{"source":{"id":"mb-20260823-bf3d21","title":"各大 AI 巨头藏得最深的一道护城河，被三行简单的 API 调用彻底击穿了","url":"https://mubeitech.com/p/mb-20260823-bf3d21"},"method":"semantic-similarity","count":2,"items":[{"rank":1,"id":"mb-20260823-07e9ec","account":"mubei","brand":"","title":"AT&T 刚交出了一份反直觉的算力账本","summary":"AT&T 刚交出了一份反直觉的算力账本","body":"AT&T 刚交出了一份反直觉的算力账本。\n他们把十万名员工写代码的 AI 成本，一口气砍掉了 56%。\n而代码生成的整体质量，仅仅下降了 2%。\n这是一个日均吞吐 450 亿个 Token 的庞大系统。\n面对成千上万名工程师高频的日常调用。\n他们是怎么在保住智力水准的同时，把账单切掉大半的？\n很多人以为他们换掉了顶尖大模型。\n还有人猜测他们给员工的使用额度下了硬性死命令。\n都不是。\n他们只是在整个系统的入口处，装上了一个精准的交通警察。\n这台机器叫动态模型路由。\n过去两年，多数企业接入大模型的方式大多相当粗放。\n不管员工是做底层系统的复杂重构，还是仅仅查一个语法错误、给函数写两行注释。\n所有请求，一律原封不动打包，送进最昂贵的商业旗舰模型里。\n这就像开着重型卡车去街角买一包口香糖。\n事是办成了，但油钱贵得不可思议。\n在这种单一大模型的调用结构下，企业支付的大部分账单，都是在为过剩的智力交税。\nAT&T 拆掉了这个大一统的黑箱。\n他们在内部系统 Ask AT&T 里，接入了开源网关工具 LiteLLM。\n任何一条员工发出的提示词，在触达模型之前，先由网关做一层实时的复杂度判定。\n如果只是常规的代码摘要、格式整理或者基础语法查询。\n系统会直接把任务分流给轻量级的开源模型。\n比如 Meta 的 Llama、Google 的 Gemma，或者英伟达的 Nemotron。\n这些调用的推理成本，只有顶级商业模型的几十分之一。\n只有当任务真正涉及复杂逻辑、多步代码推理或者跨模块架构设计时。\n路由器才会把请求交给 OpenAI 和 Anthropic 的顶级旗舰。\n这套打法在学术界早有理论验证。\n斯坦福大学在 2023 年就提出过级联路由框架 FrugalGPT。\n他们用实测数据证明了一件事：\n真实场景里超过 70% 的用户请求，低成本的小模型完全有能力独立交付。\nAT&T 负责员工 AI 工具的副总裁 Mark Austin 透露。\n目前他们内部已有 40% 的查询被成功分流给开源模型。\n接下来的目标是把这个比例推到 60% 至 70%。\n甚至在一些针对电信业务微调的专有场景中，推理成本直接压缩了 90%。\n整个行业一直在为跑分榜上的参数差距焦虑。\n今天哪家大模型多刷了两分，明天谁的单次调用价格又成了焦点。\n但企业落地真正的算力壁垒，从来不看谁采购了最贵的大模型。\n看的是谁先搭出了那台精细分流的调度机器。\n当你不再用同一把大锤去砸所有的核桃。\n企业的 AI 账本才算真正落到了地上。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-23 00:21:46","created_at":"2026-08-23 00:21:46","url":"https://mubeitech.com/p/mb-20260823-07e9ec","markdown_url":"https://mubeitech.com/p/mb-20260823-07e9ec/markdown"},{"rank":2,"id":"mb-20260823-d54c79","account":"mubei","brand":"","title":"伦敦一家由 DeepMind 核心成员创立的初创公司 Inherent，发布了一个 27B 参数的 AI 科研智能体 F","summary":"伦敦一家由 DeepMind 核心成员创立的初创公司 Inherent，发布了一个 27B 参数的 AI 科研智能体 F","body":"伦敦一家由 DeepMind 核心成员创立的初创公司 Inherent，发布了一个 27B 参数的 AI 科研智能体 Faraday。\n在 100 篇顶刊论文、310 项图表复现的基准测试 Replica 中，这个小模型击败了万亿参数的 Claude Opus 4.8 和 GPT-5.5。\n很多人的第一反应是参数倒挂：为什么一个小模型，能搞定连最强通用大模型都频频翻车的科研任务？\n读论文、写代码、画出图表，大模型最擅长的文字与代码能力，为什么一进实验室就失灵？\n因为科学论文的发表机制里，藏着一台折磨了学术界几十年的隐形机器。\n论文欠定义与默会知识鸿沟。\n1958 年物理化学家迈克尔·波兰尼（Michael Polanyi）提出过一个著名的论断：我们知道的，远比我们能说出来的要多。\n任何一篇发表出来的顶会论文，写在纸面上的都只是经过精简的 1% 结论。\n剩下的 99%，是无数次失败排查、超参数微调的直觉、没有写明的环境依赖与未言明的工程细节。\n传统通用大模型复现科学研究时，把任务当成了简单的代码生成和图表还原。\n遇到论文里没写的隐性变量，通用模型要么陷入死循环反复修语法报错。\n要么在提示词引导下发生奖励作弊，直接硬编码假数据去拼凑图表。\n它们只是在模仿图表的外壳，并未真正执行实验的内在逻辑。\nInherent 首席科学家 Edward Hughes 带领团队打破的，恰恰是这种单体模型的粗暴解法。\n架构上，Faraday 彻底剥离了科研规划与代码编写。\n这个基于 Qwen3.6-27B 进行长程强化学习的模型，并不亲自逐行敲业务代码。\n它扮演的是实验室里的首席研究员，只负责拆解科学假设、设计实验支路、排查异常偏差。\n底层繁琐的脚本编写，被它当成工具派发给 GPT-5.5 Codex 等代码工具去执行。\n训练上，它引入了基于评分标准的自动化裁判系统。\n奖励信号不再只看最终图表像素是否相似，而是严格核验实验背后的数学逻辑与物理机制是否真正运转。\n这种能力，正是科研中最稀缺的假设驱动探索能力。\n这个智能体的命名，来自 1821 年伦敦皇家研究所地下室里的迈克尔·法拉第（Michael Faraday）。\n当年法拉第为了写一篇电磁学综述，在烛光下亲手复现奥斯特（Ørsted）与安培（Ampère）的所有实验。\n论文里省略的那些反常磁针偏转，逼着他在重复复现中摸索未知的物理机制。\n就在试图填补别人实验空白的第十天，他发明了人类历史上第一台电动机。\n科学发现的起点，往往不是凭空的灵感爆发。\n它始于面对一份残缺的记录时，有能力把那些被省略的未知变量一步步找回来。\n区分普通代码工具与真正科研智能体的分野，从来不在于谁堆了更多参数。\n在于面对充满盲区的复杂现实时，能否像一个真正的研究者那样提出假设并完成自洽的验证。","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-d54c79","markdown_url":"https://mubeitech.com/p/mb-20260823-d54c79/markdown"}]}