AX 严选 · 2026-06-19

这条新闻的价值不在结论，而在信息缺口。特朗普在 Axios 专访里亲口说，Anthropic 和 CEO Dario Amodei 一周前还被他视为国家安全威胁，现在却改口称对方“聪明、是个好人”。他原话是“不是现在，但一周前也许是”，等于承认自己立场刚变。但为什么从威胁名单里划掉、Anthropic 做了什么让他改观、这个“威胁”判断当初基于什么情报，正文完全没提。 对 AI 从业者来说，这更像一个政策信号灯在闪，但还没亮出颜色。如果威胁标签来自 AI 安全或出口管制层面的评估，那反转背后可能有游说、交易或新的合规承诺。如果是随口一说，那这条新闻的实质分量就很轻。目前只有一条推文和 Axios 的独家报道，没有白宫声明，没有 Anthropic 回应，也没有任何可核实的决策文件。 我会先打个折：等看到具体政策动作或双方正式表态，再判断这是真转向还是随口改口。

Dwarkesh Patel 这篇文章的核心判断很直接：这几年 AI 能力的提升，主要不是模型学得更省了，而是我们喂进去的数据更多、更好了。他把强化学习（RL）讲得很明白——本质上就是用算力去撞答案，撞出好的再拿来当教材。想让模型学会某个具体技能，得先砸进去海量的人类专家示范、评分标准和思考过程。去看看 Mercor 上那些细到离谱的招聘需求就知道了，从 Word 文档美化到并购尽调，每个任务都对应着数百名专家在写范例、定标准。 文章还引用了 Epoch 的报告，说开源模型只落后闭源 4 个月，Patel 解释这是因为数据才是真正的驱动力，可以从公开 API 里蒸馏出来，而训练技巧和架构调整没法这么玩。他对比了人和 AI 的样本效率：一个人一辈子接触的文本量大约 2 亿个 token，而前沿模型训练要用几十到几百兆 token，差了上百万倍。人学远程操控机器人几小时就能上手，自动驾驶模型需要的数据量比青少年学开车多三到四个数量级。 不过文章没给出具体的实验对比来证明“样本效率没进步”这个说法，更多是基于产业观察的推论。如果能有不同代际模型在固定数据量下的能力对比，这个判断会更有说服力。另外，正文也没披露这些专家数据的具体成本占比，只说数据标注行业年收入很快会到百亿美元级别，这个数字的核算方式还不清楚。

John Jumper 离开 DeepMind 去 Anthropic，这条消息值得关注，但信息缺口很大。他主导的 AlphaFold 确实改变了结构生物学，一个博士毕业才半年的新人被 Hassabis 直接扔去带队，这事本身就说明 DeepMind 当时用人有多大胆。现在他选了 Anthropic，而不是 OpenAI 或自己创业，方向值得琢磨——Anthropic 最近在科学 AI 上动作不少，但正文完全没披露 Jumper 的具体职位和研究方向，也没提离职原因。我会先打个折：这可能是正常的人才流动，也可能是 Anthropic 要在蛋白质设计或科学基础模型上搞大动作。等后续披露了再判断。

Nathan Lambert 和 Kevin Xu 这篇评论不是写给技术圈看的，而是面向普通大众的科普式喊话。他们直接点出华盛顿最近的组合拳——行政令、国会提案、甚至禁止外国人访问 Anthropic 最强模型——可能不小心把开源 AI 也扫进去。文章把 Anthropic 和 OpenAI 称为正在形成的双头垄断，还翻出旧账说 Anthropic 被发现会在模型被用来改进竞争对手时主动降低其能力，这个细节挺狠的。 他们用来支撑开源价值的数字很硬：全球超过 90% 的软件都建立在开源基础上，创造了超过 8 万亿美元的经济价值。文章从教育、创新、竞争三个角度论证开源为什么不能禁，逻辑清晰但没提出任何具体的政策修补方案，更像一篇立场声明。 正文没披露他们具体担心哪条法案会直接禁止开源，也没给出监管和开源如何共存的可操作建议。如果是真的想说服政策制定者，光讲开源的历史贡献还不够，缺的是“怎么在安全审查和开放共享之间划条线”的讨论。

这套方案最实在的地方是没把记忆当一个大池子，而是按认知科学的路子拆成情景、语义、程序三类，分别建索引。写和查的策略不一样，矛盾信息用“覆盖”而不是“删除”来处理，这点挺务实，避免了直接删数据带来的审计风险。 168 道题的测试集不算大，0.89 的 R@10 看着不错，但正文没披露这些题目的难度分布和领域覆盖，所以别直接当成通用基准。多租户隔离靠 Elasticsearch 的文档级安全策略实现，零泄露是亮点，但性能开销和并发下的延迟数据都没给，实际落地前得自己压测一下。 代码已开源在 GitHub，想复现或魔改可以直接跑。整体思路对想把 Agent 记忆做扎实的团队有参考价值，但评估的严谨性和生产环境指标还需要补。

Deli Chen放出的AutoResearch，核心卖点是让AI智能体在285B大模型上独立完成强化学习研究的完整闭环——从设计实验、写代码、提交GPU任务、修bug到写总结，全程没人插手。系统用了GRPO这个工具。 但这条消息的信息缺口很大。正文没说是跑什么具体任务，是数学推理还是代码生成？也没说训练了多久、成功率多少、有没有翻车需要人工救场的次数。这些关键指标不公开，就很难判断这套流程到底有多靠谱。 我会先打个折。自主跑通一次和稳定复现是两码事。如果只是挑了一个简单任务、给了充足算力、容忍了多次失败才跑通一次，那离真正的“自主研究”还差得远。等有人复现了、把任务难度和成功率亮出来，再判断这东西的实际价值。

Steve Yegge 的判断很直接：Fable 被关停不是技术故障，是模型智能跨过了危险线。他预测最多再过两三代模型，最前沿的 AI 就会像核武器一样被政府严格管制，绝大多数财富 500 强公司都拿不到访问权限。这个类比不算夸张——核武器卡的是浓缩铀，AI 卡的是算力供应链，政府确实能掐住。 开源模型能追到 Fable 这个级别，但 Yegge 认为再往上就难了，因为训练需要的算力越来越大，而高端芯片的流通正在被封锁。他给普通人的结论是：你看到的 AI 能力曲线会变平，不是技术不进步了，而是最聪明的模型被藏起来了。 文章缺两个关键信息：一是 Fable 到底因为什么具体能力被关停，正文没写；二是“两三代模型”这个时间线没有给出估算周期，是两年还是五年，说不准。另外，Yegge 对“卖智能像自动售货机”的设想挺有意思，但没讨论如果多家厂商都这么干，监管怎么落地。

这条新闻把 SK 电信推到了出口管制争议的中心。简单说，美国不让高端 AI 芯片随便出境，但 Anthropic 的 Mythos 模型训练集群恰好部署在 SK 电信的韩国数据中心，用的正是受管制的英伟达 H100。2024 年 4 月 SK 电信公开说过要给 Anthropic 提供 GPU 算力训练韩语模型，现在看这个合作的时间点和 Mythos 的训练周期对得上。 不过得先打个折：WIRED 目前拿出的主要是时间线和物理位置的重叠，没有直接证据证明有人故意绕开管制。正文也没披露 Mythos 训练到底用了多少 H100、跑了多久，以及 SK 电信和 Anthropic 之间的具体合同条款。双方都拒绝评论，这让整件事还停在“高度可疑”的阶段。 对从业者来说，如果这事坐实，意味着通过海外云服务商间接获取受管制算力的路子可能被堵上，合规成本会进一步抬高。但现在信息缺口还很大，先别急着下结论。