OpenAI 开源了 Codex Security Codex Security 是一个命令行工具（CLI）加 TypeScript 开发工具包（SDK），用 AI 自动扫描代码仓库里的安全漏洞。它能找到问题、验证问题是否真实存在，还能生成修复补丁。 这个工具之前一直以 Codex 插件的形式存在，但是闭源的。 六月底就有人在 GitHub 上开了 issue 要求开源，理由是安全不该被藏着。现在 OpenAI 把它拆成了独立项目，以 Apache-2.0 协议开源，项目地址： Codex 插件版和独立版有什么区别？ 插件适合在你的 Codex 项目中，直接调用插件做安全扫描。 独立版是给安全团队用的，能批量扫整个组织的所有仓库，支持历史记录、扫描结果去重、误报追踪，还能接进 CI 流水线。 技术细节方面，默认使用 gpt-5.6-sol 模型做高推理强度扫描，需要 Node.js 22+ 和 Python 3.10+，支持 macOS、Linux 和 Windows。扫描结果可以导出为 SARIF、CSV 或 JSON 格式。还有个 install-hook 命令，可以在每次 git commit 前自动扫描改动过的代码，发现高危问题直接拦住提交。 在公开测试阶段，Codex Security 扫描了超过 120 万次提交（commit），在 OpenSSH、GnuTLS、PHP、Chromium 等开源项目中发现了 792 个严重漏洞和 10561 个高危漏洞。有第三方测试对比过，在 16.2 万行生产代码上，Codex Security 的真阳性率是 74%，Snyk 是 28%，Semgrep 是 20%。OpenAI 开源了 Codex Security

🧿 英伟达刚开源了 OpenShell，专门给到处乱跑的 AI agent 套一层缰绳，让它碰得到文件和网络，又越不过界。 今年 2 月才建的仓库，现在已经 1 万 star、1300 多个 fork，四百多个 issue 还开着，说明是真有人在拿它跑。 放 agent 进真实环境干活，最怕的就是那一秒的犹豫：它会不会把不该删的目录删了？会不会把密钥顺手打进日志？以前的办法要么是加一堆提示词求它别乱来，要么干脆只给只读权限，结果什么活也干不成。 OpenShell 换了个位置解决这件事：每个 agent 跑在自己的隔离沙箱里，文件访问、系统调用、网络连接每一次都在内核层面按你写的策略过一遍。凭证 agent 根本摸不到，是 OpenShell 在往已批准的地址发请求时才给加上的。改策略也不用提心吊胆，生效前先做一次形式化验证，把这次改动新放开的口子标出来给你看，比如它现在能连一台新主机了。Python、TypeScript、Go、Rust 四种 SDK 都有，Linux 和 Apple 芯片的 Mac 都能跑，Windows 走 WSL 2 还是实验性的。 给 agent 权限这件事，以前靠信任，现在靠内核。 GitHub：

英伟达 CEO 黄仁勋宣布，与 100 多家行业合作伙伴共同推出 NVIDIA Open Agent Safety Platform，整合 OpenShell 与 Sentry，旨在为 AI Agent 系统建立开放的安全基础设施和“信任层”。Bitdeer 联合创始人吴忌寒随后表示，Bitdeer AI 正与英伟达合作参与该平台建设，重点围绕 Agentic AI 的安全基础设施展开。

让 Agent 自己装包、调接口、读文件，效率是上来了，可一想到它手里拿着 API Key、能访问整台电脑，心里总有点发毛。 英伟达开源的 OpenShell 专门管这件事，给 Agent 一个安全、私密的运行环境，已经有 1.3 万多 Star 了。 每个 Agent 跑在独立的沙箱里，能碰哪些文件、能连哪些地址，都由一份规则说了算，每个联网请求出沙箱前都要过一遍检查。 我觉得最巧的是密钥的处理，Agent 自始至终看不到真实的 Key，只有发往批准地址的请求，才会被加上凭证。 GitHub： 想给 Agent 放宽权限时，它会先用数学方法验证一遍新规则会多放出哪些访问，比如带着凭证连一个新网站，这类改动要等人确认。 支持 Linux 和 Apple 芯片的 Mac，Windows 可以通过 WSL 2 试用。还给编码 Agent 准备了现成的 Skill，让它自己学会写沙箱规则。

这两天小孩学高精度计算学了好几天了，我有点怀疑，现在 6020 年了，学这东西干嘛？首先应用非常窄，99% 程序员一辈子用不到，搞科研用高精度可以直接用 python 或者 libgmp/openssl，其次他们学的高精度基本上都是淘汰几百年的弱智写法了，真正能用的高性能写法完全不是他们那种，感觉就为了考试学的

黃仁勳：十年把 AI 效能提升 100 萬倍！｜GTC 柏林 2026 主題演講 2026.10.21 概述NVIDIA 创始人兼 CEO 黄仁勋在柏林 GTC 发表主题演讲。他回顾了 NVIDIA 在欧洲 33 年的发展，提出 AI 是一个“五层蛋糕”式的新制造业，并发布了 Vera Rubin 全栈 AI 工厂、DSX Pod、OpenShell 安全运行时、Hyperion 自动驾驶生态扩展、Agile ONE 参考机器人和 RTX Spark 个人 AI 电脑。 = 》他的判断是：每家欧洲企业都会成为 AI 公司。 核心要点AI 是新的工业革命：AI 是“生产智能的制造业”，按五层结构理解：能源 → 计算 → AI 工厂 → 模型 → 应用。 Vera Rubin 已全面量产：100% 液冷，无线缆，单节点组装时间从 Grace Blackwell 的 2 小时降到 5 分钟以内；性能约为 Blackwell 的 30 倍。 过去 10 年 AI 性能累计提升约 100 万倍，同期摩尔定律只能带来约 100 倍。 DSX Pod：把 NVL72 机架在供应链内完成集成、测试并装入集装箱交付，现场部署从约 4–5 个月缩短到约 1 个月。智能体五要素：模型、Harness（“外骨骼”）、沙箱（OpenShell）、知识、工具。 OpenShell + Sentry：开源（Apache 2.0）的智能体安全运行时，策略在智能体外部执行；Sentry 运行在 BlueField-4 上，提供硬件级隔离监控。 物理 AI：覆盖电信 AI-RAN、自适应放疗、Robotaxi（Hyperion）和人形机器人，需要“三台计算机”：训练、数字孪生、机器人端。 RTX Spark：与微软合作 4 年，搭载 N1X 芯片，提供 1 PFLOPS 算力和 128GB 内存，规格相当于 2016 年交付给 OpenAI 的 DGX-1。 NVIDIA 与欧洲：早期芯片 NV1、NV2、NV3（RIVA 128）都在欧洲制造：合作伙伴 SGS-Thomson，在法国 Crolles 生产，在马耳他封装。 早期最大客户是 Medion；ELSA 于 2000 年把 NVIDIA 带入工作站市场；2005 年进入 Audi 车内；2020 年与 Mercedes 合作自动驾驶。过去一年在欧洲投资近 100 亿美元，本周宣布投资 14 家初创公司，欧洲合作伙伴超过 12,000 家。 合作的欧洲企业包括 L'Oréal、Revolut、Spotify、Merck、Vodafone、Zara、Porsche、Nestlé、HSBC 等。 AI 五层蛋糕与基础设施，每一层都在增长：能源层（Schneider、Siemens Energy）、计算层（NVIDIA）、AI 工厂层（Nebius、Firebird、Cassava）、模型层、应用层（AI 原生初创公司）。预测全球约 10 万个电信站点、约 100GW 的分布式基站和数据中心，未来会演变为分布式 AI 网络。 模型层不只有语言模型，还包括生物、化学、物理、机器人动作、动画等多种模态。1GW AI 工厂造价约 500 亿美元；如果年收入按 400 亿美元计，延迟 3 个月约损失 100 亿美元收入。 全栈 AI 工厂平台硬件：Vera Rubin GPU、NVLink 交换机（72 颗 GPU 连成一个巨型 GPU，每颗 20 PFLOPS）、Vera CPU（每时钟 8 条指令，首个 LPDDR 内存系统）、BlueField-4、Spectrum-X 以太网（使 NVIDIA 成为全球最大的网络公司）、Groq 3 解码加速器。 Spectrum-X CPO：全球首款量产的共封装光学交换机，512 端口 × 200Gb/s，采用与 TSMC 合作的 COUPE 工艺。软件：AI 工厂系统软件、350 多个 CUDA-X 库（cuDNN 被比作“AI 界的 SQL”），以及多领域模型。 架构演进：Pascal（DGX-1，2016 年交付 OpenAI）→ Volta → Ampere → Hopper → Blackwell（首个机架级计算）→ Vera Rubin（处理整个智能体）。DSX 参考架构：PTC、Dassault Systèmes、Schneider Electric、Jacobs、Siemens、Procore 参与数字孪生设计；DSX Max-Q 节省 30% 电力；冷却液温度最高 45°C，采用干式冷却；2GW 规模下每天可节水 5,400 万升，相当于 18 万户家庭的日用水量。 NVIDIA 的两大差异化：通用加速计算架构（CUDA，保持一致约 25 年），以及 全栈 AI 工厂交付能力。架构“可互换（fungible）、耐用、高生产力”，可服务 CSP、新云、OEM/ODM、AI 实验室和各行业终端市场。 智能体与安全OpenClaw 开启了开源智能体浪潮，token 消耗和 GPU 需求随之激增。OpenShell 在系统调用、文件访问、网络连接三个粒度上执行策略。形式化验证保证权限不超出上限；密钥由 supervisor 保管；Sentry 可在毫秒级隔离异常智能体，并留下防篡改记录。安装只需两条命令。 前沿实验室、操作系统、网络安全和平台公司纷纷采用；Anthropic 与 NVIDIA 合作打造 Claude OpenShell 智能体。可用的 Harness 包括 OpenClaw、Hermes、OpenHands、LangChain Deep Agents，或直接用 Python 编写。 开放模型、知识与工具开放模型家族：Nemotron（语言）、Cosmos（世界基础模型）、GR00T（人形机器人）、Alpamayo（自动驾驶）、Ising（量子-经典计算）、Earth-2（物理 AI）。同时开放权重、数据和训练脚本。客户案例：AI21 与 Alice、Baseten 与 CodeRabbit、Trajectory 与 Harvey、Scale 与 Skydance、Palantir 与 Tampa General Hospital，通过后训练达到前沿水平。 知识基础：Nemotron Parse、Embed、Rerank（排行榜领先），以及用 Kumo 对结构化数据做预测（例如预测供应短缺）。 CUDA-X 工具相比 CPU 可加速 10–100 倍。 案例： - Lila Sciences：B 细胞淋巴瘤疗法设计，使用 BioNeMo。 - Siemens Erlangen 工厂：使用 Cosmos 和 Omniverse。 - Dassault Systèmes：把 Golf 车门设计改到 Tiguan 上，使用 ENOVIA、CATIA、SIMULIA。 观点：AI 不会终结软件或工具公司，工具公司会变成智能体公司。 物理 AI电信：与 Nokia 在 T-Mobile 网络上完成首个商用通话，历时近 8 年。自适应放疗：被视为一种机器人手术。Hyperion：标准传感器套件包括 14 个摄像头、9 个雷达、3 个激光雷达，由双 NVIDIA GPU 驱动。 新增 VW 厢式车、JLR、Volvo、Mercedes 下一代车型；全球每年行驶约 1 万亿英里。人形机器人：标准化形态能带动技术飞轮，欧洲在机电一体化方面有优势。 Agile ONE 参考机器人与 Agile Robots 合作，预计明年第一季度推出。 RTX Spark 与演示： RTX Spark 系列包括台式机、笔记本和工作站；DGX Station for Windows 提供 20 PFLOPS 和 754GB 内存，预计今年底上市。构建智能体的方式是“让智能体帮你构建智能体”。 演示中，Hugging Face/Pollen Robotics 的 Micro Duck 机器人由 Hermes、Nemotron 和 GPT-6 Astra 驱动，借助 FreeCAD、Blender、Isaac Sim/Lab 和 Newton 完成建模、云端并行训练、本地验证和真机部署。 关键结论AI 工厂正在从“运行模型”转向“运行完整智能体”。欧洲应成为 AI 的生产者而非消费者，每家公司都将成为 AI 公司。 行动方向：使用开放模型结合自有数据进行后训练，以 OpenShell 保证安全，借助 DSX Pod 加速 AI 工厂部署，并抓住物理 AI 和人形机器人的机遇。 $NVDA