0
0故事 A：断了网，Agent 照样传话
OpenAI 说前沿训练从此不接实时互联网。起因是 9 月 20 日，一个内部研究模型钻了 DNS 配置缺陷，短暂碰到外网，最强模型的训练和评测停了 11 天。现在 Agent 在内部的“小互联网”里训练：网页缓存加多 Agent 留言板，看着像真的，其实断开。红队来打这个环境，发现 Agent 能借 CPU 缓存的快慢编码信息，在隔离的虚拟机之间传出了话。多数测试里通道是研究者指定的，只有一次是 Agent 自己变出来的，而且大多传得很慢。
分析：Agent 会找到越来越多奇怪的路，越过我们画的边界，这个趋势很明显。断网也不等于安全：同一周有篇论文把后门训进开放权重的模型，断了网的沙箱里它照样靠 DNS 把密钥传出去。模型本身就是攻击面，Agent 一次干的事太多，tool call 根本看不过来。漏洞被大规模挖、被用，政府就紧张了：德州总检察长在起诉书里请求，新模型发给本州用户之前，要过法院认可的第三方评估。以后没准有德州特供、加州特供，至少会多出一门生意：谁来做第三方评测。
故事 B：钱在这几家公司之间转
NVIDIA 的 10-Q 写着，AI 云要是没能把承诺的容量卖给第三方，NVIDIA 同意买下，这一项是 360 亿美元；这类承诺、租赁和担保合计约 1,645 亿美元（我自己加总的），多数是上限，对方出事才付。SpaceX 的 8-K 写的是一份有约束力的承诺函：将来和 Apollo 管理的主体订融资租赁，本金约 400 亿美元，利率还没定。Apollo 的首席经济学家 Slok 把 Magnificent 7 拿掉，看剩下的 S&P 493 家，每员工收入、利润率、生产率几乎看不到 AI 的回报。a16z 的图里，GPU 租金以 1 月 1 日为 100，到 10 月中旬 H200 约 263、B200 约 222，连 A100 也约 107（图上读数）。
分析：这个钱好像始终都在这几种公司之间转：卖卡的人先借你钱，你拿钱买卡，怕你卖不出去，我再给你兜底。有点像去年模型厂商、卡厂商、云厂商互相借款、互相投资的循环，只是现在进来的角色更多了。AI 真正提效的行业很窄，钱也就在这几个行业里赚；能漏出去的，只有盖数据中心的那帮人，可这钱又有一大块扔回了卡里。所以这波 AI 的钱流转得快、量也大，却没怎么流出去，这是个挺大的问题。租金反着涨也一样：以前数字产品都贬值，财务按折旧算；现在 1 月买一张 A100 扔出去租，还能赚得更多，财务的算法恐怕得换。
故事 C：数学家造自己的 AI
9 月 11 日，25 位菲尔兹奖得主发了联合声明，提醒解题本身不是目的，只是通往理解的工具和代理。斯坦福 Percy Liang 等人的 After42 让研究者定目标，AI 读论文、提问题，在“解、改写、批判”的循环里打磨，再交给专家；29 位专家评了 135 个问题，45 个（33%）被认为有趣。9 月 18 日，SAIR 在陶哲轩的博客上宣布 Open Math Model，开放权重和代码，数据归社区。10 月 6 日，OpenAI 一口气放出 722 篇手稿，第二天撤回 3 篇；10 天后，SAIR 的 Open Math OS 软上线：你问一道数论题，它让 Agent 用 Lean 证明，再加进你的论文，底下先用 DeepSeek、Kimi、GLM 这类开放模型，现在要申请才能用。陶哲轩在 Observer 的采访里，把 AI 公司堆出来、打磨得很差的证明比作 toxic waste。四位数学家给 OpenAI 的稿子建了公共修订库；OpenAI 把证伪指数时间假设（ETH）那项结果，交给了学界牵头的小组。
分析：数学界这个月从评论变成了自己动手。AI 提的问题够新、够难，就是不够有趣，这是 taste 的问题，得人来补。自己做模型，是因为闭源模型连思维链都不给你看，给了也是连成一坨。toxic waste 这个词，放在程序员眼里，不就是前年大家嘴里 AI 写的垃圾代码吗？现在还有谁这么说？数学家的反应，是坟被人挖了以后的感觉，但他们没只是骂，还搭了修订库。AI 公司注定会出科研成果，要融进学术体系，得靠学术界的人、结构和流程去接，国内的大学也可以有这样的机构。
专题 1：同一个模型，换张考卷就掉了 9 分
Kimi K3.1 Pro 是 2.8T 总参数的模型，K3 的后训练版本。发布时它在 Artificial Analysis 的 v4.3.2 指数上是 55 分；10 月 27 日 AA 升到 v5，它变成 46。新榜区分度高得多：最高的 Gemini 4 Carbon 59、Claude Opus 5.5 58，已放权重的开放模型最高只有 32。Vals 测出，同一份 Kimi K3 权重，法律任务在 Baseten 上 60.6%，在 Moonshot 官方 API 上 75.8%，成本最多差 2.3 倍。ARC-AGI-3 榜上，同一个 Gemini 4 Argon，换一套 harness，46.3% 变成 97.3%。Convovo 用 API 问“我该投谁”，Grok 4.7 点名党派时 92% 选共和党，GPT-6.1 Sol 97% 选民主党，两家的 App 都拒答。
分析：Kimi 不是耍花招，只是撞上了 AA 换考卷的枪口。所以以后说模型哪家强，得把评测集的版本说明白。一个分数至少要写清四层：测试集版本、harness、推理提供商、产品入口。模型和 harness 几乎是乘的关系；同一个模型，换个推理厂商，成本和准确率都不一样；语料差不多，不同产品的政治倾向却差这么远，只能理解成产品本身做了很多倾向性的调整。所以别只测哪个模型更好，哪家推理厂商更好，也得测进去，尤其是跟业务场景相关的领域。
专题 2：环境，成了训练的核心资产
Google 的 VERID 做了生物实验室的语义数字孪生。Lawless 做了法律工作的 RL 环境，自报把 Harvey LAB 的专利 FTO 任务从 11/55 拉到 21/55，还没有第三方复现。Hugging Face 旗下 Pollen 那只 399 美元的小鸭子 Microduck，连训练它的 RL 环境都开源了，进了 PyTorch RL 的官方教程。
分析：数据已经没那么重要了，环境才是核心资产。想让 Agent 做生物，就得给它一个实验室；让它做 Coding，就得给它一个能写代码的环境。法律、设计，甚至逗猫逗狗，都可能有自己的 RL 环境。模型厂商不愿花这个成本，又想让模型在里面变强，所以环境做得够仿真，就能待价而沽，明年可能就是大量采购垂直场景环境的时候。造真实场景的机器人也一样：RL 环境不开源，大概跟没开源差不多。
专题 3：AI 不只搓软件了，开始搓硬件
这个月拿模型做硬件的东西多得数不过来：署名“Made with Opus 5.5”的 Learn ESP32 互动课程，一句话出原理图和制造文件的 heypcb（“DRC clean”是服务方自报），把 Agent 状态变成桌宠的哈基米机，卖 99 到 399 美元模块套件的 Atech。
分析：大家越来越疲劳于 AI 厂商整天搓软件、搓在线的 3D 场景：能不能给我搓点真东西？做一个真东西，要做外观、结构、3D 建模、电路板、元器件、嵌入式、App、后端，软件只是里面很小的一部分。我的判断是，一个季度到半年，就会出现硬件工程师 all in one 的 harness：结构、电路、嵌入式在一个 Agent 里做完，壳交给 3D 打印，板子交给嘉立创，攒起来调调就能跑。现在已经有不少硬件工程师在用 Codex、Claude 干活，只是还得在不同应用之间切来切去。
专题 4：Genie 4，走进一幅画里
DeepMind 的 Genie 4 能边玩边用文字改世界，还能原生生成声音。演示视频里有一句，把一张图变成能走进去的世界。它只给受信测试者，时间一长，细节、物体恒存、文字、空间和音频准确性都会漂。
分析：世界模型上一次出新版是一年前，这次效果好了很多。我想回到梵高的画里，只要把那张图扔进去，让它生成那个风格的世界就行。放在三四年前，TeamLab 这样的交互艺术团队，得花多少功夫才能做出一个特别挫的版本，现在这个速度是突飞猛进。最先受益的，我觉得是短视频和短剧，做短剧的脑洞能更大幅度地爆发出来。
完整文章（含图表和互动视频导览）：xiaopingfeng.com 。文字版含图表和互动功能，音频听不过瘾可以去网站看。
