10 月 1 日这天，OpenAI 给 ChatGPT 的购物结果加了一颗「试穿」按钮，让用户把搜索到的衣服叠到自己的照片上；Google 正式上线 Gemini Live 的 Guided Vision，摄像头没拍到该拍的位置时，模型会开口让使用者把手机往右移一点；Microsoft 同一天放出三个语音模型，转写在收到音频约一百毫秒后就开始出字，不等说话人把一句话讲完。三条消息指向同一个变化：模型不再只处理交到它手上的那份输入，开始参与决定下一份输入是什么。企业一侧是另一组消息：巴克莱把 Claude Code 铺向半数开发者，Oracle 把推理与确定性计算拆开，AWS 把 OpenAI 的智能体运行时接进自己的身份与审计体系，微软给常驻智能体配上预算上限——常驻智能体要进企业系统，先得过身份、预算和审计这几道口。
第一部分｜今日 AI 观察：常驻智能体进企业系统，先补上身份、预算和审计
OpenAI 让购物结果里多了一颗「试穿」按钮
10 月 1 日，OpenAI 在全球推出两项 ChatGPT 购物功能：虚拟试穿和收藏。服装、配饰类的搜索结果会出现 Try on 按钮，用户上传自拍或全身照，就能把看中的商品叠到自己的参考照片上；也可以直接上传网页截图或某件衣服的图片让它试穿。参考照片可以保存复用，生成基于刚上线不久的 ChatGPT Images 2.5；配套的收藏功能把看中的商品存进应用内的资料库。OpenAI 自己把边界说得清楚：生成图是可视化效果，不代表真实尺码与合身程度，合身与否仍要回到商家的尺寸表。
这个功能的意义不在电商本身。过去商品推荐的输出是一串链接，“穿到我身上会怎样”这一步由用户自己想象；现在生成模型开始承担一种低成本的反事实预演——如果是我穿，大概是什么效果。这套机制未必只属于服装：家具摆进房间、设备放上桌面、外墙换一种材质，都是在做决定之前先生成一个“如果这样做”的体验。值得留意的背景是，OpenAI 此前的即时结账功能表现不佳已经转向，Google 更早一年就做过同类试穿，OpenAI 的差异在于把试穿放进了对话界面，找货、比较、试穿、收藏可以在同一段对话里完成。
Gemini Live 上线 Guided Vision：输入不好时，模型先帮你把输入变好
Google 同一天正式上线 Gemini Live 的 Guided Vision，主要面向盲人和低视力用户。使用者在 Gemini Live 里共享摄像头后可以问“胡椒在哪儿”；如果 Gemini 没看到，它不硬猜，而是给出口头指令：手机慢慢向右转，再向下一点，退后一点让我看到整个架子。新画面进来以后继续判断，直到信息足够。类似的方式可以用来读食品包装小字、认洗衣机旋钮、看昏暗餐厅的菜单、找掉在地上的耳机、判断两件衣服颜色搭不搭。
Google 与视觉辅助服务 Aira 合作，对总计数万小时的真实世界视觉资料做了人工解释，超过 1000 名 Aira Trusted Tester 在日常任务里反复压测，测试与反馈来自印度、巴西、新加坡、印度尼西亚、日本等地。入口也按无障碍场景设计：可以通过 Android 的 Accessibility Shortcut（双指滑动或同时按两个音量键）或 TalkBack 直接进入。官方声明它不是医疗设备、行动辅助工具，也不能用于导航与避障。这是今天最值得展开的一条，第二篇专门拆它。
Microsoft 一口气放出三个语音模型，转写不再等你说完
Microsoft AI 在 10 月 1 日发布 MAI-Transcribe-2-Streaming、MAI-Voice-2.1 和 MAI-Voice-2.1-Flash。转写模型支持 60 种语言和连续语言检测，收到音频约 100 毫秒后就开始产出临时文字，随语境进入不断修正，话一停就提交稳定文本——语音智能体因此可以在一句话说到一半时就开始推理、查数据、准备工具调用。在 Artificial Analysis 的流式榜上，它的最终与临时文本准确率都排在首位，最终词错率 2.5%；微软内部评测称文字出现在转写里的速度是接近对手的两倍。年内引入价为每小时音频 0.54 美元。
语音一侧，MAI-Voice-2.1 支持 23 种语言、26 个地区口音，同一个声音跨语言保持说话者身份；Flash 版面向高并发低延迟场景，生成 45 秒音频的端到端延迟 150 毫秒，定价 15 美元/百万字符。微软把两个模型配成一对的逻辑是：语音智能体是一个“听、理解、决策、说”的循环，每一端省下的时间都可以留给推理和工具调用。相关排名与速度数据来自微软与 Artificial Analysis，与具体业务环境里的表现需要区分。
巴克莱把 Claude Code 铺向半数开发者
Anthropic 在 10 月 1 日宣布与巴克莱银行扩大战略合作。这家英国银行给出的目标相当具体：到 2026 年底，Claude Code 的使用者要达到开发者群体的 50%，2027 年覆盖到多数软件工程师。巴克莱集团联席首席运营官 Craig Bright 的说法是，软件工程和网络安全都在被能力越来越强的 AI 系统重塑，银行正把智能体能力嵌进构建、测试、防护和运维技术的过程中，用 Claude 来改造遗留平台、改善软件质量，让技术专家把时间留给更复杂的难题。
这次发布里更值得看的是两个已跑起来的场景。一个是 Colleague Knowledge Assistant，2025 年上线，用检索增强的方式帮英国零售业务的员工查资料，服务超过两千万零售客户；目前已有一万六千多名同事在用，累计处理超过一百万次检索。另一个在环球市场业务，Claude 模型负责把收到的客户邮件分类、补全信息并判断该走哪条处理路径，让运营同事拿到的请求里已经带着所需要素，这个平台每天处理约十二万封邮件。这两处都不是“把模型接进聊天窗口”，而是把模型放进了已有系统的信息流里：前者接知识库和检索层，后者接邮件队列和路由规则。
一个值得留意的细节是巴克莱对治理的表述。银行说它对 AI 用例施加治理、安全控制与人工监督；Anthropic 首席商务官 Paul Smith 也把“强力安全与监督”当作卖点来强调。在一家高度受监管的金融机构里，决定 Claude Code 能否铺到半数开发者手上的，是银行有没有一套能说明“这个智能体改了什么、谁批准的、出了错怎么回滚”的机制，这与模型写代码的水平关系不大。
Oracle 把推理和确定性计算拆开；另一家公司先把流程重做了一遍
Oracle 在 9 月 29 日发布 Fusion Claw，官方称谓是“受治理的智能体执行运行时”，随 25 个新应用上线，使其智能体应用总数达到 75 个。结构上的关键一句话是：把 AI 推理和确定性企业计算分开。每一次产出都从一个能做推理、规划和调整的前沿模型开始，而高频率的算术、排班、过账等操作交给确定性计算去执行——把智能用在需要智能的地方，复杂的 AI 工作才可能在成本上站得住。治理部分被做成三件套：Enterprise Operating Envelope 在运行前把目标、策略、风险阈值、决策权和升级规则写进去；Outcome Trust Harness 把这些控制施加到每一次执行上；执行结束生成一张 Outcome Receipt，记录用了哪些授权、看了哪些证据、执行了哪些动作。Oracle 没有公布可测量的成本节省或生产性能数据。
同一个思路的一个企业级样本来自一场 Celonis 发布的访谈：一家大型上市软件公司的应付账款流程被驻场工程师拆开重做。公司原以为处理一张发票花 5 美元，实测是 31 美元；重做后流程从 17 步减到 7 步，周期从 24 天降到 6 天，直通率从 18% 升到 87%，单张成本降到 6 美元。方法的核心是把每一步分到四个桶里：纯粹传递等待的删掉，有明确固定规则的交给确定性代码，有足够历史样本又需要判断的交给模型，付款这类高风险的留给人。这组数字全部来自受访者自述，没有独立核验，但“先测真实单位成本、再决定每一步归谁”的做法值得记下来。
云厂商把智能体的运行时和计费一起收进治理面
AWS 与 OpenAI 在 9 月 29 日至 30 日联合推出 Amazon Bedrock Managed Agents，进入公开预览。它不是又一个模型接口，而是 OpenAI Agents API 的一个 AWS 原生版本：由服务来管状态保留、工具调用、代码执行和多步决策；会话把消息、工具调用和中间结果都存下来，人可以中途离开、带着新信息回来、从已完成的进度上继续。真正让它区别于直接调用 OpenAI 的是控制面：每个智能体运行在自己的 IAM 角色下，请求用 SigV4 签名，不需要 OpenAI 的 API key；API 活动写进 CloudTrail；后果较大的动作前可设人工批准。预览期不额外收费，但限制也实在：只有美东（弗吉尼亚北部）、美西（俄勒冈）和美东（俄亥俄）三个区域，仅有 API 没有控制台，输入仅支持文本，还不支持子智能体。
微软在 10 月 1 日更新了 Microsoft 365 Copilot 的管理中心公告，把用量计费设为合格的新购 Copilot Business 席位的默认配置：自动创建所需 Azure 资源并套用支出策略，默认上限每用户每月 4,000 个 Copilot 积分，按实际用量计费；管理员可在管理中心调整限额。配合它的是产品形态变化：重做后的 Copilot 分 Home、Code、Autopilot 三块，Autopilot 是常驻的后台智能体，有独立的企业身份、记忆和权限，微软同时把 FinOps 追踪面板放进管理控制台。两件事合起来看，逻辑是自洽的：常驻智能体可能在没人看着时连续跑几个小时，席位费描述不了它，必须换成用量加预算上限，而防范成本失控的责任明确落到了管理员身上。
从圈住智能体到证明它是谁：NVIDIA 与 DigiCert 补上身份层
NVIDIA 的 Open Agent Safety Platform 本周正式可用，由两部分组成。OpenShell 是一个开源的智能体运行时，默认什么都不允许，对文件、网络、进程、凭证、工具和数据库访问按策略逐项检查，并且把检查放在智能体进程之外执行——即便智能体本身被攻破也改不了这套限制，每一次允许或拒绝都会留下记录。Sentry 跑在 BlueField-4 数据处理单元上，构成主机之外的带外监控与强制通道，官方称可在毫秒级隔离异常智能体。平台已有一百多家机构加入，名单里有 Anthropic、微软、Salesforce、SAP、CrowdStrike、Palantir、Oracle、Scale AI 等；OpenAI 不在其中。
9 月 29 日，DigiCert 宣布为这套平台补上身份层。它的 AI Trust Manager 给每个智能体发一张 AI Passport——一份可移植的、带密码学签名的凭证，证明这个智能体是谁、归谁负责；再用策略化的“visa”规定它能访问哪些系统、数据和动作，以及授权持续多久。护照和权限跟着智能体走，其他组织可以独立验证，不必共用同一套身份系统。边界要说清楚：护照是证明，不是许可，接收方仍要用自己的策略决定放不放行；把这些记录做成签名审计、并对智能体与模型做扫描，DigiCert 自己说是后续工作，没有时间表，也没有部署结果。
两份安全材料给出同一个提醒：缺的不是扫描规则，是没人写下来的业务规则
Microsoft 在 10 月 1 日发布的 2026 数字防御报告称，威胁行为方目前对 AI 的使用仍集中在既有环节的局部——侦察、社会工程、恶意代码与漏洞研究——并未普遍出现完全自主的攻击智能体；但漏洞从被发现到被做成可用工具的中位时间已不足 24 小时，而关键修复可能要 30 到 60 天。报告对企业一侧的提醒是：当智能体能直接连数据、应用和 API，安全边界必须同时考虑它使用的身份、权限、记忆、工具，以及权限能不能被撤回，不能只评估模型本身。
Snyk 同一天的一篇分析给出了一个非常具体的微观版本。让编码智能体“加一个根据发票编号查询发票的接口”，它完全可能正确验证用户已登录、妥善处理不存在的编号、通过静态检查，却忘记验证“这张发票是否属于当前用户所在的组织”。代码没有可疑模式，缺的是一条从来没被写下来的业务规则，扫描器无从报警。Snyk 给的对策很朴素：盘点所有接受对象编号的接口，把每种资源归谁、谁能读写写成明文，把授权列为智能体产出的合并请求里的必查项，再给每种资源补一个跨租户测试。这类访问控制缺陷在 OWASP 2025 版榜单里居于首位，被测应用全都存在某种形式。
AI 写出的研究软件登上预测榜首；两篇论文在另一条线上
一个由公共卫生机构组织的流感住院预测赛季评估在本周公布结果。这一季有 34 支队伍提交了 53 个模型，39 个因提交率达标进入分析；Google 的 Google_SAI-FluEns 在合格模型里排在首位。支撑它的是 Google Research 的 ERA——一个由大模型引导树搜索、自动编写并反复测试改进预测软件的系统，相关论文今年 5 月 19 日发表在《自然》上。更值得记的是评估报告里不那么好看的部分：第一名与第二名只差 0.02，州级排名参差；官方每周对外发布的整合模型只排第七；住院高峰那一周，全部辖区里两周期的预测区间能覆盖真实值的不到四分之一。AI 写出来的预测代码在整季平均表现上赢了，但在真正需要它的转折点上同样没预判到陡升和回落——“平均更准”和“关键时刻有用”仍是两件事。
预印本一侧有两篇值得留意的。TomasuLLM（arXiv:2609.38201）把乱序处理器的思路借给编码智能体：先推测后续会用到的工具调用，放进隔离的写时复制沙箱执行，与已提交状态核对通过后才按原顺序提交结果，在 SWE-bench Verified 等三个基准上取得 1.27 到 1.35 倍加速，四千零一十条被审计的提交校验记录中没有误接受。AgBench（arXiv:2609.38652）用超过 1.62 亿个数据点横评智能体在本地、混合、云三种部署下的成功率、延迟、成本与数据外泄，结论是没有一种架构四个维度同时占优：本地执行消除了云端 API 成本与数据外泄，但成功率更低、耗时更长。
国内简讯
联通软件研究院在 10 月 1 日披露了自研的企业级 AI 工作智能体“通通代理”，作为统一入口连接企业知识、业务系统和专业能力，员工用自然语言提出目标，由 AI 协助规划任务并推进执行。目前覆盖近千名员工、近三万次对话，在客服领域落地十几个取数用数场景；项目组称过去“业务提需求、技术写 SQL”的取数方式改为业务人员自主取数，单次周期从数天缩到半小时。这些数字来自企业自述，无独立核验。
阿里云在近期云栖大会上给出全栈路线：千问 3.8 系列把参数激活量降到约三分之一、训练成本约九分之一、推理价格约四分之一；真武 V900 加速卡量产提前到 2027 年一季度，配套超节点可支持到五十万卡；AI 云在 2027 财年一季度收入 484 亿元、同比增长 45%，百炼 MaaS 年化收入突破 200 亿元。均为公司口径。
第二部分｜每日一个创意 AI 应用深度解析
看不见屏幕的人教会 AI 一件事：输入不好，别硬答，先帮用户把输入变好
今天选的案例没有新模型，也没有跑分。它是 Google 在 10 月 1 日正式上线的一个功能：Gemini Live 的 Guided Vision。表面上看，它只是让 Gemini 在描述环境时多说几句“手机往右一点”；拆开看，它改掉的是视觉 AI 一个长期没人正视的前提。
「拍张照片给我看」是个有前提的交互
视觉 AI 有一种我们已经习以为常的用法：把摄像头对准一个东西，问它是什么。这个用法藏着一个很少被说出来的前提——你得先看得见摄像头拍到了什么。标签只有一半进画面，看得见的人会自己把手机向左移；离瓶子太近导致文字模糊，会退一点；找桌上的钥匙，会不断扫动镜头。也就是说，很多所谓“AI 视觉能力”，实际上把一段关键工作留给了人：人负责把现实世界转换成一张足够好的输入图片。
对盲人和低视力用户，这一步本身就是问题。看不见取景框的人不知道标签有没有拍全、光线够不够、镜头对准的是不是该看的位置。如果系统的行为是“给什么图就答什么图”，那么它给出的答案质量，取决于用户恰好做不到的那件事。
Guided Vision 聪明的地方，是把这段隐藏工作也接了过来。摄像头没拍到正确位置时，Gemini 不硬猜，而是主动指导：慢慢向右转，向下一点，退后一点让我看到整个架子。新画面进来，它继续判断，直到信息足够再回答。读食品包装小字、认洗衣机旋钮、看昏暗餐厅的菜单、找掉在地上的耳机、判断两件衣服颜色搭不搭，都是同一个模式。
真正被重新设计的是“输入”
传统多模态模型被评价的问题是：给这张图，能不能答对。Guided Vision 面对的问题变成了：如果这张图不足以回答，系统能不能帮用户获得下一张更有价值的图。这两个问题差别很大。前一个把感知看成一次函数调用，图片进去、答案出来；后一个更像现实世界里的合作——想象一位工程师通过视频指导现场同事检查设备，看到镜头只拍到机柜上半部，他不会硬着头皮判断故障，而会说：镜头往下一点，停，靠近铭牌让我看型号，现在把右边那个接头也拍进来。这位工程师的价值不只在于看懂画面，还在于知道自己缺什么证据，以及怎样让现场的人把证据找出来。
机器人领域一直必须解决这个问题：机械臂不可能只分析最初一帧画面然后永远不再看。Guided Vision 有意思的地方在于它没有控制机器人，而是把人变成了可协作的传感器执行器——AI 说“向右一点”，人的手移动手机，摄像头获得新数据，AI 重新判断，人和模型共同完成一次感知。这可以被叫作主动感知：系统能通过影响采集动作，间接改变自己接下来看到的数据。
极端用户反向改善通用产品
值得注意的还有这个功能的来路。Google 不是先做一个普通识物功能再加上“无障碍模式”，而是与视觉辅助服务 Aira 合作，对总计数万小时的真实世界视觉资料做人工解释，让超过 1000 名 Aira Trusted Tester 在日常任务里反复压测，测试与反馈来自印度、巴西、新加坡、印度尼西亚、日本等地，Aira 的专家还直接参与安全边界设计。入口也按同一逻辑设计：如果启动视觉辅助要先打开应用、找到按钮、进入某个页面，这套系统从一开始就失败了，所以它接进了 Android 的 Accessibility Shortcut（双指滑动或同时按两个音量键）和 TalkBack。
这是一种典型的“极端用户反向改善通用产品”。无障碍需求逼着开发者回答一串普通产品可以含糊过去的问题：输入失败时怎么办，用户看不到系统当前状态怎么办，什么信息必须主动说出来，操作怎样不依赖视觉界面。这些问题一旦被解决，受益的远不止最初的目标群体——Google 自己也提到，老人、低识字用户、在低光环境里看不清小字的人，都在受益范围里。字幕和语音输入都走过同一条路：先是无障碍工具，后来变成普遍交互方式。
迁移一步：从“看图回答”到“证据采集助手”
把这个原则带进专业工作，会出现一个很实际的方向。假设有人在现场检查一台设备，拍照问 AI“这个安装有没有问题”，现在的大模型最容易做的是根据这一张照片直接回答。Guided Vision 的思路要求的是完全不同的行为：先退后两米让我看到设备和周边的连接关系；现在拍铭牌；把左侧支架放大；找一个能看到固定螺栓的角度。收集完必要证据，才开始判断。这种系统的产品形态不该叫“图片识别器”，更接近证据采集助手。
同一个想法可以延伸到文档场景。AI 读一份扫描合同，发现附件编号跳号，不该直接总结剩余内容，而该指出“这里可能缺第 17 到 20 页，请检查原件”；分析一张表格发现某列口径不清，先追问字段定义，而不是带着错误假设继续算。今天的很多 AI 系统有一个危险的默认倾向：有什么，就分析什么。Guided Vision 的交互提供了另一种默认：先判断现有证据够不够，再决定是回答，还是要求更多证据。
如果再往前走一步，这件事可以变成自动设计：系统针对不同类型的任务，预先维护一张“需要哪些观察才能得出结论”的证据模型，然后边看边决定下一条更要紧的信息是什么。这和医生问诊、工程检查、尽职调查、调试代码是同一个结构——专家不会一次把世界全部观察完，而是根据已经获得的信息决定下一步看哪里。
它现在还不算什么，边界反而值得读
也要把话说全。Google 自己的声明里写得很清楚：Guided Vision 可能犯错，不是医疗设备、行动辅助工具，不得用于导航、安全通行和障碍物检测。独立上手实测还暴露了更具体的局限：有实测者发现描述并不是连续的实时叙述，需要用户主动追问才有更新；也出现过把毛巾颜色认错的情况；拍一张照片会结束整个 Live 会话。目前公开信息主要来自 Google 自身，缺少大规模独立使用数据来判断真实环境中的准确率与稳定性。
但这恰恰让它成为一个好的案例。它没有惊人的基准，也没有复杂的多智能体编排，只是发现一个很具体的问题——对看不见屏幕的人来说，“把摄像头对准它”不是一个合理的前提——然后让 AI 多做了一件事：不只理解用户给它的世界，还帮助用户把世界展示给它。以前是人负责准备输入、AI 负责回答；现在 AI 开始参与决定下一份输入应该是什么。现实世界从来不会提前整理好再等待分析，真正的智能往往从知道“我现在还没看够”开始。
来源与说明
检索截止：2026-10-02 09:50（Asia/Shanghai，v2 追加检索）。以下为本期正文的事实来源，日期为发布或报道日期；公司自述的数据已在正文标明，未取得独立核验的线索已注明待核实。
[1]: ChatGPT can now virtually try on clothes for you —— TechCrunch / 2026-10-01 (https://techcrunch.com/2026/10/01/chatgpt-can-now-virtually-try-on-clothes-for-you/) [2]: OpenAI adds virtual try-ons to ChatGPT’s shopping results（Images 2.5、参考照片保存、不保证尺码合身）—— RuntimeWire / 2026-10-01 (https://runtimewire.com/article/openai-chatgpt-virtual-try-on-shopping) [3]: Guided Vision brings Gemini real-time visual assistance for accessibility（Aira 合作、1000+ Trusted Tester、入口与边界声明）—— Digital Trends / 2026-10-01 (https://www.digitaltrends.com/computing/guided-vision-brings-gemini-real-time-visual-assistance-for-accessibility-one-year-after-apple/) [4]: Guided Vision in Gemini Live: built for accessibility（Google 官方博文全文转载，Isha Sheth）—— The Technology / 2026-10-01 (https://thetechnology.uk/content/go/140948680) [5]: Gemini Live Guided Vision Describes the World on Android（含 Accessible Android 9 月 23 日上手实测局限）—— The Quantum Dispatch / 2026-10-01 (https://thequantumdispatch.com/articles/gemini-live-guided-vision-blind-low-vision-android) [6]: Our first streaming transcription model debuts at no. 1 on Artificial Analysis —— Microsoft AI 官方 / 2026-10-01 (https://microsoft.ai/news/our-first-streaming-transcription-model) [7]: Microsoft Launches MAI-Transcribe-2-Streaming and Two MAI-Voice Models（词错率 2.5%、榜单口径与定价）—— Unite.AI / 2026-10-01 (https://www.unite.ai/microsoft-launches-mai-transcribe-2-streaming-and-two-mai-voice-models) [8]: Barclays scales Claude to upgrade operations and improve client experience —— Anthropic 官方新闻稿 / 2026-10-01 (https://www.anthropic.com/news/barclays-scales-claude) [9]: Barclays Accelerates AI Rollout With Anthropic’s Claude Code —— PYMNTS / 2026-10-01 (https://www.pymnts.com/news/artificial-intelligence/2026/barclays-accelerates-ai-rollout-with-anthropic-claude-code) [10]: Oracle Fusion Claw takes AI into complex enterprise work —— DQChannels / 2026-09-30 (https://www.dqchannels.com/news/oracle-fusion-claw-moves-ai-from-help-to-execution-12592902) [11]: Oracle Fusion Claw: From AI Assistance to Governed Autonomous Execution（9 月 29 日发布日期与 Outcome Receipt 机制）—— Futurum Group / 2026-09-30 (https://futurumgroup.com/insights/oracle-fusion-claw-from-ai-assistance-to-governed-autonomous-execution/) [12]: Amazon Bedrock Managed Agents, powered by OpenAI, is now available in preview —— AWS 公告转载（aws-news.com）/ 2026-09-30 (https://aws-news.com/article/2026-09-30-amazon-bedrock-managed-agents-powered-by-openai-is-now-available-in-preview) [13]: Bedrock Managed Agents 2026: how it works, limits, and real costs（公开预览日期、三区域、仅文本、无子智能体）—— eesel AI / 2026-10-01 (https://www.eesel.ai/blog/bedrock-managed-agents) [14]: MC1476200: Microsoft 365 Copilot Business 默认启用用量计费（4,000 积分上限、市场例外清单）—— Modern Workspace Pro（转微软消息中心，2026-10-01 更新）/ 2026-10-01 (https://mwpro.co.uk/blog/2026/10/01/mc1476200-microsoft-365-copilot-business-adds-default-usage-based-billing-for-easier-ai-access) [15]: Microsoft overhauls Copilot into an autonomous ‘Business Operating System’（Home／Code／Autopilot 三块与 FinOps 面板）—— Tech News Hub / 2026-10-01 (https://www.technewshub.co.uk/post/microsoft-overhauls-copilot-into-an-autonomous-business-operating-system) [16]: NVIDIA Launches Open Agent Safety Platform to Secure Agents From Testing to Deployment —— adtechtodayme（NVIDIA 新闻稿转载）/ 2026-10-01 (https://adtechtodayme.com/nvidia-launches-open-agent-safety-platform-to-secure-agents-from-testing-to-deployment) [17]: NVIDIA Launches Open Agent Safety Platform to Secure Autonomous AI Agents（100+ 机构、OpenAI 未在名单）—— secnews.in / 2026-10-01 (https://secnews.in/article/article-nvidia-open-agent-safety-platform) [18]: DigiCert Supports NVIDIA Open Agent Safety Platform with Verifiable Identity for Agents（AI Passport、visa、kill switch）—— DigiCert 官方新闻稿 / 2026-09-29 (https://www.digicert.com/news/digicert-supports-nvidia-open-agent-safety-platform) [19]: DigiCert Adds Verifiable AI Agent Identity to NVIDIA’s Safety Platform（签名审计属后续工作）—— Superpower Daily / 2026-09-30 (https://superpowerdaily.com/posts/digicert-adds-verifiable-ai-agent-identity-to-nvidia-s-safety-platform) [20]: Insights from the 2026 Microsoft Digital Defense Report（微软官方博文全文转载：威胁方对 AI 的使用仍处局部、智能体的身份与权限边界）—— Enigma Global / 2026-10-01 (https://www.enigma-global.com/preview/news/43262) [21]: Microsoft Warns Attackers Are Reaping AI Benefits Faster Than Defenders（不足 24 小时的中位时间、30—60 天修复周期）—— secnews.in / 2026-10-01 (https://secnews.in/article/article-microsoft-2026-digital-defense-report-ai-offense-advantage) [22]: Why AI Coding Agents Keep Writing Broken Access Control（发票接口案例、五步对策、OWASP 2025 口径）—— Snyk 官方博客 / 2026-10-01 (https://snyk.io/blog/ai-coding-agents-broken-access-control/) [23]: Google AI Model Tops CDC Evaluation of Flu Hospitalization Forecasts（39 个合格模型、峰值周覆盖不足）—— Unite.AI / 2026-10-01 (https://www.unite.ai/google-ai-model-tops-cdc-evaluation-of-flu-hospitalization-forecasts/) [24]: Google Says Its AI-Built Flu Forecast Led 39 Models in CDC Season Evaluation（第一名差距 0.02、州级排名参差）—— Superpower Daily / 2026-10-01 (https://superpowerdaily.com/posts/google-says-its-ai-built-flu-forecast-led-39-models-in-cdc-season-evaluation) [25]: TomasuLLM: Out-of-Order Speculative Execution for LLM Agents —— arXiv:2609.38201 / 2026-09-22 提交，2026-10-01 进入当日论文流 (https://arxiv.org/abs/2609.38201) [26]: AgBench: Agentic AI Benchmarks for Personal AI Devices —— arXiv:2609.38652 / 2026-10-01 (https://arxiv.org/abs/2609.38652) [27]: 联通软研院打造企业级 AI 工作智能体 —— 新浪财经 / 2026-10-01（企业自述，无独立核验）(https://finance.sina.com.cn/roll/2026-10-01/doc-initsyaf5318918.shtml) [28]: 阿里云栖大会：千问模型与真武芯片双轮驱动 —— 中财网 / 2026-10-01（公司口径）(https://cfi.net.cn/p20261001000040.html) [29]: AI is not a coat of paint: Why Enterprise AI success requires a process-centric approach（Vas Moza 访谈，页面未标注发布日期）—— Celonis / 2026-10-02 检索 (https://www.celonis.com/news/article/ai-is-not-a-coat-of-paint-why-enterprise-ai-success-requires-a-process-centric-approach)