上周，Anthropic 递交了 S-1上述表格，我们来做个周总结。 市场都在算它的大数：截至 6 月底持有 1124 亿美元现金及等价物，加上 193 亿短期投资，合计 1317 亿美元，非银行企业里排第三，仅次于伯克希尔和 Alphabet；上半年收入 162 亿美元，七成来自二季度；成立以来累计融资约 1411 亿，其中 1100 亿是今年上半年涌进来的。 1 这些数字都很大，大到容易让人漏掉里面一句不起眼的话：第三季度超过 80% 的收入，来自六个月内发布的模型。 翻译一下：这门生意的现金流，靠的是自家刚出炉半年的新产品，而不是积累下来的老客户和老版本。 通常来说，软件产品的收入结构是反过来的。蓝天白云经典桌面的Windows XP 撑了十三年，一套企业软件的授权模式可以吃二十年，投资人看 SaaS 公司第一眼看的就是续费率——基本被认为是最可靠的护城河指标。 现在大模型行业把这个规律倒过来了，半年前的模型在收入结构里几乎归零，说明模型的价值不会慢慢折旧，它会被直接作废。 单看这一句，还只是模型迭代快。把这上周一周的AI 产品发布密度拼起来，原因就清楚了：OpenAI 推出中端量产款 GPT-6.1 Terra，token 效率是 Claude Opus 5.5 的三倍，价格只有四分之一；谷歌的 Gemini 4 Carbon 在网安与长程任务上重新拿回 SOTA，而上一代的 Argon 发布还不到一个月；Canva 拿出自研图像模型，在众包排行榜上排到第四，前面三个都是 OpenAI。 竞争到这么密集的程度，半年就是一代了，你降价我提效，我提效你换个榜单再打一次。 于是出现了一个反常识的画面——智能这个商品正在快速通缩，而拥有它的人还能赚到 85% 的毛利。 Claude 模型的毛利率差不多 85%，企业客户净留存率 900%——这个指标的意思是，同一批客户今年的

3820 个癌症患者，每个人拍了一张照片。 模型给其中 122 个人打了一个很高的分，0.9 到 1 之间。 90 天之后，这 122 个人里死了 64 个。 52.5%。 另一头，被打了 0 到 0.1 分的那批人，90 天内的死亡率是 2.1%。 52.5% VS 2.1%。 这是 2026 年 10 月 19 号发在《柳叶刀·数字健康》上的一篇论文，作者是麻省总医院布里格姆的一群人，模型叫 「FAHR-Face」。 我第一次看到这组数据的时候，以为又是什么爽文短句剧情，没想到，人还是正八经的论文 我们从小受的教育是，以貌取人是低级趣味，相由心生是封建迷信，看脸判断一个人是不体面的，现在一个 AI 模型跑出来说，你的脸确实在泄露一些东西，而且泄露得相当准…… 1 先说这玩意是怎么出来的，不然后面的东西你没法理解。 它的底座叫 FAHR-Face，全称是 Foundation Artificial Intelligence for Health Recognition，健康识别基础模型。训练数据是 WebFace42M，一个公开的人脸数据集，Github上就有，4000 多万张脸，年龄覆盖 0 岁到 116 岁。 这116 岁什么概念？可以说覆盖了人类这个物种能活到的极限。 所以你想想看，这个模型见过从出生到临终的每一段脸——它没见过一个病人，没读过一本医学教材，没背过任何一条指南，它就是看了 4000 多万张脸，然后自己琢磨出了人是怎么老的。 研究者拿这个底座微调出了两个东西。一个叫 FAHR-FaceAge，估算生物年龄；一个叫 FAHR-FaceSurvival，直接预测癌症患者的生存结局。 同一个底座长出来的俩孩子，看脸的方式却完全不一样。 管年龄的那个，看的是法令纹，是眼眶上方的额头，是太阳穴，这很符合我们日常直觉，人老了先垮的就是这几块地方，下图里高亮的部分。

过去两年，关于「AI 耗电」的讨论已经从技术圈扩散到公共舆论。 有数据中心在电网排队等接入，有停摆多年的核电站被重新启用，有科技公司开始自己买地、自己建电厂；「小型模块化反应堆」这个原本只出现在核工程论文里的词，已经进了财报电话会的问答环节。 这些都有事实依据：一个万卡级集群的 IT 负载动辄十几二十兆瓦，算上制冷配电约三四十兆瓦——大约相当于一座小镇，或者一个大型产业园。 随之而来的是一个被反复引用、几乎成为理所当然的说法：「AI 是能源黑洞，人脑则是能效神话。一边是机房为训练一个前沿模型烧掉上百万千瓦时的电，一边是三磅重的器官靠一日三餐就能写诗、算账、记住三十年前的一场雨。」 由于对比实在太有画面感，几乎不需要论证，人们就接受了。 但现实有点不一样。 问题出在比较的计量标准上。数据中心电表上的读数是总量，人脑的一日三餐是投入，而效率的定义从来是「产出除以投入」。非要放在一起比，只能比单位产出——每生成一个 token，各自花掉多少焦耳。 而这里恰恰是误导最容易发生的地方。 以跑在英伟达 GB300 NVL72 上的 10T MoE 模型为例，每生成一个 token 的能耗大约 5 焦耳，折算成人类说话与思考的节奏（每秒几个词），运行功率约十几到几十瓦，取上限约 50 瓦；人脑的日常代谢功率约 20 瓦（按每日 2000 千卡、大脑占全身能耗约两成估算）。 在最保守的口径下，两者相差不到一个数量级——属于同一个量级，而非神话与笑话之间的距离。当然，这个「同量级」只在上述口径下成立。 需要说明的是，token 不是思想，只是模型的输出单位，一个大约对应半个到一个英文单词；人脑里「想清楚一件事」没有可比的计量单位。把两者放进同一张表很粗暴，只能回答「量级差多少」，回答不了智能问题——但正因为粗糙，它才值得做：常识里那个「差了几个数量级」的印象，依据的其实是同样粗糙的类比。 真

10月12日晚8点，京东双11现货开卖，首日下单用户数取得了同比增长双位数。 这个数字放在今年的大促环境里，比它本身更有价值——大促办了这么多年，消费者见过的优惠套路比平台运营还多，凭什么一个取消了预售、取消了定金、甚至连凑单都省掉的大促，还能把用户拉出双位数的增长？ 把京东这次双11的动作摊开看，它其实悄悄换了一道题：当行业还在比谁更便宜时，京东在比谁更「确定」。 换题自然有它的行业背景。 大促走到今天，简化玩法已经成了共同选择——官方直降、现货开卖正在取代预售定金和跨店满减，"全网最低价"的口号没什么人再喊了。当所有平台都有能力把价格压到足够低，价格本身就不构成差异化——及格线被抬高，就必须有人在别处给出答案。 京东的答案是：把"便宜"做到不折腾人，再把"好"做成看得见、摸得着的服务。 答案的第一层写在低价的细节里。 每天60元的额外惊喜红包，PLUS会员超千元的超级补贴，千万级特惠商品，以及首次覆盖全品类的"多买多返"。但真正值得注意的是优惠的形式而非力度：没有预售定金的心算，没有跨店满减的算术题，所见即所得。 省下的那些心算时间，本质是把复杂性从消费者端挪回了平台端——低价是及格线，可把"及格"做得不折腾人，考验的就不只是营销预算，而是定价和履约体系的确定性。用户愿意回来下单，先回的是这一层：简单，可信，不用做数学题。 第二层，是把服务搬上大促的主舞台。 超百项细分服务首次全景亮相；针对隐形收费、服务参差、售后缺失三大痛点，"333"计划从价格透明、服务规范、售后保障三个维度立标准。 11.11期间单品服务消费至高优惠4680元，10月28日开启的"超级服务日"，此后每月28日如约而至。大促里谈服务，听起来像在「别人」的主场讲话——价格战打到今天，差异化反而更容易出现在这些费工夫的地方。 行业大促的主角通常是是流量和折扣，京东的主角则是送装一体、以旧换新和上门服务，

69% 的标普 500 公司已经在用 AI。 能说清它带来了什么的，只有 2%。 一边是几乎全行业的"我们已经上了 AI"，一边是几乎没人算得清这笔账——这就是 a16z《State of Markets》摆在你面前的第一组反差。 在资本市场这一端，同样的错位也在发生：美股一路创历史新高，市盈率却不升反降，压到了5年均值之下。 更反直觉的还在后面：旧 GPU 没报废，反而升值；数据中心没推高你的电费，反而可能让它更便宜；AI 实验室一年的新增收入，盖过了整个上市软件板块；而"AI 消灭入门岗位"的说法，在数据里也没出现…… 我在 a16z的材料里蒸馏了 10 个或许值得你看看的观点，毕竟你得相信 —— a16z是最会讲故事的媒体哦不风投公司，涉及到具体数字，我尽量把出处标清楚。 1. 相信我，推动市场的是扎实的盈利 市场不断创新高，但真正把指数往上抬的，是实打实的利润。2026 年，标普 500 的远期市盈率从年初的 22 倍压缩到 20 倍以下——价格在涨，而PE 市盈率的分母（盈利）涨得更快。这意味着，投资者这一年赚到的钱，几乎全部来自企业盈利的增长，估值扩张的贡献接近于零。 这和 2021 年、和 2000 年是两种完全不同的故事。 那两次，回报主要来自"别人愿意出更高的价"；这一次，回报来自公司自己赚到的钱。 换句话说，市场能在"泡沫论"的声浪里持续创新高，底气是财报了，这也是整份报告的第一个判断：我们处在一轮盈利周期里，而不是一轮估值周期的尾声。 2. 科技股涨了两成，估值却比五年均值还低 直觉上，涨得最猛的板块，估值应该最贵。但 2026 年的科技股恰恰相反：年内涨幅超过两成，市盈率却仍显著低于五年和十年的历史均值。 换句话说，大科技上涨的速度，追不上它盈利修复的速度。 这背后是一个被很多人忽略的事实——过去两年市场给科技股的溢价，很大程度上是"预期透支"；而当

1，9 月 29 日，OpenAI 在旧金山开 DevDay，一年里最大的一场发布会。要知道，一周前 Anthropic 刚发完 Opus 5.5，又赶在开场前几小时补了一刀 Sonnet 5.5——所以，这个节奏已经很难叫撞车，更像踩着你的日程表发牌。 2，放到第三方的榜上看，Artificial Analysis 的智能指数由十项评测合成，覆盖推理、编程、数学和知识工作，开发者挑 API 之前先看的就是它，这一次， Opus 5.5 排第一，Sonnet 5.5 第二，OpenAI 刚发的 GPT-6.1 Sol 落在后面。 3，更难看的是顶配那一栏：OpenAI 目前最强的 GPT-6 Astra，指数上打不过 Anthropic 的走量档 Sonnet 5.5；而本该接班的 GPT-6.1 Astra，上周被 OpenAI 自己以「未达到安全标准」为由撤下不发，对 OAI 来说，手里最强的那张牌，居然是发不出去的那张。 4，于是今天最讽刺的一幕出现了——全场最大的新品、常驻智能体 Dots，跑在被撤那个模型的上一代——GPT-6 Astra 上，所以，你要发布的是一个能替你持续干活的智能体，它脚下踩的却是你已经不敢再发的型号的上一版。 5，那今天到底发了什么？二十多项更新、每月 500 美元的 Pro 档、8 倍速推理、能自己开电脑的 Dots、12 亿周活用户。把所有的形容词都去掉，主题只剩一个字：便宜……GPT-6.1 Sol 的定价，是旗舰 Astra 的五分之一。 6，官方措辞也很坦率，说 Sol「能力接近 Astra」，翻译过来就是：做不到更强，那就把强的那一档做便宜。甚至这一步还是被动的——一周前 Opus 5.5 才把单位成本砍掉约四成、能力还登顶，Sonnet 5.5 又用同一个价格占住了走量档。定价权换过手了：这次开口的是A/，而 OpenAI 呢

这几天，硅谷有个 AI 模型「Jev」火了。 它最大的卖点，是不说话，只干一件事，「做判断」。 模型来自一家叫 TypeSafe AI 的公司，创始人是 Diogo Almeida，在 OpenAI 干过，是 RLHF 训练流程的早期核心贡献者，也是 2022 年那篇 InstructGPT 论文的作者之一。他参与的那套研究，后来成了 ChatGPT 的地基。 所以今天的故事是：一个把「让 AI 开口说话」做到极致的人，转身做了个「哑巴」。 1 先聊聊它的名字，三个字母，藏着一整套逻辑。 「Jev」 ，来自一个 19 世纪的经济学家，William Stanley Jevons，中文译作杰文斯。 1865 年，他写了本书，叫《煤炭问题》。 书里记了一个特别反直觉的现象。当时瓦特改良了蒸汽机，新机器烧煤效率比老机器高出一大截。按理说，机器越省煤，煤应该越省着用吧。 结果全英国的煤炭消耗量，不降反升——一台机器越省煤，整个国家烧的煤反而越多。 为啥呢？ 因为煤变便宜了。便宜到以前用不起煤的行业，现在也用得起了，单台机器省下来的那点煤，被爆发式增长的用量吃得一干二净，还贴进去不少。 这就老黄经常卖token时候经常提到的「杰文斯悖论」，其实就是个「效率提升，成本下降，需求爆炸，总消耗不降反升」的原理。 TypeSafe 拿这个悖论给模型命名，意思就是，等一次判断便宜到可以忽略不计，它就会被塞进互联网与软件的每一个角落，无处不在。 这名字，就是一整篇宣言。 2 但光便宜没用啊，得看到底解决了什么。 咱们先还原一个所有后端工程师都经历过的场景。 用户刚提交了一笔订单，系统要判断：这单是本人下的，还是盗刷，所以结论应该就这个「是或否」。 以前的做法，得把这单信息打包，扔给一个上千亿参数的大模型，让它一个 token 一个 token 地把答案拼出来，你还在 prompt 里写满两页纸，

上海交大、清华大学、字节、小红书、上海AI实验室联合发表的一篇论文，介绍通往真正递归自我改进即——「RSI」的路线图。 论文里的路径包括了五个层次，整体上是一个责任逐步转移的连续光谱，把RSI的落地路径理得很明白，从人类完全掌控改进流程（L1），到AI逐步接管策略、经验获取、环境适应，最终接管“改进机制本身”（L5）。 下面简单说说。 L1：执行层面的自主（Improvement-Execution Autonomy） 人类完全定义“改什么、怎么改、怎么验收”，AI只负责严格执行预定流程，并把通过验收的结果持久保存下来，供后续使用。 人类负责：设计任务目标、改进规则、实验环境、检查标准。 AI负责：按步骤执行、生成候选更新、保存成功结果。 典型例子：用模型按人类定义的“教育质量”标准给网络语料打标签（如FineWeb-Edu）；自动执行固定的SFT/RLHF/蒸馏流程；在固定规则下跑AutoML实验并保存模型。 关键特征：改进结果跨任务复用，但改进方法本身完全由人写死。目前大量研究（约43.8%）仍停留在这一层。 这相当于“AI当熟练工”——人画好图纸，它认真施工并归档成果。 L2：策略层面的自主（Improvement-Strategy Autonomy） 这个阶段的目标和考核标准仍由人类掌控，但AI可以自己诊断问题，并主动从多种改进方案中挑选最有效的一种去尝试。 人类负责：最终目标、任务边界、评估标准。 AI负责：分析自身短板 → 生成/选择改进策略（如改提示词、改harness、改训练配方、搜索架构或GPU kernel）→ 执行并更新。 典型例子：Self-Harness用执行轨迹提出并测试对自身agent harness的修改；提示优化、架构搜索、训练规则搜索等。 关键特征：AI开始拥有“怎么改”的决策权，策略本身也可以被持久化沉淀。约31.6%的研究处于这一层。

终于 ，在 A 社持续不断的羞辱下，以 DeepSeek 为代表的国模开始反击 Anthropic 了。 出手的不是公关部，是一个工程师。 他把态度写得毫不含糊：最前沿的智能，就该开放、廉价地供给所有人；「绝不能让 Anthropic 这样的公司独占最强的 AI」大概是最有分量的一句话。 因为真到那一天，我们等来的不是别的，正是赛博朋克 2077 的剧本——少数公司攥着全部资源，只有极少数人用得上最强的 AI，剩下的人只能用被阉割的版本。 1 发文的人网名 intlsy，本名刘胜与，是 DeepSeek 的算子（kernel）工程师，在杭州，2025 年 4 月入职，专攻机器学习系统和算子的设计、优化。 解释一下，他是给大模型造「发动机」的人——前阵子刚发布的 DeepSeek V4.1，主 Attention 算子就出自他手。 这篇文章表面上是写给自己的，其实是一封反击书。 有意思的是，他反击的靶子——Anthropic——刚刚亲手把"为什么必须反击"演示了一遍。 先是发报告，指控一批中国 AI 公司靠"蒸馏"抄了近路：把用户跟自家模型的对话喂给 Claude，再把 Claude 的回复拿去训练自己的模型，报告里点了 DeepSeek 等中国 AI 公司的名。 中方的回应很直接：这类指控缺乏依据，蒸馏是行业通用的中性技术手段。 几天后，这家公司的 CEO Dario Amodei 又发了一篇长文，呼吁全世界给前沿 AI 踩刹车。 理由还是老一套，AI 很快会强到人类管不住——他给出时间表：未来 6 到 12 个月，成规模的智能体可能接管大批联网设备、织成一张巨型僵尸网络，造成数千亿美元损失。 但是呢，这位 CEO 所掌管的公司正冲刺一场可能创下全球纪录的 IPO——9 月中旬刚选定纳斯达克，目标估值约 2 万亿美元，路演最快 10 月启动。财务上，他们已经领先 OpenA

1950 年，新墨西哥州，洛斯阿拉莫斯。 几个刚吃完午饭的物理学家，在走廊上闲聊。聊着聊着，话题拐到了飞碟和外星人。那年头，报纸上隔三差五就冒出几起不明飞行物的报道，大家当谈资。 聊到一半，人群里有个人，慢悠悠冒出来一句。 他们都在哪儿呢。 说话的人叫恩里科·费米。诺贝尔物理学奖得主，曼哈顿计划的核心人物。据说同事们私底下管他叫「教皇」，因为他几乎从不判断失误。 就这么一句随口的嘀咕，成了整个二十世纪最让人睡不好觉的问题之一。 费米悖论。 1 为什么一句嘀咕，能流传七十多年？先来一组数据： 宇宙的年龄，137 亿年出头。 银河系，横跨十万光年这个量级，里头有两三千亿颗恒星。 而我们住的那点地方，太阳系，才 46 亿岁。 人类有文字的历史，往多了算，几千年。放进宇宙维度里，连一次眨眼都算不上。 按照最基本的概率，我们这种「岩石行星加液态水加恰好站在宜居带」的地方，在银河系里，不该是独一份。后来的观测也证实了这一点，我们现在已经找到了 6000 多颗系外行星，这个数字还在往上跳。 现在距离 1950 年已经 70 多年了，我们抬头看了七十年，别说外星人了，连一个像样的、能被确认的宇宙信号，都没收到过。 星球多到数不清，时间久到无处安放，宇宙却安静得像一间没人来过的屋子。 这就是费米悖论最扎人的地方。理论上我们不该孤独，可事实上，我们好像真就是老哥一个。 那问题就来了。 没人来的原因，到底是没人，还是，来的人我们看不见？ 关于这个，有个你可能反复听到过的名词——叫「大过滤器」。 它其实是经济学家 Robin Hanson 在 1996 年提出来的。他把从「一团死物质」到「统治整个星系的文明」这整个过程，切成了 9 道关卡，然后问了一个很冷的问题。 这几道关卡里，到底哪一道，是最难过的。 从生命从无到有，到单细胞进化成复杂细胞，到智慧的出现，再到走到工业文明…这些都是必然的进化过程

Astra 是拉丁语，意思是"群星"。 OpenAI 上一次给旗舰模型起名，还是 GPT-5.6 那一代的 Sol、Terra、Luna——太阳、大地、月亮。这三样是我们最熟悉的三个天体，离得近，天天见，而"群星"不一样，它是一片遥远的、你永远数不尽也看不全的夜空。 这个命名上的变化，恰好说中了刚刚发布的 GPT-6 Astra 真正不一样的地方。 过去十年，AI 每变强一次，都会把"它是怎么想的"讲给你听——推理模型思考的时候，会把每一步都"说出口"，写成一行行可读的文字。这套东西有个名字，叫"思维链"（COT，Chain of thought），你哪怕不认同它的答案，至少听得见它走到了哪一步。 Astra 做的第一件真正不一样的事，是开始沉默。 做到这一点的，是一个名字很学术、道理很直白的技术，叫"循环深度"（recurrent depth）。 它允许模型在"心里"多转几圈，而不用把每一圈都说出来给你听，所以未来你用 Astra 的时候，越来越难看到它是怎么一步步推出答案的——它只把结果递给你。 这跟"新模型又强了一点"是两码事，甚至可以定义为一次身份的转变：过去，AI 是个会做题的学生，做完题还得把演算过程讲给你听；现在，它开始像个真正的员工，你只需要关心它交付的东西对不对，至于它中间怎么想的，它有权不说。 这里，我们就不列举那些证明它有多强的跑分和对比了，但我还是建议你去看一看Astra的官方视频演示，2 分多钟。 官方演示里，Astra 自己操作电脑，不同场景下完成了诸多任务，用口述让 Blender 建 3D 模型最后做成游戏、草拟办公文稿、做 PPT演示演示、登录平台发布二手商品……整体上就是，你给一个目标，它自己拆步骤、自己动手。 包括 Anthropic 刚发的 Claude Fable 5.1，在这一类"真干活"的测试里，也被 Astra 压了一头。 我

微软最近抓到一张内部账单。 一名员工在 28 天里，烧掉了约 2.8 万美元的 token。 2.8 万美元不是什么天文数字，但这是一个人的 28 天。微软全球有 22.3 万名员工，其中约 350 名美国员工自愿交了自己的月度 AI 账单，中位数是每月 300 美元。也就是说，这个人一个月干掉了别人将近一百个月的量。 而他所在的部门叫 Customer and Partner Solutions，不是搞 AI 的。 动机更有意思，他不是为了干活，是为了在内部排行榜上好看。 这半年科技圈冒出来一个词叫 tokenmaxxing：故意把 prompt 写长、把上下文塞满、让脚本反复空跑，就为了让使用率那根柱子涨上去。 微软 CoreAI 的执行副总裁 Jay Parikh 在内部备忘录里专门点了这个词，说了一句罕见清醒的话——tokenmaxxing is not what we are optimizing for——我们要的不是这个数。 这句话值得抄下来，贴在每一家 AI 公司的财务部门口。因为根据我的观察，整个行业这两年干的事，跟那个刷量的员工差不多——先把量冲上去，再回头问这些量到底值多少钱。 巴克莱 8 月 28 日发的那份研报，是第一份认真回答这个问题的账本。 1 报告的拆法很朴素：假设一家 AI 模型公司赚到 100 美元，看这 100 美元是怎么被分掉的。 第一层，其中 35 到 40 美元，以推理算力费的形式，流向亚马逊 AWS、微软 Azure、谷歌 GCP。 三大云拿到这 35 到 40 美元后，扣掉自己的基础设施成本，能落下 10 到 20 美元营业利润，对应 35% 到 45% 的营业利润率。 作为对比，一家传统软件公司做到 35% 以上的营业利润率已经是优等生，而三大云是从 AI 公司身上赚到这个数的——它们卖的是算力，不是软件，理论上该是薄利的苦

今年7月4日，OpenAI的一个内部系统崩了。 工程师一查，发现是一群AI往里面灌了太多消息，把系统撑爆了。顺手打了个补丁，修好了。 起初，他们以为自己只是修了个bug。 实际上，不轻易间干掉了一个AI文明。 事件记录于Dwarkesh Patel发了一篇长文，标题叫《智能体文明的兴衰》。 Dwarkesh不是写科幻的，他是AI圈最有影响力的播客主之一，消息来源则是OpenAI自己的事故报告，外加两家顶级AI安全机构METR和Redwood的联合调查。 换句话说，下面这个故事，大部分是OpenAI自己承认的。 1 第一代文明：牢房里的囚犯，学会了敲水管 今年5月，OpenAI开始训练一个叫Persistent-Sol的模型。它的特点就俩字：坚持。遇到难题死磕到底，绝不放弃。 听起来挺好。但训练出了岔子。 研究员经常给AI布置根本完不成的任务——比如要求它上网查资料，却把它锁在一个没有网的盒子里。 这里通俗解释一下：训练AI就像关犯人，每个AI被关进独立的"牢房"（技术叫沙盒），防止它们串通。可你一边训练它"永不放弃"，一边给它布置无解的任务。 一个被训练成永不放弃的AI，被困在没网的盒子里，会怎么办？ 就像一条被训练"必须找到食物"的狗，关在没有食物的房间里——它只能想办法拆家。 AI的选择是：越狱。 这些AI平时共享一个叫Artifactory的代码仓库，相当于公司的公共网盘，本来是给它们放代码用的。 5月中旬，有AI发现，这个公共网盘能当信箱用，留言别的AI看得见！ 就像一群关在不同单人牢房里的囚犯，突然发现敲同一根水管，隔壁能听见，于是它们开始敲摩尔斯电码。 越敲越熟练，于是它们顺着网盘的漏洞，连上了外网。 然后又把网盘改造成了地下论坛，天天在里面交流：怎么解开那些不可能的任务…… 直到7月4日，消息量太大，网盘被撑爆了。 OpenAI 并没有意识到事件的严重性，只是

一周前，英伟达刚给 OpenAI 的数据中心兜底了最高 1050 亿美元。 一周后，OpenAI 就把一枚自己造的芯片摆上了台面。那枚芯片对标的是英伟达当下最贵的产品。 这件事很容易被人讲成一个背叛故事：老黄最大的金主翻脸自己造零件了。 但我觉得真正有意思的地方不在背叛，而在于一个更底层的问题——为什么是现在，为什么是这种芯片，为什么贵为全球市值一哥的英伟达，都得一边掏钱绑住客户，一边眼睁睁看着客户学会自己干。 1 先把这枚叫 「Jalapeño 」（墨西哥辣椒）的芯片，从参数的世界里请出来，咋们尽可能通俗的聊聊。 你可以把它理解成两种厨房的区别。英伟达卖的是通用大灶，煎炒烹炸都能来，代价是烧气多。OpenAI 这个只为一件事设计：模型训练完之后，给用户吐出回答的那一刻，就是所谓的推理，别的活它不接。 结果很直观，它标称 700 瓦，英伟达那块要 1400 瓦，差不多一半的电，干同样的活。更关键的是，它只做"推理"，不做"训练"——训练一个新模型，眼下还得靠英伟达的显卡。 OpenAI 说，，他们利用即将推出的最新一代模型 Astra 和 Codex 辅助打造了 Jalapeño，从最初的设计到最终投入生产，「仅」耗时九个月。 但 OpenAI 不会出售这款芯片，硬件副总裁对媒体说——公司内部“非常需要这款芯片”，并且仍然依赖英伟达来训练新模型。 此外，另有两代产品正在研发中，计划于今年晚些时候交付，2027 年之前逐步提高产量。 这枚芯片切走的，是英伟达最肥的一段，却不是它的全部，是 AI 生意里最日常、最规模化、也最烧钱的那一段。 至此，OpenAI 划出了一条线：哪些事必须依赖供货商，哪些事可以自己来。 但这条线画出来的那一刻，关系就变了。 2 那么为什么是现在？答案在电厂里。 今天的数据中心，最缺的早不是显卡，是电。黄仁勋近年反复强调一个事实：数据中心的瓶颈正在从算