AI的下半场:不比谁更聪明,比谁更划算

先讲一件这两天发生的、有点魔幻的事。

MIT的CSAIL实验室，做了一组实验。他们让OpenAI的GPT-6 Astra，直接去改另一个小模型的"脑子"——不是训练它，不是给它提示词，而是直接改写它的神经网络权重。

改的对象是Qwen3.5-0.8B，一个不到10亿参数的小模型。改了多少呢？0.016%的权重。

结果，这个小模型的数学成绩，MATH-500上的准确率从7.9%干到了48.1%，翻了6倍。指令遵循能力IFEval，从21.0%干到了62.3%。

没有训练，没有梯度下降，没有算力轰炸。就是改了0.016%的权重。

MIT管这个叫"权重空间编程"。

你品一下这件事的含义。过去我们理解的AI能力建设，是"炼丹"：堆数据、堆算力、堆电费，一次训练几个月。现在，AI能力可以被"改装"了——像改装一台发动机，不是重新造一台车。

当然，也有冷水和争议。Meta的研究员质疑，实验里的提示词可能提前引导了排查方向。这个质疑是严肃的，我们后面还会回到"验收"这个话题。

还有一层边界要说：实验改的是推理循环这种结构性的低效，属于"拧螺丝"式的优化。如果你的模型本身方向就是错的，拧螺丝救不了它。改装能放大资产的价值，不能凭空创造价值。

但我今天想说的是，把这件魔幻的事，和11月3日到4日发生的其他几件事放在一起看，你会发现一条清晰的线：

AI的竞争，正在从"谁更聪明"，切换到"谁更划算、谁更可靠"。

上半场，比的是模型的智能上限。下半场，比的是智能的单位成本、状态的可靠性和结果的确定性。

这不是我的臆断。你看这个月行业里最聪明的那批钱在往哪里走，就明白了。

下面四件事，分别对应下半场的四张牌。

一、改装时代：模型是资产，不是项目

先回到开头的案例。

权重空间编程为什么值得认真对待？因为它改变了一个基本的会计科目。

过去，一个模型是一次性项目。训练完成，交付上线，能力就冻结了。想提升，只能等下一代，重新烧一遍钱。

如果"改权重"这条路能走通，模型就从"项目"变成了"资产"——资产是可以维护、可以翻新、可以按需改装的。

这对企业意味着什么？意味着你现在买的每一个模型、攒的每一份微调数据、跑的每一次评测，都是在积累一项可以持续升值的资产，而不是一笔花完就没了的费用。

当然，边界也要说清楚。MIT的实验对象是一个0.8B的小模型，改的是推理循环这种结构性的低效。在百亿、万亿参数的模型上怎么改，改完如何保证不伤及其他能力，都还是未知数。连Meta的研究员都在质疑提示词引导的问题。

所以这个案例正确的打开方式，不是"哇，不用训练了"，而是：开始把你的模型当成需要持续维护的资产来管理——记录它的版本、评测它的能力、留好它的账本。

具体怎么做？三件小事。

第一，给你在用的每个模型建一张"能力台账"：它擅长什么、在哪些评测集上什么水平、上次评测是什么时候。没有台账的模型资产，和没有账本的现金一样，丢了你都不知道。

第二，把微调数据、评测集、成功案例当作核心资产入库。下一次"改装"来的时候，这些就是你的原材料。MIT的实验能成，靠的就是对模型内部的精确理解——理解来自长期的记录和评测。

第三，警惕"一键万能"的诱惑。今天能让AI改权重，明天就有各种工具说能让AI改一切。凡是直接动你生产系统核心的东西，都必须配人工验收。这一点，后面还会反复出现。

改装时代的前提，是你知道自己的车现在是什么状态。

二、Token账本：算力的账，要按"有效产出"算

第二件事，是一个鲜明的对照组。

正面例子：11月4日，2026人工智能+大会上，趋境科技联合智谱、摩尔线程发布了"国产异构推理高品质AI Token工厂解决方案"。

它解决的是一个很实在的问题：大模型推理有两个阶段，Prefill负责理解输入，Decode负责逐字输出。这两个阶段的负载特征完全不同——一个吃算力，一个吃显存带宽。传统方案用同一种硬件贯穿全程，结果两头都不划算。

趋境的思路是异构协同：让计算强的芯片干Prefill，让带宽大的硬件干Decode，把CPU、GPU、内存、网络整体纳入调度。实测已在生产环境稳定承载万亿参数模型，同等硬件投入下，有效产出成倍提升。

反面例子：马斯克。11月1日，Grok Bot的额度条异常跳动，用户实测每1%周额度可用的token量，从约730万缩水到约390万，近乎腰斩。马斯克自己承认，这个服务的成本相对收入"高得扛不住"。

要知道，Grok Bot10月初的付费周活已经达到80万，环比翻倍多。用户越多，亏得越狠。这是2026年AI行业最真实的一组矛盾。

把正反两面放在一起，结论就出来了：

算力的账，不能按"我买了多少卡"算，要按"每百万有效Token的成本"算。

再看一个佐证。Anthropic刚刚更新了招股书：三季度收入169.56亿美元，同比增长1127%，年贡献超10万美元的企业客户超过1.19万家，前三季度调整后营业利润40.81亿美元，经营现金流转正。但与此同时，它的算力采购与租赁累计承诺已经高达约8954亿美元。

一边是历史级的收入增速，一边是历史级的算力账单。这个行业的头部玩家，全部都被同一道题困住：怎么让每一度电、每一张卡，产出的都是"有效Token"，而不是空转的热量。

算力的账，不能按"我买了多少卡"算，要按"每百万有效Token的成本"算。同一个智能水平，成本差一倍，商业模式就是生与死的差别。Grok Bot不是不够聪明，是每卖1美元亏得扛不住。趋境方案的价值也不在于技术多炫，而在于把普通算力变成了能用得起的生产力。

对你的行动建议：从今天起，给你的AI应用记一本"Token账"。每个业务环节，消耗多少token、产出多少有效结果、折算多少人工替代。这本账，下半场会决定你的项目是继续做还是被砍掉。

三、状态危机：上下文装得下，不代表状态跟得住

第三件事，是一盆恰到好处的冷水。

11月3日，Allen AI发布了评测集StateBench，专门测一件事：模型能不能在长对话里"跟得住状态"。

结果相当扎眼。Gemini 3.8 Flash、Claude Opus 5.5、GPT-6这些顶级模型，在最复杂的跨变量依赖任务上，准确率全部掉到13%以下。

注意，这不是长文本能力不行。今天的模型，上下文窗口动辄百万token，装一整本书没问题。StateBench测的是另一回事：对话进行了几千轮，前面某个变量被更新过、被引用过、被依赖过，模型还记得住吗？推理得对吗？

装得下，跟不住。

这解释了很多人用AI助手的真实体感：刚开始很聪明，聊得越久越糊涂。你以为它记着你的偏好、你的约束、你上周做的决定，其实它早就"忘了"，或者记串了。

这在业务场景里是会出事故的。想象一个客户服务的Agent：第一天客户说"以后都发邮件不要打电话"，第三天客户换了手机号，第五天客户说"那个方案再等等"。这些状态如果全靠对话历史扛着，Agent迟早会拿旧手机号打电话、把搁置的方案推进下去。不是模型笨，是状态根本没被管理。

另一个相关实验更说明问题：一个只有2.75亿参数的小模型，只训练到256次赋值，却要外推到64000次。循环架构在简单任务上外推还行，复杂任务全线崩溃。这说明状态维护是架构层面的难题，不是堆参数能解决的。

这对做AI应用的你是天大的好事——因为解法不在模型里，在工程里。

正确的设计是：把关键状态落到明确的数据记录里，让模型在需要时去读取和更新，而不是指望它把全部历史都记在对话里。

用户的偏好、业务的约束、任务的进度，这些应该是一张结构化的表，模型只是这张表的读写者。谁先把状态管理做扎实，谁的Agent就能从"聊天玩具"变成"生产工具"。

四、验证前置：在虚拟世界摔一万跤，再去现实摔一跤

第四件事，关于"确定性"。

11月3日，百度AI Day·Apollo专场，百度首次披露了面向物理AI的世界模型Apollo World。它已经用于萝卜快跑的全球化测试与验证。

最狠的一个数字是：Apollo World可以"日行十万公里"——一天完成的虚拟路测里程，相当于一辆带安全员的真实路测车连续测试约三年。

为什么世界模型这么重要？百度首席架构师王亮说得很透：世界模型不能只做"生成炫酷视频的画师"，更要做验证无人驾驶安全性的"考官"。关键是忠实还原现实物理规律和行为的因果，而不是渲染画质。

它把交通参与者都建模成有决策能力的AI智能体，让无人车在虚拟城市里跑"提前验证过的无限未来"。现实世界摔一跤很贵，虚拟世界摔一万跤很便宜。

另一个案例是它的反面教材。同样是这两天，OpenAI披露：自家成员用GPT-6 Astra设计一套测试设备的外壳、PCB和软件，不到一周完成设计，代工厂不到一个月做出小批量原型。听起来很美好？

但同一份披露里写了：制造前仍需多轮人工审核，模型不能稳定处理公差、装配细节和工厂限制。在一个CAD重建测试里，未公开的内部新模型得分0.875，而Astra只有0.594。

能设计，不等于能投产。

这两个案例的对比，恰恰是下半场的缩影：物理世界的验证成本极高，谁能把验证搬进虚拟世界、搬到自动化流水线里，谁就把"规模化"的门票拿到了手里。反过来，凡是跳过验收环节直接交付的，不管模型多强，都会在真实世界的公差、边角和意外面前翻车。

把这两件事放一起，下半场的第三张牌就清楚了：谁能在交付之前，用最低成本完成验证，谁就能规模化。

虚拟验证、自动化检查、可验收的交付物——这些"前置设施"的价值，正在超过模型本身的参数量。IBM的Palette项目也证明了这一点：20B的小模型，靠"生成→渲染检查→只保留确实改善结果的修复"这套流程，在演示文稿任务上平均提升3.5分。小模型+严验收，能打赢大模型+裸交付。

顺带一提，监管也在朝这个方向走。美国NIST刚刚发布了AI事件管理的工作坊报告，核心议题就是：出事怎么停、凭什么还原、谁负责接管。给企业交付AI系统的服务商，迟早要回答这三个问题。提前准备的人，到时就是壁垒。

最后

回到开头那0.016%的权重。

它的真正意义，不是宣告训练无用，而是宣告一种新范式的开始：AI能力不再只靠"更大的炼丹炉"，而是靠精细化的改装、调度、记账、验收。

上半场，AI行业的主题词是"能力"。下半场，主题词换成了四个更朴素的词：成本、状态、验证、资产。

DeepSeek在让Agent给自己造插件，Anthropic在三季度把收入做到169.56亿美元、同比增长1127%，同时背着近9000亿美元的算力承诺冲击上市。这个行业里最聪明的钱，都已经开始为"经济性"投票了。

给你的三条行动建议。

第一，建你的Token账本。从"这次AI演示很惊艳"切换到"这个环节每百万token成本多少、替代多少人工"。给每个AI环节记三笔账：消耗、产出、替代。算不清账的AI项目，会在下半场第一批被砍。

第二，把状态从对话里拿出来。用户的偏好、业务的规则、任务的进度，全部落到结构化数据里，让模型做读写者，不做记忆载体。这是Agent从玩具变工具的分水岭。

第三，先验收，后交付。给每一个AI产出配一道自动检查：能渲染的渲染看，能跑的跑一遍，能对照的对照一遍。虚拟世界里摔一万跤，再去现实里摔一跤。

三句话总结这三条建议的本质：把智能当资产管理，把成本当账户管理，把产出当质量管理。

AI不缺聪明。

缺的是把聪明变成确定性、又把确定性变成利润的那套功夫。

下半场，比的是这个。