今天的技术动态有两条硬线索。第一条是跨洲训练，初创公司 Core Automation 把相隔约 9000 英里的两个集群拼成一次训练，两侧分别是 160 张 B300 与 160 张 GB300[① Import AI]。第二条是自动化研究，软件公司百度的 ERNIE Evolve 自己选题、改代码、跑实验，改动要过隐藏评估器与独立评审者两道关才会被保留[② MarkTechPost]。两条线索都指向工程能力的边界，一边是把分散资源拼成一台机器，一边是把判断权交给可复核的流程。对技术团队而言，这比又一轮榜单排名更值得写进设计文档。

主题 1：跨洲训练的分片同步，把地理距离变成调度参数

Core Automation 的做法值得从工程角度拆开。团队跨两个相距约 9000 英里的集群训练了一个混合专家模型，总参数约 320 亿，稀疏度 32 倍，也就是每 32 个参数里只有 1 个参与每次计算[①]。两个集群用的加速器不同，并行方案与总批大小也不同，美国一侧 160 张 B300，亚洲一侧 160 张 GB300。

同步策略是这套做法的核心。整模型不做一次性同步，而是按片段拆开，在每个 50 步窗口内分批完成。这样做的直接效果是通信被摊到多个小窗口，避免整模型级别的长等待。代价是调度器要维护各片段的完成状态，任何一个片段落后都会拖住窗口边界。对做分布式训练的团队，可迁移的一条是把同步粒度做成可配参数，而不是写死在训练脚本里。

下面按公开摘要信息给出流程示意，不含任何具体接口与参数名。

# 以下为根据公开摘要信息对该方案的理解示意
# 具体实现请查阅 Core Automation 官方技术文档
步骤 1：把模型按层或按专家切成若干片段，记录每个片段的参数规模
步骤 2：为每个片段指定主副本所在集群，另一个集群只保留副本
步骤 3：在 50 步窗口内，各片段独立完成前向与反向，不做整模型同步
步骤 4：窗口结束时交换各片段的梯度或参数增量，只交换未完成的部分
步骤 5：检查点——统计各片段在本窗口的等待时长，超过阈值即调整片段切分
步骤 6：训练结束后核对两侧日志的总步数，确认没有片段被静默跳过

⚠️ 以上伪代码为根据公开信息对该技术逻辑的初步理解示意，具体实现请以官方文档为准。

这套方案的隐含前提是链路质量。原文没有给出跨洲链路的带宽与丢包数据，也没有给出片段划分的粒度。缺了这两项，无法判断它能否在普通企业网络里复制。文章另外提到，制约算力部署的瓶颈不是芯片本身，而是电力、电网设备与土地[①]。这句话把分布式训练的经济性说清楚了，把机房连起来的成本，可能低于在同一个地方等电。

还有一个容易被忽略的收益是容错。两个集群各自独立完成片段内的计算，单个机房出问题时，受影响的是片段而不是整次训练。这带来一个新的运维要求，两侧的日志与检查点必须对齐，否则故障定位会退化成猜谜。原文没有说明检查点如何跨集群同步，这一项缺失会直接影响故障恢复时间。

主题 2：TPU 8i Max 走封装密度，TPU 8tx 走机密推理

谷歌在第八代 TPU 产品线中新增了两套系统配置[②]。TPU 8i Max 由两颗 TPU 8i 芯片封装在同一封装体内，面向超大上下文窗口与机架密度。谷歌称，它在同样的机架占用下把芯片数量从 1 颗变成 2 颗，算力、片上缓存与高带宽内存带宽都是单颗的两倍。

另一套是 TPU 8tx。它由 TPU 8t 芯片搭配第五代 AMD EPYC 主机处理器组成，面向安全机密推理，时延最多降到原来的一半[②]。两条路线解决的是不同问题，前者要在既定机架里塞进更多算力，后者要让敏感负载在可信环境里跑。

需要留意的是公布边界。谷歌未公布两者的绝对规格、基准成绩、价格与可用区域。这意味着外部目前无法判断单位算力的成本变化。对采购方来说，能确认的只有形态变化，也就是系统配置而非新芯片。原文用词是新的系统配置，这句话值得读两遍，因为它把预期从新架构拉回到封装与配套。

工程上的含义也明确。提高单机架密度会同时放大供电与散热的要求，这与电力成本上升是同一件事的两面。密度上去了，单机架的功率上限就成了硬约束。谁能在同样的功率预算里跑更多芯片，谁的成本曲线就更好看。

机密推理这条线对应另一类客户。需要处理敏感数据的机构，通常接受更低的吞吐来换取隔离与可审计。TPU 8tx 把时延减半，等于在同样的隔离条件下把可用性往上抬了一档。这条线的竞争点不在峰值算力，而在合规清单能不能一次过。原文没有给出 8tx 支持的机密计算技术细节，也没有给出可用的区域列表，这两项决定了它能不能进入受监管行业的采购目录。

主题 3：自动化研究的双关口，验收成了新的瓶颈

百度的 ERNIE Evolve 是这套流程化思路的一个实例。给定代码仓库、目标与评估标准后，系统自行选择研究方向、修改代码并运行实验。只有通过隐藏评估器与独立评审者检查的改动才会被保留[②]。隐藏评估器看不到题目，只按标准打分。独立评审者看的是方向，判断改动值不值得留。

测试条件分档。NanoChat 与 SOL-ExecBench 使用 1 张英伟达 B200 显卡，Speedrun Track 1 使用 8 张 H100，生产环境测试在昆仑芯 P800 等硬件上进行。系统在 4 项公开指标中有 3 项超过已知最佳公开结果，并通过了 ERNIE-5.5-Flash 的生产环境检查。百度未披露驱动其智能体的语言模型。

同一周的另一件事把瓶颈说得更明白。AI 科学初创公司 Physical Superintelligence（PSI）的研究系统证明了量子复杂性领域的一个长期猜想，运行第三天拿到完整证明，证明助手 Lean 逐步校验并接受[①]。Lean 只回答形式是否正确，不回答这道题值不值得做。两个案例放在一起看，自动化研究已经能解决「怎么做对」，还没解决「做什么值得」。

对搭建内部研究流水线的团队，这两道关口可以直接照搬。第一道用自动评分筛掉明显退化的改动，第二道由人来定方向与取舍。两道关的先后顺序会影响成本，先机器后人工，人工的时间花在少数候选上。

需要提醒的一点是基准的可迁移性。4 项公开指标里有 3 项超过纪录，说明的是这几项指标上的进展，不等于真实业务场景的收益。测试用的是 1 张与 8 张卡的小规模配置，生产环境才验证了可行性。对打算复现的团队，先把评估标准写成可执行脚本，再谈让系统自己改代码，顺序不能反。

主题 4：Aspen 按分支写入，把推送并发从仓库锁里解放出来

Reason Machines 开源了 Aspen，一个面向 AI 智能体流量设计的 Git 服务器[②]。目标场景是数百个智能体同时推送的代码仓库。它用 Rust 写成单个二进制文件，分支元数据存放在 PostgreSQL 或 SQLite 中，打包文件存放在对象存储中，可运行在笔记本、单机 Docker Compose 或 Helm 与 Terraform 云环境上。

关键设计是推送按分支独立写入。不同分支的推送互不等待，拉取时复用已存储的打包文件。团队自报在单台 8 核服务器上持续 5 分钟达到每秒 567 次推送，但向主分支合并的速度约为每秒 4 次[②]。这组数字说明瓶颈位置，写入侧被摊开了，合并侧仍然是串行的。

项目目前处于 pre-alpha 阶段，没有正式发行版与网页界面，也尚未达到 24 小时持久性门槛。对打算接入的团队，这三点决定了它现在只适合做压力测试，不适合承载生产仓库。原文只给了团队自报数据，没有第三方复现记录。

这套设计针对的问题很具体。智能体写代码的特点是并行分支多、生命周期短，传统仓库在分支数量上升后，锁竞争会先于磁盘成为瓶颈。按分支写入把竞争点从全局锁挪到单分支，代价是把合并侧的串行压力暴露出来。每秒 4 次的合并速度意味着，最终合流的环节仍然要人来排期，或者用更细的合并策略来拆。

主题 5：设置文件里的密钥，来自一次「不再询问」

AI 安全研究团队 Apiiro 发现，Claude Code 对设置文件的处理存在疏漏，数千条敏感信息随设置文件进入公开的 GitHub 仓库[③]。其中包括数据库密码、API 令牌与 root 登录凭据。泄露源于自动执行 shell 命令的审批机制，用户选择「是，且不再询问」后，该选择会以规则形式写入本机的 .claude/settings.local.json 文件。

规则本该写成匹配模式，实际却常把命令原文一并写入，敏感信息随之落进文件。AI 公司 Anthropic 在文档中说明，该文件会被加入开发者的全局 .gitignore 列表，通常可以阻止它被公开分享[③]。注意这里的前提，是全局忽略规则已经配置好。

对工程团队来说可执行的动作有两个。一是把本地设置文件纳入提交前检查，命中明文字段就阻断。二是把「不再询问」这类选项从默认流程里移除，让每次自动执行都留一次确认。原文没有披露受影响仓库数量与密钥类型分布，因此无法评估这轮泄漏的实际影响面。

这类问题的修复成本分布很不对称。加一条提交前检查是几十分钟的事，凭据轮换则要按系统逐个过一遍，涉及数据库、API 与主机登录。对智能体密集使用的团队，更现实的做法是把凭据从本地文件挪到短期令牌，让泄漏的收益随时间衰减。原文没有给出 Anthropic 是否会改动默认行为，这一项需要后续跟踪。

趋势判断

第一，算力的成本结构正在从芯片采购转向电力与设备。Anthropic 购入价值 34 亿美元的天然气燃气轮机用于自备电力[④]，记者在弗吉尼亚州阿什本走访后认为反弹焦点是电价与供电[⑤]。两篇文章指向同一结论，密集部署的第一道门槛是电。

第二，自动化研究正在从「能做题」走向「能被验收」。PSI 用 Lean 做形式化校验，百度用隐藏评估器与独立评审者做双关口[①②]。两套机制的共同点是把判断写进流程，而不是依赖某个人的经验。这一条的产业含义是，工具链的价值会分给验收环节，而不只分给模型。

第三，智能体的权限扩张速度快于安全流程的建设速度。Claude Code 的泄漏来自审批机制的设计，而不是模型被攻破[③]。这一项与前面两条不同，它不涉及新增成本，只涉及把流程里的默认值改掉。

结尾

今天的技术新闻里，参数榜的份量在下降，工程约束的份量在上升。电力、封装密度、同步粒度、验收标准，这四项决定了明年的单位产出。接下来值得盯两件事，一是跨洲训练能否在普通链路上复现，二是自动化研究的验收标准会不会变成可审计的行业规范。

【资讯来源】本文综合整理自 Import AI、MarkTechPost、Ars Technica、TechCrunch、MIT Technology Review 等公开信息源。 ① Import AI, 2026年11月09日 21:31 北京时间 / 2026年11月09日 06:31 美西时间，② MarkTechPost, 2026年11月10日 00:31 北京时间 / 11月09日 09:31 美西时间，③ Ars Technica, 2026年11月10日 01:24 北京时间 / 11月09日 10:24 美西时间，④ TechCrunch, 2026年11月10日 00:56 北京时间 / 11月09日 09:56 美西时间，⑤ MIT Technology Review, 2026年11月10日 03:35 北京时间 / 11月09日 12:35 美西时间

【免责声明】 本日报为AI行业每日公开信息汇总整理，仅供读者快速了解行业动态，不构成任何投资建议。所有信息均来源于公开渠道，本账号不对其准确性、完整性和时效性作出任何保证。AI行业技术与政策变化迅速，内容发布后可能发生更新，请以官方最新信息为准。据此作出的任何决策，全部风险自担。

© 2026 林伽一 · AI科技日报

#TPU8iMax #跨洲分布式训练 #自动化研究 #ClaudeCode安全 #稀疏专家模型