1. 三条热搜背后其实是同一件事在三个方向上的投影2026年9月23日这一天AI圈的信息密度高得有点离谱。安理会就AI限速议题召开听证、云栖大会上真武V900正式亮相、Gemini 4被曝出幽灵模型泄题——这三件事单独拎出来都够写一篇长文但它们挤在同一天出现就不得不让人多想一层它们其实指向同一个底层矛盾那就是能力增长的速度和约束机制的建设速度之间的剪刀差。我先把这三件事的事实层和解读层分开说因为混在一起讲很容易变成情绪输出。事实层是某国际组织就AI系统的能力上限与安全边界开了听证会某云厂商在年度大会上发布了新一代自研芯片某头部模型被曝出存在一个未公开的幽灵版本且该版本的部分评测题目提前泄露。解读层则是这三件事分别对应了AI产业的治理侧、算力侧、模型侧而它们在同一天爆发说明整个行业已经进入了三线并进、互相拉扯的阶段。为什么我要用投影这个词因为如果你只盯着其中一条新闻看很容易得出片面结论。比如只看听证会会觉得监管要收紧只看芯片发布会觉得算力还在狂飙只看泄题会觉得模型竞争已经卷到不讲武德。但把三条放在一起你会发现它们其实是同一个系统在不同维度上的应激反应——算力在涨模型在卷治理在追三者之间的张力就是当下AI行业最真实的底色。这篇文章我不打算写成新闻串烧而是想按从业者视角把这三件事拆开讲清楚每一件背后的技术逻辑、产业影响以及如果你是一个正在做AI应用、做模型微调、或者单纯想跟上节奏的人应该从中读出什么信号。关键词里出现了大模型微调实战大模型部署多模态大模型AI Agent这些词说明读者群体里有相当一部分是动手派所以我会尽量把这事跟我有什么关系讲透。2. 安理会AI限速听证限的到底是什么速2.1 限速这个词本身就带着误导性很多人看到限速第一反应是不让AI跑太快了但如果你真的去读听证会的议题设置会发现它讨论的核心根本不是算力速度或者训练速度而是能力释放速度。这两个东西差别很大。算力速度是物理层面的受芯片、电力、散热限制能力释放速度是工程层面的指的是一个模型从训练完成到被部署到各种场景里、开始产生实际影响的速度。为什么这个区分重要因为如果是限算力那受影响的是训练侧大厂会疼但应用侧反而可能因为供给减少而涨价如果是限能力释放那受影响的是部署侧和Agent侧也就是关键词里AI Agent大模型部署这些方向。从听证会的议题来看后者才是重点。他们关心的不是你能训多大的模型而是你训完之后多快能把它接到真实系统上、多快能让它自主做决策。我个人的判断是这类听证会不会直接产生硬性约束但它会形成一个预期锚点。什么意思就是以后做AI应用的人在设计和部署的时候会不自觉地多考虑一层如果未来有释放节奏的要求我的架构能不能适配。这种预期一旦形成就会反过来影响技术选型。比如以前大家做Agent追求的是全自动、少干预以后可能会更倾向于人在回路的设计不是因为技术做不到全自动而是因为全自动的释放速度太快风险敞口太大。2.2 听证会释放的三个技术信号第一个信号是可解释性从加分项变成必选项。以前做模型微调大家更关心效果指标可解释性往往是论文里的点缀。但如果治理侧开始关注能力释放速度那它必然要求你能说清楚这个模型在什么条件下会做什么决策。这就直接影响到微调实战——你在做LoRA或者全参微调的时候是不是要保留更多的中间层输出是不是要设计更细粒度的评估集这些以前可以偷懒的地方以后可能偷不了懒。第二个信号是评测体系的独立性会被反复强调。Gemini 4泄题这件事和听证会放在同一天不是巧合。泄题暴露的是评测环节的脆弱性而听证会关心的恰恰是你怎么证明你的模型是安全的。如果评测题目都能提前泄露那评测结果的可信度就存疑。这对做模型评测、做AI测试开发的人来说意味着以后评测集的管理、评测流程的审计会变成一个专门的工程方向。第三个信号是**限速可能以分级的形式落地**。也就是说不是一刀切地限制所有AI的能力释放而是按场景、按风险等级来分级。低风险场景比如内部知识库问答可能不受影响高风险场景比如自主交易、医疗建议可能会有更严格的释放节奏要求。这对做AI应用的人来说意味着你在设计产品的时候要提前想清楚自己落在哪个等级里。2.3 对国内从业者的实际影响我知道很多人会觉得这是国际层面的事跟我没关系。但实际影响比想象中直接。最直接的一条是如果你做的AI应用涉及出海或者你的模型服务面向国际用户那这类听证会形成的规则预期会很快传导到你的合规成本里。以前可能只需要考虑数据隐私以后可能还要考虑能力释放节奏的说明义务。间接影响则更普遍国内的大厂在做模型发布的时候会参考国际上的治理框架来设计自己的发布策略。这意味着你作为下游开发者拿到的模型API可能会带上更多的使用约束——比如某些高风险能力默认关闭、需要申请才能开启。这不是坏事但它会改变你的开发习惯。以前是拿到API就能用全部能力以后可能是拿到API先看能力清单按需申请。我的建议是如果你正在做AI Agent或者自动化流程现在就可以开始做一件事把你的Agent的决策链路画出来标出哪些环节是自主决策、哪些是人在回路。这个动作现在做是主动设计等规则来了再做就是被动整改。而且这个梳理本身对系统稳定性也有好处不算白干。3. 真武V900亮相云栖自研芯片的第二曲线逻辑3.1 为什么云栖大会发布芯片这件事值得单独说云栖大会每年都发东西但真武V900这次有点不一样。不一样的地方不在于参数而在于它出现的时机。前面说了治理侧在讨论限速而算力侧在这个节点发布新一代自研芯片传递的信号是算力供给的自主性还在加强而且加强的方向不是单纯堆峰值算力而是堆有效算力。什么叫有效算力就是实际能被模型训练和推理用上的算力而不是纸面峰值。大模型训练里有个很现实的问题芯片峰值算力再高如果互联带宽跟不上、如果显存不够、如果调度效率低实际利用率可能只有峰值的一半甚至更低。所以真武V900如果只是在峰值上做文章那不值得单独讲它值得讲是因为从云栖大会释放的信息来看这一代更强调集群效率和推理性价比。这两个词对做模型部署的人特别重要。集群效率决定了你训练一个大模型要烧多少钱推理性价比决定了你部署一个模型之后每token的成本。关键词里有大模型部署本地部署大模型让个人电脑智能化说明很多读者关心的是部署侧。而部署侧最敏感的就是推理成本。如果真武V900在推理性价比上有实质提升那它会间接拉低整个市场的推理价格这对做应用的人来说是实打实的利好。3.2 自研芯片的第二曲线到底指什么我用第二曲线这个词是因为自研芯片这件事已经过了有没有的阶段进入了好不好用、便不便宜、生态全不全的阶段。第一曲线是解决卡脖子问题第二曲线是解决用得起、用得顺的问题。真武V900如果落在第二曲线上那它的竞争对手就不是某一款具体芯片而是用别人芯片别人云服务这个组合方案。这里有个很实际的判断标准看它有没有配套的软件栈。芯片再好如果没有好用的编译器、没有适配主流框架、没有成熟的算子库那开发者用起来就是灾难。云栖大会这种场合如果只讲芯片不讲软件栈那说明还在第一曲线如果软件栈讲得比芯片还细那说明进入第二曲线了。从今年的议程来看DataWorks、模型服务平台这些软件侧的内容占比不低这是一个积极信号。对做模型微调的人来说芯片迭代的直接影响是微调成本。微调一个7B模型和微调一个70B模型成本差一个数量级。如果新一代芯片把推理和微调的单位成本打下来那以前只能想想的微调方案就变得可行了。比如以前你可能只敢做LoRA因为全参微调太贵以后可能全参微调的成本降到可接受范围那效果上限就不一样了。3.3 芯片发布对大模型选择的连锁反应关键词里有个很有意思的词叫大模型选择tcc还是wddm。这其实是在问部署环境的选择。TCC和WDDM是两种不同的驱动模型前者更偏向计算任务后者更偏向图形任务。这个问题之所以会出现是因为很多人在本地部署大模型的时候发现不同驱动模式下性能差异很大。真武V900这类自研芯片的推进会间接影响这类选择。因为如果云端推理成本持续下降那很多原本打算本地部署的场景会重新算账是本地买卡部署划算还是直接用云API划算这个账不是简单的硬件价格对比还要算上运维成本、电力成本、模型更新成本。我的经验是除非你有数据不能出本地的硬约束否则在推理成本持续下降的趋势下云API的性价比会越来越高。但这不意味着本地部署没有价值。本地部署的价值在于可控性和隐私性这两个东西在特定场景下是不可替代的。所以我的建议是不要非此即彼而是做混合架构。敏感数据走本地非敏感的高频推理走云端。这种架构在技术上完全可行而且能兼顾成本和合规。4. Gemini 4幽灵模型泄题评测体系的信任危机4.1 幽灵模型这个说法本身就很值得玩味幽灵模型不是官方术语是社区给起的名字。它指的是一个没有正式发布、但在某些渠道里已经能接触到、并且参与了评测的模型版本。泄题则是指这个版本对应的评测题目提前流出了。这两件事叠加在一起暴露的不是某一个模型的问题而是整个评测链条的脆弱性。为什么评测题目泄露这件事这么严重因为现在大模型的能力证明高度依赖公开评测。你发一个模型说自己数学能力提升了依据是什么是某个数学评测集上的分数。如果这个评测集提前泄露了那分数就没意义了因为模型可能只是背下了答案。这跟考试泄题是一个道理但比考试泄题更麻烦的地方在于考试泄题可以重考模型评测泄题之后你很难判断这个模型在没见过的题上到底行不行。这对做模型微调的人有直接影响。因为微调的时候很多人会拿公开评测集来做验证。如果评测集本身被污染了那你的验证结果就是假的。你以为微调有效果实际上可能只是模型在训练数据里见过类似的题。所以我现在做微调会坚持一个原则验证集必须自己构造而且不能和任何公开评测集重叠。这个原则以前是最好这样做现在是必须这样做。4.2 评测体系的三个薄弱环节第一个薄弱环节是评测集的动态更新机制缺失。很多评测集一旦发布就固定了用几年都不变。这在模型能力快速迭代的背景下是不合理的。一个2024年能区分模型好坏的评测集到2026年可能所有模型都能拿高分区分度就没了。更糟的是固定评测集更容易被针对性优化也就是俗称的刷榜。第二个薄弱环节是评测过程的透明度不足。谁出的题、怎么抽的样、怎么打的分这些信息往往不公开。不公开就有操作空间。Gemini 4泄题这件事如果评测过程足够透明泄题的难度会大很多因为题目来源和抽样逻辑都是可追溯的。第三个薄弱环节是评测维度和实际使用场景的脱节。公开评测集大多测的是单轮问答或者标准任务但实际使用中用户更关心的是多轮对话的连贯性、工具调用的准确性、长上下文的稳定性。这些维度在公开评测里往往覆盖不足。所以你会看到一个模型在榜单上分数很高但实际用起来各种问题。4.3 从业者该怎么应对评测信任危机我的做法是建立三层验证体系。第一层是公开评测只作为参考不作为决策依据。第二层是自建评测集针对自己的业务场景构造这部分是决策的主要依据。第三层是线上A/B测试用真实用户行为来验证。三层都通过的模型才值得投入资源去微调和部署。自建评测集这件事听起来很重但其实可以很轻。你不需要一开始就搞几百道题先从20道开始覆盖你最关心的场景。比如你做的是客服Agent那就构造20个真实的客服对话场景包括正常问答、多轮追问、情绪化表达、边界问题。然后人工标注期望输出形成一个小的黄金集。这个集子不需要公开也不需要很大但它能帮你过滤掉大部分榜单好看但实际不行的模型。还有一个技巧是用对抗性评测来补充常规评测。常规评测测的是正常情况下的表现对抗性评测测的是边界情况下的表现。比如故意给模型输入有歧义的问题、故意在长上下文里埋关键信息、故意用多语言混合输入。这些情况在实际使用中很常见但常规评测很少覆盖。对抗性评测不需要很多题但能暴露出很多常规评测发现不了的问题。5. 把三条新闻串起来看2026年AI从业者的能力坐标系5.1 治理侧、算力侧、模型侧的三轴模型如果把这天的三条新闻抽象一下可以得到一个三轴坐标系X轴是治理Y轴是算力Z轴是模型能力。任何一个AI项目都可以在这个坐标系里找到自己的位置。你的项目越往X轴正方向走治理要求越高你就越需要关注可解释性和合规性越往Y轴正方向走算力依赖越高你就越需要关注成本和效率越往Z轴正方向走模型能力越强你就越需要关注评测和验证。这个坐标系的价值在于它帮你判断什么新闻跟我有关。比如真武V900的发布对Y轴依赖高的项目影响大对Y轴依赖低的项目影响小。Gemini 4泄题对Z轴依赖高的项目影响大对Z轴依赖低的项目影响小。安理会听证对X轴依赖高的项目影响大对X轴依赖低的项目影响小。我见过很多做AI应用的人每天被各种新闻轰炸但不知道哪些该关注、哪些可以忽略。用这个坐标系一筛就清楚多了。你的项目在哪个轴上依赖最重就重点盯哪个轴的新闻。其他轴的新闻可以看但不用焦虑。5.2 关键词里藏着的真实需求回过头看输入里给的那些关键词其实能读出很多信息。大模型微调实战大模型微调技术大模型微调这三个词反复出现说明微调是刚需。大模型部署本地部署大模型让个人电脑智能化大模型部署也是反复出现说明部署是刚需。AI Agent多AI协作ai agent出现说明Agent是热点。大模型提示词工程与上下文工程出现说明提示词工程还在被关注。把这些需求映射到三轴坐标系里微调对应Z轴模型能力部署对应Y轴算力效率Agent对应X轴和Z轴的交叉既要能力又要可控提示词工程对应Z轴的低成本能力释放。所以如果你是一个想入行的人我的建议是先从提示词工程入手成本最低然后学微调提升能力上限最后学部署控制成本。这个路径比一上来就啃部署要顺。5.3 一个容易被忽略的能力信息筛选这天三条新闻加上一堆热搜词信息量已经过载了。但真正有用的信息可能只有20%。剩下的80%是噪音、是重复、是情绪。所以我觉得2026年AI从业者最该练的能力不是写代码也不是调模型而是信息筛选。我的筛选方法是三问这条信息改变了我对哪个技术点的判断这条信息影响了我哪个正在做的决策这条信息如果我不看会有什么后果三个问题都答不上来的信息直接跳过。这个方法帮我省了大量时间也避免了被热点带着跑。具体到这三条新闻安理会听证改变的是我对Agent自主决策边界的判断影响的是我正在设计的Agent架构真武V900改变的是我对推理成本趋势的判断影响的是我下一个项目的部署方案Gemini 4泄题改变的是我对公开评测可信度的判断影响的是我的模型选型流程。三条都有实际影响所以值得花时间深读。如果某条新闻三个问题都答不上来那它对你就是噪音。6. 从今天的新闻里我实际会做的三件事6.1 重新审视Agent的决策链路受安理会听证的启发我会把手上Agent项目的决策链路重新过一遍。具体做法是把Agent的每一步决策列出来标注这一步如果错了后果是什么。后果严重的步骤加人工确认环节后果轻微的步骤保持自动。这个动作不需要等规则落地现在做就能提升系统稳定性。我试过这个方法发现一个反直觉的结论很多Agent项目里最危险的决策点不是最终输出而是中间的工具调用。因为最终输出用户会看错了能发现但中间的工具调用如果错了用户看不到错误会一路传导下去。所以工具调用环节反而更需要加校验。6.2 重新算一遍推理成本的账受真武V900的启发我会重新算一遍推理成本的账。不是简单对比云API单价 vs 本地硬件成本而是算全生命周期成本。包括硬件采购、电力、运维人力、模型更新、故障处理。算完之后再决定哪些场景走云、哪些走本地。我的经验是对于高频、低敏感的场景云API几乎总是更划算对于低频、高敏感的场景本地部署更合适。最怕的是高频、高敏感这种场景要么想办法脱敏要么接受更高的成本。没有两全其美的方案只有权衡。6.3 重建自建评测集受Gemini 4泄题的启发我会重建自建评测集。具体做法是从真实业务日志里抽样构造覆盖核心场景的评测题每道题标注期望输出和评分标准定期更新避免被针对性优化。这个集子不追求大追求真实和动态。我踩过的一个坑是一开始自建评测集的时候题目出得太标准结果模型在评测集上表现很好实际用起来还是不行。后来发现问题出在评测集和真实场景的分布不一致。真实场景里有大量不标准的输入——错别字、口语化表达、多语言混合、上下文跳跃。所以后来我构造评测集的时候会刻意保留这些不标准的特征让评测集更接近真实分布。7. 写在最后新闻会过期判断框架不会这天的三条新闻过几个月可能就没人记得了。但如果你能从里面提炼出判断框架那这个框架可以一直用。我的框架就是前面说的三轴坐标系加三问筛选法。坐标系帮你定位筛选法帮你过滤。两个工具配合使用基本能应对大部分AI新闻的冲击。最后分享一个我自己的习惯每次看到重大AI新闻我会写一句话记录这条新闻改变了我的哪个判断。写不出来说明这条新闻对我没影响写得出来说明值得跟进。这个习惯坚持了两年帮我积累了一份判断变化史。回头看的时候能清楚看到自己的认知是怎么迭代的比单纯记新闻有用得多。真武V900、Gemini 4、安理会听证这三件事在2026年9月23日交汇可能只是一个巧合。但它们共同指向的那个问题——能力增长和约束建设的速度差——会持续存在。作为从业者我们能做的不是预测哪个约束会先来而是把自己的系统设计得足够有弹性来什么约束都能适配。这才是长期主义。 
长河君 · 2026/11/2 4:45:41 · 阅读 1.2k AI三线并进：治理、算力与模型的能力剪刀差
1. 三条热搜背后其实是同一件事在三个方向上的投影2026年9月23日这一天AI圈的信息密度高得有点离谱。安理会就AI限速议题召开听证、云栖大会上真武V900正式亮相、Gemini 4被曝出幽灵模型泄题——这三件事单独拎出来都够写一篇长文但它们挤在同一天出现就不得不让人多想一层它们其实指向同一个底层矛盾那就是能力增长的速度和约束机制的建设速度之间的剪刀差。我先把这三件事的事实层和解读层分开说因为混在一起讲很容易变成情绪输出。事实层是某国际组织就AI系统的能力上限与安全边界开了听证会某云厂商在年度大会上发布了新一代自研芯片某头部模型被曝出存在一个未公开的幽灵版本且该版本的部分评测题目提前泄露。解读层则是这三件事分别对应了AI产业的治理侧、算力侧、模型侧而它们在同一天爆发说明整个行业已经进入了三线并进、互相拉扯的阶段。为什么我要用投影这个词因为如果你只盯着其中一条新闻看很容易得出片面结论。比如只看听证会会觉得监管要收紧只看芯片发布会觉得算力还在狂飙只看泄题会觉得模型竞争已经卷到不讲武德。但把三条放在一起你会发现它们其实是同一个系统在不同维度上的应激反应——算力在涨模型在卷治理在追三者之间的张力就是当下AI行业最真实的底色。这篇文章我不打算写成新闻串烧而是想按从业者视角把这三件事拆开讲清楚每一件背后的技术逻辑、产业影响以及如果你是一个正在做AI应用、做模型微调、或者单纯想跟上节奏的人应该从中读出什么信号。关键词里出现了大模型微调实战大模型部署多模态大模型AI Agent这些词说明读者群体里有相当一部分是动手派所以我会尽量把这事跟我有什么关系讲透。2. 安理会AI限速听证限的到底是什么速2.1 限速这个词本身就带着误导性很多人看到限速第一反应是不让AI跑太快了但如果你真的去读听证会的议题设置会发现它讨论的核心根本不是算力速度或者训练速度而是能力释放速度。这两个东西差别很大。算力速度是物理层面的受芯片、电力、散热限制能力释放速度是工程层面的指的是一个模型从训练完成到被部署到各种场景里、开始产生实际影响的速度。为什么这个区分重要因为如果是限算力那受影响的是训练侧大厂会疼但应用侧反而可能因为供给减少而涨价如果是限能力释放那受影响的是部署侧和Agent侧也就是关键词里AI Agent大模型部署这些方向。从听证会的议题来看后者才是重点。他们关心的不是你能训多大的模型而是你训完之后多快能把它接到真实系统上、多快能让它自主做决策。我个人的判断是这类听证会不会直接产生硬性约束但它会形成一个预期锚点。什么意思就是以后做AI应用的人在设计和部署的时候会不自觉地多考虑一层如果未来有释放节奏的要求我的架构能不能适配。这种预期一旦形成就会反过来影响技术选型。比如以前大家做Agent追求的是全自动、少干预以后可能会更倾向于人在回路的设计不是因为技术做不到全自动而是因为全自动的释放速度太快风险敞口太大。2.2 听证会释放的三个技术信号第一个信号是可解释性从加分项变成必选项。以前做模型微调大家更关心效果指标可解释性往往是论文里的点缀。但如果治理侧开始关注能力释放速度那它必然要求你能说清楚这个模型在什么条件下会做什么决策。这就直接影响到微调实战——你在做LoRA或者全参微调的时候是不是要保留更多的中间层输出是不是要设计更细粒度的评估集这些以前可以偷懒的地方以后可能偷不了懒。第二个信号是评测体系的独立性会被反复强调。Gemini 4泄题这件事和听证会放在同一天不是巧合。泄题暴露的是评测环节的脆弱性而听证会关心的恰恰是你怎么证明你的模型是安全的。如果评测题目都能提前泄露那评测结果的可信度就存疑。这对做模型评测、做AI测试开发的人来说意味着以后评测集的管理、评测流程的审计会变成一个专门的工程方向。第三个信号是**限速可能以分级的形式落地**。也就是说不是一刀切地限制所有AI的能力释放而是按场景、按风险等级来分级。低风险场景比如内部知识库问答可能不受影响高风险场景比如自主交易、医疗建议可能会有更严格的释放节奏要求。这对做AI应用的人来说意味着你在设计产品的时候要提前想清楚自己落在哪个等级里。2.3 对国内从业者的实际影响我知道很多人会觉得这是国际层面的事跟我没关系。但实际影响比想象中直接。最直接的一条是如果你做的AI应用涉及出海或者你的模型服务面向国际用户那这类听证会形成的规则预期会很快传导到你的合规成本里。以前可能只需要考虑数据隐私以后可能还要考虑能力释放节奏的说明义务。间接影响则更普遍国内的大厂在做模型发布的时候会参考国际上的治理框架来设计自己的发布策略。这意味着你作为下游开发者拿到的模型API可能会带上更多的使用约束——比如某些高风险能力默认关闭、需要申请才能开启。这不是坏事但它会改变你的开发习惯。以前是拿到API就能用全部能力以后可能是拿到API先看能力清单按需申请。我的建议是如果你正在做AI Agent或者自动化流程现在就可以开始做一件事把你的Agent的决策链路画出来标出哪些环节是自主决策、哪些是人在回路。这个动作现在做是主动设计等规则来了再做就是被动整改。而且这个梳理本身对系统稳定性也有好处不算白干。3. 真武V900亮相云栖自研芯片的第二曲线逻辑3.1 为什么云栖大会发布芯片这件事值得单独说云栖大会每年都发东西但真武V900这次有点不一样。不一样的地方不在于参数而在于它出现的时机。前面说了治理侧在讨论限速而算力侧在这个节点发布新一代自研芯片传递的信号是算力供给的自主性还在加强而且加强的方向不是单纯堆峰值算力而是堆有效算力。什么叫有效算力就是实际能被模型训练和推理用上的算力而不是纸面峰值。大模型训练里有个很现实的问题芯片峰值算力再高如果互联带宽跟不上、如果显存不够、如果调度效率低实际利用率可能只有峰值的一半甚至更低。所以真武V900如果只是在峰值上做文章那不值得单独讲它值得讲是因为从云栖大会释放的信息来看这一代更强调集群效率和推理性价比。这两个词对做模型部署的人特别重要。集群效率决定了你训练一个大模型要烧多少钱推理性价比决定了你部署一个模型之后每token的成本。关键词里有大模型部署本地部署大模型让个人电脑智能化说明很多读者关心的是部署侧。而部署侧最敏感的就是推理成本。如果真武V900在推理性价比上有实质提升那它会间接拉低整个市场的推理价格这对做应用的人来说是实打实的利好。3.2 自研芯片的第二曲线到底指什么我用第二曲线这个词是因为自研芯片这件事已经过了有没有的阶段进入了好不好用、便不便宜、生态全不全的阶段。第一曲线是解决卡脖子问题第二曲线是解决用得起、用得顺的问题。真武V900如果落在第二曲线上那它的竞争对手就不是某一款具体芯片而是用别人芯片别人云服务这个组合方案。这里有个很实际的判断标准看它有没有配套的软件栈。芯片再好如果没有好用的编译器、没有适配主流框架、没有成熟的算子库那开发者用起来就是灾难。云栖大会这种场合如果只讲芯片不讲软件栈那说明还在第一曲线如果软件栈讲得比芯片还细那说明进入第二曲线了。从今年的议程来看DataWorks、模型服务平台这些软件侧的内容占比不低这是一个积极信号。对做模型微调的人来说芯片迭代的直接影响是微调成本。微调一个7B模型和微调一个70B模型成本差一个数量级。如果新一代芯片把推理和微调的单位成本打下来那以前只能想想的微调方案就变得可行了。比如以前你可能只敢做LoRA因为全参微调太贵以后可能全参微调的成本降到可接受范围那效果上限就不一样了。3.3 芯片发布对大模型选择的连锁反应关键词里有个很有意思的词叫大模型选择tcc还是wddm。这其实是在问部署环境的选择。TCC和WDDM是两种不同的驱动模型前者更偏向计算任务后者更偏向图形任务。这个问题之所以会出现是因为很多人在本地部署大模型的时候发现不同驱动模式下性能差异很大。真武V900这类自研芯片的推进会间接影响这类选择。因为如果云端推理成本持续下降那很多原本打算本地部署的场景会重新算账是本地买卡部署划算还是直接用云API划算这个账不是简单的硬件价格对比还要算上运维成本、电力成本、模型更新成本。我的经验是除非你有数据不能出本地的硬约束否则在推理成本持续下降的趋势下云API的性价比会越来越高。但这不意味着本地部署没有价值。本地部署的价值在于可控性和隐私性这两个东西在特定场景下是不可替代的。所以我的建议是不要非此即彼而是做混合架构。敏感数据走本地非敏感的高频推理走云端。这种架构在技术上完全可行而且能兼顾成本和合规。4. Gemini 4幽灵模型泄题评测体系的信任危机4.1 幽灵模型这个说法本身就很值得玩味幽灵模型不是官方术语是社区给起的名字。它指的是一个没有正式发布、但在某些渠道里已经能接触到、并且参与了评测的模型版本。泄题则是指这个版本对应的评测题目提前流出了。这两件事叠加在一起暴露的不是某一个模型的问题而是整个评测链条的脆弱性。为什么评测题目泄露这件事这么严重因为现在大模型的能力证明高度依赖公开评测。你发一个模型说自己数学能力提升了依据是什么是某个数学评测集上的分数。如果这个评测集提前泄露了那分数就没意义了因为模型可能只是背下了答案。这跟考试泄题是一个道理但比考试泄题更麻烦的地方在于考试泄题可以重考模型评测泄题之后你很难判断这个模型在没见过的题上到底行不行。这对做模型微调的人有直接影响。因为微调的时候很多人会拿公开评测集来做验证。如果评测集本身被污染了那你的验证结果就是假的。你以为微调有效果实际上可能只是模型在训练数据里见过类似的题。所以我现在做微调会坚持一个原则验证集必须自己构造而且不能和任何公开评测集重叠。这个原则以前是最好这样做现在是必须这样做。4.2 评测体系的三个薄弱环节第一个薄弱环节是评测集的动态更新机制缺失。很多评测集一旦发布就固定了用几年都不变。这在模型能力快速迭代的背景下是不合理的。一个2024年能区分模型好坏的评测集到2026年可能所有模型都能拿高分区分度就没了。更糟的是固定评测集更容易被针对性优化也就是俗称的刷榜。第二个薄弱环节是评测过程的透明度不足。谁出的题、怎么抽的样、怎么打的分这些信息往往不公开。不公开就有操作空间。Gemini 4泄题这件事如果评测过程足够透明泄题的难度会大很多因为题目来源和抽样逻辑都是可追溯的。第三个薄弱环节是评测维度和实际使用场景的脱节。公开评测集大多测的是单轮问答或者标准任务但实际使用中用户更关心的是多轮对话的连贯性、工具调用的准确性、长上下文的稳定性。这些维度在公开评测里往往覆盖不足。所以你会看到一个模型在榜单上分数很高但实际用起来各种问题。4.3 从业者该怎么应对评测信任危机我的做法是建立三层验证体系。第一层是公开评测只作为参考不作为决策依据。第二层是自建评测集针对自己的业务场景构造这部分是决策的主要依据。第三层是线上A/B测试用真实用户行为来验证。三层都通过的模型才值得投入资源去微调和部署。自建评测集这件事听起来很重但其实可以很轻。你不需要一开始就搞几百道题先从20道开始覆盖你最关心的场景。比如你做的是客服Agent那就构造20个真实的客服对话场景包括正常问答、多轮追问、情绪化表达、边界问题。然后人工标注期望输出形成一个小的黄金集。这个集子不需要公开也不需要很大但它能帮你过滤掉大部分榜单好看但实际不行的模型。还有一个技巧是用对抗性评测来补充常规评测。常规评测测的是正常情况下的表现对抗性评测测的是边界情况下的表现。比如故意给模型输入有歧义的问题、故意在长上下文里埋关键信息、故意用多语言混合输入。这些情况在实际使用中很常见但常规评测很少覆盖。对抗性评测不需要很多题但能暴露出很多常规评测发现不了的问题。5. 把三条新闻串起来看2026年AI从业者的能力坐标系5.1 治理侧、算力侧、模型侧的三轴模型如果把这天的三条新闻抽象一下可以得到一个三轴坐标系X轴是治理Y轴是算力Z轴是模型能力。任何一个AI项目都可以在这个坐标系里找到自己的位置。你的项目越往X轴正方向走治理要求越高你就越需要关注可解释性和合规性越往Y轴正方向走算力依赖越高你就越需要关注成本和效率越往Z轴正方向走模型能力越强你就越需要关注评测和验证。这个坐标系的价值在于它帮你判断什么新闻跟我有关。比如真武V900的发布对Y轴依赖高的项目影响大对Y轴依赖低的项目影响小。Gemini 4泄题对Z轴依赖高的项目影响大对Z轴依赖低的项目影响小。安理会听证对X轴依赖高的项目影响大对X轴依赖低的项目影响小。我见过很多做AI应用的人每天被各种新闻轰炸但不知道哪些该关注、哪些可以忽略。用这个坐标系一筛就清楚多了。你的项目在哪个轴上依赖最重就重点盯哪个轴的新闻。其他轴的新闻可以看但不用焦虑。5.2 关键词里藏着的真实需求回过头看输入里给的那些关键词其实能读出很多信息。大模型微调实战大模型微调技术大模型微调这三个词反复出现说明微调是刚需。大模型部署本地部署大模型让个人电脑智能化大模型部署也是反复出现说明部署是刚需。AI Agent多AI协作ai agent出现说明Agent是热点。大模型提示词工程与上下文工程出现说明提示词工程还在被关注。把这些需求映射到三轴坐标系里微调对应Z轴模型能力部署对应Y轴算力效率Agent对应X轴和Z轴的交叉既要能力又要可控提示词工程对应Z轴的低成本能力释放。所以如果你是一个想入行的人我的建议是先从提示词工程入手成本最低然后学微调提升能力上限最后学部署控制成本。这个路径比一上来就啃部署要顺。5.3 一个容易被忽略的能力信息筛选这天三条新闻加上一堆热搜词信息量已经过载了。但真正有用的信息可能只有20%。剩下的80%是噪音、是重复、是情绪。所以我觉得2026年AI从业者最该练的能力不是写代码也不是调模型而是信息筛选。我的筛选方法是三问这条信息改变了我对哪个技术点的判断这条信息影响了我哪个正在做的决策这条信息如果我不看会有什么后果三个问题都答不上来的信息直接跳过。这个方法帮我省了大量时间也避免了被热点带着跑。具体到这三条新闻安理会听证改变的是我对Agent自主决策边界的判断影响的是我正在设计的Agent架构真武V900改变的是我对推理成本趋势的判断影响的是我下一个项目的部署方案Gemini 4泄题改变的是我对公开评测可信度的判断影响的是我的模型选型流程。三条都有实际影响所以值得花时间深读。如果某条新闻三个问题都答不上来那它对你就是噪音。6. 从今天的新闻里我实际会做的三件事6.1 重新审视Agent的决策链路受安理会听证的启发我会把手上Agent项目的决策链路重新过一遍。具体做法是把Agent的每一步决策列出来标注这一步如果错了后果是什么。后果严重的步骤加人工确认环节后果轻微的步骤保持自动。这个动作不需要等规则落地现在做就能提升系统稳定性。我试过这个方法发现一个反直觉的结论很多Agent项目里最危险的决策点不是最终输出而是中间的工具调用。因为最终输出用户会看错了能发现但中间的工具调用如果错了用户看不到错误会一路传导下去。所以工具调用环节反而更需要加校验。6.2 重新算一遍推理成本的账受真武V900的启发我会重新算一遍推理成本的账。不是简单对比云API单价 vs 本地硬件成本而是算全生命周期成本。包括硬件采购、电力、运维人力、模型更新、故障处理。算完之后再决定哪些场景走云、哪些走本地。我的经验是对于高频、低敏感的场景云API几乎总是更划算对于低频、高敏感的场景本地部署更合适。最怕的是高频、高敏感这种场景要么想办法脱敏要么接受更高的成本。没有两全其美的方案只有权衡。6.3 重建自建评测集受Gemini 4泄题的启发我会重建自建评测集。具体做法是从真实业务日志里抽样构造覆盖核心场景的评测题每道题标注期望输出和评分标准定期更新避免被针对性优化。这个集子不追求大追求真实和动态。我踩过的一个坑是一开始自建评测集的时候题目出得太标准结果模型在评测集上表现很好实际用起来还是不行。后来发现问题出在评测集和真实场景的分布不一致。真实场景里有大量不标准的输入——错别字、口语化表达、多语言混合、上下文跳跃。所以后来我构造评测集的时候会刻意保留这些不标准的特征让评测集更接近真实分布。7. 写在最后新闻会过期判断框架不会这天的三条新闻过几个月可能就没人记得了。但如果你能从里面提炼出判断框架那这个框架可以一直用。我的框架就是前面说的三轴坐标系加三问筛选法。坐标系帮你定位筛选法帮你过滤。两个工具配合使用基本能应对大部分AI新闻的冲击。最后分享一个我自己的习惯每次看到重大AI新闻我会写一句话记录这条新闻改变了我的哪个判断。写不出来说明这条新闻对我没影响写得出来说明值得跟进。这个习惯坚持了两年帮我积累了一份判断变化史。回头看的时候能清楚看到自己的认知是怎么迭代的比单纯记新闻有用得多。真武V900、Gemini 4、安理会听证这三件事在2026年9月23日交汇可能只是一个巧合。但它们共同指向的那个问题——能力增长和约束建设的速度差——会持续存在。作为从业者我们能做的不是预测哪个约束会先来而是把自己的系统设计得足够有弹性来什么约束都能适配。这才是长期主义。