{"source":{"id":"mb-20260823-07e9ec","title":"AT&T 刚交出了一份反直觉的算力账本","url":"https://mubeitech.com/p/mb-20260823-07e9ec"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"2079256614238814551","account":"mubei","brand":"@mubei","title":"AI写代码的胜负，开始变成模型编队的成本问题。 干完全一样的事，账单能差出15倍。 看看这个极端的测试。 任务是丢给AI…","summary":"AI写代码的胜负，开始变成模型编队的成本问题。 干完全一样的事，账单能差出15倍。 看看这个极端的测试。 任务是丢给AI智能体团队一本835页的手册。 让它们从头开始，用Rust语言把SQLite数据库重写一遍。 代码交出来，100%通过了保留测试集，完美复刻。 活儿干得都挺好，…","body":"AI写代码的胜负，开始变成模型编队的成本问题。\n干完全一样的事，账单能差出15倍。\n\n看看这个极端的测试。\n任务是丢给AI智能体团队一本835页的手册。\n让它们从头开始，用Rust语言把SQLite数据库重写一遍。\n代码交出来，100%通过了保留测试集，完美复刻。\n\n活儿干得都挺好，但一结账，差距惊人。\n全靠单体大模型硬刚的，账单直接上天。\nFable 5花了两万多美元，GPT 5.5也花了一万多。\n但如果换个玩法，用Opus 4.8搭配Composer 2.5呢？\n只要1339美元。\n\n为什么差这么多？\n秘密就在于分工。\n把任务拆成“规划者”和“打工人”。\n让顶级模型出脑力做规划，让性价比高的模型当码农干苦力。\n同样的代码质量，成本直接砍掉九成。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2079394892363489533","translated_status_id":"2079394892363489533","published_at":"2026-07-21 00:06:30","created_at":"2026-07-21T02:01:32+02:00","url":"https://mubeitech.com/p/2079256614238814551","markdown_url":"https://mubeitech.com/p/2079256614238814551/markdown"},{"rank":2,"id":"mb-20260822-552b58","account":"mubei","brand":"","title":"微软两位工程师在开源代码库做了一组基准测试","summary":"微软两位工程师在开源代码库做了一组基准测试","body":"微软两位工程师在开源代码库做了一组基准测试。\n他们把一套新的策略控制面打开，智能体的平均账单降了 78%。\n但真正反常识的不是省钱。\n是任务完成率从 67% 飙升到了 96%。\n\n按常理，省 Token 最直接的手段就是限流和硬截断。\n钱省下来了，任务往往也直接被掐死了。\n为什么账单砍掉将近八成，跑完的任务反而变多了？\n\n因为他们搭的根本不是闸门。\n他们造了一台运行时的控制面。\n\n软件历史上，每个时代都会长出自己的控制面。\nSaaS 时代有调用额度。\n云计算时代有弹性伸缩策略。\n到了智能体时代，代码调用大模型的边界上，一直是一片空白。\n现有的 API 网关只能做一件事：一旦超标，直接熔断。\n这叫粗暴止损。\n\n微软工程师 Tisha Chawla 和 Susheem Koul 把干预动作拆成了两种：熔断与调舵。\n熔断是跳闸，任务当场终止。\n调舵才是核心。\n他们在代码层埋了一个速率守卫。\n这套机制不仅看预算消耗了多少，更在实时计算消耗的速度。\n一旦预测到当前轮次可能超支，它不杀进程。\n它在下一次调用时，动态注入指令让输出保持精简，或者切换低成本路径。\n智能体被压缩了废话，但手里的活没停。\n\n智能体在生产环境里的失控，很少是因为彻底死机。\n多半是因为陷入了多轮冗余搜索、循环调用和膨胀的上下文。\n以前的网关站在代码外面，只能在门外拉电闸。\n现在的控制面插在方法与模型的调用边界里，一边记账，一边按授权规则修正航向。\n那 78% 的开销，挤掉的全是死循环和无效输出。\n而完成率升到 96%，是因为那些本会被直接掐死的任务，全被导流回了终点。\n\n把账单压下去，不等于把事情办成。\n能跑通演示的，叫原型。\n能在预算耗尽前把车稳稳开到终点的，才叫工程。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-22 17:01:43","created_at":"2026-08-22 17:01:43","url":"https://mubeitech.com/p/mb-20260822-552b58","markdown_url":"https://mubeitech.com/p/mb-20260822-552b58/markdown"},{"rank":3,"id":"mb-20260823-da2f86","account":"mubei","brand":"","title":"Vercel 创始人 Guillermo Rauch 披露了一组很有意思的数据","summary":"Vercel 创始人 Guillermo Rauch 披露了一组很有意思的数据","body":"Vercel 创始人 Guillermo Rauch 披露了一组很有意思的数据。\n在他们的开发者网关上，开源权重模型的 Token 消耗占比创下了历史新高。\n两个月前的 6 月 24 日，闭源大模型还占据着 71.6% 的绝对大头，开源模型只有 28.4%。\n到了 8 月 22 日，局面彻底颠倒。\n开源模型的份额暴涨到了 62%，闭源模型直接缩水到了 38%。\n短短六十天，整个行业的分词结构发生了一场静悄悄的倒灌。\n为什么会这样？\n如果看社交网络上的讨论，大家都在追捧最新、最贵、推理能力最强的闭源旗舰。\n但为什么工程落地最前线的真实账单，却把超过六成的流量倒给了开源？\n因为软件的调用形态变了。\n过去人类使用大模型，是坐在聊天框前面单轮提问。\n一个人一分钟最多读几百个词，哪怕每次都调用单价最高的顶配模型，一个月也花不了几块钱。\n现在的 AI 正在离开对话框，进入后台的自动化智能体和命令行工具。\n当代码开始在后台自主循环，Token 的消耗量被瞬间放大了成百上千倍。\n一个智能体为了修复一行代码或抓取一组数据，可能要在后台执行几十次工具调用。\n这些在后台跑来跑去的分词，九成以上都属于中间过渡环节。\n它们负责格式对齐、参数校验、状态清洗、搜索过滤和重试循环。\n行业里管这些叫计算脚手架。\n用单价几美元的顶级闭源模型去跑海量的基础脚手架，账单会在几小时内被彻底击穿。\n而开源模型只要跨过了性能及格线，分词成本能直接降下一到两个数量级。\n工程师算得很精：把 90% 的脏活累活分流给廉价的开源模型，只把顶层 10% 最关键的裁决交给昂贵的闭源旗舰。\n商业史上早就有一台现成的机器解释过这种演变。\n哈佛商学院教授克莱顿·克里斯坦森在 2003 年提出过一个理论，叫利益守恒定律。\n当一条产业链底层的核心模块越过及格线、变成随取随用的廉价商品时，整条链条的利润并不会凭空蒸发。\n它会沿着接口向上迁移，转移到那个负责组织、调度和约束它的整合层上。\n这正是开发者生态正在发生的事情。\n底层模型的分词正在迅速商品化，变成类似自来水一样的廉价公共品。\n而真正拉开系统差距、吃下核心价值的，变成了外层的调用脚手架与路由网关。\n决定一套智能系统最终上限的，从来不是你在后台烧了多少昂贵的底座分词。\n是在外面把控每一次分流、判定每一步对错的那套架构。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-23 00:21:48","created_at":"2026-08-23 00:21:48","url":"https://mubeitech.com/p/mb-20260823-da2f86","markdown_url":"https://mubeitech.com/p/mb-20260823-da2f86/markdown"},{"rank":4,"id":"2075784190218711046","account":"mubei","brand":"@mubei","title":"AI 账单每 45 天翻一倍。 生产率提升呢，最多 5%。 Chamath 和 CTO 对完这笔账，整个人开始往后退。…","summary":"AI 账单每 45 天翻一倍。 生产率提升呢，最多 5%。 Chamath 和 CTO 对完这笔账，整个人开始往后退。 这就是很多公司接下来要碰到的墙。 不是模型不聪明了。 是每往前挤一点点改进，都要烧掉更多 token。 早期用 AI，像白捡杠杆。 写代码快了，客服快了，分析快…","body":"AI 账单每 45 天翻一倍。\n生产率提升呢，最多 5%。\nChamath 和 CTO 对完这笔账，整个人开始往后退。\n\n这就是很多公司接下来要碰到的墙。\n不是模型不聪明了。\n是每往前挤一点点改进，都要烧掉更多 token。\n\n早期用 AI，像白捡杠杆。\n写代码快了，客服快了，分析快了，PPT 快了。\n老板看到的是效率曲线往上走。\n\n可财务看到的是另一条线。\ntoken 成本每 45 天翻倍。\n一年下来，不是翻几倍，是进入指数游戏。\n\n更麻烦的是，收益端没有同步指数增长。\nChamath 得到的内部估算是，下游生产率提升最多 5%。\n成本在狂奔，增益在贴地走。\n\nCTO 给出的解释很现实。\n第一轮 AI 改造，低垂的果子已经摘完了。\n再想做下一轮优化，就要让模型读更多上下文，跑更多推理，试更多路径。\n\n听起来像技术进步。\n落到公司账本上，就是变量成本。\n每一次点击，每一次生成，每一次自动化，背后都有 token 表在跳。\n\n这会改变一批 AI 公司的估值逻辑。\n以前市场买的是想象力：用户增长、调用增长、自动化率增长。\n接下来资本会问一个更土的问题：每多赚一美元，要多烧多少 token。\n\nChamath 的判断更直接。\n很多公司现在还没认真做这笔审计。\n但未来三四年，大家都会被迫做。\n\n所以他才会提到一个残酷窗口。\n能在这轮兴奋期高价退出、融到大钱的公司，可能会先跑。\n因为等 token 成本渗进利润表，故事就没那么好讲了。\n\nAI 当然会继续吃掉软件世界。\n但它不是免费的魔法。\n它更像一种新电力：越强大，越要被计量、审计、定价。\n\n企业 AI 的下半场，会从谁会接入模型，变成谁能控制每一次智能的边际成本。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2075824126288138706","translated_status_id":"2075824126288138706","published_at":"2026-07-11 06:06:52","created_at":"2026-07-11T08:01:31+02:00","url":"https://mubeitech.com/p/2075784190218711046","markdown_url":"https://mubeitech.com/p/2075784190218711046/markdown"},{"rank":5,"id":"2044472206374166685","account":"mubei","brand":"@mubei","title":"跨过同样的营收门槛，谷歌当年养了12万名员工。 Anthropic只用了2500人。 外界疯传大模型是个烧钱的无底洞。…","summary":"跨过同样的营收门槛，谷歌当年养了12万名员工。 Anthropic只用了2500人。 外界疯传大模型是个烧钱的无底洞。 这几家头部AI公司的低消耗水平惊到了华尔街。 大模型的推理成本在过去一年暴降了90%。 18个月前各家的毛利率还是难看的负数。 现在已经翻转成极其可观的正向利润…","body":"跨过同样的营收门槛，谷歌当年养了12万名员工。\nAnthropic只用了2500人。\n外界疯传大模型是个烧钱的无底洞。\n这几家头部AI公司的低消耗水平惊到了华尔街。\n\n大模型的推理成本在过去一年暴降了90%。\n18个月前各家的毛利率还是难看的负数。\n现在已经翻转成极其可观的正向利润。\nOpenAI和Anthropic全年的营收飙到了50亿美元。\n高到离谱的人均创收彻底撕碎了旧时代的财务剧本。\n\n老牌科技巨头立刻找到了反击的切入点。\nMeta和谷歌手里握着极度厚实的现金流。\n他们要把局势拖入自己最擅长的泥潭。\n把单纯的技术比拼改写成暴力的算力规模战。\n只要无脑推高基础设施的门槛，现任霸主就能靠砸钱清场。\n\n业界对Meta模型的普遍评价是质量一般。\n但所有人都承认它的运行极其流畅。\n质量平庸没关系，庞大的算力库能把性能强行拉满。\n这就逼着初创玩家必须在算法效率上做到极致。\n\n部分人还在拿云服务商抽走的佣金做文章。\n这笔过路费其实只占AI新贵总营收的个位数百分比。\n纠结总额还是净额计费完全偏离了战场的核心。\n资本与算力的绞肉机早就开始全速运转。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2045029317244018870","translated_status_id":"2045029317244018870","published_at":"2026-04-17 06:35:56","created_at":"2026-04-17T08:22:17.554610","url":"https://mubeitech.com/p/2044472206374166685","markdown_url":"https://mubeitech.com/p/2044472206374166685/markdown"},{"rank":6,"id":"2059298057506705525","account":"mubei","brand":"@mubei","title":"Uber 给公司的 5000 名工程师配上了 AI 助手。 结果短短 4 个月，全年的 AI 预算就被烧了个精光。 AI…","summary":"Uber 给公司的 5000 名工程师配上了 AI 助手。 结果短短 4 个月，全年的 AI 预算就被烧了个精光。 AI 现在的运行成本，甚至开始超出它能替代的员工成本。 Uber 的 COO 公开承认了一件事。 他无法向公司证明这笔巨额开销是合理的。 硅谷大厂的 AI 账本，正…","body":"Uber 给公司的 5000 名工程师配上了 AI 助手。\n结果短短 4 个月，全年的 AI 预算就被烧了个精光。\nAI 现在的运行成本，甚至开始超出它能替代的员工成本。\n\nUber 的 COO 公开承认了一件事。\n他无法向公司证明这笔巨额开销是合理的。\n硅谷大厂的 AI 账本，正在遭遇残酷的现实对账。\n\n只看底层研发指标，一切都很完美。\nToken 用量每天都在翻倍。\n上个季度，公司 25% 的代码提交全部由 Claude Code 完成。\n员工的 AI 渗透率极其漂亮。\n\n但当管理层拿着这些华丽的数据去问工程负责人：\n既然效率提升了，那我们多产出了 25% 有商业价值的用户功能吗？\n有多少之前因为缺人手而被搁置的项目，现在被重新捡起来了？\n\n答案是没有答案。\n这条等号线，目前根本画不出来。\nAI 确实以惊人的速度生成了更多代码，但这并没有直接转化为可量化的业务增量。\n\n把代码生成量等同于生产力提升，中间存在巨大的商业断层。\n当底层技术指标涨到天上，却无法在资产负债表上兑现为利润。\n大企业盲目铺开的 AI 投入，很快就要面对资本真正的灵魂拷问。","category":"其它","score":100,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-05-27 07:19:24","created_at":"2026-05-27T09:11:21.101444","url":"https://mubeitech.com/p/2059298057506705525","markdown_url":"https://mubeitech.com/p/2059298057506705525/markdown"}]}