文章核心观点 - 谷歌与OpenAI超过200名员工联合签署公开信，声援Anthropic，呼吁对先进人工智能在军事和监控领域的应用实施严格限制，并共同抵制美国五角大楼的相关技术诉求 [1] 员工联合行动 - 截至当地时间周四下午，公开信已获得超过160名谷歌员工和超过40名OpenAI员工的核实签名，部分人员选择匿名参与 [1] - 员工在信中呼吁谷歌和OpenAI的管理层搁置分歧，共同抵制军方获取AI技术支持的要求 [1] - 此次一线员工的联合发声，直接挑战了科技巨头现有的合规与商业决策 [1] 行业技术应用与立场 - 联名信明确反对将AI技术用于国内监控或全自动战争等争议性领域 [1] - 信件指出，美国五角大楼正试图利用企业间的竞争，分别与谷歌和OpenAI进行谈判，以获取此前被Anthropic明确拒绝的AI技术支持 [1] - 员工强调整体行业应在技术底线上保持信息透明 [1] 公司内部政策背景 - 资料显示，谷歌曾于2025年2月撤销了其内部关于禁止将AI用于武器和监控的规定 [1] - 目前焦点在于，面对拥有近20万名员工的谷歌和近1万名员工的OpenAI，这批签署者的行动能否实质性地迫使管理层重新确立AI技术授权的道德红线 [1]

人工智能 - OpenAI的ChatGPT用户量已达8亿周活，自2023年底以来增长了8倍[3] - 美国已有10%的公司将AI应用于产品或服务，特别是在科技、制造和金融行业[3] - 超过一半的企业选择直接购买现成的AI服务，而非自行开发，AI服务已占据全球SaaS市场6%的份额，价值180亿美元[3] - 以OpenAI、谷歌、Meta为首的领先公司模型性能持续提升，在知识工作任务的评估中，GPT-5.2对行业专家的胜率达到70.9%，显著高于早期模型[3][15][16] - 开源模型正快速追赶，中国团队开发的DeepSeek在复杂数学问题上已能与闭源模型竞争，且全球下载量增长迅速[3] - 企业CEO对AI态度矛盾，60%的CEO表示AI项目尚未实现盈利，但68%的CEO计划在明年继续增加投资[3] 算力与基础设施 - 为满足AI发展需求，科技公司对数据中心的投资预计到2027年将达到1.3万亿美元[3] - 目前美国仅有5%的电力供应给AI，预计到2030年这一比例将翻倍至10%以上[3] - 数据中心耗水严重，例如弗吉尼亚州的数据中心年耗水量达20亿加仑，导致当地一个县的用水量飙升63%[3] - 自2010年深度学习兴起以来，模型训练所需的计算量呈指数级增长[21][22] - 尽管模型总体计算消耗增加，但达到同等性能（如图像识别80.9%准确率）所需的计算量和数据点数量逐年下降[24][25] - 随着AI应用普及，无论是专有模型还是开源模型，其推理成本均已开始下降[26] - 然而，随着使用量增加，模型的功耗持续显著上升[29] 自动驾驶与交通 - Waymo的无人驾驶出租车已累计行驶1亿英里，在旧金山其市场份额已超过Lyft[3] - 自动驾驶技术安全性高，能减少90%以上的严重事故[3] - 公众对无人车的接受度虽有改善，但认为其“不靠谱”的比例仍高达87%[3] - 无人货运卡车的发展对传统卡车运输行业构成潜在威胁[3] 太空经济与资源 - 马斯克的星链（Starlink）已部署超过8700颗卫星，垄断了90%以上的卫星直连手机市场[3] - 为应对地球数据中心的高能耗与冷却问题，出现将数据中心建在月球或地球轨道的构想[3] - 月球被视为新的资源宝库，蕴藏水、氦-3（未来清洁能源）和稀土等重要资源，中美已制定探月时间表[3] - 美国公司Varda已在太空中成功生产出纯度更高的艾滋病药物原料，展示了太空制造潜力[3] 生物技术与医疗健康 - GLP-1类药物（如司美格鲁肽）全球销售额预计将达到千亿美元，18%的美国成年人正在使用[3] - GLP-1类药物存在副作用大、停药反弹和价格昂贵等问题，三分之一的用户因费用问题停药[3] - 该类药物在心血管疾病治疗及可能延缓阿尔茨海默症方面展现出额外潜力[3] - 中国创新药审批数量正快速接近美国水平[3] - 脑机接口技术取得进展，Neuralink已为多人植入芯片，实现用意念控制设备[3] - AI在医疗领域的应用日益广泛，例如凯撒医疗集团使用AI助手的医生数量已增长近两倍，且AI在某些诊断测试中准确性超过真人医生[3] 数字社会与消费行为 - 社交媒体视频广告支出比传统电视广告支出一年多出100亿美元[3] - 公众对传统新闻媒体的信任度降至低点，年轻人主要从社交媒体和算法推荐视频获取信息[3] - AI生成的深度伪造内容和诈骗已成为AI事故的主要领域[3][7] - 人们（尤其是年轻人）的独处时间比2010年增加了18%，家庭户数增长创纪录，但结婚更晚、生育更少[3] - 33%的青少年使用AI聊天进行社交，25%的18-39岁成年人认为AI可能取代现实恋爱关系，10%的年轻人认为自己可能或已经与AI谈恋爱[3] - 搜索“爱上AI”的次数暴涨132%，AI伴侣平台的普及速度比当年的社交媒体和在线游戏快1.5倍[3] 制造业与供应链 - 中国港口自动化程度高，例如天津港88%的集装箱操作已实现自动化[3] - 美国十大船厂的总产量仅占全球的0.04%，不及中国一个主要船厂的产量[3]

Galaxy S26系列AI功能发布与行业技术路线 - 三星于北京时间2月26日推出旗舰款Galaxy S26系列手机，其海外版在谷歌Gemini模型加持下，具备自主订餐、打车等任务执行能力，该功能目前仅在美国和韩国上线 [1] - 三星S26系列海外版的AI自动化能力将于3月11日正式上市时同步推出，谷歌安卓生态系统总裁Sameer Samat在发布会上展示了Gemini读取聊天上下文、梳理商品并自动在外卖App创建购物车的功能 [2] - 谷歌的Gemini多步骤自动化能力也将于今年3月登陆谷歌自研的部分Pixel 10系列手机，三星S26系列和Pixel 10系列上的Gemini助手为试运行版本，目前仅支持精选的外卖、杂货和网约车类应用，未来将继续扩展支持更多应用程序 [2] 中国市场本地化AI方案 - 三星S26系列国行版无法使用谷歌Gemini，但其内置的Bixby助手提供了“智能执行”模式，可模拟人类操作自动完成滴滴叫车、美团点外卖、拼多多购物等任务，任务启动时屏幕边缘会出现彩色光晕提示 [1] - 三星方面未披露Bixby助手“智能执行”模式所接入的具体国产大模型，此前三星与字节跳动、智谱有过合作，其中字节跳动旗下火山引擎曾在2025年7月透露，三星Galaxy的Z系列产品引入了豆包大模型、火山引擎联网问答Agent等产品 [1] - 针对Bixby助手是否调用其大模型，字节跳动和智谱方面均不作回应 [1] AI自动化技术路线：GUI方案 - Gemini自动化手机助手采用基于视觉识别的GUI技术路线，依靠读取屏幕内容和模拟操作来完成任务，无需逐一与各家App进行接口适配，即使App界面后续发生变化，Gemini仍能判断如何操作 [3] - 谷歌正在开发一套UI自动化框架，以支持AI助手在用户已安装的应用中执行通用任务，谷歌所选择的GUI智能体路线与此前豆包手机的方案同属一类 [3] - 豆包手机官方声明称，屏幕视觉理解与自动化操作能力是当前全球AI终端领域的前沿技术创新方向 [3] AI自动化技术路线：API方案 - 谷歌并未完全依赖GUI方案，同时开发了一套类似于MCP的技术框架——AppFunctions，该框架允许安卓应用程序将特定功能和数据开放出来，供各种AI智能体发现和调用 [5] - AppFunctions适用于搭载Android 16系统或更高版本的设备，在三星S26系列中，三星手机图库与Gemini的集成展示了AppFunctions的实际应用场景 [5][6] - API技术方案在中国的典型玩家是阿里千问，其1月中旬上线的生活助理功能基于MCP和A2A协议实现点外卖、订机票等任务，该路线优势是更安全、可控，但障碍在于需要海量App厂商完成工程化适配 [6] 行业竞争与市场反应 - 中兴通讯终端事业部总裁、努比亚总裁倪飞发文称，很高兴看到国际巨头正式跟进AI智能体赛道，并指出这比努比亚M153豆包手机技术预览版发布晚了三个月，印证了努比亚率先探索的方向是手机行业的共同方向 [4] - 在中国市场，手机助手GUI路线已成为大厂“口水战”的矛盾点，豆包手机发布后因涉及调用手机底层敏感权限引发公众隐私担忧及第三方App授权争议，随后豆包手机限制了AI助手自主调用腾讯系、阿里系等厂商App的能力 [4] 隐私与安全考量 - 谷歌意识到GUI路线带来的隐私保护挑战，出于隐私考量，没有在首批用于任务自动化的应用中包含任何过于敏感的应用，并强调AI助手获取的数据不会用于广告，用户也可以删除Gemini获取的数据 [4] - 谷歌从三个维度保障用户安全和隐私：用户对AI助手的启动与停止拥有控制权；用户可通过通知实时监控执行进度；Gemini通过手机上一个安全的虚拟窗口运行所需应用，只能访问被调用的有限App [5] - 谷歌计划在即将发布的Android 17中，将旗下AI自动化能力扩展到更多用户、开发者和设备制造商，并于今年晚些时候公布更多关于如何使用AppFunctions和UI自动化框架的细节 [6]

核心观点 - 谷歌DeepMind开发的AlphaEvolve系统，通过将算法源代码作为基因组，并利用大语言模型作为遗传算子进行“自然选择”，成功进化出全新的博弈论算法[1] - 进化出的算法（如VAD-CFR和SHOR-PSRO）采用了反直觉的、人类研究者从未想过的底层机制，在几乎所有测试的博弈中，性能全面碾压人类几十年设计的经典方案[1][20][21] - 这标志着AI从单纯执行算法，转向了自主发明算法，代表了算法设计范式的根本性转换[1][22][23] 技术框架与工作原理 - 系统名为AlphaEvolve，是一个进化式编码智能体，其工作方式更接近于达尔文的自然选择而非传统编程[5] - 它将算法的源代码当作基因组，使用大语言模型（如Gemini）作为遗传算子，对代码进行有语义的变异，例如重写逻辑、注入新控制流、改变符号操作[5][17] - 系统在一组博弈论基准游戏上评估每个“后代算法”的适应度，核心指标是可利用度，适应度高的算法存活并进入下一代，持续进行变异、评估和筛选[5][14] 目标算法与应用领域 - AlphaEvolve瞄准的目标是多智能体强化学习中两个核心的算法家族：反事实遗憾最小化和策略空间响应预言[6] - 这些算法是不完全信息博弈（如德州扑克）中寻找纳什均衡的关键技术，曾被用于开发Libratus和Pluribus等碾压人类扑克高手的AI[7] - 过去几十年，人类研究者通过手动调参和直觉设计了一系列变体，如CFR+、DCFR等[10] 算法设计的挑战与突破 - 不完全信息博弈是AI领域最难的挑战之一，其特点是玩家无法看到全部信息[12][13] - 算法设计的核心挑战在于设计空间是组合爆炸级别的，涉及如何折现历史遗憾、区别对待正负遗憾、策略平均的时机与权重等众多选择[14] - 传统方法受限于数学可推导性，只能在“优雅但有限”的设计空间搜索，而AlphaEvolve将搜索空间扩展到任意可执行代码，利用LLM进行“有意义的变异”，使得搜索可能性从几百种暴涨到近乎无限[16][17] 进化算法的具体成果 - 进化出的第一套算法VAD-CFR采用了三项反直觉机制：在局势混乱时果断忘掉旧经验、发现好招时立刻加倍下注、前500轮纯学习不做总结[20] - 进化出的第二套算法SHOR-PSRO学会了在训练和考试时使用不同策略：前期大胆试探，后期精准收网；训练时求稳，考试时求准[21] - 这些规则并非来自教科书，而是AI自主“进化”的结果，其有效性让人类专家感到惊讶[22] 性能与影响 - 在11个测试博弈中，AI进化出的算法碾压了所有人类设计的前辈算法[23] - 论文结论指出，自动发现的算法机制（特别是管理遗憾缩放和动态混合调度的机制）对人类直觉而言难以捉摸，但在实践中极其有效[25] - 这不仅是效率的提升，更是算法设计范式的转换，从“人类设计算法，机器执行”转变为“机器设计算法，机器执行”[17][23] 未来方向 - 公司计划将该进化框架应用于深度强化学习智能体的完整设计[25] - 公司还计划探索在合作博弈中的机制发现，预示着让AI进化出整个学习范式的可能性[25]

谷歌AI研究：元控制器与内部强化学习 - 谷歌团队通过引入元控制器操控模型内部残差流，使智能体在稀疏奖励环境中学会了“跳跃式思考” [1] - 该研究揭示了大模型内部可自发形成类似人脑的层次化决策机制，为AI在需要多步的复杂任务提供了全新的训练范式 [1] - 研究标志着AI研究从单纯优化模型输出，转向理解和操控模型内部认知过程 [22] 传统方法的局限与问题 - 传统大模型依赖逐词生成（token-by-token）的探索方式，在奖励稀疏的复杂长序列任务中难以完成 [2] - 这导致智能体需要外挂规划器才能完成复杂任务，如同蒙眼走迷宫，只有到达终点才能获得反馈 [1][2] - 在需要多个正确步骤才能获得奖励的“组合式任务”中，传统方法难以让智能体掌握层次化解决问题的能力 [4] 元控制器的工作原理与架构 - 元控制器通过接收基模型的残差流，能够生成一系列简单的内部控制器 [5] - 每个内部控制器对应一个时序抽象动作，并附带终止条件，通过按时间组合多个控制器，智能体能够在新任务上实现高效探索 [5] - 通过自监督的下一步动作预测，元控制器发现如何生成时间上稀疏变化的简单内部控制器序列 [7] - 元控制器能通过变分推理自动识别有意义的行为模块，相当于无监督发现抽象动作 [9] - 元控制器能动态控制抽象动作的持续时间，并能将学到的抽象动作重新组合以解决新任务 [9] 内部强化学习范式与效果 - 内部强化学习在元控制器发现的抽象动作空间中进行学习，与传统在原始动作空间学习的强化学习不同，搜索空间大幅减小 [11] - 在需要组合泛化的任务中，内部强化学习的成功率显著高于所有基线方法，包括先前最先进的分层强化学习方法CompILE [11] - 智能体学会将长序列任务分解为可重用的子程序，使搜索空间变小，奖励不再稀疏 [13] - 该方法通过对动作空间降维，将高维残差流空间压缩到低维抽象空间，并在抽象时间尺度上操作，使得在抽象层面进行奖励分配更加高效 [13] “觉醒-睡眠”训练循环的实现 - 该研究可视为“觉醒-睡眠”训练循环的具体实现 [15] - “睡眠”阶段对应自回归基础模型的预训练，模型通过下一个token预测的目标，在大量未标注行为数据上进行自监督学习 [15] - “觉醒”阶段则是元控制器及其驱动的内部强化学习，学习如何操控基础模型的内部残差流激活以生成抽象动作 [16] - 研究发现，只有当基础自回归模型在元控制器训练期间被冻结时，才会涌现出与子目标对齐的正确切换表征 [20] - 这印证了分阶段、迭代式训练的理论优越性，符合“先睡眠（构建模型）、后觉醒（学习控制）”的方案 [21] 研究的理论意义与潜在应用 - 研究表明，预测下一个词的训练方式结合元控制器，能够诱导出层次化的时间抽象，这与人类的问题解决方式高度相似 [22] - 该研究在不依赖手动奖励塑形的情况下解决需要多步才能完成的任务，是迈向能够导航复杂、开放式搜索空间的自主智能体的关键一步 [22] - 与稀疏自编码器等解释性方法相比，元控制器直接通过残差流干预降低预测误差，具有内部记忆，支持长时间跨度的干预，且能够发现可解释的、长时间持续的干预策略 [22] - 该技术潜在应用广泛，包括让机器人执行需要多步协调的复杂任务、自主分解复杂数学问题为推理步骤、以及在稀疏奖励环境中进行高效科学探索和假设检验 [23] - 该内部强化学习范式尤其适合需要长期规划和组合推理的场景，为实现真正通用的智能系统提供了新路径 [24]

消费行业 - 彪马2025年第四季度营收同比下降27.2%至15.6亿欧元，净亏损3.37亿欧元，上年同期盈利2450万欧元 [1] - 瑞幸咖啡2025年总净收入492.88亿元，同比增长43%，门店总数超3.1万家，累计交易客户数突破4.5亿 [1] - 商务部数据显示，春节假期重点平台入境游订单增长18.4%，上海、四川离境退税销售额同比分别增长1.5倍和3.2倍 [17] - 春节假期重点平台智能眼镜、具身智能机器人销售额分别增长47.3%和32.7% [17] - 中国商业联合会监测显示，春节假期百家重点大型零售企业商品日均零售额同比增长24%，金银珠宝类增长33.4%，食品类增长23%，服装类增长17.3% [18] - 《网络餐饮服务经营者落实食品安全主体责任监督管理规定》将于6月1日实施，重点整治“幽灵外卖” [9] 出行与汽车行业 - 领克因车主语音误操作关闭大灯导致事故，已通过云端推送优化方案，后续在行驶状态下只能手动关闭大灯 [2] - 吉利汽车以约6312万港元回购384.1万股，加权均价16.43港元，当前库存股占已发行总股本约0.22% [2] - 梅赛德斯-奔驰中国与Momenta升级合作，合作开发的智能辅助驾驶系统将覆盖高速、城区及泊车场景，并将在年内上市的9款新车型上落地 [3] - 2026年1月，中国品牌乘用车共销售132.9万辆，环比下降32.1%，同比下降8.9%，占乘用车销售总量的66.9% [10] 科技与互联网行业 - 2026年中国手机市场或面临全品类、全品牌同步普涨，新品涨幅最低达1000元以上 [4] - 百度2025年总营收达1291亿元，AI业务营收达400亿元，第四季度AI业务收入占一般性业务收入的43% [5][6] - 京东上线“百亿超市”频道，计划未来3年内投入超200亿元商品补贴，目标帮助品牌实现额外销售增量2000亿 [7] - 爱奇艺2025年总收入272.9亿元人民币，Non-GAAP运营利润6.4亿元，连续四年运营盈利 [8] - 魅族宣布将暂停国内手机新产品自研硬件项目 [15] - 谷歌发布新一代图像生成模型Nano Banana 2，旨在使高质量图像生成更快、成本更低 [21] 大健康与医药行业 - 赛诺医疗2025年净利润暴增30倍，迈得医疗营收增长63%并实现扭亏 [4] - 国家卫健委领导更新，刘金峰已任国家卫生健康委员会副主任、党组成员，国家中医药管理局局长、党组书记 [12] - 石药以2.3亿元出售子公司 [14] - 我国肠道健康市场规模超1200亿元，五味子多糖获国家发明专利，通过“抗炎修护+菌群调节”双通路作用 [19] - 中外制药股价创新高，市值达1087亿美元，成为亚洲首家跻身全球药企“千亿美元俱乐部”的企业，2025年营收达12579亿日元，营业利润率高达49.8% [20]

市场整体表现 - 美国三大股指期货齐跌 道指期货跌0.40% 标普500指数期货跌0.22% 纳指期货跌0.10% [1] - 中概股盘前表现分化 阿里巴巴跌0.95% 京东跌0.59% 拼多多涨0.41% 百度涨0.88% [1] 人工智能与半导体行业动态 - 英伟达盘前反弹0.8% 此前一个交易日收跌5.46% [1] - 市场担忧英伟达算力需求逻辑 因数据显示2026年2月中国AI模型周调用量达4.12万亿Token 首次超越美国的2.94万亿Token 且中国主流MoE体系使得Token使用量与GPU需求不再线性挂钩 [1] - 云基础设施商CoreWeave盘前跌近10% 因公司预计2026年资本支出高达300亿至350亿美元 远高于2025年的103.1亿美元 巨大资本开支引发市场对其短期亏损风险的担忧 [2] - 摩根大通认为市场对AI取代企业软件的担忧过度 指出AI全面取代最早也要到2028年以后 当前工具仅为辅助而非取代 [2] - Meta与谷歌达成一项价值数十亿美元的AI芯片租用协议 以开发新的人工智能模型 [2] 公司特定新闻 - 流媒体巨头奈飞盘前涨近9% 因公司拒绝提高对华纳兄弟的收购报价 称该交易已不再具备财务吸引力 [2] - 语言学习平台多邻国盘前大跌近23% 尽管其去年第四季度营收同比增长35%至2.829亿美元 调整后EBITDA为8430万美元均超预期 但公司对2026年第一季度营收指引为2.885亿美元 调整后EBITDA指引约为7360万美元 均低于市场预期的2.918亿美元和8400万美元 [3] 原材料供应链 - 美国航空航天和半导体公司的供应商面临稀土短缺加剧 至少两家供应商已开始拒接部分客户订单 短缺主要集中在钇和钪两类稀土元素 [3] 宏观经济数据预告 - 北京时间今晚21:30将公布美国1月份PPI数据 [4]

产品发布与市场地位 - 谷歌旗下AI图像生成模型Nano Banana 2正式发布，其定位为在保持“Flash级”极速生成的同时，提供“Pro级”的专业能力[4] - 根据2026年2月25日的Text-to-Image Arena排行榜数据，Nano Banana 2（模型名：gemini-3.1-flash-image-preview）在“产品、品牌与传播”类别中综合排名第一，得分为1324分[3] - 在竞技场总榜中，Nano Banana 2的得分超越其前代专业版Nano Banana Pro（得分1264分）达100分，确立了新的领先地位[2][3][16] 技术性能与功能升级 - 生成速度大幅提升，实测生成单张图片仅需几秒钟[4] - 主体一致性能力增强，在单个工作流程中最多可保持5个角色的一致性和最多14个物体的保真度[8] - 指令遵循能力得到增强，能够更严格地执行复杂的文本提示[10] - 支持广泛的生成规格，图像分辨率覆盖从512像素到4K，并支持控制各种长宽比[12] - 视觉保真度升级，提供更生动的光照、更丰富的纹理和更清晰的细节[12] - 整合了网络搜索功能，可结合实时信息来增强生成内容的质量[6] 定价策略与商业模式 - Nano Banana 2提供免费使用 tier[6] - 其付费API（型号：gemini-3.1-flash-image-preview）的定价已公布，图像生成按分辨率收费[14] - 生成一张1K分辨率的图像成本为0.067美元（约合人民币0.46元），此价格比Nano Banana Pro便宜了一半[15] - 服务包含每月5,000次提示词的免费网络搜索增强额度，超出部分按每1,000次搜索查询14美元收费[15] 市场整合与行业影响 - 谷歌已将Nano Banana 2集成到其搜索服务和广告业务中[18] - 市场反馈积极，有观点认为该模型凭借强大的免费功能和极低的付费成本“再一次提高了标准”[19] - 极低的生成成本引发了关于其对设计行业潜在影响的讨论，有评论惊叹“设计师的时代要结束了”[21] - 用户已开始基于Nano Banana 2开发创新应用，例如将其与视频生成模型（如Seedance 2.0）结合使用[22][24]

AlphaEvolve：AI驱动的算法自动进化 - 谷歌DeepMind开发了名为AlphaEvolve的智能体，其核心机制是通过类似生物进化的方式，利用大语言模型（LLM）自动改写和筛选算法代码，实现算法的自我进化 [2] - 该研究颠覆了传统认知，AI不仅限于编写辅助性代码，而是能够直接修改核心算法逻辑，在多项测试中超越了人类专家手工打磨的版本 [1] - 整个过程实现了全自动闭环：生成代码、运行测试、评估表现、筛选优胜版本并进入下一轮进化，人类仅需定义算法骨架和评价标准，不参与中间调参或手动筛选 [1][9] 技术方法与实验设计 - 研究团队没有让模型从零开始，而是选定了两个成熟的不完全信息博弈求解算法框架作为基础：CFR（后悔最小化）和PSRO（策略种群训练） [8] - 研究人员将算法核心逻辑拆解为几个可被改写的Python函数（如后悔值累积规则、策略生成方式等），仅开放这些“关键决策逻辑”供LLM修改，为进化定义了“基因范围” [8] - AlphaEvolve对当前算法代码进行语义上有意义的改写，生成多个版本，每个版本都会被自动编译并在真实博弈环境中对战，根据exploitability等指标进行评分和优胜劣汰 [8][9] 核心成果：VAD-CFR算法 - AlphaEvolve在CFR框架下进化出了全新的VAD-CFR算法，其直接修改了“后悔值怎么累计、怎么打折、什么时候开始平均策略”等核心逻辑 [11] - VAD-CFR引入了volatility-sensitive discounting（根据波动动态折扣）和hard warm-start schedule（前期蓄力、后期发力）等非直观机制 [11] - 在多项博弈测试中，VAD-CFR的表现超过了人类优化过多轮的CFR+、DCFR、PCFR+等版本，其收敛曲线下降更快、最终值更低，在约500次迭代后下降速度明显加快 [13] - 在规模更大、更复杂的测试游戏中，VAD-CFR依然保持优势，表明其改进是在算法结构层面找到了更高效的更新方式，而非针对特定游戏的技巧 [13] 核心成果：SHOR-PSRO算法 - 在PSRO框架下，AlphaEvolve进化出了SHOR-PSRO算法，其核心是重新设计了“元求解器” [13] - SHOR-PSRO将多种更新机制混合，设计了一种混合型meta-solver，并能随着训练进程动态调整，使训练过程自动从“多样性探索”过渡到“逼近均衡” [14] - 在对比测试中，SHOR-PSRO的曲线下降更快，在第100次迭代时的exploitability更低，在同样迭代次数下能更有效地逼近博弈均衡 [16] - 在更复杂的测试游戏（如4-player Kuhn、6-sided Liar's Dice）中，SHOR-PSRO依然保持优势，显示出良好的泛化能力 [16] 行业影响与反响 - 该研究成果以一篇37页的论文形式发布，题为《基于大语言模型的多智能体学习算法自动发现》，在技术圈引起了巨大反响 [4] - 有观点认为，这项技术像是DeepMind手中的一张王牌，可能导致谷歌在AI竞赛中赢得优势 [6] - 该进展引发了关于AI自我改进边界的深入思考，例如AI设计更好的学习算法后，是否也应优先考虑为自己设计“伦理引擎”以解决对齐问题 [7]

核心观点 - 亿万富翁Stanley Druckenmiller在第四季度对三只重要人工智能股票进行了大规模调仓 大幅增持Alphabet和Amazon 同时清仓了Meta Platforms [1][3][11] 对Alphabet(GOOGL)的操作与看法 - 第四季度买入282,800股Alphabet A类股(GOOGL) 使持仓增加了277% [5] - 公司是互联网搜索领域的领导者 占据全球约90%的市场份额 [6] - 公司正将生成式AI和大语言模型能力整合进Google Cloud平台 AI推动该部门第四季度销售额同比增长48% [8] - 公司远期市盈率约为24倍 考虑到Google Cloud的超常增长 该估值并不算过高 [9] - 公司市值为3.7万亿美元 毛利率为59.68% [8] 对Amazon(AMZN)的操作与看法 - 第四季度买入300,870股Amazon 使持仓增加了69% [5] - 公司拥有主导的在线市场以及排名第一的云基础设施服务平台Amazon Web Services(AWS) [6] - 公司正将生成式AI和大语言模型能力整合进AWS平台 AI推动该部门第四季度销售额同比增长24% [8] - 相对于其未来现金流 公司的估值处于历史低位 [9] 对Meta Platforms(META)的操作与看法 - 第四季度清仓了所有76,100股Meta Platforms股票 [11] - 清仓原因可能包括获利了结 该基金投资组合中股票的平均持有期仅为7.5个月 [12] - 公司第三季度财报显示AI基础设施支出高于预期 这些重大投资可能需要数年才能产生回报 部分投资者可能认为较高的支出预测会拖累未来盈利 [14] - 公司近98%的销售额来自广告 是一家高度周期性的公司 对经济疲软的担忧可能促使了此次清仓 [15] - 公司毛利率为82.00% [14]