范凯说 AI · 周日晚聊 第26期：AI 军备竞赛的账单，终于来到了你的钱包
开场
今天是第 26 期。内容分三块：OpenAI 这周的两个大动作、Anthropic 的魔幻一周、美光季报和苹果涨价；最后聊聊我这周最大的收获——Auto Research 和启发式学习。
关于国内编程工具和大厂智能体的讨论
直播前跟大家聊了一下国内编程工具的使用情况。Workbody（腾讯，前身 Coldbody）在国内市占率很高，但大家普遍反映复杂任务容易崩，背后连接的模型能力不够强。
我自己现在主要用的是一个开源工具叫 Paseo。它可以同时对接市面上主流的三四十种 AI Agent，在桌面、Web、iOS、Android 之间同步会话状态。你在 Mac 上开了一个任务，出门拿手机接着聊，状态还在。这是我比较推荐的多 Agent 管理方案。
有人问为什么不看好字节、腾讯这类大厂做企业智能体平台。我的观点很简单：当你 C 端赚钱赚到像印钞机，你很难沉得下心来做 2B 这种利润率低、又苦又慢的生意。 以前盛大做游戏赚到不行，陈天桥每次拿新业务跟游戏利润对比，一看差距太大，直接砍掉——最后只会有游戏业务存活。字节也是这个逻辑。中国有句老话：「由奢入俭难」。你过惯了奢侈的生活，很难回头做苦逼的事。腾讯相对好一点，因为它自己的主营业务增长已经到天花板了，不得不去做一些苦活。
第一部分：本周 AI 新闻
新闻一：OpenAI 双线出击——GPT-5.6 被政府管控 + Jalapeño 芯片 9 个月流片
GPT-5.6 与政府介入
昨天早上，GPT-5.6 正式发布，分三个版本：最强的叫 Soul（太阳），普通版叫 Terra（地球），更快更便宜的叫 Luna。但你打开 ChatGPT 找不到它——因为它目前只对少数合作企业开放，专门用于安全性评估。
更关键的是：美国政府已要求 OpenAI 对 GPT-5.6 进行缓慢的分阶段推出，并将逐个审批每位用户。OpenAI 已经同意。
这是 AI 模型发布史的分水岭。在此之前，AI 公司发布模型只需要经过自己的内部验证，然后就公开了。从 GPT-5.6 开始，政府审批成了发布流程里的正式环节。顶级 AI 模型正在被推向和美国《国际武器贸易条例》（ITAR）同等级别的监管框架——和航空、武器、军用卫星并列。
为什么走到这一步？ 几周前，Anthropic 的 Fable 5 因为美国商务部的出口管制令被强制全球下线，理由是存在潜在越狱风险、可以攻击软件安全漏洞，认为具有军事意义。Anthropic 抗议说 OpenAI 的模型也有类似能力，政府转头就把这把火烧到了 GPT-5.6 上。
这背后有一个值得深思的「作茧自缚」：过去几年，Anthropic 一直是 AI 安全 FUD（恐惧、不确定、怀疑）最积极的鼓吹者，不断游说政府、强调 AI 危险性。现在政府介入了，结果不是只针对「危险」的模型，而是对所有前沿模型一视同仁地设置门槛。你叫来了政府，却无法控制政府去管谁。
对普通用户的影响是清晰的：AI 发布的「月更时代」可能要结束了，中国用户基本被排除在审批名单之外，顶级模型的获取将越来越受地缘政治影响。
Jalapeño 芯片：9 个月完成流片
同一周，6 月 24 日，OpenAI 和 Broadcom（博通）联合发布了 Jalapeño——OpenAI 有史以来第一颗自己主导设计的 AI 推理芯片。
几个关键数字：从初始设计到完成流片，只用了 9 个月，而业界平均水平是 3 到 5 年。这是半导体史上有记录的最快 ASIC 开发周期之一。能这么快，有两个原因：一是博通是全球顶尖的定制芯片厂商；二是 OpenAI 用自家大模型深度参与了芯片的设计和优化。
性能上，早期测试显示 Jalapeño 单位功耗性能大幅优于当前最好的 GPU，计算成本降低约 50%。
把两件事放在一起看：GPT-5.6 在模型层被政府约束，Jalapeño 在基础设施层全速构建护城河。合规是进入门槛，算力是竞争壁垒。 更好的 AI 模型设计出更好的芯片，更好的芯片跑出更强的 AI——这个飞轮一旦转起来，增速就不再是线性的了。
新闻二：Anthropic 的魔幻一周——告阿里蒸馏 Claude，但自家旗舰至今还在下线
发生了什么
6 月 10 日，Anthropic CEO Dario Amodei 给美国参议院写信，指控阿里巴巴千问团队（Qwen Lab）对 Claude 发动了有史以来最大规模的蒸馏攻击：从 4 月 22 日到 6 月 5 日，约 44 天，用 25,000 个虚假账号，对 Claude 进行了 2880 万次对话交互，专门针对 Claude 的 Agent 推理能力和软件工程能力。
阿里否认了这一指控，并在美国联邦法院就五角大楼将其列为「中国军事企业」提起反诉。与此同时，有参议员正在推动把针对蒸馏攻击的制裁条款写进国防立法。
我的判断
我不认为这符合技术事实，原因有两点。
第一，规模上的可疑性。40 天 2880 万次对话，相当于每天 65 万次、每分钟将近 500 次。这种规模的异常调用，Anthropic 的风控系统会在 40 多天里完全没有发现、任由蒸馏完成吗？这个逻辑说不通。
第二，效果上的不匹配。如果千问真的被系统性蒸馏了这么多 Claude 的输出，两个模型在风格和能力分布上应该高度趋同。但实际测试下来，千问和 Claude 差异非常明显，完全不像被大规模蒸馏的样子。历史上蒸馏 Claude 最深的是 Minimax，你能明显感受到相似度——千问没有这种特征。
Dario 的行为模式也很清晰：2025 年 1 月 DeepSeek-R1 发布后他说 DeepSeek 蒸馏了 Claude，2026 年 2 月又点名月之暗面和 Minimax，现在又轮到千问。大概每隔几个月就找一家中国 AI 公司开刀，每次都给政府写信，每次都往国家安全上靠。一个真正有技术自信的公司，不需要每隔几个月就去给政府写告状信。
还有一点讽刺的：Anthropic 自己也在大量使用中文数据训练模型，有点贼喊捉贼的味道。去年它还因为使用 700 万本盗版书被起诉、赔了 15 亿美元。
更大的背景
Fable 5 至今仍然对全球所有用户下线——不只是中国用户，是所有用户。Anthropic 一边告阿里蒸馏，一边自家最好的模型因为自己游说来的政府管控而无法上线。这就是这场「基于恐惧的营销和地缘政治姿态」的代价。
这件事说明了一个现实：AI 已经从技术竞争演变成了地缘政治竞争。 谁的模型好已经不够了，还要看谁能在政策层面设置更高的壁垒。AI 的未来不只是技术的比拼，也是规则制定权的比拼。
新闻三：美光季报炸裂 + 苹果全线涨价——AI 推理的账单来了，苹果这次是自食恶果
美光季报
上周，美光科技发布了 2026 财年第三季度财报：营收 414 亿美元，同比增长 346%（去年同期是 93 亿）。调整后毛利率 84.9%，创下公司历史最高记录——一年前这个数字还不到 40%。
美光 CEO 说他们只能满足客户 50% 到 70% 的需求。2026 年全年的 HBM（高带宽内存）产能，在年初就已经被提前订光了。微软、谷歌、亚马逊、Meta 这些 AI 超级客户合计预付了 220 亿美元定金来锁定货源。
HBM 是为什么这么紧缺？AI 推理需要极高的内存带宽。你每次跟 ChatGPT 对话、用 Claude 写代码，背后都在持续消耗这种内存。而且推理不像训练那样只发生一次，它是每秒百万次、持续不断地发生。AI 推理的规模，已经超出了所有人一年前的预测。
苹果涨价和自食恶果
6 月 25 日，苹果宣布 Mac、iPad、HomePod、Apple TV、Vision Pro 全线涨价。MacBook 起售价涨了 150 美元，Mac Studio 高端配置涨了 1300 美元。理由是 AI 数据中心把全球 DRAM 和存储芯片都买光了，苹果没有办法再替用户扛住成本压力。
当天苹果股价暴跌 6%。
但最让人感慨的是背后这段历史：2023 年内存市场处于罕见淡季，整个行业利润率跌到了 -9%，也就是卖一块亏一块。苹果趁机把内存芯片采购价压到了 5 美元，然后自己在产品上加价 99 美元卖给消费者。美光跟苹果谈了很多年，想把采购价从 5 美元提到 7 美元，被拒绝了。
现在局面完全反转：AI 客户预付了 220 亿美元，美光的货不愁卖，根本不需要宠着苹果。你在我最难的时候压价，我在你最需要我的时候不打折。 苹果 2023 年埋下的因，现在结成了果。
苹果现在甚至在尝试向中国的长鑫存储（合肥）和长江存储（武汉）采购消费级存储芯片，但美国政府还没有批准。
这条传导链已经打通
AI 推理需求爆发 → HBM 需求暴增 → 美光/海力士/三星涨价 → 苹果扛不住 → Mac/iPad 涨价 → 消费者买单。
这不是泡沫的样子。没有人会把 220 亿美元的定金打给一家自己不信任的供应商。GPU 缺、内存缺、发电机缺、光互联需求爆发——这些都是真实需求在以肉眼可见的速度增长。
AI 军备竞赛的代价，开始通过产业链层层传导，最终落到了普通消费者的钱包里。内存、硬盘、手机、电脑——在未来一到两年内，这种涨价趋势不会实质性缓解，因为头部内存厂商的扩产周期也要两到三年。
第二部分：Auto Research 与启发式学习——AI 开始自己找答案
这周我深度研究了两个相关的概念：Andrej Karpathy 提出的 Auto Research，以及 OpenAI 一位做强化学习的研究员提出的启发式学习（Heuristic Learning，HL）。我觉得这是智能体进化的下一步。
三种解决问题的范式
我们现在解决问题，基本上有两种方式：
第一种是传统写代码——人把逻辑想清楚，写成程序，计算机执行。结果完全可控、可解释，但有一个根本限制：复杂的问题，规则写不完。
第二种是交给 Agent——给它一个目标，它自己拆解，调用工具，一步步完成。这比传统方式强很多，但有一个前提：你自己得大概知道这件事应该怎么做，Agent 帮你实现具体步骤。
Auto Research 是第三种：你只知道目标，连解决方案是什么都不知道，让 AI 自己探索出来。
核心机制三件套
- 一个可以被 AI 修改的程序 — 这是被优化的对象，比如一个量化交易策略的代码。
- 一个固定不变的评估器 — 输入程序，输出一个分数，比如策略的 Sortino 比率。评估器定下来就不能改，它是公平比较的唯一基准。
- 迭代规则 — 每轮只改一个变量，比上一轮更好才保留，变差了就回滚，然后无限循环直到你手动停止。
就这三样东西，然后让 AI 自己跑。它改代码、跑评估、看分数、保留或回滚，再提出下一个假设，周而复始。
用最简单的例子说：排序算法。你告诉 AI，我给你一百个数字，你帮我找出最快的排序方式。AI 自己去搜集所有已知排序算法，挨个试，速度更快的留下、更慢的扔掉，最后找出最优解。这个答案，你自己可能没有想过。
Auto Research vs 直接问大模型
你可能会问：为什么不直接让 ChatGPT 告诉我「最好的量化策略是什么」？
确实能给答案，但那是大模型从训练数据里提炼的通用知识——它回答的是「大多数情况下什么可能有效」，不是「对于这个具体市场、这段具体时间、这些具体标的，什么是最好的」。大模型是黑盒，你不知道答案怎么来的，也没办法验证和迭代。
Auto Research 产出的是完全不同的东西：每一轮迭代的结果是可执行的代码，逻辑清晰、可读、可调试。你知道它是怎么工作的。 这是白盒，不是黑盒。而且它找到的答案，可能是大模型也不知道的答案。
AlphaGo Zero 就是这个思路
AlphaGo Zero 不使用人类棋谱，只给围棋规则和一个目标：让胜率最高。然后自己对弈几十万盘，训练出来的模型无人能敌。这就是 Auto Research 的思路——只是在那个时代，这种框架只能用在顶尖的科研项目里，成本极高。
现在能做到什么
量化交易是一个很好的应用场景。你给一个初始策略（比如单均线），设定优化目标（最大化风险调整后收益）、防过拟合规则，然后让 AI 自己迭代。Karpathy 的实验大概每小时跑 12 轮，一晚上 100 轮。实际项目中一个月的实盘测试跑出了 16% 的收益，大幅跑赢基线策略。
类似的场景还有很多：Prompt 工程优化（评估器是胜率）、RAG 检索管线（评估器是检索准确率）、SQL 查询优化（评估器是执行时间）。关键判断标准就一个：你能不能写一个脚本，输入一段代码，输出一个数字，告诉你这段代码有多好？ 如果能，这个问题就适合用 Auto Research。
代价与趋势
Token 消耗比普通 Agent 高一个数量级。跑一晚上 100 轮，可能相当于你平时用一两个月。但这个成本在下降：DeepSeek V4 这类便宜的开源模型完全可以承担 Auto Research 的负载，而美光的财报也告诉你推理成本还在持续下降。
今天的门槛，是明天的入门配置。
我的洞察
AI 进化的路径是：对话（给信息）→ Agent（执行任务）→ Auto Research（探索未知）。 每一步都是能力量级的跃升。
现在的 Agent 执行的是你定义的任务、用的是已知的方法。Auto Research 探索的是你提出的方向——哪怕你自己也不知道答案是什么。
只要你能定义「好」的标准，AI 就能帮你找到最好的方案。 这才是它真正恐怖的地方。我们生活在这个时代，是一件很幸运的事情。
用户答疑精选
Q：45 岁的研发工程师面对 AI 浪潮很焦虑，公司已经在裁前端和测试，怎么办？
这个趋势是真实的，不会逆转。我认为未来大多数中型公司会消失，大多数人最终会走向独立个体经营（OPC）或者极小规模的团队就业。现在的传统研发岗位在缩减，但未来 AI 全面渗透企业 IT 系统的过程，反而会产生大量的「前端部署工程师（FDE）」需求——懂 AI、能落地、能跟客户对接的那类人。要往增量方向迁移，不要死守存量岗位。
Q：AI 现在很多人赚不到钱，是不是泡沫？
我经历了完整的互联网和移动互联网两个时代。互联网早期只有打广告一种变现方式，2000 年泡沫破了，但后来通过电商、游戏、会员制都跑通了。移动互联网早期说广告没法投、支付不方便，后来信息流广告赚的比 PC 还多。AI 也一样，现在是基础设施普及的早期，C 端和 B 端都还没找到最优变现路径。时间会解决这个问题。
Q：企业自建算力跑智能体有没有意义？
完全正常的选择，很多企业担心调用云端 API 会泄露核心数据。自建的话建议用千亿级别的模型，几百亿的模型在复杂任务上还是受限制。
Q：Agent 会不会造成企业信息孤岛？
Agent to Agent（A2A）已经是热门方向。真正企业全面 Agent 化之后，Agent 之间的通信是完全自动化的，反而比现在的 IT 系统更流畅，不会孤岛。
本期金句
- OpenAI 这周一手被政府拴住，一手给自己造了一把更快的剑。GPT-5.6 发布权受限，Jalapeño 芯片把推理成本降 50%。合规是进入门槛，算力是竞争壁垒。
- AI 发布的「月更时代」可能要结束了。不是因为技术瓶颈，是因为政治介入。
- Anthropic 叫来了政府，却无法控制政府去管谁。鼓吹 AI FUD 的人，最终把整个行业都推进了监管的笼子里。
- 用自家大模型参与设计芯片，9 个月完成流片——AI 正在加速它自己的进化。这个飞轮一旦转起来，增速就不再是线性的了。
- AI 已经从技术竞争演变成了地缘政治竞争。谁的模型好已经不够了，规则制定权才是下一个战场。
- 你在我最难的时候压价，我在你最需要我的时候不打折。苹果 2023 年埋下的因，2026 年结成了果。
- 美光营收同比涨 346%，毛利 85%，客户预付 220 亿美元定金。AI 热潮不是泡沫——钱是最诚实的。
- AI 推理需求 → HBM 需求暴增 → 苹果扛不住 → Mac 全线涨价。这条传导链已经打通，以后只会更贵。
- 现在的 Agent 执行你定义的任务，用的是已知的方法。Auto Research 探索你提出的方向——哪怕你自己也不知道答案是什么。
- 大模型是黑盒：你问它，它给你答案，你不知道为什么。Auto Research 是白盒：每一步改动都是代码，可读、可调试、可验证。
- 只要你能定义「好」的标准，AI 就能帮你找到最好的方案。推理成本在下降，今天的门槛，是明天的入门配置。
- AI 进化的路径：对话（给信息）→ Agent（执行任务）→ Auto Research（探索未知）。每一步都是能力的量级跃升。