1. Meta 联手傅利叶造家庭人形机器人 Max：三个月出原型，第二代已在研发
11 月 1 日，The Information 报道 Meta 正加紧推进面向家庭场景的机器人，并已与中国机器人企业上海傅利叶智能合作开发人形机器人原型，内部代号 Max，重量约 106 磅（约 48 公斤）、身高约 1.5 米，从零到原型只用了三个月；第二代 Max 2 已从 9 月启动研发，将采用重新设计的躯干、操作能力更强的手部，并加装投影仪和帮助上下楼梯的传感器。
Max 不是傅利叶现成机型的直接贴牌：Meta 在其 GR 系列三代产品基础上定制，加高机身、调整比例、改造头部、显示屏与摄像头，并加装手部与足部；目前搭载英伟达 Jetson Thor 芯片及一套独立的运动控制软件平台，胸口内置两个扬声器，面部眼睛与嘴巴可模仿人类表情，五指灵巧手能拿起小瓶子和玩具。Meta 对交互提出了具体指标：5 米外识别语音、3 米外解读手势或挥手、保持眼神接触，并呈现聆听、思考、说话、不确定等不同状态。CTO Andrew Bosworth 在内部把人形机器人定位为 Meta Muse 智能体的物理载体；机器人产品副总裁 Li-Chen Miller 曾在傅利叶上海工厂驻场近两个月，8 月底 Max 已在内部机器人活动上向部分员工展示。Meta 同时在上海招聘供应商开发工程师、在深圳招聘产品设计工程师与技术项目经理，指向"从原型走向量产"。
值得关注：这是"中国硬件供应链 + 美国智能体"分工模式第一个可核实的样本。Meta 2025 年成立 Meta Robotics Studio 后一度受挫（挖来的 Cruise 前 CEO Marc Whitten 任职 18 个月于 8 月底离职，现由 Ning Li 临时负责），三个月的原型速度说明其短板不在硬件而在整合，而傅利叶（康复机器人龙头，2023 年 GR-1 率先量产，2025 年 E 系列融资近 8 亿元，已完成股改推进 IPO）提供的正是这条产线能力。真正的变量在监管：FCC 7 月以供应链与网络安全风险为由禁止进口新型中国人形机器人，现行规则允许企业最多进口 4000 台用于测试，8 月又提议降到 40 台。Meta 回应称"与傅利叶的合作专注内部研究与实验，没有出售这些设备的计划"——这句话既是合规表述，也说明这条路径尚未解决量产阶段的原产地问题。
2. 五大巨头的 AI 账单：承诺投入超 3 万亿美元，30 年租约与转负的自由现金流
彭博 10 月 31 日汇总五家公司最新财报披露：Alphabet、Meta、微软、亚马逊和甲骨文围绕数据中心、设备、能源与租赁的未来承诺合计超过 3 万亿美元（约 20.01 万亿元人民币），其中未来租赁付款承诺约 1.3 万亿美元、其他采购承诺约 1.9 万亿美元。Alphabet 一家的合同承诺就超过 1 万亿美元，接近一年前的八倍；Meta 超过 8000 亿美元，其中略少于一半对应尚未生效的数据中心租约，最长分 30 年支付，CFO 苏珊·李称"将继续大举投资以支持核心业务和新兴 AI 项目"。
代价已经出现在报表上：Alphabet 与 Meta 这两台"印钞机"的自由现金流均由正转负；甲骨文是首家因投资 AI 数据中心导致自由现金流为负的大型科技公司，其在本周投资者说明会上预计要到 2028 年才恢复正值，并计划通过供应商融资与客户预付款压低前期自担资金。需要说明口径：统计未计入现有租约与债务，Meta 部分预算属于 Reality Labs 消费硬件，Alphabet 与亚马逊含内容授权费用，微软数据取自截至 6 月底的年报，因此五家不可直接横向比较。
值得关注：AI 竞赛的记账方式变了——从"今年 capex 多少"变成"未来二三十年已经签下的义务有多少"。30 年期租约把折旧、利率与需求波动风险一起锁进资产负债表，而"承诺"与"到账"之间还隔着电力接入、机房交付和设备迭代。甲骨文就是压力测试样本：最先转负、恢复最晚、且要靠客户预付。若 2027 年推理收入增速不及预期，这批长约会成为评级与再融资的约束项，而不是护城河。
3. 具身大算力芯片第一股候选：辉羲智能启动 A 股 IPO 辅导，年内融资超 25 亿元
10 月 28 日，北京辉羲科技股份有限公司在北京证监局办理辅导备案登记，中信证券担任辅导机构，A 股 IPO 流程启动；辅导协议签署于 10 月 22 日，与公司官宣 B 轮融资同一天。据披露，公司 2026 年内累计股权融资超 25 亿元：2 月 Pre-B 轮超 8 亿元、智元机器人以战略投资者身份入股；10 月 Pre-B+ 与 B 轮合计约 17 亿元，由北京市人工智能产业投资基金领投，国家人工智能产业投资基金、北京机器人产业发展投资基金等参与。控股股东合肥隐犀持股 18.4280%，但通过特别表决权掌握 68.7694% 表决权。
这家 2022 年成立于合肥的公司原本做乘用车高阶智驾芯片，2024 年 10 月发布 7nm 车规芯片光至 R1（500+ TOPS、450 亿晶体管、24 核 Cortex-A78AE），对标英伟达 Orin-X，但承诺的 2025 年量产车型未出现；转向具身智能后，2025 年第四季度 RISE 计算平台在智元精灵 G2 上完成量产交付，2026 年 6 月多台精灵 G2 在龙旗科技南昌工厂连续作业 6 天、累计 17625 次任务、成功率 99.99%。今年 8 月发布 Huixi Embodied 系列：R1 MAX 500 TOPS 面向复杂模型，R1 PRO 375 TOPS 采用"大小脑融合"设计，把 CPU、NPU、GPU 与实时接口集成进单颗芯片，1KHz 实时控制、最多接入 22 路摄像头。目前光至 R1 系列在具身赛道累计获得数千台域控制器订单，客户包括智元精灵 G2、乐聚夸父 Kuavo 4 Pro、九识智能 L4 无人物流车；行业调研称其 2026 年上半年芯片出货约占全球高算力机器人芯片的五分之一，仅次于英伟达。
值得关注：这份辅导备案是"具身智能从叙事进入供应链可上市"的第一个硬指标。但三个约束同样清楚：客户高度集中于智元，而智元既是股东（约 0.0744%）又是首个规模客户；精灵 G2 的基础算力板用辉羲 R1，高算力板仍用英伟达 Thor，辉羲占据的是中端算力位；辅导备案未披露营收与净利，多家媒体称公司尚未盈利，而车规设计带来的成本与功耗冗余，与服务级机器人客户的价格敏感存在天然张力。招股书的收入结构与客户集中度，会是检验这个"全球第二"成色的第一块试金石。
4. 一条分享链接就能接管 ChatGPT 账户：五个小问题串成的沙箱逃逸链
安全公司 Parameter Labs 于 10 月 28 日披露、Simon Willison 在 10 月 31 日转述了一条针对 ChatGPT HTML 预览（原 Canvas）的攻击链：攻击者制作一个含恶意 HTML 预览的公开对话并分享，任何已登录用户点开链接，攻击者编写的 JavaScript 就会以 chatgpt.com 的身份在其会话中执行——可以枚举对话列表、读取从未分享过的私有对话，并通过图片引用把数据外传。OpenAI 已于 10 月 26 日修复并将评级提升至 P1，赏金 5000 美元；Willison 评价这个金额"对这种严重程度的漏洞有点便宜"。
链条上每一环单独看都不致命：①HTML 预览跑在独立域名的沙箱 iframe 中，沙箱本身没有破；②但会话里的交互图表加载了数学库 MathLive，它在主页面注册的 postMessage 监听器不校验来源，也不要求消息来自已授权窗口；③父页面接收代码使用 innerHTML，配套的 createHTML 辅助函数本应消毒，实际只是把字符串标记为可信；④innerHTML 里的 script 不执行，但可以插入一个没有 sandbox 属性的 srcdoc iframe，浏览器赋予它 chatgpt.com 的源；⑤CSP 正确拦截了内联脚本，白名单里却有 YouTube，而 YouTube 的 oEmbed 端点在校验回调参数失败时会把回调内容先拼进响应，被浏览器当作脚本执行。在最稳定的版本中，受害者只需打开链接并点击一次预览；后续版本里预览可自动触发，打开链接约 4.5 秒后即被命中。MathLive 已于 10 月 31 日发布 0.111.2，把跨源消息默认改为只接受同源，跨窗口设置不得再携带自定义键盘布局。
值得关注：这类漏洞的供给侧正在被 AI 产品自己放大——把"模型生成前端代码并在浏览器里运行"当成核心卖点，就意味着不可信代码与登录态共处一页，任何一处 innerHTML、一个 CSP 白名单域名、一个会"原样吐回内容"的 oEmbed 端点，都可能变成反射面。对做 AI 应用的团队，这个案例给出了三条可直接抄的作业：postMessage 必须同时校验来源与目标窗口，向 DOM 写内容避开 innerHTML，CSP 白名单要逐个审端点。5000 美元与 P1 的错配也提出一个行业问题：当 AI 厂商的账户里装着用户全部对话与工作流，漏洞定价体系是否需要重估。
5. 商汤开源 Loop-9B-Preview：9B 的权重，56 层的计算深度
10 月 30 日，商汤开源日日新 SenseNova Loop-9B-Preview（Apache 2.0，权重在 Hugging Face、代码在 GitHub），10 月 31 日登上 HF 趋势榜。它的做法不是把参数堆大，而是把"存多少参数"和"每个 token 算多深"拆开：32 个独立解码层中，首尾各留 4 层，中间第 4–27 层共 24 层作为共享循环模块，同一套权重执行两遍 B(B(h))，一次前向约完成 56 次层计算，却只需存 32 层权重；总参数约 9B，推理时实际约 14.6B 参数参与计算。为让第二遍不搅乱信号，模型用双流流形约束超连接 mHC（两条残差流 + 可学习路由，混合矩阵用 Sinkhorn 归一化约束、迭代 20 次），注意力每 4 层一组、3 层线性加 1 层全注意力，循环边界正好对齐整组。训练序列最长 262,144 token，输入文本与图像、输出文本，面向长文档与智能体工作流。
官方自报成绩对 Qwen3.5-27B：BIRD-Dev 71.38 对 69.84、WorkBuddy Bench 66.89 对 60.53、AIDABench 58.87 对 57.19、TeamBench 48.89 对 44.44、RaccoonPPTBench 70.70 对 59.08；但 Terminal Bench 2.1（40.45 对 47.19）与 T³-Banking（18.56 对 19.59）仍落后，即长链路终端操作与银行流程类任务尚未追平。mHC 消融显示 GPQA Diamond +4.42、TeamBench +13.34。
值得关注：省下的是显存里的权重，不是每个 token 的算力——56 次层计算照跑，首 token 延迟与长文本吞吐会吃亏，因此它更适合"多想几步更值"的代码、复杂逻辑与私有化部署，而不是低延迟实时交互。更值得注意的是路线含义：在算力与显存受限的背景下，循环架构第一次以可下载、可商用、可复现的形态落到仓库里；若能在 30B/70B 尺度上复现，端侧 Agent 与"小模型干大活"就从营销话术变成工程选项。泼冷水的部分同样要说：所有分数均为厂商自报，RaccoonPPTBench 是商汤内部基准，技术报告仍标 TBD，模型还是 Preview——路线成不成立，得看第三方能否跑出同样的数。