定位是把这类测试放进本地和 CI，不必先准备真实的云资源；但安全相关的行为还是要单独验证。
那些原本要靠内部排期才能做出来的测试工具，被自主智能体做了出来，这个信号比模拟器好不好用更重要：一部分基础设施代码的边际成本正在下降。但安全边界被明确排除在外，本地跑通的测试只能证明业务逻辑，不能证明权限模型。后续要看维护力度——没人承诺长期维护的模拟器，很难被放进关键流水线。对使用者来说判断标准很简单：能证明业务逻辑的，别指望它证明权限。
亚马逊给 Ring 摄像头装上轮子和螺旋桨，AI 巡逻设备年底起开卖
收尾这条，是硬件。
亚马逊给 Ring 摄像头装上轮子和螺旋桨，AI 巡逻设备年底起开卖
亚马逊在 11 月 10 日宣布，Ring 要出两款会自己动的安防设备：Ring Rover Cam 和 Ring Drone Cam，前者是巡逻机器人，后者是室内无人机。按计划，Rover Cam 从 2026 年底开始向用户交付，Drone Cam 要到 2027 年初。亚马逊的判断是，不少 Ring 用户愿意让无人机和机器人在家里或办公室里巡逻。
两款设备都靠一套叫 AI Pilot 的系统工作：结合各自的摄像头、专门训练的视觉模型、机载传感器和云端处理，规划巡逻路线，并在绕开家具这类障碍时自主导航。这套系统同时用来给用户家里或办公室画出平面图，而建图的前提是用户自己抱着 Ring 无人机走一遍室内空间，或者让 Rover 先自主探索一段。
这也意味着它必然会把隐私争议再抬起来：亚马逊此前推飞行安防摄像头时，类似的反对意见已经出现过一次。对 Ring 这个亚马逊旗下的家庭安防品牌来说，这等于把固定摄像头变成会走动的传感器，而它走过的室内空间要先被扫描成地图。
固定摄像头只记录它看到的范围，会移动的摄像头要先把空间扫成地图，这个先后顺序才是争议的实质。设备进家门的门槛不在机器人能不能绕过椅子，而在用户愿不愿意让一台会走的机器先把家里量一遍。交付节奏也值得记：机器人今年年底、无人机明年初，中间这段时间足够把规则问清楚。对一个家庭安防品牌来说，产品从记录证据变成主动收集，用户的信任阈值也会跟着换。
钱在往模型公司流，模型开始自己写证明、自己写工具，而密钥和客户资料还在从配置文件和分享链接里漏出去。今天的分量大概就落在这三件事的交汇处，下期再见。
🎧 本期已同步制作为播客节目，点击收听《每日AI乱炖 · 2026-11-12》。