ARTICLE · 1272930
AI 日报 10/29|微软一个季度从 OpenAI 收了 100 亿美元,有人把一颗 CPU 塞进了 Qwen
导读
昨晚美股财报季，AI 的钱终于摊在了桌面上。
微软在监管文件里写明：一个季度，从 OpenAI 相关的生意里拿到 100 亿美元，差不多占总营收的 11%。顺手还第一次公布了 Azure 的美元收入。Google 那边，搜索增速掉到 12%，于是决定把 AI 回答里的广告推向全球。
苹果的触屏 MacBook Pro 正式登场，顶配逼近 1.5 万美元。还有个 HN 上的神仙项目：有人没训练一步，直接把一颗 RISC-V CPU「编译」进了 Qwen 3.5 的权重里。
GitHub 说每月合并的 PR 翻了三倍，Stack Overflow 却被晒出月提问跌破 1000。
今天挑了 5 条新闻，还有两篇论文，一起看看。
一、今日值得关注的 5 件事
1. 微软季报：OpenAI 一个季度贡献 100 亿美元，Azure 第一次报出真实收入
来源：TechCrunch链接：https://techcrunch.com/2026/10/28/microsoft-recorded-10-billion-in-revenue-from-openai/
微软 9 月底结束的这个季度（它的 2027 财年第一季度），总营收 923 亿美元。监管文件里写着：其中100 亿美元来自和 OpenAI 的商业安排，包括收入分成。
接近 11%。
再看几个数：上一个完整财年（FY2026），OpenAI 相关收入是 241 亿美元；按这个季度的节奏，一年能到 400 亿。OpenAI 还欠着微软 72 亿美元应收账款，比 6 月底的 60 亿又多了。微软对 OpenAI 的持股则从约 25% 小幅降到 24%。
这 100 亿里多少是分成、多少是 Azure 算力，微软没拆。外界流传的「OpenAI 把 20% 收入分给微软」，双方都没公开确认过。
同一天，TechCrunch 还有一篇：微软第一次公布 Azure 的美元收入。答案是 332 亿美元，同比涨 48%，比分析师预期多出约 8.5 亿，占微软营收大约 36%。同期 Google Cloud 是 307 亿，规模略小，但增速差不多是 Azure 的两倍。
昨天我们聊了亚马逊在 Anthropic 身上的账，今天轮到微软。两家云厂商、两家模型公司，钱基本是同一个闭环：投钱进去，算力账单再收回来。
对开发者来说，这意味着「选哪家模型」和「绑哪朵云」越来越像同一个决定。做技术选型时，把迁移成本算进去。
2. Google 搜索增速掉到 12%，AI 回答里的广告要推向全球了
来源：TechCrunch链接：https://techcrunch.com/2026/10/28/google-expands-ai-search-ads-globally-as-core-ad-growth-slows/
Alphabet 第三季度营收 1276 亿美元，涨 25%，看着挺好。但搜索收入只涨了 12%——二季度是 17%，一季度是 19%，一路往下走。财报一出，股价跌了 8%。
Google 的应对很直接：AI Overviews 和 AI Mode 里的广告，第一次走出美国，推向国际市场；美国本土还会上「多轮对话广告」。
首席商务官 Schindler 在电话会上说，AI Mode 里赞助商品的点击率已经和自然结果差不多。Pichai 补了几个数：AI Mode 的查询平均长度是传统搜索的 3 倍，五分之一带语音、图片或文档。
翻译一下：你在 AI 模式里问得越细，Google 越知道该给你推什么。
同一天 Chrome 还宣布，AI 自动填表可以去翻你的 Gmail，帮你填航班号、订单号、地址甚至卡号（TechCrunch）。需要在设置里手动开启，先面向美国用户。
对普通用户：以后 AI 回答里哪句是建议、哪句是广告，得多看一眼标注。对做内容站和电商的：流量入口正在从「十条蓝色链接」挪进 AI 回答框，投放和 SEO 的玩法都得重新试。
3. 苹果触屏 MacBook Pro 来了，顶配 14549 美元
来源：TechCrunch链接：https://techcrunch.com/2026/10/28/apples-touchscreen-macbook-pro-pushes-laptop-pricing-to-a-new-extreme/
Touch Bar 砍掉几年之后，苹果终于给 MacBook Pro 上了真正的触摸屏。
起价 2899 美元。拉满配置呢？据 MacRumors 扒的官网配置器，14 寸顶配 14249 美元，16 寸 14549 美元，用的是 M5 Max（18 核 CPU、40 核 GPU）。
加价项看得人眼皮直跳：16TB 固态加 7000 美元，128GB 内存加 2000。上一代 16 寸顶配是 10149 美元，这一代直接抬了 4400。
TechCrunch 把一部分锅甩给了内存短缺，以及 AI 对硬件的胃口。AI 抢内存，最后买单的可能是买电脑的你。
10 月 30 日开放预购，11 月 6 日发售。
开发者那边，苹果同步上线了Get Ready for Touch on Mac页面：Xcode 27.3 beta、触控设计与适配视频，11 月 18、19 日还有线上答疑。做 Mac App 的，按钮尺寸、手势、拖拽，该排进下个迭代了。
4. 不训练，直接编译：有人把一颗 RISC-V CPU 塞进了 Qwen 3.5
来源：Hacker News / 作者博客链接：https://divagr.com/blog/qwenputer
这个项目叫 Qwenputer，今天在 HN 首页挺火。
作者拿了一个原版 Qwen 3.5 4B，在它前面加了 11 层「电脑」：一颗 32 位 RISC-V CPU（RV32IM），能跑算术、C 和 MicroPython。没有外部工具，没有沙箱，全在模型的前向计算里跑完。
关键招数是 Qwen 3.5 里的 Gated DeltaNet。它是一种线性 RNN，四层注意力里有三层用它，可以简单理解为「每个头自带一块固定大小的记事板」。作者把门控和写入强度都设成 1，再用独热编码当地址，这块记事板就变成了能精确读写的 RAM。
然后，权重不是训出来的，是编译器一个个设定好的。
作者自述的结果：通过官方 riscv-tests，连跑 1800 万条指令零错误；长整数运算准确率从 48.6% 拉到 100%，和给 Qwen 接 Python 工具一样；对拍约 23 万个输出位置，零误差。正常聊天几乎不受影响。他还顺手塞了个「文件系统」，能跨对话记东西。
代价也写得很老实：检查点 18.8GB，差不多是原版两倍；每条 CPU 指令要解码好几个 token，大计算要几秒；还得配一个叫 RvChat 的小驱动。
以上都是作者自己的测试，目前没看到第三方复现。
好玩之外，这件事对安全研究有点意思：作者另写了两篇，一篇讲混合架构模型能把推理「藏」进 RNN 状态、躲开思维链监控，另一篇讲用编译进去的权重做模型自己关不掉的监控器。代码和模型都开源，24GB 显卡就能跑。
5. GitHub 每月合并 PR 翻三倍，Stack Overflow 却被晒出月提问不到 1000
来源：Simon Willison / Hacker News链接：https://simonwillison.net/2026/Oct/28/github-octoverse-2026/
GitHub Universe 上发布了今年的 Octoverse 报告。Simon Willison 在现场记下了几个数：
每月合并的 PR，不到一年翻了三倍，到 2.2 亿； 每月 commit 超过三倍，到 73.8 亿，增量大多在下半年； 每月新建仓库翻倍，到 3030 万。
Simon 的说法是：这是 agentic engineering（让 agent 替你写代码、提 PR）对 GitHub 最直观的冲击。
同一天，HN 上另一个帖子标题是「Stack Overflow 现在每月收到的提问不到 1000 个」，链接到一张 Stack Exchange Data Explorer 的查询图。这张图我这边被 Cloudflare 拦住了，没法自己核对查询口径，这个数字先当作 HN 帖子的说法看。
评论区也没有一边倒骂 AI。有人说 SO 的提问量 2013 年就见顶了，早在 ChatGPT 之前就在走下坡；有人说项目相关的问题早就搬去了 GitHub Issues；也有人担心：没人提新问题，AI 以后拿什么学。
一边是代码量暴涨，一边是问答社区冷清。写代码的人没变少，问问题的地方换了。
二、最近两篇有意思的论文
1. GEPA-Curator：agent 的失败，不是每次都值得学
来源：arXiv cs.CL链接：https://arxiv.org/abs/2610.37651
预印本，还没同行评审。
GEPA 这类「反思式提示词优化」的思路是：让 agent 跑任务，从失败里总结经验，改写提示词。问题是 agent 失败的原因很杂——可能是提示词不好，也可能是框架限制、运行时抽风，或者打分的裁判本身就不靠谱。
论文认为，后几种失败学了没用，甚至有害。于是加了两步：先把可能给出噪声信号的任务筛掉，再把这个任务过去成功过的轨迹找出来，一起喂给优化器。
在 GoBrowse、ALFWorld、AppWorld、τ-bench 上测，优化器用 Gemini 3.1 Pro 和 Claude Opus 5，平均表现持平或超过基线，相对 GEPA 最高提升 20.7%，相对 ACE 最高 21.2%。注意是「最高」，不是平均。
谁该看：在做 agent 自动调提示词、或者拿失败日志做迭代的人。最直接的启发是：先给失败分个类，再决定学不学。
2. 改掉物理定律，让 AI 自己去发现：12 个模型只有 1 个找到
来源：arXiv cs.AI / cs.CL链接：https://arxiv.org/abs/2610.37649
同样是预印本。
研究者搭了个叫 LongChang 的自动化框架：生成一批「物理定律被改过」的模拟世界，比如重的东西反而掉得慢。被测模型扮演探索者，可以摆弄物体、造工具做实验，但没人告诉它要研究什么，也不给提示。
结果挺冷：12 个模型里，只有 GPT-6-Astra 的发现率是 16.7%，其余 11 个都是 0。探索记录显示，很多异常现象模型压根没去查，查了的也只摸到一部分规律。
局限也要说：出场景、审工具、判报告的都是 LLM agent，裁判本身的可靠性会影响结论。
谁该看：对「AI 科学家」「自动科研」感兴趣的人。它测的不是会不会解题，而是会不会自己发现「这里不对劲」——这一步现在还很弱。
三、今天有什么值得动手的？
第一，有 24GB 显卡的，去玩 Qwenputer。照 README 拉下模型，让它算一个大数乘法，再对比给模型接 Python 工具的效果。顺便读读作者那篇「推理藏进 RNN 状态」的文章，做模型监控的会有收获。
第二，做 Mac App 的，打开 Touch on Mac 页面。下 Xcode 27.3 beta，先查三件事：点击区域够不够大、hover 才出现的按钮在触屏上怎么办、拖拽能不能用手指完成。
第三，做 agent 的，给失败日志分个类。参考 GEPA-Curator 的思路，把「提示词问题」「环境抽风」「裁判误判」分开，别让后两种污染你的提示词迭代。
第四，算算你的「云 + 模型」绑定成本。微软和 OpenAI、亚马逊和 Anthropic 的账都摆出来了。如果你的产品只接一家模型 API，至少留一层抽象，换供应商时不用重写。
第五，做内容站或电商的，盯一下 AI 搜索流量。Google 的 AI 广告要出海了，看看后台里来自 AI Overviews 的点击有没有变化。
四、今日聊聊：遇到写代码的问题，你现在先问谁？
GitHub 说 PR 翻了三倍，HN 上有人晒 Stack Overflow 月提问跌到不足 1000。评论区有人怪 AI，也有人说 SO 自己早就不行了。
不管原因是什么，程序员找答案的路径确实变了。
我想问一个具体的：
最近一次写代码卡住，你第一反应是去哪儿？
A. 直接问 AI。ChatGPT、Claude、Copilot 之类，先问了再说。
B. 搜索引擎 + Stack Overflow / 官方文档。老办法，AI 的答案我不太放心。
C. 去 GitHub Issues、社区群或者直接问同事。具体项目的坑，还是得问踩过的人。
欢迎在评论区回 A / B / C，也可以说说你上一次被 AI 答案坑了是什么情况。
今天就到这里。
这里是矩阵旅人，每天一起看看互联网又整了什么新活。
明天见。
