全部 · 2026-06-29

这篇文章把美国政府封禁Anthropic的Fable 5模型，直接类比成中国2020年打压马云的“监管风暴”，角度挺狠。核心判断是：现在对美国AI领先地位最大的威胁，可能不是中国，而是美国政府自己跟实验室之间的内斗。文章梳理了特朗普政府从放任不管到突然强控的摇摆过程，比如五角大楼把Anthropic列为供应链风险，以及这次以安全为由三天就禁掉一个模型。 但要注意，全文是一篇观点评论，不是新闻报道。它没披露Fable 5的具体能力参数、所谓的“越狱”细节，也没说清政府禁令的具体法律依据。所以“政府出于私怨伤害科技领袖”这个定性，目前还只是作者一方的解读。另外，文章拿中美做对比时，对中国监管的描述更实，对美国这边的批评则更多基于推测和担忧。 如果只看事实部分，就是美国政府用出口管制工具限制了一家本土AI公司的模型访问，双方正在谈判。至于这是不是美国的“马云时刻”，还得看后续有没有像蚂蚁上市被否那样实质性的、不可逆的商业打击。

作者用两条提示词把 vibe coding 的可靠性往上拉了一截。第一条“第一性原理”让模型别抄近路、从基本事实重新推，结果挖出一个流量路由隐患，逼着项目重写——这说明纯靠类比写代码确实容易埋坑。第二条“对抗式审查”让模型扮演恶意用户攻击自己的代码，抓出了内存溢出死循环和未来时间戳污染这类手工审查很难发现的 bug。两条组合成一个“先写再打”的闭环，项目最近一周请求量超过一千万次，这个量级本身算是一个压力测试。 不过文章只给了思路，没放出具体 prompt 原文，也没说这两条提示词在什么模型上跑、单次调用成本多少、误报率如何。对抗式审查如果太激进，可能把正常逻辑也标成漏洞，反而拖慢开发节奏。另外，一千万次请求背后是纯 vibe coding 写的代码在扛，还是有人工兜底，正文也没交代。如果是真的全靠模型生成加自我审查撑住这个量，那这套方法值得试试；如果中间有人修过关键逻辑，那“纯 vibe coding”这个说法就得打个折。

这条新闻最值得看的地方，是它用公开数据拆穿了一个经典的技术公关套路。ECMWF 的有效预报天数曲线从 1980 年代到现在，每年只爬升 0.15 天，2023 年没有任何跳跃。GraphCast 那 1380 项指标里 90% 的胜率，是把单一变量的优势在不同高度和时间维度上反复计数堆出来的，落到业务端对预报天数的贡献是零。 更值得警惕的是信源结构。当时 15 篇中文报道没有一篇采访过独立气象学家，英文媒体里也只有《新科学家》找了一位，点出 GraphCast 不做数据同化——那是预报流程里最吃算力的环节，它只是白嫖别人处理好的数据。后续 GenCast 和 WeatherNext 2 把胜率刷到 97%、99%，但对比对象悄悄从 ECMWF 的业务系统换成了自家上一代模型。 这篇文章没披露的是，AI 模型在特定场景（比如台风路径）上是否确实有局部优势，以及 ECMWF 自己后来推出的 AIFS 系统表现如何。如果只看“碾压”标题，你会以为天气预报被颠覆了；看了业务曲线才知道，连水花都没溅起来。下次再见到这类标题，先找硬业务指标，再数数引用的独立信源有几个，没有的话先打个折。

这条路线图的核心判断很实在：别让大模型当状态机。SEP-1686 提案用 created、working 加三种终态组成的状态机，把轮询、超时、重试这些机械活从提示词里剥离，交还给宿主应用的硬代码。大模型只负责发起任务和解读最终结果，中间过程完全不参与。这个分工逻辑是对的，因为轮询需要稳定可预测，而大模型天生有随机性，靠自然语言去推断任务是否结束，翻车概率太高。 工具开发者可以通过 execution.taskSupport 的三态机制（forbidden、optional、required）自己决定每个工具走同步还是异步，协议层不替人做决定。这点比较务实，轻量测试三秒出结果的工具没必要硬上异步状态机。 但得打个折。Tasks 目前贴着实验性标签，推送机制还没有标准 webhook，只能靠 SSE 轮询，失败重启语义和结果清理策略都没定型。文章自己也承认，多智能体嵌套时外层硬代码包着内层多智能体纠错闭环，这种套娃设计怎么传诊断信号，协议还没答案。现阶段别急着把跑得好好的系统推倒重写，但每季度扫一眼规范演进，当成观察智能体架构趋势的信号，确实值得做。

这篇推演把 AI 成本账算得很直白：Anthropic 这种头部玩家，算力开销已经碾压人力成本，人均 200 万美元。但别急着拿这个数字去套自家公司，行业里前 1% 的公司人均 AI 花费也才 8.9 万美元，中位数更是只有 137 美元，差距巨大。 文章给了三种 2029 年的可能走向，核心变量就两个：token 价格会不会继续一年跌 10 倍，以及让模型进业务流程干活的 agent 模式会不会让 token 消耗量暴增（高盛预测到 2030 年涨 24 倍）。乐观情况下，人均 AI 开销会冲到 59.6 万美元，赶上现在一个 SaaS 员工创造的全部收入。 不过，正文没给出 2027 年该按哪种情况做预算的建议，也没讨论开源模型质量追上来后，对成本结构的实际冲击有多大。这些缺口让数字推演更像一个思考框架，而不是可以直接拿来用的预测。