AI 日报 | 美国 13 州数据中心提案上选票，至少 38 项被选民否决
美国 11 月 3 日的选举里，13 个州有 40 余项与数据中心直接相关的提案上了选票。据 404 Media 报道，至少 38 项被否决——原文写的是「38 and counting」，计票仍在更新。
具体处置分两类：6 个城市投票直接禁止数据中心，12 个城市限制其可用的兆瓦数。
得州的情况最直观。把「欢迎数据中心」当作政策招牌的州长 Gregg Abbott 竞选第四任期失败，输给民主党人 Gina Hinojosa，票差超过 70 万票。得州现有 300 多个在运数据中心。
地方层面的连带效应同样明显。堪萨斯州 Burgin 唯一在册的市长候选人 George Hensley——他曾投票批准一个超大规模项目——输给了一位反数据中心的写入候选人；俄克拉何马州 Yukon 的市长在罢免投票中落败。
报道引 Local Progress 副主席通讯主任 Michael Whitesides 的判断：这些选举向地方官员发出了「可以抵制」的信号。
以上选举结果与提案数字来自单一来源，只作事实陈述，不作政治评论。
图 1：40 余项数据中心提案的投票结果与两类处置。来源：据 404 Media 2026-11-05 报道整理；本图为自制整理。
头条深读 | 选址的政治成本，开始进账本
过去算一个数据中心落在哪儿，算的是电价、水、地，以及并网要等多久。这次公投加了一栏：地方投票能不能过。
这一栏的杀伤力在于它不在州一级。得州这类「州级友好」的地方，过去被视为落地的快车道；州长落败与 38 项否决说明，县市一级的否决权正在变成决定性变量。
从买方视角看，这意味着三件事不再分开算：州政策、县市态度，以及并网时间。任何一项为零，项目就停在那一步。
这条与同期另一条互为印证。数据中心等电要等数年，有的项目已经开始用退役喷气发动机自发电；也有项目因为电力公司说到 2030 年代初中叶才能供电，锚定客户直接退出。
两头同时收紧：供给端是电，需求端是许可。有地、有电、有票，缺一样都不行。
图 2：州级与地方两级的结果。来源：据 404 Media 2026-11-05 报道整理；本图为自制整理。
重点速递
混元 Hy4 正式版：带视觉与电脑操作，Arena 总榜第 14
11 月 4 日，腾讯发布混元 Hy4 正式版，相比 8 月 28 日的 preview 扩大了预训练与后训练规模。
能力面上有两处扩展：一是首次引入视觉——细粒度图像处理、复杂图表分析、数学视觉推理；二是支持电脑操作，可结合命令行与图形界面完成任务。这里的「首次」是相对腾讯自家上一代。
腾讯口径的提升是 GameDev +19.1%、GameLogic +9.8%（对比 preview），API 价格不变。
第三方读数来自 Arena：Agent Arena 总榜第 14，基于 8.5K 以上真实长程智能体会话，净提升 +4.7%，进入 Pareto 前沿。
两块不是一张榜。腾讯那组是自测，Arena 那组是第三方，不能拼成「第 14 且提升 19.1%」。
权重状态：腾讯说计划近期开源权重，并发布系统卡片。权重没到之前，它是专有模型；Arena 也写明，权重开放后它将与 Kimi K3.1 Pro 并列开源模型第一，分差不到 1 个百分点，每任务 0.55 美元对后者 1.46 美元。
图 3：混元 Hy4 的两个层级读数。来源：据腾讯公开表述与 Arena 榜页整理；本图为自制整理。
Axiom Math 把 Stacks Project 全量形式化：1600 万行 Lean
Axiom Math 把 Stacks Project 整本形式化成了 Lean 代码：1600 万行，由智能体集群按类似工程组织的分工完成，Lean 逐条检查每个证明。
规模拆开看：62,975 个 Lean 文件、663,090 个声明，建立在 Mathlib 之上。
比行数更有用的是对应关系——每个带 tag 的结果都链接回原文与依赖。这让它不只是代码库，而是保留原文映射的可复用资产：后来的研究者或模型可以直接调用已验证的定义与定理，去证明新的结果。
库免费开放。仓库地址、许可证，以及 1600 万行是否含空白，截至发稿未见可核材料。
图 4：形式化的规模、地基与它保留的原文对应。来源：据公开转述整理；本图为自制整理。
长程任务的每小时成本：Carbon 10.51 美元，Astra 31.08 美元
Arena 统计了近 14 天、近 30,000 个运行超过一小时的任务，平均每个模型每小时发起 332 次工具调用。
每小时任务中位成本：Gemini 4 Carbon 10.51 美元、Claude Opus 5.5 21.13 美元、GPT-6 Astra 31.08 美元。按两个端点相除，1 − 10.51 ÷ 31.08 ≈ 66%，也就是长程任务上换模型最多能省约三分之二。
同一批数据里还有另一组读数，口径不同：典型任务上，GPT-6 Astra 成本是 Carbon 的 3.4 倍、Opus 5.5 是 3.9 倍，GPT-6.1 Sol 约为其一半（0.54 倍）。这组是典型任务，上面那组是长程任务，两者不能互换。
这是按任务折算的实测成本，不是价目表，不能与 token 单价互相换算。
图 5：三个模型在长程任务上的每小时中位成本。来源：据 Arena 2026-11-05 帖文整理；本图为自制整理。
CloudOpsBench 1.0：45 个 AWS 任务，最强的模型只做完 60%
密歇根大学 Ang Chen 团队发布 CloudOpsBench 1.0：45 个 AWS 任务，由有经验的 DevOps 工程师构建，覆盖修服务、删资源、收权限、推更新、下线项目。
成绩单不好看：最好的模型 Claude Fable 5.1 完成 60%，GPT-6 Astra 完成 53%，没有模型完成全部任务。
失败集中在哪里，报道说得很具体：约 80% 的失败源于推理——智能体误判了任务范围，漏掉该做的步骤，而不是缺知识。
方法上有一处值得记：同一套任务在真实 AWS 与模拟器里结果一致，GCP、Azure、OCI 的扩展在计划中，基准开源。
图 6：云运维基准的成绩与失败归因。来源：据 The Decoder 2026-11-05 报道整理；本图为自制整理。
OpenAI 吸纳 Pierre Computer，其开源工具已在支撑 Codex
OpenAI 总裁 Greg Brockman 宣布，Pierre Computer Company 加入 OpenAI。
比交易本身更有信息量的是顺序：Pierre 的开源开发者工具目前已在支撑 Codex 的部分功能——先有产品集成，后有团队并入。
双方的说法是「共同打造用 AI 协作构建软件的未来」。是收购还是 acquihire、金额多少，截至发稿未见公开信息。
图 7：先集成、后收编。来源：据公开帖文整理；本图为自制整理。
Anthropic 开源可验证推理：用 zkSNARK 证明回复出自哪个模型
11 月 4 日公布的一套方案，目标是让用户不必相信厂商，就能验证自己用的是否是宣称的那个模型。
机制是：模型发布方公开一个不泄露权重的「指纹」（commitment），推理方为每次输出生成 zkSNARK 证明；验证方只需要 commitment、提示与回复，不需要权重，也不用重算。
以 Llama 4 Maverick（400B MoE、约 17B/token、4-bit）为例：单张 H100 约 110 tokens/秒，24 个请求批处理耗时 223 秒。
证明一侧：每个 1,024-token 请求的证明约 19 MB（18.78 MB），commitment 约 6.5 MB。
验证一侧轻得多：24 核 CPU 上 17 秒，单线程 21 秒。
代价同样清楚：约为 vLLM 直接跑该模型所需 GPU 时间的 70 至 95 倍。对照旧系统，VerInf 打同一模型 1,000 tokens 要 14.3 小时、证明 93.6 GB、验证近一天；2024 年的 zkLLM 在 13B 模型上约 2.5 tokens/秒。
边界同样清楚：证明断言的是整数版权重下的贪心选择，浮点实现或采样解码可能在某个位置偏离；它藏权重但不藏架构；侧信道攻击被明确列在本次范围之外。状态是开源研究原型，无部署计划，作者称这是「中间进展，不是完成的研究议程」。
图 8：可验证推理的机制、读数与代价。来源：据 Anthropic 研究页与 TechCrunch 2026-11-04 报道整理；本图为自制整理。
AMD 三季度：数据中心单季 85 亿美元，同比 +97%
AMD 三季度营收 134 亿美元，同比 +45%，创纪录；GAAP 毛利率 54%、经营利润 28 亿、净利 24 亿。非 GAAP 口径下，毛利率 56%、经营利润 39 亿、净利 35 亿，摊薄每股收益 2.09 美元。
数据中心分部营收 85 亿美元，同比 +97%，驱动来自 EPYC 与 Instinct MI450 系列出货。
四季度指引是营收约 170 亿美元（±3%），中值对应同比约 +66%、环比约 +27%；非 GAAP 毛利率约 55%。
一处转述与新闻稿的差别：有说法称「预计 2027 年营收增长超 80%、数据中心占明年销售额 80%」，这句话在财报新闻稿里没有——新闻稿只给到四季度 2026 指引，2027 年的说法本文不采用。
图 9：AMD 三季度的三个数，与一处转述和新闻稿的差别。来源：据 AMD 投资者关系财报稿整理；本图为自制整理。
ChatGPT 的搜索查询量约为谷歌两成
ChatGPT 消费者产品负责人亚当·弗莱证实：ChatGPT 上的搜索类查询量，约相当于谷歌搜索的 20%。
这个 20% 的分母是查询量，不是收入、不是用户数。写成「份额两成」或「营收两成」，都换了量。
同一条里还有皮尤今夏的调查数据：42% 的美国成年人曾用 AI 搜索信息；44% 用过 ChatGPT、24% 用过 Gemini；38% 的在职成年人用 AI 处理工作任务。
数据中心等电太久，开始用退役喷气发动机自发电
据 TechCrunch 转述《纽约时报》，xAI 已在密西西比州为 Memphis 的 Colossus 2 数据中心装了 8 台改装喷气发动机发电机组，设备来自 ProEnergy，改装常见于客机的 GE 发动机。
同期：OpenAI 在得州 Abilene 的首个 Stargate 站点用燃气轮机，承建方 Crusoe 从 Boom Supersonic 一笔 12.5 亿美元、29 台天然气轮机的交易中采购。
动因写得很直白。Rystad Energy 分析师 Audun Martinsen 说是为了尽快把电接上，用这类机组「24 个月就能让数据中心跑起来」。代价是转换机组效率更低、排放更多，同样功率需要更多台，多数专家视其为短期方案。
反向案例同样有：微软上月放弃了作为 Nscale 英国 Loughton 数据中心的锚定客户，因为当地电力公司称直到 2030 年代初中叶才能供电。
斯坦福 RoboArchitect：不动权重，只让编码模型改控制代码
据公开转述，斯坦福团队的 RoboArchitect 让编码模型审查机器人的试跑记录、诊断失败，最多迭代 5 轮重写控制代码，全程不更新模型权重，单次完整运行平均成本低于 150 美元。
读数：未见场景成功率从 9.7% 升到 43.3%，未见任务从 12.7% 升到 40.2%，都对比裸策略。在 VLABench 上，加装控制代码的通用策略击败了在该基准上微调的同款策略。
有一个边界与这些数字同处一页：所有测试都在仿真中完成。这条是单源转述，论文原稿与题量截至发稿未见可核材料。
快讯速览
-
苹果：9 月季度毛利率 48%、营收同比 +12% 至 1,145 亿美元；内存涨价使毛利率降约 1 个百分点，公司给出的假日季毛利率指引为 45%，并称定价「前所未有」、成本 12 月后继续上升。来源：单源帖文
-
Apple Intelligence 国行随 iOS 27.3 beta 上线，由千问承担 ChatGPT 的角色。设置两步：先开启 Apple Intelligence（约 7GB 端侧模型下载），再授权 Qwen；实测是本地模型做不了才调 Qwen。来源：实测帖文
-
Arena：典型任务上，GPT-6 Astra 成本是 Gemini 4 Carbon 的 3.4 倍、Opus 5.5 是 3.9 倍，GPT-6.1 Sol 约为 0.54 倍。来源：Arena 帖文
-
Artificial Analysis 把「每任务耗时」设为核心 API 指标，替代 token 流式速度，覆盖约 1,000 个 serverless 端点、每日多次测试。以后读「模型快不快」，默认口径换成每任务耗时。来源：转述
-
NVIDIA 论文：智能体频繁压缩历史，可在短上下文下几乎不损精度；同时给出 256K 窗口每 token 生成成本是 16K 的 3.6 至 7 倍。来源：转述
-
Grok Bot 新增拨打电话与购物体验：可代订餐厅、约医生、与保险公司周旋；购物侧做比价与订单追踪。来源：官方与负责人帖文
-
Dharma-AI 发布 2B 参数的 Field Extractor：基于 DharmaOCR-LITE v1.1 训 LoRA（43,384 条样本），文档图片直接输出带类型的结构化 JSON，缺失字段返回 null。来源：Hugging Face 页面
-
Unsloth 发布 Qwen3.8-Flash-Next GGUF：厂商称 Dynamic V3.1 在 Terminal Bench、DeepSWE 等高出其他方案 15% 以上（256K 上下文），32GB 以上内存可跑。来源：厂商帖文
-
Suno 支持用 MIDI 起始创作歌曲。来源：官方帖文
-
Perplexity Computer 代投 Meta 广告：厂商称管理 3 万美元支出，带来 3.5 倍收入、ROAS 高 63%。这是厂商口径，无第三方读数。来源：厂商帖文
-
Atmanity 发布实时形象模型 Atmee v2：1 张照片加 10 秒语音生成可视频通话的数字人；宣称比 Seedance 2.5、Wan 3.0 快最多 50 倍、便宜 10 至 100 倍，同为厂商口径。来源：厂商帖文
-
Nexus Mods 强制新上传的 Mod 披露 AI 使用情况：标注为 AI 辅助的还须说明使用方式与范围，AI 标签更醒目。来源：转述
图 10：速览前六条。来源：各条来源见上方列表；本图为自制整理。
图 11：速览后六条。来源：各条来源见上方列表；本图为自制整理。
积木观察
这一批的三条主线，都不是「模型又强了」。
第一条是许可。40 余项数据中心提案被选民按下，得州这类「州级友好」的地方也没能幸免；过去算的是电价、水、地，现在要多算一栏地方投票。
同一周里，微软因为电力公司说要等到 2030 年代初中叶而退出一个英国项目，xAI 则直接上退役喷气发动机——电与票，两头都在收紧。
第二条是计价单位。Arena 给出长程任务的每小时中位成本，10.51 美元到 31.08 美元，换模型能省约三分之二；Artificial Analysis 把「每任务耗时」设为核心指标。两件事指向同一处：账正在从 token 挪到任务。
第三条是验证。Anthropic 那套方案让「你用的到底是哪个模型」变成可证伪的事，代价是 70 到 95 倍的 GPU 时间，而且只对贪心解码成立。CloudOpsBench 则给了云运维一个冷水读数：最强的模型只做完 60%，失败八成出在边界判断。
三条合起来是一个读法：能力之外，还有许可、账单与证据。这三样，比多一个基准分更能决定一件事能不能落地。
图 12：这一批的三条主线。来源：据各条来源公开表述整理；本图为自制整理。
你怎么看
如果你在选一个数据中心的落点：州政策友好、但县市公投有风险，和州政策一般、但社区不反对，你会怎么排这两项的权重？
另一个问题：当一个模型的每小时任务成本可以是另一个的三倍，你还会按「谁分高」来选模型吗？