文章核心观点 - 南京大学生命科学学院张辰宇教授团队以近二十年持续探索，正式提出并系统构建“人工智能生物学”（AI Biology，AIBIO）全新交叉学科，将其定位为继生物学1.0（博物学方法时代）、生物学2.0（DNA双螺旋结构发现至今的现代生物学时代）之后的“生物学3.0”时代 [2] - 2026年10月22日，张辰宇教授团队在Vita期刊发表题为“AI Biology: a new discipline for discovering principles of life and disease emergence”的专家观点文章，系统阐述AIBIO这一前瞻性观点 [2] - AIBIO旨在回答生命科学中核心的“为什么”问题，将生命涌现和生物智慧研究为可形式化、可检验的数学原理 [7][33] 学科提出的背景与必要性 - 过去二十年基因组编辑、单细胞多组学、冷冻电镜和高分辨率成像等技术彻底改变生命科学，但从发现到转化之间仍存在持续鸿沟 [5] - 鸿沟反映多个长期瓶颈：异质性高维数据整合困难、还原论解释非线性多尺度现象的局限、生物尺度间割裂、理论与实验间缓慢的预测-验证循环 [5] - 问题根源在于缺乏能整合多模态信息、捕捉涌现特性、建模多尺度动态并持续实现计算与扰动闭环的学科级框架 [5] - AI在表征学习和生成建模方面取得突破，尤其是基于Transformer架构的序列学习能力显著增强，蛋白质结构预测是最突出应用 [5] - AI不仅可作为辅助分析工具，还能成为生物学的认知框架和理论构建引擎 [5] - 现代生物学日益面临仅靠局部机制无法给出普遍解释的问题，高维多模态数据集增加碎片化机制故事积累而无法收敛到统一原理的风险 [17] - 转化研究需要能跨个体、背景和尺度泛化的预测性稳健模型 [17] 核心概念与理论基础 - AIBIO是一门研究生命涌现和生物智慧规律的新兴交叉学科，面向“为什么生命能够形成”“为什么生命活动以特定方式组织并稳定”“为什么普遍存在的模式会在不同尺度上反复出现”等核心问题 [7] - 生命涌现指跨尺度过程，涵盖分子、细胞、组织、有机体、种群和生态系统，系统级结构、动力学状态和功能从局部相互作用、反馈和时空耦合中诞生，无法通过线性叠加或单一组分机制充分解释 [7] - 生命涌现由跨尺度耦合塑造：自下而上的相互作用产生新的集体行为，自上而下的约束（如组织架构、生理学、环境）选择并稳定特定状态 [7] - 生物智慧被严格用于非拟人化意义，指代原理级规律性：紧凑、可迁移且可证伪的数学约束，解释生命系统在物理、化学和进化约束下反复实现鲁棒性、稳态、适应性、可进化性和循环出现编码架构的原因 [8] - 候选“智慧级”陈述须满足：能泛化到单一数据集、模型或生物背景之外；明确其有效域；预测其失效条件 [8] - 涌现指由非线性相互作用产生且在组分层面不存在的宏观特性，AIBIO将涌现视为科学对象，识别使涌现特性可预测和可证伪的最小组织变量、耦合规则和稳定性条件 [9] - 生命涌现研究包括：涌现结构（模块、网络、空间模式）、涌现动力学（状态转换、吸引子、振荡、临界点）、涌现功能（鲁棒性、稳态、适应性控制）、可数学表达并经实验检验的跨尺度普遍性 [9] - 疾病涌现将疾病视为涌现的、多层次表型而非单层缺陷，疾病反映生命系统在特定时空背景下进入适应不良状态，由分子程序、细胞状态、组织微环境、机体生理和外部生态之间相互作用塑造 [10] - 疾病通常源于网络扰动，可构建为复杂调控系统中动态“吸引子”状态之间的转换，包括微小扰动引发巨大转变的临界转换 [10] - 临床转化可操作输出包括：状态转换的早期预警指标、定义状态而非孤立单一标志物的生物标志物组合、改变系统状态而非仅抑制一个分子的组合扰动策略、预测治疗反应的个性化数字孪生 [10] DIKW操作逻辑 - AIBIO通过DIKW层级（数据→信息→知识→智慧）进行操作组织，用于区分预测和原理 [11] - 数据是多模态、多尺度的测量（序列、组学、空间谱、成像、生理学、行为、环境）加上扰动，AI核心任务之一是表示学习，将异质信号转换为计算嵌入 [11] - 信息在AI提取结构和模式（模块、网络、轨迹、空间组织）时出现，以网络为中心的机器学习提供从数据到结构化生物关系的关键方法论路径 [11] - 智慧是AIBIO的学科定义目标：可形式化、可泛化且可反驳的统一原理——数学定律——能回答跨系统（包括生命涌现和疾病涌现）的“为什么” [12] - 通过将DIKW上升过程制度化，AIBIO旨在将生物学从以机制为中心的科学（“如何”）推向以原理为中心的科学（“为什么”），同时保持实验证伪作为最终标准 [12] 智慧级主张的可证伪性要求 - 为避免概念膨胀，AIBIO智慧级主张必须操作上可证伪，候选原理应指定可测量或推断的序参数或集体变量，并明确有效域（适用的生物、细胞类型、疾病、时间尺度或环境） [15] - 应以明确数学形式表达，如等式、不等式、标度关系、类守恒约束、权衡、吸引子结构或转换规则，并针对通过随机化、打乱相互作用或匹配边际获得的明确零模型进行评估 [15] - 必须产生具体的扰动预测（组分、背景或约束改变时会发生什么）及相应失效标准，指定哪些实证结果会反驳或限制该原理 [15] - “疾病是一个吸引子”这样的陈述还不算原理，只有当其状态变量、状态边界、扰动响应和可反驳条件被明确陈述并在实验上可检验时才能成为原理 [15] 三个具体问题示例 - 遗传密码的架构：为什么标准翻译使用20个氨基酸核心和三联体密码子，经典“冻结事故”观点强调历史偶然性，但定量分析表明标准密码子占据错误最小化景观的特权区域，AIBIO可整合化学约束、密码子突变邻域、翻译错误和合成密码子设计以测试标准密码子是否反映结构化、可导航的编码景观 [18] - 进化的几何学：适应是否只是随机变异后跟随选择，还是适应轨迹反复流经受限通道，渠道化和适应度景观思想已表明变异在结构化空间内运作，AIBIO可整合基因型-表型图谱、生态背景和进化轨迹以测试适应流是否服从可识别的统计、几何或动力学规律性 [18] - 疾病状态的持续性：为什么癌症、代谢紊乱和神经退行性变如此稳定且难以逆转，动态网络生物标志物理论表明疾病进展涉及可检测的前转换状态，AIBIO可通过结合表示学习与扰动设计和治疗性状态引导来扩展该理论 [18] 与现有学科的区别 - AI for Biology（AI4Bio）是将AI作为工具改善已建立的生物学工作流程，如图像分割、表型识别、序列分析或特定任务预测，通常使生物学概念框架保持不变，AI提高效率而生物学仍以局部机制积累为中心 [21] - AIBIO在学科级输出和认知目标上不同，使用AI作为认知和建模框架，将生物学重建为“为什么”，预期产出不仅包括工具，还包括跨尺度的新概念、范式和统一定律，且实验上可证伪 [21] - 系统生物学强调整合机制思维和跨层次建模，通常带有强先验假设和明确方程；生物信息学强调数据管理、分析和统计基础设施 [22] - AIBIO包含两者，但定义特征是DIKW驱动的向原理的上升，将涌现（包括疾病涌现）作为核心目标，并将闭环验证作为学科规范 [22] - 系统生物学通常从已知变量、定义明确的途径和明确指定的方程开始，而AIBIO恰恰在相关变量、尺度和耦合规则先验未知且必须从多模态扰动数据中归纳出来时被需要 [22] - AIBIO与系统生物学并非截然分开，而是更高层次的合成，增加三个学科定义要求：面向原理的输出、跨尺度涌现作为核心对象、闭环实验证伪作为规范 [22] 研究场景与变革 - 多模态整合：AIBIO需要连接序列、结构、单细胞状态、空间背景、生理和环境的统一表示，整合的单细胞分析体现跨数据集和模态的对齐问题，深度学习扩展了细胞成像中可测量的表型空间，当图谱成为暴露跨尺度约束和候选组织变量的预测对象时多模态整合变得具有变革性 [25] - 可解释与因果建模：寻求原理的生物学需要解释能经受扰动考验的模型，特征归因方法（如SHAP和积分梯度）提供有用起点但不能建立因果关系，富含扰动的设计（包括混合CRISPR筛选、单细胞扰动分析如Perturb-seq及多重CRISPR读出）提供从预测到因果知识的更直接路径 [26] - 从单细胞数据推断的细胞间通讯程序可提示肿瘤中可实验检验的干预点，AIBIO框架目标不仅是预测结果，还要识别解释系统为何稳定在特定状态（健康或疾病）的最小因果结构 [26] - 数字孪生与闭环科学：数字孪生（由真实数据持续更新的虚拟对应物）正成为复杂系统中的通用范式，全细胞计算建模指向整合的基因型到表型引擎，AIBIO通过耦合数字孪生与算法规划和学习来扩展这一方向 [27] - AIBIO闭环周期包含五个组件：模型预测系统状态及校准的不确定性；主动学习或贝叶斯优化算法选择信息量最大的扰动；实验实施扰动（如CRISPR敲除、RNAi敲低、药物治疗或环境改变）；多模态读数（单细胞、空间、成像、功能测定）更新模型及不确定性估计；候选原理根据预先指定的失效标准被保留、修订或拒绝 [27][28] - 该回路不仅是“预测-测试-更新”，而是结构化管道，模型评估依据是其设计能以预测方式改变生物状态的扰动的能力，在医学中提供将疾病解释为多尺度适应不良状态并理性设计干预措施以将系统引导回适应稳定性的路径 [28] - 生成式生物学：AIBIO将生成视为认知验证，若模型真正捕捉生物约束则原则上能生成与这些约束一致的可行候选者，基础生成建模思想已演变为分子对接和设计的强大工具，包括基于扩散的从头蛋白质设计（RFdiffusion）和学习表示序列设计（ProteinMPNN） [29] - 生成能力被解释为对推断“规则”是否反映真实生物约束的压力测试：成功且实验功能性的生成是模型已捕捉支配生存力或特异性规则空间一部分的正面证据，系统性生成失败则标记推断原理不完整之处并指出下一步必须添加的约束 [29] RNA为中心的说明 - RNA生物学是AIBIO特别强的试验场，连接序列、结构、动力学（加工、衰变、定位）和调控，同时提供丰富的扰动选项 [30] - 传统“如何”框架中RNA研究通常积累机制（因子、基序、修饰），AIBIO“为什么”框架中RNA成为更深层次问题的窗口：为什么某些调控架构反复出现、为什么特定动力学状态（缓冲、切换、滞回）被稳定、嘈杂分子组分如何产生可靠细胞状态控制 [30] - 沿DIKW路径，转录组和空间测量提供高维数据，AI提取信息为潜在RNA程序、轨迹和调控模块，结合扰动模型可构建预测和控制状态转换的知识，AIBIO目标是可证伪的原理，描述基于RNA的调控为何稳定特定涌现状态（适应性或适应不良） [31] - 具体实例：AIBIO模型可提出一组RNAi或反义扰动，预测能将患病的单细胞状态分布推向更健康的吸引子，单细胞和功能读数随后测试预测的状态转换是否发生，差异反馈到模型修订中 [31] - RNA既信息丰富又易于扰动且本质多尺度，能实现AIBIO所需的闭环证伪 [31] 总结与展望 - AIBIO强调：从分子到生态系统的跨尺度生命涌现；疾病作为时空背景下涌现的多层次适应不良状态；从多模态数据到统一定律的DIKW上升 [33] - 方法论上依赖多模态整合、可解释和因果建模、带闭环验证的数字孪生以及生成测试/设计 [33] - 未来须面对三个核心科学挑战：数学化度量涌现，需要定量序参数区分真正的跨尺度涌现与高维相关性，这些参数对数据模态、采样深度和模型架构具有鲁棒性并与扰动结果相关联；使因果AI具有生物学可解释性，模型必须结合因果推断与机制生物学约束，使可解释性包含扰动一致的因果结构而非仅特征归因；连接尺度而不使其坍缩，需避免既还原为分子列表又避免模糊整体叙事，层次潜模型、图神经算子、因果表示学习和多保真度模拟器提供实用路径 [34] - 五年内，针对选定系统（细胞命运转换、类器官、免疫激活或特定疾病状态转换）的富含扰动的数字孪生可能变得能够预测和实验引导状态变化 [34] - 十年内，该领域可能开始为多个生物过程建立基准化的跨尺度原理和序参数，使AI设计的干预能够改变适应不良的疾病状态，并引导合成生物系统的AI设计 [34] - 若实现，AIBIO不仅将加速发现和转化，还将把生物学重塑为一门寻求生命与疾病涌现原理的科学 [34]

文章核心观点 - 帕金森病是仅次于阿尔茨海默病的第二大常见神经退行性疾病，全球致残主要原因之一，在患病率、伤残调整生命年和死亡率方面增长最快 [3] - 截至2019年全球估计超过850万人患有帕金森病，预计到2040年将超过1200万 [3] - 大脑胆固醇代谢紊乱与帕金森病有关，但以他汀类药物为代表的降脂策略在临床试验中治疗效果有限，未能延缓疾病进展 [3] - ABCA1介导的胆固醇转运失调驱动帕金森病中的神经退行性病变，支持抑制ABCA1作为帕金森病潜在疾病修饰治疗策略 [4][9] 研究基本信息 - 2026年10月20日，南京医科大学曹磊、鲁明及南京中医药大学王秋玲作为共同通讯作者，南京医科大学马凤霞、赵欣欣为论文共同第一作者，在Nature Neuroscience期刊发表题为Dysregulated cholesterol trafficking through ABCA1 drives neurodegeneration in Parkinson's disease的研究论文 [3] 研究机制发现 - 介导胆固醇外流的转运蛋白ABCA1是帕金森病中胆固醇稳态的关键调控因子 [7] - ABCA1在死后帕金森病患者脑部黑质以及帕金森病小鼠模型中的表达均升高，区域分析表明其在黑质和纹状体环路中存在特异性改变 [7] - 星形胶质细胞中的ABCA1驱动小鼠体内过度的胆固醇外流，导致神经元胆固醇过载 [7] - 在神经元中ABCA1定位于溶酶体，促进胆固醇摄取，引起胆固醇积聚、自噬功能受损以及α-突触核蛋白病理变化 [7] 干预实验结果 - 在体内外实验中，通过基因手段沉默星形胶质细胞或多巴胺能神经元中的Abca1，可减轻神经退行性病变及行为缺陷 [7] - 通过虚拟筛选鉴定出柠檬酸镁是ABCA1的抑制剂，并证明其可在帕金森病小鼠模型中减少多巴胺能神经元的丢失 [7]

文章核心观点 - 证监会核准设立花旗证券（中国）有限公司[1] - 花旗证券（中国）注册地为上海市[1] - 注册资本为人民币12亿元[1] - 业务范围涵盖证券经纪、证券投资咨询、证券承销与保荐、证券自营[1] - 花旗环球金融控股有限公司出资100%，为唯一股东[1] 公司基本信息 - 公司名称为花旗证券（中国）有限公司[1] - 注册地为上海市[1] - 注册资本为人民币12亿元[1] 业务范围 - 证券经纪业务[1] - 证券投资咨询业务[1] - 证券承销与保荐业务[1] - 证券自营业务[1] 股东结构 - 股东名称为花旗环球金融控股有限公司[1] - 出资额为100%[1] - 出资比例对应注册资本人民币12亿元[1]

文章核心观点 - 广东省人民政府发布一批人事任免决定，涉及教育、工信、商务、粮食储备、高校等多个领域的人员职务调整 [1][2] 人事任免详情 - 免去李璧亮的广东省教育厅副厅长职务 [2] - 免去吴红的广东省工业和信息化厅副厅长职务 [2] - 免去孙斌的广东省商务厅副厅长职务 [2] - 免去肖晓光的广东省粮食和物资储备局局长职务 [2] - 免去范勃的广州美术学院院长职务 [2] - 免去刘剑文的华南师范大学副校长职务，退休 [2] - 免去贺定修的东莞职业技术学院院长职务，退休 [2] 信息来源 - 内容由林芊蔚、李香香编辑 [3] - 信息来源为广东发布 [4]

文章核心观点 - 机器人执行能力持续增强，但数据采集、失败诊断、训练方案调整与部署决策仍主要依赖研究者与工程师，机器人如何持续改进仍是由人主导的工作 [1] - 自我改进智能体研究提供新思路，系统可根据反馈修改代码、积累经验或更新模型，但通常沿用预先设定的改进流程，模型和技能在更新而产出与筛选更新的方法保持不变 [1] - 递归自我改进进一步关注改进流程本身能否从经验中更新，使后续学习更加有效；进入物理世界后面临观测不完整且带噪声、失败原因难判断、验证需反复试验并伴随环境复位与硬件损耗等困难 [1] - 论文《Who Improves the Robot? Toward Physical Recursive Self-Improvement》将任务能力更新与改进流程更新纳入统一框架，区分“机器人做得更好了”与“机器人改进自己的方法变得更有效了” [3] - 论文由上海交通大学、加州大学伯克利分校、斯坦福大学、麻省理工大学、谷歌、微软、英伟达和小米等机构研究者合作完成，通讯作者为上海交通大学顾尚定和张伟楠以及慕尼黑工大冯骞 [3] - 长远愿景是机器人能够在无人干预下，于现实物理环境充满多样且不可预见挑战中自主运行并持续自我改进演化，最终实现 Physical RSI [10] 核心贡献 - 建立理解 Physical RSI 的统一框架，给出 Physical RSI 定义与 L0–L5 分级，从“更新的是任务能力还是改进流程”和“收益局限于同一任务还是能够跨任务迁移”两个维度提供共同分析框架 [7] - 梳理从能力更新到改进流程演化的全链路实现路径，围绕 Harness 适应与模型训练分析记忆、技能、工作流及训练方法如何影响任务执行和后续改进，并将安全控制与更新验证纳入同一分析 [7] - 明确检验递归增益所需的证据，在相同初始系统、经验和资源预算下通过独立跨任务评估比较新旧改进流程产生的后续收益，识别现有研究证据缺口，使“越学越会学”成为可检验的研究命题 [7] Physical RSI 基本框架 - Physical RSI 关注机器人能否利用自身物理交互经验持续更新任务运行系统和改进流程并获得递归性收益 [9] - 流程分为内外两大部分：与外部环境交互的任务运行系统，包括交互运行中使用的模型以及模型之外的提示、记忆、技能和控制代码等 Harness；系统内部的改进流程，负责改进运行系统和改进流程本身 [9] - 主要改进循环从任务运行系统完成一次物理交互、获得交互证据和系统内部组件信号开始，改进流程据此提出修改策略候选，验证器验证并应用候选，独立评估器评估更新后系统的增益，证明新流程能在相同条件下带来更好的后续改进 [9] L0–L5 定级 - L0：没有自主产生并保留更新，只在每次任务执行过程中重新规划，或改进依赖人工干预 [13] - L1：自主更新任务执行系统，在同一任务上获得收益，改进流程保持固定 [13] - L2：自主更新改进流程本身，在同一任务上获得收益 [13] - L3：自主更新任务执行系统，带来跨任务收益，改进流程保持固定 [13] - L4：自主更新改进流程本身，带来跨任务收益 [13] - L5：在 L4 基础上通过独立、受控的比较，证实连续更新的新流程比上一版本带来更好的后续跨任务收益 [13] 当前研究进展：Harness adaptation - 模型外围的系统资源也能成为改进对象，执行反馈被用于诊断失败、更新记忆、技能和工作流，有效修改被保留，修改记录支持后续诊断与方案选择 [17] - 近期研究开始进一步调整生成这些更新的方法，包括诊断指导、记忆构建策略和搜索程序，为将改进方法本身的演化引入物理场景提供参考 [17] 当前研究进展：Model Training - 数据收集、模型更新和再次执行连接成训练闭环，持续将物理交互数据转化为后续改进 [20] - 部分工作进一步将训练机制本身作为改进对象；数据准备方面已有研究根据学习效果调整数据配比、仿真分布或采样策略，把物理反馈的作用从模型参数更新延伸到数据准备和训练方法调整 [20] 当前研究进展：Safety - 最终策略通过安全测试不能说明此前探索没有风险，安全强化学习已为探索过程提供约束，安全迁移研究明确了保障沿用的条件 [23] - 现有进展主要针对特定组件和场景，如何在改进流程自身演化时维持安全保障并评估学习过程中反复试验带来的风险，仍是 Physical RSI 面临的关键问题 [23] 当前研究进展：Verification - 代码能运行只是第一关，修改是否修复原先失败需通过重新执行判断，共享技能发生变化也需回测此前成功的任务 [26] - 内部验证决定哪些更新被保留，外部独立评估器检验实际收益；若验证器本身被修改，则需由外部独立评估器判断新版本效果，避免系统逐渐放宽自己的验收标准 [26] Benchmark 现状 - 具身基准方面，Meta-World、RLBench、robosuite、robomimic、CALVIN、LIBERO、VIMA-Bench、BEHAVIOR-1K、ManiSkill3、VLABench、RoboTwin、EmbodiedBench、RoboCasa365 等提供任务学习、性能与泛化测试 [27] - 鲁棒性与物理世界评估方面，代表性资源包括 SIMPLER、THE COLOSSEUM、LIBERO-PRO、LIBERO-Plus、REALM、RoboArena、RoboDojo、VLA-Arena、RoboTwin 2.0 [27] - 反馈与评估可靠性方面，代表性资源包括 WorldEval、FailBench、RoboRewardBench、dWorldEval、SC3-Eval、RBM-EVAL [27] - 机器人工程与开发方面，代表性资源包括 CaP-Bench（CaP-X）、RoboCoach-Bench、RLE-Bench [27] - RSI 相关基准（主要为数字环境）包括 MLAgentBench、MLGym-Bench、MLRC-Bench、RE-Bench、AI4AI-Bench、RSIBench-Data、RSI-Exam、RSIGym [27] - RoboDojo 等具身基准提供任务表现和泛化测试，AI4AI-Bench 等主要在数字环境考察方法或数据策略更新；论文指出联合评估 Physical RSI 的基准仍然缺位，尤其缺少对改进流程递归增益的直接检验 [27] 挑战与未来展望 - 从不确定的物理经验中学习：如何提取可靠的学习信号，避免错误反馈随着改进机制继承而不断放大 [29] - Harness 组件间的因果归因：如何在有限物理试验中找准修改对象并分清每次修改的实际作用 [29] - 改进闭环的非平稳性：在系统、环境和已有能力变化时，过去有效的修改和改进策略是否仍然有效 [32] - 奖励投机与评估泄漏：如何防止系统利用漏洞获得高分并保持评估独立性，让结果反映真实物理能力 [32] - 递归更新中的安全保持：如何在改进流程变化时维持安全保障并控制多轮试验的累积风险 [32] - 递归增益的基准评测：后继系统表现更好是因为数据更多、起点更强，还是改进机制更新带来的收益 [32] 结语要点 - Physical RSI 将机器人自主性从任务执行延伸到能力与改进方法的持续更新，L0–L5 框架梳理现有进展并指出关键缺口：任务表现提升尚不足以证明改进流程本身变得更有效 [30] - 继续向前需要可靠的物理反馈、对修改作用的清晰归因，以及在系统和环境变化后仍然有效的安全保障，目标是让机器人在面对新任务与挑战时安全积累能力并不断改善自身学习方法 [30]

文章核心观点 - Anthropic正在对Claude订阅额度进行A/B测试，相同套餐的不同账号被分配了不同额度设置，部分账号五小时使用额度提高20%，但按API价格折算的月度可用资源价值反而降低约20% [1][3] - 订阅额度调整的本质是算力在不同时间窗口的重新分配，而非单纯增减，五小时窗口更宽松但每周上限更严格，对偶尔集中使用和每天持续运行智能体的开发者影响截然不同 [29] - 订阅业务仅贡献Anthropic约10%的收入，却消耗约42%的推理算力，收入与算力消耗的落差使额度分配成为难题，行业头部公司均在减少重度用户获得的算力补贴以改善订阅业务利润空间 [22][27] - 模型订阅服务存在明显信息不对称，用户无法准确计算资源消耗，比普通商品交易更依赖厂商提供透明可信的计量规则，未经明确告知的额度变化引发付费透明度质疑 [42][44][45] 用户额度缩水的现象与反馈 - 大量用户反映Claude额度越来越不够用，Reddit的ClaudeCode社区有用户称原本可用四五天甚至一周的额度如今24小时就快耗尽 [5][6] - 有用户表示刚重置的额度仅进行几次高强度操作就已消耗相当大一部分 [7] - X用户认为过去几周Anthropic一直在削减额度，甚至预言会出现500美元的新套餐 [9] Anthropic额度调整的历史脉络 - 今年5月至9月，Anthropic开展限时活动将Claude Code每周使用额度提高50% [11] - 9月14日起活动结束，新标准额度虽有提高，但换算下来用户实际拿到的比活动期间减少约17% [12] - 9月22日Anthropic发布Claude Opus 5.5，宣布提高Pro、Max、Team等套餐的五小时使用额度，实测Max套餐可用token数量增加约20%，Pro套餐增加约50% [12] - 由于模型和推理强度不同，不同时期相同订阅额度在使用体验上大不相同，五小时额度和每周额度也不遵循同一套限制规则，导致用户体验忽高忽低 [12] SemiAnalysis的Token额度测量方法 - SemiAnalysis在10月5日发布长篇报告，将Token分成普通输入、缓存写入、缓存读取和模型输出四类，设计实验让每次请求尽量只消耗其中一种 [15][16] - 使用《战争与和平》长文本测试输入并加随机标记防止命中缓存，测量缓存写入时启用缓存并更换标记，测量缓存读取时固定标记反复读取同一段内容，输出则用技术文章引导模型持续生成长文本 [19] - 通过反复发送请求并记录实际消耗的各类Token数量和额度进度条变化，将测量误差控制在±5%以内，例如100万Token消耗5%额度即可推算出该窗口约有2000万Token容量 [20] 订阅套餐的API等价价值测算 - 在测试的编码智能体工作负载中，约96.5%的Token来自缓存读取，智能体执行任务时反复调用模型、复用上下文，而缓存读取的API价格远低于普通输入 [21] - SemiAnalysis根据实际智能体任务中各类Token的使用比例结合API定价，估算订阅套餐的API等价价值，即通过API购买同等用量需花多少钱 [21] - 在特定智能体工作负载下，Claude Opus 5.5订阅的API等价价值约为OpenAI同价位套餐的五倍 [22] 行业同行的额度调整策略对比 - OpenAI选择直接削减额度，每月200美元套餐的Token上限被削减约一半，新订阅用户立即受影响，老用户可沿用原额度至10月29日 [26] - Anthropic的调整更加渐进：同一套餐内模型越高端，能够获得的API等价价值通常越低，从Opus 5.5到更高端的Fable 5.1差距尤为明显 [26] - Opus 5.5降低API价格时，Anthropic虽提高Max和Pro套餐的Token额度，但增幅仍不足以完全抵消降价带来的等价价值变化 [26] - 两种策略最终都指向同一目标：减少重度用户获得的算力补贴，改善订阅业务的利润空间 [27] A/B测试的具体测算结果 - 在相同模型、相同智能体工作负载下，账号B的五小时额度比账号A高约19%，每周额度却少约20%，每月API等价价值由11726美元降至9385美元 [29] - 五小时窗口更宽松可让用户在一次连续工作中处理更多任务，但对每天高频调用的重度用户，真正限制月使用总量的仍是更严格的每周上限 [29] 用户争议与付费透明度问题 - 争议集中在两点：Anthropic在用户不知情下对相同套餐账号进行不同额度测试，付费套餐透明度遭质疑；看似提高五小时额度却降低每周限额，被指只是换一种方式掏用户口袋 [32][33] - X用户alice指出Claude的五小时限制容易让用户高估套餐实际使用量，Max 20x在每周限额下实际体验可能和Max 10差不多，只有在五小时窗口内才能体现完整的20倍差距 [33] - 一位Reddit用户从Pro升级到每月100美元的Max 5x后，才从客服处得知5倍额度主要适用于五小时会话窗口而非每周总量，购买页面没有充分说明短期额度与长期额度之间的差异，且升级后此前已产生的每周额度消耗仍被计入统计 [35] - 有用户将这种情况与超市购物作比较：如果超市不给顾客提供收据却悄悄提高部分人的账单会引发愤怒，同样付费的用户理应清楚知道自己买到了多少服务，而不必依靠第三方机构测试才能发现差异 [41] - 模型使用额度看不见摸不着，消耗速度还受模型选择、上下文长度和推理强度等因素影响，普通用户无法准确计算一次对话消耗了多少资源 [42][43] 行业层面的成本与定价趋势 - 有观点认为Anthropic这一系列做法是被逼无奈：竞争对手已削减订阅额度，Anthropic又面临高昂计算成本与资本市场压力，继续维持高额补贴未必现实 [38] - 有用户预测未来订阅服务可能需要将价格提高至目前的5至10倍，或者大幅削减可用量 [39] - 对每月花费20、100甚至200美元的用户而言，核心关切是花出去的钱能换来多少稳定可预期的使用量，行业需要比不断变化的百分比进度条更清楚的答案 [47]

文章核心观点 - 蚂蚁集团领投熵简科技C轮融资，东方国信与乔贝资本跟投，双方将在AI金融智能体研发、AI金融垂域模型训练等领域展开深度合作，共同探索AI金融产业前沿 [1][2] - 熵简科技定位AI投研平台，核心产品AlphaEngine以“金融专业人士的AI伙伴”为定位，依托全球投研数据库、自研语义搜索、可溯源信息体系与智能问答，帮助机构用户定位关键材料、理解研究逻辑、开展交叉验证 [6] - 蚂蚁集团以AI为基座构建支付、金融、健康三大战略支柱，此次领投是其在金融投研方向的重要布局，金融与医疗健康同为蚂蚁AI应用落地的两大重点场景 [10] 公司基本情况 - 熵简科技成立于2017年，创始人兼CEO费斌杰本科毕业于清华大学工业工程系，硕士毕业于清华大学五道口金融学院，曾任嘉实基金TMT行业分析师 [2] - 股东阵容包括蚂蚁集团、东方国信、乔贝资本等头部公司和机构，此前曾获深创投、中金资本、高榕资本加注，早期获嘉实投资、清泉石资本支持 [4] - “熵”是热力学第二定律中对系统混沌程度的度量，“熵简”寓意通过AI降低金融投研的复杂度，让专业投资者不被信息汪洋淹没，有更多时间进行思考与判断，从而挖掘出“正确的非共识” [11] 产品与业务发展 - 熵简科技早期为资管机构建设投研数据中心，2022年业务转向标准化产品AI投研产品AlphaEngine，以聚合搜索切入投研人员日常工作 [6] - 2026年3月发布投研智能体AlphaClaw，为行业内首个面向金融投研领域的“龙虾”；2026年9月AlphaEngine机构版正式上线 [6] - AlphaEngine早期以聚合搜索引擎为切入点，将原本分散的海量投研资料加工聚合为统一入口，上线后迅速成为机构投研团队的日常工具 [6] - AlphaEngine机构版采用本地优先架构，在满足金融机构合规要求的前提下赋能投研工作全流程，已在若干头部资管机构落地 [7] - AlphaClaw面向复杂研究任务与连续工作流，依托AlphaEngine的数据基础，结合专业Skill与任务自动化能力，支持深度研究、产业链分析、研究成果生成及日常跟踪 [8] - AlphaEngine的Skill广场将投研专家的分析框架沉淀为可共享的Skill，目前已汇聚数千个专业机构投资者的工作流，覆盖财务舞弊识别、公募持仓分析、缠论交易信号、信用债研究、大类资产配置等方向，是国内最为专业的金融skill分享平台之一 [8] 客户与市场覆盖 - AlphaEngine已累计服务于十万余名机构投资者，覆盖9000余家机构，公募基金、券商研究所、保险资管、银行理财子等核心客群实现全类型覆盖，其中包括诸多顶级资管机构 [8] 蚂蚁集团AI布局 - 2026年初蚂蚁集团明确以AI为基座，全力构建支付、金融、健康三大战略支柱，依托百灵大模型家族的技术底座，医疗健康与金融成为蚂蚁AI应用落地的两大重点场景 [10] - 医疗健康与金融均是专业门槛高、与用户切身利益紧密相关的领域，对AI的专业能力和可信度要求最为严苛 [10] - 健康领域，蚂蚁推出的AI健康应用蚂蚁阿福用户规模已达1.5亿，单日健康咨询量近2000万次 [10] 行业趋势与公司战略 - 费斌杰在2026外滩大会表示，自2017年成立以来，熵简科技持续深耕AI与金融投研的融合，从专业数据建设到智能体研发，从研究方法沉淀到机构生态共建，始终围绕如何让技术进步转化为专业能力的积累、让高质量研究持续创造价值这一长期命题展开探索 [11] - 当AI逐步融入机构工作流，其意义将从单个任务的效率提升延伸至研究经验的传承、专业知识的复用与组织协作的进化，让优秀的研究方法得以沉淀、让有价值的判断获得更充分的验证、让专业人员拥有更广阔的能力边界，是下一代资管科技值得持续投入的方向 [11] - 面向未来，熵简科技将继续携手金融机构与产业伙伴，推动专业数据、研究经验与智能体能力深度结合，以新一代数字化基础设施支撑资管行业的研究能力建设，为资本市场的价值发现与资源配置贡献科技力量 [11]

文章核心观点 - 苹果首款折叠屏iPhone Duo开售即缺货、现货排至2027年1月22日，但二手溢价从预售期喊价5.85万元迅速回落至首销日加价约1500—2500元，缺货并未转化为持续高价 [3][4][7] - 溢价能否维持取决于产品本身，iPhone Duo在软件生态适配、硬件妥协、维修成本与产能爬坡等方面面临多重挑战，苹果较安卓阵营晚八年入场，第一代折叠屏能否证明自己仍需观望 [12][14][19] 销售与渠道表现 - 苹果官网显示现在下单所有版本与颜色均预计2027年1月22日发货，上海多家门店预售日即订空到店自提现货 [3] - 中国大陆未开放walk-in现场购买，与港台、日韩、法国、印度等市场一致，消费者须先在官网或Apple Store App下单再按预约时段到店取货 [11] - 门店店员表示店内到店自提现货已在10月16日预售日全部预订完，新下单只能选择送货上门，收货约在明年1月底 [11] - 10月23日早晨8点上海南京东路苹果直营店提前两小时开门，首批凭线上订单到店取货的消费者排起长队，门店外黄牛密集聚集 [7] 二级市场溢价走势 - 预售期二手平台一度喊到溢价5.85万元的"电子茅台"，首销当天加价只剩两千出头 [4] - 黄牛回收报价跌至1700—1800元，转手卖出512GB、1TB版本普遍加价1500—2500元，白色款问价者最多、溢价高于黑色款，512GB白色加2000元、黑色更便宜 [4][9] - 黄牛预计后续渠道货全到后回收加价可能跌至1000元甚至只加三五百元，并称价格一天之内可能多次变化 [7][9] - 得物App数据显示预售一周后各容量版本加价空间缩水近五成：256GB成交均价从10月16日的20560元降至18237元，加价空间从4561元收窄至2238元，缩水约50.9% [10] - 512GB版本成交均价从22666元降至20388元，加价空间由4667元收窄至2389元，缩水约48.8%；1TB和2TB版本加价空间分别缩水约40.3%和47.9% [10] - 首销日上午8点至11点，256GB版本成交均价由18152元降至17206元，3小时下降946元、跌幅约5.2%；512GB版本由20641元降至20177元，下降464元、跌幅约2.2% [11] - 容量偏好上512GB版本比256GB更受欢迎，有黄牛手中256GB版本迟迟未能售出 [9] 软件生态适配 - 10月22日"iPhone Duo微信不适配"登上微博热搜，有博主实测25个常见应用约八成尚未完成折叠屏适配，未适配应用只能居中显示或等比放大，无法用满7.6英寸内屏 [14] - 首发用户花15999元买到的是一台需要等生态追上来的机器，苹果客服表示后续肯定会解决、微信等应用会做专门适配 [14] - 目前腾讯旗下QQ、微信均已完成对iPhone Duo的适配 [14] 硬件层面的妥协 - 影视飓风实测显示该机折叠1.15万次后铰链依然顺滑，但多轮折叠测试后折痕明显加深 [17] - 内屏纳米纹理层极易沾染指纹、油脂与化妆品，普通干布难以擦净；高负载下机身最高温度达到49℃，发热严重 [17] - 取消Face ID改用侧边集成Touch ID，被多位评测者视为体验倒退 [17] - 全球范围取消实体卡槽、采用纯eSIM设计，国内用户需前往运营商线下营业厅完成核验激活才能入网使用 [17] 维修成本与售后服务 - 苹果官网保外维修价显示内屏损坏预估服务费7998元，约占起售价一半；外屏3198元；电池服务1898元创下iPhone新高 [17] - 购买2599元的AppleCare+后内屏自付额降至628元、电池服务免费，AppleCare+可能从可选延保变为购机预算中需优先计入的成本 [17][18] 产能与供应 - 天风国际分析师郭明錤产业调查显示iPhone Duo在2026年第三季度组装出货量约50万至100万台，同期iPhone 18 Pro系列备货量为2000万至2200万部，Duo供应量不足其十分之一 [18] - 科技记者古尔曼指出苹果显然是在供应有限的情况下过早推出iPhone Duo，只为让它更早上市，公司知道最早也要到11月才会有合理供应量 [18] 行业竞争格局 - 从安卓阵营2018年推出首款折叠屏算起，苹果整整晚了八年才入场，能否借第一代折叠屏证明自己仍需持续观望 [19]

文章核心观点 - 北京龙韬娱乐文化有限公司新增一条被执行信息，执行标的约2040万元 [1] - 龙韬娱乐成立于2016年4月，法定代表人为邱永成，注册资本为450万元 [2] - 公司由海南永恒星龙文化发展集团有限公司、张建华共同持股，黄子韬为实际控制人 [2] 公司工商信息 - 企业名称为北京龙韬娱乐文化有限公司，成立日期为2016-04-13，营业期限至2046-04-12 [2] - 注册资本为450万人民币，实缴资本为450万人民币 [2] - 统一社会信用代码为91110105MA00530H10，组织机构代码为MA00530H-1 [2] - 登记机关为北京市朝阳区市场监督管理局，注册地址为北京市朝阳区双桥（双桥乳品厂）3号楼1层133室 [2] - 人员规模小于50人 [2] - 英文名为Beijing Longtao Entertainment Culture Co., Ltd. [2] 公司经营范围 - 一般项目包括组织文化艺术交流活动、电影摄制服务、文化娱乐经纪人服务、版权代理、企业形象策划、会议及展览服务、广告制作与发布、平面设计、图文设计制作、文化用品设备出租、专业设计服务、文艺创作、机械设备租赁等 [2] - 许可项目包括电影发行、广播电视节目制作经营、演出经纪等，具体经营项目以相关部门批准文件或许可证件为准 [2] 被执行信息 - 天眼查App显示，北京龙韬娱乐文化有限公司新增一条被执行信息，执行标的约2040万元 [1]

西藏那曲市人民政府新闻办公室举行西藏那曲市巴青县 7.0 级地震第一场新闻发布会， 截至 10 月 23 日 13 时，已造成 16 人遇难、76 人受伤，房屋倒塌及受损 339 户，牲畜棚圈 受损 20 座 。 今天（23 日）15 时，西藏那曲市人民政府新闻办公室举行西藏那曲市巴青县 7.0 级地震第 一场新闻发布会，通报地震灾害受灾情况，搜寻救援工作、转移安置、基础设施抢修、物 资供应、医疗救治等最新情况。 发布会现场，全体起立，悼念本次地震中不幸遇难的同胞。 会上通报，经初步核查，此次地震震级高、震源浅，巴青县玛如乡、岗切乡等震中核心区 域震感强烈，部分房屋倒塌、电力通信设施受损，人员有伤亡。截至 1 0 月 2 3 日 13 时，已 造成 16 人遇难、76 人受伤，房屋倒塌及受损 339 户，牲畜棚圈受损 20 座。 各类救援力量已投入 5000 余人 会上通报，前线应急指挥部已搭建并投入运转，实行统一调度、分片负责、同步推进。 区、市、县三级共投入各类救援力量 5000 余人，按搜救、医疗、安置、保供等任务编组 作业；电力、通信保障队伍同步进场，重点乡镇和重点受灾点位均已部署救援力量。 受灾群众 ...