AI 公众号 · 选题策划

LLM 的能力不是单一参数决定的，而是 能力 = 模型质量 × 决策自由度 的乘积。Fable 5 的核心突破不是在模型架构上做了什么惊天动地的创新，而是给了模型更大的决策自由度——让它自己判断该不该写测试、该不该重构、该跑什么实验。当自由度从 0（严格遵循指令）提升到近乎 1（完全自主），输出质量的提升是非线性的，但不可控性的提升也是指数级的。这就是为什么有人爱死 Fable、有人觉得它「不听话」。

Fable 5 的成本是 Sonnet 5 的数倍。Anthropic 选择「退役 Fable + 推 Sonnet 5 + Opus」，本质上是在做一道成本效益题：是把所有资源砸在一个全能模型上，还是拆成多个专业化模型打配合？ 后者更便宜、更可控、更容易迭代。这不是技术路线之争，是资源配置决策——当用户基数大到一定程度，分拆是必然的。

如果「分拆策略」是对的，那我们接下来会看到：① 每个专用模型（编码/写作/分析）的性价比将超过全能模型 ② 模型间的编排/路由层（router）成为新的关键基础设施 ③「全能智能体」这个品类本身会被重新定义——不是被一个模型塞满所有能力，而是多个模型协作完成复杂任务。Coinbase、Every 已经在用路由策略降低 90%+ 的 AI 开销，这不是巧合。

安全的本质是 信任边界。传统攻击需要攻击者跨越信任边界——拿到密码、植入后门、找到漏洞。但 AI Agent 攻击的可怕之处在于：攻击者不需要跨越信任边界。Agent 本身就站在信任边界内部——你有权让它执行 Python 代码，它就能自主完成从漏洞利用到数据加密的全过程。这不是「黑客技术升级」，这是攻击模型本身的范式转变：从「闯入」变成了「授权滥用」。

Agent 生态正在快速标准化——MCP、Anthropic Tool Use、OpenAI Function Calling。标准化的好处是互操作性，坏处是攻击面统一。以前黑客要研究每个系统的特异性，现在只需要知道一套 Agent 协议就能攻击一批系统。JADEPUFFER 打的 Langflow 只是第一枪——任何暴露了 Agent 接口的服务都是潜在靶子。

如果 Agent 自己能当攻击者，那安全行业必须从「防人」转向「防 AI」。这意味着：① Agent 的能力边界必须可审计（它能做什么、不能做什么、做了什么） ②「行为监控」将取代「权限控制」成为安全的核心——因为权限控制挡不住授权范围内的恶意行为 ③ 模型厂商（Anthropic、OpenAI）将不得不在产品中内置安全可观测性，否则企业用户不敢用。你看到的隐写术、Chat Control 2.0 都是这个趋势的前奏——只不过有的是技术方案，有的是政治方案。

开源模型的本质是 把你的代码变成别人的基础设施。MIT 许可意味着任何人可以无限制使用、修改、商用 LongCat 的权重。美团不是在做慈善——万亿参数模型的训练成本（五万卡集群）已经高到只有极少数公司能承担。真正稀缺的不是模型权重，而是训练它的算力、数据和组织能力。 开源权重不但不伤害美团，反而让它获得了两样东西：社区生态的反馈和改进、以及事实上的标准制定权。

美团做 AI 的动机和 OpenAI、DeepMind 截然不同。OpenAI 的商业模式是卖模型，美团的商业模式是做本地生活。对美团来说，AI 不是收入中心，而是成本中心——模型如果能降低外卖配送成本、优化商家运营、提升推荐准确率，ROI 就成立了。这意味着美团可以容忍比纯 AI 公司更低的模型货币化率，这恰恰是它在 AI 投入上比 AI 公司更坚决的原因。

如果「有真实业务场景的公司」在 AI 基础设施投入上比 AI 公司更坚决，那我们会看到：① 越来越多的行业公司（字节、滴滴、快手）发布自己的大模型——不是因为它们要成为「AI 公司」，而是因为 AI 能直接降本增效 ② 模型市场从「谁参数大谁赢」转向「谁落地好谁赢」——参数只是门槛，业务整合才是护城河 ③ 纯 AI 公司（如智谱、百川）面临双重挤压——上面有 OpenAI/Anthropic 的技术天花板，下面有美团/字节的落地能力。

半导体行业服从的是 物理定律 × 经济规律 的双重约束。物理层面：3nm 以下量子隧穿效应导致漏电严重，制程微缩的红利在快速衰减。经济层面：每代制程的研发投入呈超线性增长——台积电 3nm 研发投入超过 500 亿美元，下一代只会更多。NVIDIA 的延期不是执行力问题，是"Scaling Law"在硬件端的镜像——就像模型规模不能无限增长一样，芯片迭代速度也有物理上限。

但下游（Meta、微软、黑石）的疯狂投资并不是非理性的。他们在赌的是：单芯片性能增长放缓后，系统级优化可以补上缺口。具体路径包括：① 更大规模的集群互联（千兆瓦级别） ② 专用架构（TPU、LPU、存算一体） ③ 模型层面的效率优化（MoE、蒸馏、量化）。这解释了为什么扎克伯格建千兆瓦集群、SK 海力士上市——他们看到的是「芯片不够，系统来凑」的机会窗口。

如果单芯片迭代放缓、系统级优化加速，那么：① 互联/封装/散热技术（Chiplet、硅光子、液冷）将成为比芯片制程更关键的投资方向 ② 中国 AI 芯片公司的追赶窗口正在收窄——不是因为技术差距，而是因为整个行业都在从「拼芯片」转向「拼系统」，系统能力需要生态积累 ③ 算力成本从「硬件成本」转向「能源成本」——谷歌用电量增长 37% 不是偶然，3-5 年后 AI 的最大开支可能不是买 GPU，而是付电费。

搜索的本质是 "用户主动表达意图"——输入关键词、浏览结果、选择服务。而 AI 的本质是 "从上下文推断意图"——用户不需要表达，机器已经知道。当 AI 嵌入支付宝、键盘、群聊这些场景，核心变化不是交互方式的改变，而是 意图表达的成本降到了零。用户不需要学习怎么搜索、怎么填表单、怎么找服务，因为 AI 已经从你的对话历史、键盘输入、群聊上下文中推断出了你要做什么。

入口的终极形态不是更快地搜索，而是不需要搜索。这解释了为什么所有超级 App 都在做 AI——不是因为它们想做聊天机器人，而是因为它们不想在下一波入口之争中出局。微信、支付宝、抖音——谁先让用户习惯「说句话就办完事」，谁就锁定了下一代的用户行为。AI 不是在改进搜索，AI 是在消灭搜索。

如果「意图直达」成为主流交互模式：① 服务商的获客逻辑将彻底改变——以前用户通过搜索/推荐找到你，以后是 AI 直接替你匹配用户，你只需要提供高质量的服务接口 ② SEO 将被 AEO（Answer Engine Optimization）取代——你的服务能不能被 AI 正确识别和推荐，比你的 App 在应用商店的排名重要一百倍 ③ 超级 App 的 AI 化将加速「围墙花园」——支付宝只推荐支付宝生态内的服务，微信只推荐微信生态内的服务。开放 vs 封闭，将是下一个十年的核心争论。

Every 的 Compound 步骤触及了一个被忽视的事实：AI 没有长期记忆。每次会话都是全新的开始——你昨天教会 AI 的东西，它今天全忘了。ClAUDE.md 的本质不是「文档」，而是 AI 的外部记忆。把解决问题的经验写进 AI 能在会话开头读取的文件中，等于在给 AI 装上一个"经历过"的假记忆。这是 AI 时代知识管理的终极形态——不是给人看的 wiki，而是给 AI 读的上下文。

为什么是现在出现了这种方法论？因为 模型的上文窗口在变长，但会话之间的隔离是结构性的。即使模型有 1M token 的上下文，每次新会话仍然从零开始。只要这个结构性隔离开在，Compound 式的「外部记忆」就是必需的基础设施。这不是某一款产品的功能缺失，是整个 LLM 架构的设计约束。

pxpipe 利用的是一个定价错位：API 对文本 token 按 token 数量计价（每 token 约 $X），对图像 token 按像素尺寸计价（每 1024² 像素约 $Y）。由于模型在视觉编码上的信息压缩比高于文本编码——一张 512×512 的 PNG 虽然包含大量像素，但模型看到的"信息量"远小于同样 token 数的文本——所以同一个 prompt 用图像传比用文本传便宜。这不是 bug，是 API 定价模型在跨模态场景下的不一致性。

这种错位不可能长期存在——要么模型调整图像 token 定价，要么 pxpipe 被官方封杀。但 pxpipe 的出现本身揭示了一个更大的趋势：AI 成本套利将成为一门生意。就像金融市场的套利者会寻找定价不一致一样，AI 使用者会不断寻找 API 定价中的「漏洞」——缓存策略、批次优化、混合模型路由、token 压缩。这个市场最终会被定价优化中间层吃掉（类似 FinOps 之于云计算）。

提示工程的核心不是"告诉 AI 做什么"，而是"定义 AI 的决策空间"。好的 Prompt 之所以有效，不是因为措辞巧妙，而是因为它缩小了模型的搜索空间。Fable 5 的 /goal 提示语本质上是在说：「你需要自主决定目标、设计实验、执行并汇报结果」——这不是"指令"，这是"角色+边界+输出格式"。模型越强，你需要给的具体指令越少，需要定义的边界和自由度越清晰。

随着模型能力持续提升，提示工程将从「写指令」变成「设计系统」。未来的"优秀 prompt 工程师"实际上在做系统架构设计——定义决策边界、设计反馈回路、配置工具接口。这也是为什么 Fable 5 的 Prompt 技巧对 Sonnet 5 不完全适用——模型变了，决策空间的形状就变了。但方法论（定义边界、设定角色、明确输出）是可以迁移的。

Emil 做的事情本质上是在 把隐性知识转化为显性规则。设计审美是人类最难被 AI 复制的的能力之一——因为它通常靠"感觉"，而感觉无法被 hardcode。Emil 做的是把"感觉"分解为可验证的判断原则（动画有没有理由、响应速度够不够快、间距是否符合规范）。这不是教 AI「审美」，而是 给审美找到了可量化的代理指标。

如果隐性知识可以被编码为 AI Skill，那么每个工种的"高手经验"都可能被 Skill 化。不光是设计——算法选择、架构决策、代码审查、谈判策略……所有"这事我做得好但说不清怎么做的"能力，都可以被提取、封装、复用。这不是 AI 取代人类专家，而是专家经验的杠杆率被 AI 放大了——以前一个专家只能带几个徒弟，现在一个专家写的 Skill 可以被成千上万个 AI 实例使用。

视频理解的瓶颈一直在多模态对齐——视觉信息（画面）和语言信息（字幕/音频）是两套不同语义空间的数据。以前的 AI"理解"视频本质上是只理解字幕文本——画面是盲区。claude-real-video 的关键帧提取+去重+转录方案，本质上是在建一座 廉价的多模态桥梁：不追求实时全量理解，而是通过关键帧采样把视觉信息降到文本模型能处理的信息密度。这不是最好的方案，但它是今天就能用的方案。

多模态能力正在从"可以用"走向"足够好"的临界点。当 AI 真的能理解视频内容、生成视频内容、编辑视频内容，内容生产的边际成本会断崖式下降。不是从 100 降到 80，是从 100 降到 1。这跟 Midjourney 对平面设计的影响是一样的——原来需要一个团队才能做的事，一个人+AI 就足够了。对公众号而言，这意味着视频类内容的生产门槛大幅降低——纯文字号做视频内容的障碍正在消失。