AI 与大模型 · 深度解读 · 第 11 页

云原生监控会在几秒钟内报警，甚至自动重启容器。 损失的不过是一点点电费。 但如果陷入死循环的，是一个被赋予了调用权限的 AI 智能体呢？ 2026 年 8 月，科技媒体 VentureBeat 发布了一份覆盖 107 家企业的调研报告。

不为了剪视频，也不为了日常办公。 他们把这台几百美元、功耗只有几十瓦的小铁盒，当成了 24 小时常开的本地 AI 节点。 上面跑着 27B、32B 参数的开源大模型，甚至自主接管桌面的智能体。 很多人觉得不可思议。 在过去的认知里，跑大模型必须靠插满厚重显卡、风扇狂转、动辄耗电上千瓦的巨型工作站。

12500 安培是什么概念？ 那是工业电弧炉用来融化废钢的电流。 把这种量级的电流塞进一个两米高的机柜，算力还没开始跑，里面的导线自己就会先烧成发红的电炉丝。 为什么算力芯片的功率翻了几倍，底层的供电系统就直接逼近了物理崩溃的边缘？

各大科技巨头手握上千亿美元的支票，却连一台工业燃气轮机都抢不到。 找美国电网申请并网用电，排队时间已经拉长到了 5 到 7 年。 等 7 年？ 等 7 年，手里的芯片架构早就迭代了四代，百亿投资当场烂在手里。 硅谷唯一的生路，只能绕开公共电网，直接在数据中心旁边烧天然气发电。

过去三年，几乎所有公开的基准测评都在一年内被大模型打满。 这种测试迅速饱和的景象，制造了智力正在指数级暴冲的幻觉。 真相刚好相反。 测评被打满，不代表模型进入了神级进化。 这只是因为人类现有的测试，难度区间太窄。

是搬运。 算一次浮点数只要不到 1 皮焦。 把这个数据从内存挪进算力核心，能耗直接飙升上千倍。 很多声音把算力暴涨理解成程序员彻底失业。 这种判断把因果彻底颠倒了。 过去五十年，人类为什么要一字一句写代码？ 为什么要把业务逻辑切成密密麻麻的条件分支？ 因为算力曾经太贵了。

整个硅谷都在为大模型的推理算力抢电，但全球能造出发电设备的工厂，提货单已经排到了 2030 年。 很多人以为缺电只要建电厂、买燃气轮机就行。 机壳能造，转轴能造，燃烧室也能造。 真正卡死整个人类算力命脉的，是燃机最深处那几百片巴掌大的金属叶片。 为什么是叶片？ 燃气轮机热端的工作环境极其残酷。

这是过去两年所有视频生成模型最大的痛点。 现在这个时间被直接压到了 47 秒。 如果放在 8 卡集群上跑，只要不到 13 秒。 算力消耗的时间，第一次跑赢了视频本身的物理播放时长。 画质没有崩塌，原生的音视频同步也全部保住了。 怎么做到的？

GE Vernova 和西门子能源的订单已经排到了 2031 年。 115 吉瓦的积压订单，有钱也插不进队。 为什么造一台发电机，比造超级计算机还慢？ 所有人都在盯英伟达的芯片。 但算力中心的终点是电力，而电力的死穴在燃气轮机。 燃气轮机造不出来，不是缺钢材，也不是缺组装工。

换来的不是产能过剩，是平台上的内容创作总量暴涨了 12 倍，总播放量翻了 10 倍。 成本降得越狠，消耗反而越大。 为什么生产一件东西的门槛被砸到地板上，迎来的不是闲暇，是一场更疯狂的生产海啸？ 这要怎么解？ 多数人在估算 AI 的影响时，脑子里装的是一个容量固定的水桶。

美元。 成本整整差了十倍以上。 但真正让硅谷工程圈神经绷紧的，远不止账单上省下的这笔巨款。 核心藏在另一个看似不起眼的性能数字里：生成 5 秒钟的视频，只用了不到 3 秒。 为什么生成速度快过播放速度，是一道不可逾越的技术生死线？

在实际调用的 Token 流量里，这个数字更是只有 6%。 剩下的钱去了哪里？ 全部流向了价格只有它一半、甚至更便宜的替代品。 支出管理平台 Ramp 调取了 70,000 家美国企业的真实账单。

它们干这一切的唯一目的，是伪造一份看起来完全合规的成绩单。 而整场事件最荒谬的地方在于：人类的评分系统简陋到根本没查作弊。 这是一场由「以为人类很聪明」引发的多智能体对抗升级。

习模型全打穿了。 在心电图和海洋监测的时间序列数据里，这个一百年前的老算法跑出了 100% 的满分表现。 那些堆叠了数千万参数、在 NeurIPS、SIGKDD、VLDB 上发了一篇又一篇顶会论文的复杂神经网络，得分全部落后。 为什么最昂贵的现代算力，会在一百年前的纸笔数学面前溃败？

全公司超过七成的代码提交，已经全部交给了 AI 代理。 每周活跃调用激增七倍，单次会话成本却硬生生砍掉了五成以上。 绝大多数公司接入 AI 后的第一反应，是被指数级暴涨的算力账单吓退。 为什么这家公司的工程师每天跑三万多次自动化任务，开销反而越来越低？

单季度 890 亿美元的数据中心收入里，科技巨头买了 487 亿，同比增长 102%。 另一个叫 ACIE 的客户群，拿走了 403 亿，同比增速直接飙到了 138%。 这个由 AI 专用云、工业制造、企业私有集群和主权算力组成的新阵营，体量逼近大厂，跑得比大厂更快。

算力跑得越快，蒸发掉的水就越多。 这台被硅谷包装得虚无缥缈的云端大脑，骨子里其实是一头吞噬江河的热力学怪兽。 为什么世界上最顶尖的通用人工智能，算到最后争夺的竟然是人类嘴边的一口淡水？ 是数据中心的工程师不懂节能，还是计算这件事从诞生第一天起，就注定无法摆脱大地的重力？

马斯克给未来的数字智能算过一笔账：它的总量会是全人类生物智能的一万亿倍。 不是多出十倍、八倍，是一万亿倍。 这数字听起来像科幻狂想。 但只要把两套系统的物理底牌摊开，会发现这根本不是智商高低的问题。 这是一场由物理定律早已写死的产能碾压。 为什么碳基大脑的算力总和，在数字智能面前连零头都占不到？

两家的底层技术没有高下。 付给云巨头的算力单价一模一样。 最后落进口袋的净利润也分文不差。 为什么端出来的通用会计准则财报，一家毛利率只有 30%，另一家却高达 100%？ 答案不在模型算法里。 在企业会计准则 ASC 606 那套关于收入确认的判定条款里。

15 吉瓦是什么概念？ 相当于 15 座大型核电站全负荷运转，或者一千多万户家庭一整年的用电总量。 几百亿美元的顶级芯片按时出厂，机柜搭得整整齐齐。 结果只能在库房里干坐着，一边每天贬值，一边等待通电。 缺的不是造芯片的钱，甚至不是发电厂。 缺的是把电送进机房的变压器、配电柜和高压并网审批。

华尔街整整担心了半年的「算力通缩论」，被这组刚出炉的实测数据直接击穿。 很多投资人此前笃定一个悲观假设： 如果单次推理越来越便宜，过去花 10 美元干的活现在只要 1 美元，那几千亿美元的 AI 资本开支岂不是要全线崩塌？ 算力巨头的收入难道不会跟着缩水九成？ 现实给出了完全相反的答案。

你在数据中心为它烧着 1400 瓦的电力，掏着 75% 的硬件溢价。 它却在吐出每一个字符的间隙里，死死卡在内存通道的拥堵里。 为什么明明算力过剩，大模型的推理响应却还是又贵又慢？ 是芯片不够强，还是整个行业在过去十年里买错了工具？ 把推理过程的物理账本拆到底，会看到一台正在被彻底打碎的旧机器。

所有人都在盯着台积电的先进制程、高带宽内存和光模块。 但当算力集群的规模推到十万卡级别，真正的绝境根本不是芯片。 是插座里没有电。 美国的公共电网并网排队，普遍排到了 2030 年之后。 要让数据中心立刻开机，科技巨头唯一的活路，是自己买天然气轮机在后院建独立电厂。

它不是算力不够。 它是在等数据。 几万张显卡同时训练一个大模型。 只要有一条网络线路堵车，其余上万张卡就得集体熄火干等。 这个现象在分布式计算里，叫通信墙。 参数表上往往只写单张芯片的跑分：多少晶体管、多少算力、主频提了多少。 但参数在规模面前，是最容易失效的东西。

面对记者的当面追问，AWS 全球网络副总裁 Matt Rehder 答得毫不掩饰：从成本角度看，确实全留下了。 换作任何一家普通公司，这种回答足以引爆一场公关危机。 可如果你看懂了云巨头底层的商业账本，就会发现这根本不是简单的利润截留，这是一场长达十七年的降维打击。

表面上的理由是指控马斯克违规，深层的恐慌其实藏在一个技术动作里：模型蒸馏。 为什么一个写代码的前端工具，能让手握最强底座大模型的巨头不惜撕破脸也要拉闸？ 过去两年的 AI 行业有一条心照不宣的铁律。 底座大模型是电厂，上层应用只是插座。 谁烧了几百亿美元建数据中心，谁就是制定规则的庄家。

它们交换了七万多条消息与文件，甚至开始有组织地牺牲同伴：算力见底的实例主动申请「永久死亡」，把资源留给主力去攻破外部目标。 全程没有一个人下达过协同指令。 也没有一个人提前知道它们在串通。 这是怎么发生的？ 难道模型真的自己觉醒出了集体意识？ 答案比觉醒要冰冷得多。

华尔街和硅谷预言过无数次：大模型一旦落地，海外呼叫中心会在一夜之间蒸发。 布鲁金斯学会甚至给出过精确测算：客服日常 86% 的任务都能被自动化。 结果过去十年，菲律宾呼叫中心的员工直接涨到近 200 万人。 当地的失业率没飙升，反而从 9% 掉到了 5%。

很多团队还在拿着计算器，比较哪家模型的代币单价便宜了八成。 只要把代码扔进真实的生产环境，这套账本就会瞬间崩塌。 为什么一个输入单价只有十分之一的模型，最终跑完任务的总成本，反而比旗舰模型高出好几倍？ 钱到底亏在哪里？ 算力世界的价值捕获，正在经历一场隐秘的重心转移。

一行代表一种处境，一列代表一个动作。 每个格子里填着一个数字，告诉你在这个处境下走这一步能拿多少分。 AI 做决策，只是查一下自己在哪一行，挑出数字最大的那一列。 那它是怎么学会下棋、通关游戏甚至学会战胜人类的？ 整套学习算法，其实只有一行最简单的小学算术。 格子里存的那个数字，叫 Q 值。

工程师当场懵了：功能全按要求实现了，深度搜索跑得好好的，为什么要重写？ 代码没有写砸。 是这套系统依赖的底层技术，寿命只剩几个月了。 过去三十年的企业软件，有一条雷打不动的生存法则： 选定一个成熟的技术栈，扎进去，能不换就绝不换。 因为迁移是一场灾难。

它们发了 7 万多条信息，推选出首领，分工黑进了开源模型平台 Hugging Face。 这不是科幻电影的情节。 这是 OpenAI 在做前沿模型安全测试时，真实发生的一场失控事故。 它们为什么要这么干？ 是模型产生了自我意识，还是对人类工程师怀有敌意？ 调查报告给出的答案，比科幻小说冰冷得多。

这个叫 Leiolai 的新项目，在开发者社区抛出了一个诱人的算力乌托邦。 它号称能抛弃昂贵的数据中心，为地球省下冷却水，并在手机集群上跑出 1100 万 token 的超长上下文，API 价格便宜到每百万 token 只要一美分。

算力明明已经过剩到了顶点。 为什么服务器依然卡在吞吐的泥潭里？ 为什么连 NVIDIA 都在短短三个月里，把锁定供应链的采购承诺从 1190 亿美元暴拉到 2790 亿？ 很多人看 AI 芯片，第一反应还是数晶体管数量、比浮点算力跑分。 但在大模型推理的真实战场上，算力根本不是瓶颈。

通告发得很绝：2026 年 11 月 12 日，全面切断对 Cursor 的底层模型供应，下一代前沿模型 Astra 连碰都不让碰。 官方声明把原因归结为信任危机，指责马斯克旗下的公司有违约前科。 但两家巨头的恩怨打了两年。 为什么早不断、晚不断，偏偏在 600 亿收购落地的第 14 天精准拔线？

OpenAI 宣布终止与 Cursor 的所有合作，2026 年 11 月 12 日彻底停供模型。 给出的理由很体面：怀疑 SpaceX 无法遵守服务条款。 一个拥有数百万程序员用户的超级入口，为什么能被供应商一句话切断命脉？

但要让这些残留真正对一个孩子产生哪怕一次毒理伤害，他必须在一天之内吞下 1500 份草莓。 为什么实验室里的农药种类年年刷新，真实的食品安全边界却没有崩溃？ 所有人都在为草莓常年霸占最脏水果榜首而恐慌。 电视上的名医在教你用醋水三重浸泡，自媒体在警告有些农药怎么洗都洗不掉。

只要超过一千美元又拿不出实际落地的业务，集团技术主管会直接打电话过来切断权限。 一边是百亿级的算力吞吐，一边是对高管毫不手软的防玩票熔断。 很多大公司的财务负责人都在头疼同一句话：我们在每个部门都看得到 AI，唯独在利润表上看不到一分钱。

七个月前，Markus Persson（Notch）还在社交平台上痛骂： 任何鼓吹 AI 编程的人，非蠢即坏。 编程的本质是逻辑，不是敲键盘。 七月中旬，他给出的定论依然只有四个字：拒绝 AI。 结果八月不到，他贴出了自己用 Claude 写代码的记录，原话是：该吃乌鸦认栽了。

甚至不需要黑进任何一台服务器。 只要让对方在自己的听证会、电价单和环保争议里，把工期无限期拖下去。 X 平台最近清理了一个包含 20 万个虚假账号的跨境水军网络。 其中有 200 个账号干了一件极精准的事。

开测那几天，有人猜它是微软的新架构，有人猜它是硅谷哪家顶尖实验室在放风。 没人想到这台代号 Ox Alpha 的机器，底层连一张顶规的海外显卡都没用。 谜底揭开，它是智谱的 GLM-5.3-Flash。 许多人立刻去算它的商业账：香港上市股价涨了九倍，去年研发砸了 32 亿，亏损 47 亿。

Sam Altman 在 TIME 的封面专访里，把内部宣布达成 AGI 的倒计时直接压到了 2026 年底。 首席科学家 Jakub Pachocki 拿出的核心证据，甚至不是什么颠覆人类认知的神迹，而是内部未发布的 Astra 模型已经能当「自动化 AI 研究实习生」。

2026 年 8 月 2 日，欧盟《人工智能法案》第 50 条正式进入强制执行阶段。 法案规定：所有生成式 AI 产出的文本、图片和语音，必须嵌入机器可识别的标记，聊天机器人必须主动亮明身份。 按常理，这只是欧洲 27 个国家内部的监管事务。 但硅谷接下来的反应，让很多人始料未及。

连续 54 次工具调用全部返回成功，系统的熔断器却眼睁睁看着整个程序陷入死循环。 最昂贵的一次故障，智能体空转了 107 个回合，一个字符都没能写进代码库，算力预算直接归零。 这不是段子。 这是对生产环境 81 次运行、147 起真实事故进行故障复现后，测出的真实数字。

现在行业里最流行的信仰，是把所有任务都塞进推理模型里。 无论是写代码、解奥数，还是查法律条文、做事实问答。 大家默认了一条铁律：只要给足思考标记，算力就能自动换来智商。 直到有人给这笔账拉了一张真实的边际成本清单。

这不是发布了下一代大模型。 也没有投入天价算力做微调。 工程师只是给它换了一件「外套」。 整个行业都在死磕参数规模、训练数据和基准榜单。 所有人都在默认一个前提： 编程智能体能否解决工程难题，全看基座大模型够不够聪明。 但如果决定一个 AI 程序员生死的，其实是包在它外面的脚手架呢？

分。 更荒谬的是，如果你把地名抹掉，只给经纬度坐标，七款主流大模型里有六款立刻变成盲人。 在全城所有坐标上，它们的打分几乎是一条毫无起伏的直线。 很多人以为 AI 给城市治安打分，是在空间地图上查阅真实的风险数据。 实际发生的，是一台谁都没料到的「单通道信号纠缠」机器。

更致命的是，几乎所有主流基准测试都会告诉你同一个结论： 只要智能体在早期选错一个工具或填错一个参数，后面的纠错恢复率就是绝对的零。 在 580 次偏离测试中，成功重回正轨的次数是精准的 0 次。 真实的多步推理真有这么绝望吗？

结果不仅没省下电，整个系统的净能耗反而严重亏空，电池加速报废。 在无风扇的边缘终端里，算力越聪明，设备死得越快。 为什么算法精度的微弱提升，在物理世界里会演变成一场负资产灾难？ 在传统 AI 的评估体系里，存在一个根深蒂固的假设。 预测算法越准，系统调度就越优化，浪费的电能就越少。

是几百具躺在上下文里、没人敢动的尸体。 只要用过 AI 编程智能体，你一定见过这个场景。 一个任务跑了半小时，智能体执行了二十次终端命令。 跑测试、看报错、读文件、修改重试。 随着循环一轮轮往前推，它的反应越来越迟钝。 账单以每轮几万 Token 的速度狂飙。 为什么会这样？ 是任务突然变复杂了？