鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

这个十一假期,AI又变天了

编程导航
编程导航
2025-10-09 12:30
阅读 189
编程导航
2025-10-09 12:30
阅读 189

文 | 锦缎

“AI一日,人间十年”,2025年十一假期之后,我们将会对“超级倍速社会”这个概念有越来越深切的感知。诚如我们所知,每轮工业革命都将带来指数级社会变革,AI莫不如是。虽有心理准备,未成想,AI的体感竟如此迅猛,宛如时间压缩,社会节奏骤然提速。

这个十一假期里,从数据中心基础设施投资加码,再到OpenAI估值神话延续,不再是简单的技术跃进,而是资本、计算力和地缘竞争的综合博弈,一个AI时代社会经济版的“scaling law”似乎逐渐成型。

令人愈渐不寒而栗的是,当人类还在假日中“流放”时,AI却在悄然“充电”——字面意义上的电力消耗。它提醒我们:以人类为参照系,AI进步的本质是加速不平等,关于未来,“不堪设想”。

以下,我们逐一剖析假期中几件标志性事件,每一件都如一枚棋子,正在重构AI的全球棋局,不可不察。

01 算力垄断2.0:OpenAI与AMD的芯片联姻

继英伟达与英特尔“世纪牵手”后,OpenAI不甘人后,开始视AMD为自己的后手。

10月6日,OpenAI在年度开发者大会(DevDay)上宣布,与AMD达成多年协议,后者将为其提供AI芯片,并授予OpenAI购买AMD约10%股份的期权。

这笔交易价值数百亿美元,不仅强化了OpenAI在生成式AI领域的领导地位,还凸显了行业对计算资源的极度渴求。

逻辑上,这源于AI模型训练和推理的指数级需求:据估算,GPT-5级模型的训练使用了数万块GPU,但显然未达到预期里程碑,GPT-5之后,需要更疯狂的算力求索以探明新的极限。AMD的介入旨在打破Nvidia的垄断,提供更具性价比的MI300X系列芯片。

专业分析显示,此举将加速OpenAI的“Stargate”(星际之门)超级数据中心项目,目标是到2030年部署6吉瓦计算力对应的用电需求——相当于美国一个中型城市的年用电量。

冷峻的现实是,这加剧了能源危机:数据中心已占全球电力消耗的2-3%,而AI的扩张可能推高至8%。吊诡之处在于,这些科技巨头一边宣扬AI将“拯救世界”,一边却在构建一个电力吞噬怪兽,仿佛在说:“绿色AI?先让我吃饱再说。”

这样的现象,正在触及技术伦理的核心:计算力是双刃剑,能驱动医疗突破(如个性化药物设计),却也可能放大环境不公——发达国家抢占资源,发展中国家只能旁观。

02 泡沫还是价值:OpenAI估值飙升至5000亿美元

同在10月6日,OpenAI完成一项员工股份出售交易,以5000亿美元估值超越SpaceX,成为全球最大初创企业。

这一里程碑得益于其H1营收达43亿美元(同比增长16%),但也暴露了高额烧钱:上半年计算支出高达25亿美元。

逻辑上,这反映了投资者对生成式AI的狂热:ChatGPT用户基数超2亿,潜在商业化路径(如企业集成)让其成为华尔街宠儿。

专业地看,此估值依赖于模型迭代,如新推出的Agent Kit工具包,允许开发者构建、测试和部署AI代理;此外,ChatGPT新增即时结账功能和第三方应用集成(如Spotify、Zillow),将聊天机器人转化为全能平台。

当然必须指出的是,如果创新放缓,泡沫随时破灭——烧钱率已达营收的58%。

03 基建投资狂潮:Meta与CoreWeave的140亿美元协议

十一前夕,Meta与CoreWeave签署一项价值142亿美元的计算协议(至2031年),涉及NVIDIA GB300芯片,用于AI基础设施扩展。同时,Oracle宣布为OpenAI美国数据中心采购价值400亿美元的Nvidia芯片。

这些交易标志着大科技公司对AI硬件的集体押注:预计2025年,亚马逊、Meta、微软和谷歌的资本支出将达3200亿美元,主要用于数据中心。

专业视角下,这体现了从实验到工业化的转变:CoreWeave作为GPU云提供商,专注于高效推理,协议包括10.5吉瓦电力外包给伙伴如Brookfield。显示的逻辑则是,规模效应主导一切——谁掌控计算,谁主宰AI。

但“老生常谈”的是,能源瓶颈显露:AI数据中心可能推高全球电力需求40%。

这些巨头像就像饥饿的恐龙,争抢最后一块“硅肉”,却忽略了气候“陨石”。它呼应了资本主义悖论:创新驱动增长,却以可持续性为代价。如果不转向绿色能源,这种“变天”将从技术扩展到生态危机。

04 模型迭代浪潮:Anthropic Claude 4.5与DeepSeek V3.2

一周之内,Anthropic发布Claude 4.5(Sonnet 4.5),强调长上下文推理和工具集成;同时,,DeepSeek推出V3.2,声称将长上下文计算成本降低超50%。

这些迭代反映了AI从通用模型向高效、专精化的演进:Claude 4.5在编码竞赛中胜出,DeepSeek则针对企业级应用优化——成本,还是成本。

根据产品指引,Claude 4.5的“Agent SDK”自定义功能允许用户构建个性化代理,提升生产力;DeepSeek的效率提升则源于架构优化,适用于生物计算等领域。

一定程度上,这正反映着当前中美AI竞争的总体趋势:美国领先模型数量,但中国在质量上持续追赶。

当然,竞争固然激烈,但进程往往囊括大量“滑稽现实”,诚如一些辛辣的三方评论所称:这些模型像学术界的“学霸”,互相抄袭却假装原创。 

05 AI视频新里程碑:Sora 2,从研究原型走向消费级产品

更早之前的9月30日,OpenAI正式发布 Sora 2,这是其文本到视频生成模型的重大升级版,标志着 AI 在视频创作领域的从研究原型向消费级产品的转变。 

Sora 2提升了视频的物理真实性和可控性,还首次集成同步音频生成,并伴随一款名为“Sora”的 iOS 社交应用推出,该应用类似于TikTok,支持用户生成、分享和remix视频。

OpenAI未公开完整训练细节,但强调通过再标注(re-captioning)增强训练数据,并借鉴如Step-Video-T2V和 DiTraj 等研究以改善时序一致性和运动轨迹。早期用户反馈显示,Sora 2 在首次生成中准确率更高,尽管速度较慢。

这些进步使 Sora 2 超越竞争对手如 Google Veo 3 或 Runway Gen-2,在多镜头叙事和世界状态维护上更具优势。

有观点认为,Sora 2标志着AI向通用世界模拟器的迈进,可能赋能机器人和更复杂模拟。

OpenAI计划通过API和全球推广进一步加速Sora 2商业化进程,重塑社交媒体(TikTok 瑟瑟发抖);但高昂的计算成本和伦理审查仍是挑战——“深假”、隐私侵蚀、版权争议如影随形。Sam Altman在发布会上也对Sora 2视频工具的版权风险自我调侃:“希望我们别被起诉。”

某种意义上,我们在创造乌托邦的同时,也在自建潘多拉魔盒。

以上,资狂欢、模型跃进、基础设施扩张交织成网——AI的钢筋水泥进程,在我们的十一假期中加速演进。甚至可以说,我们的假日,不过是它加速的间隙。

这也在提醒人类:技术不能孤立至失控,必须与人文共舞。否则,下一个十一,变天的将是整个社会。

原文链接: 这个十一假期,AI又变天了
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230