https://maai.cc/AI 科普资讯，看懂人工智能新鲜事https://maai.cc/post/647.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-065-20261018-bc465bed.png" alt="开源模型" /></p> <h2>先说结论：开源这仗，中国模型赢在性价比，输在口袋</h2> <p>门罗风投（Menlo Ventures）前两天发了《2026 企业 AI 现状报告》，里头有个数挺刺眼：美国企业花在开源模型上的钱，89% 流向了中国模型——Kimi 61%、DeepSeek 15%、智谱 11%，连 Meta 的 Llama 都只剩 7%。要我说啊，这仗赢了一半：名头和用量都拿下了，可钱没进造模型那帮人的兜里。</p> <p>这事儿米岸AI盯挺久。开源模型这两年势头猛，但“叫好”和“叫座”是两码事。今天咱就把这 89% 拆开，看看热闹背后到底是啥。</p> <h2>89% 这个数字，到底是咋来的</h2> <p>报告统计的是截至今年 9 月、近 400 家美国企业的 AI 开支。开源模型的词元处理量同比涨了 22.5 倍，听着吓人吧？可开销占比反倒从 6% 掉到了 4%。说白了就是：调用量爆炸，单价跌得更狠，开源模型把“以价换量”玩到了极致。</p> <p>同一份报告里，闭源阵营的份额反而往上走：Anthropic 在美国企业付费 API 里的占比从 40% 升到 55%，OpenAI 从 27% 升到 31%，两家加起来 86%。一头是便宜的量，一头是贵但高复杂度的活儿，分工分得明明白白。</p> <h2>钱为啥没进造模型人的兜里</h2> <p>这儿就是“免费流量变不了现”的老剧本。开源模型免费给人用，企业省了调用费，可真正赚钱的是拿模型做服务的那层——不是写模型的人。报告里最扎心一格：中国六家主要 AI 公司合计营收约 110 亿美元，而 Anthropic 一家年化就约 650 亿，差不多是前者的六倍。</p> <p>我当年创业也犯过这错：以为东西免费、用户多了自然能变现。结果流量是有了，收银台空着。开源是个好牌，但光靠它收钱，难于上青天。</p> <h2>闭源双寡头守的是哪块地</h2> <p>Anthropic 和 OpenAI 守的不是“更便宜”，是“更难、更值钱”的活儿——深度推理、写代码、复杂 agent。报告说前沿模型支出份额从 35% 升到 63%，中小尺寸的闭源模型反而被自家旗舰和开源两头挤，份额从 29% 掉到 13%。</p> <p>这道理搁哪都通：中间层最容易被夹。你要么往上够天花板，要么往下拼成本，卡在中间最难受。米岸AI一直认为，做产品得想清楚自己站在价值链哪一头。</p> <h2>这事儿跟普通老板有啥关系</h2> <p>关系大了。你公司要跑批处理、客服问答、文档摘要这类“够用就行”的活儿，闭源贵价模型纯属交智商税，直接上便宜的开源，一年省下的 token 费够团建好几回。但凡是涉及核心代码、商业判断的高复杂度任务，别抠门，留给闭源旗舰。</p> <p>选型表该改改了：不是“用不用 AI”，是“啥活儿用啥模型”。工具分清楚场景，比追风口实在。</p> <h2>常见问题</h2> <p><strong>问：中国开源模型质量已经追上闭源了？</strong></p> <p>答：别上头。用量和占比是两码事。开源赢在性价比和特定场景够用，顶尖闭源在前沿推理、长程任务上仍有明显落差，这事儿厂商自己都认。</p> <p><strong>问：那企业该不该把闭源全换成开源？</strong></p> <p>答：看活儿。重复、高成本、容错高的批处理活，换；核心代码、商业决策这类高复杂活，留着闭源旗舰，别因小失大。</p> <p><strong>问：这 89% 的数字靠谱吗？</strong></p> <p>答：出自门罗风投对近 400 家美企的调研，样本不算小。但它是企业开支口径，不代表全球或国内，别拿去当圣旨。</p> <p><strong>问：米岸AI怎么看这趋势？</strong></p> <p>答：性价比是中国模型的真护城河，但收入流去了应用层，这是得直面的短板。开源能圈地，收钱还得另想办法。</p> <p>（本文由米岸AI整理）</p> Mon, 09 Nov 2026 16:06:44 +0800https://maai.cc/post/646.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-064-20261018-0d976965.png" alt="个人AI助理" /></p> <h2>结论：AI 助理正从“答题机”变“管家”</h2> <p>过去咱用 AI，基本是“我问一句、它答一句”，问完就散，下次从头来。现在不一样了：有产品上线一周就帮用户管了 116 万项事务、执行 360 多万次任务，用户破 2000 万；还有家把“智能体运行框架”直接做成云端托管服务。方向很明确——AI 从“回答问题”往“替你持续管事”走。</p> <p>米岸AI直说：这回不像画饼。根上的东西变了：它记得你之前说啥，能在你退出对话后继续跑，还能在关键节点主动提醒你。这三点凑齐，才叫“管家”，不是“问答机”。</p> <h2>灵光 2.0 这周交的账</h2> <p>看公开数据：灵光 2.0 是 10 月 27 日上的，主打“帮我管”功能。一周托管超 116 万项事务，执行超 360 万次任务，用户破 2000 万。它靠的是跨会话记忆、长程任务调度、工具连接，外加一台独立云主机——你关了对话，该跑的任务还在跑。</p> <p>它接了四十来个外部连接器：支付、钉钉、飞书、读书、出行、邮箱、外卖都有。说白了，它能在不同 App 之间替你把事串起来，而不只是陪你聊天。</p> <h2>Kimi 把“运行框架”也托管了</h2> <p>另一家月之暗面发了 Kimi Hosted Agents，把支撑智能体跑起来的“运行框架”直接当云服务开放。过去企业想用 agent 干长活儿，得自己搭环境、调运维，麻烦得很；现在人家把 7×24 托管环境、多智能体协作、权限管理都包了。</p> <p>这俩事儿放一块看：一端是“替个人管日常”，一端是“替企业管长任务”，殊途同归——AI 的战场从“对话窗口”挪到了“后台持续运行”。</p> <h2>“管事”靠的是哪三样本事</h2> <p>第一，记性。跨会话记忆让它知道你上回要干啥，不用每次重新交代。第二，执行力。能调用工具、串起多个步骤，而不是只给建议。第三，主动性。到节点主动提醒、推进，而不是等你来问。</p> <p>我当年带项目最烦“工具只给方案不落地”。现在这波 AI 终于肯自己动手了，虽然还糙，但方向对。米岸AI觉得，能“持续跑”的 AI，才配叫助理。</p> <h2>这事儿靠谱吗，坑在哪儿</h2> <p>坑也不少。第一，隐私：它管的事越多，碰的你数据越多，授权边界得画清。第二，可靠性：长程任务跑一半卡了、理解偏了，谁来兜？第三，依赖：啥都交给它，人自己的活儿能力反而退化。</p> <p>普通用户可以先从小事试：让它管备忘、管订阅续费提醒、管出行日程。别一上来就把银行卡、核心工作全交给它。本文只聊产品趋势，不替代任何使用建议。</p> <h2>常见问题</h2> <p><strong>问：这和以前的语音助手有啥区别？</strong></p> <p>答：老助手是“你下指令、它执行一步”；新管家有记忆、能串多步、能后台持续跑，还能主动提醒，差是质上的。</p> <p><strong>问：我的数据安全吗？</strong></p> <p>答：这类产品要碰不少个人信息，关键看它授权是否清晰、能否随时收回。建议先从小事试，敏感权限别一股脑全开。</p> <p><strong>问：它会不会把我活儿全干了，我变废人？</strong></p> <p>答：短期不会。它适合干重复、可规程化的杂活；判断、创意、担责这些，还是得你自己来。把它当实习生，别当老板。</p> <p><strong>问：米岸AI怎么看这个方向？</strong></p> <p>答：长期看好。“能持续管事”的 AI 才是真助理，但信任和可靠性得一点点攒，急不来。</p> <p>（本文由米岸AI整理）</p> Mon, 09 Nov 2026 16:06:44 +0800https://maai.cc/post/645.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-063-20261018-adf9fbaa.png" alt="安全大模型" /></p> <h2>结论：它不是更聪明，是被圈在围栏里</h2> <p>OpenAI 这回发的 GPT-6 Cyber，定位很特别：不是通用大模型又强一截，而是一个“专门干网络安全”的模型。最扎眼的是它的风险等级被定为 Critical（最高级），而且从设计上就被要求待在授权范围内活动——超出你给的边界，它不动。</p> <p>要我说，这思路对。大模型最吓人的不是笨，是“聪明但没边界”。把一个能写漏洞利用代码的模型放出来还不设防，那才叫玩火。米岸AI觉得，专用+围栏，比“啥都会一点”更让人放心。</p> <h2>这模型到底牛在哪</h2> <p>看公开数据：在 ExploitGym 基准拿了 48.5%，比上一代的 32.1% 涨了约一半；远程漏洞利用评估也明显提升。更唬人的是实战——它复现了 1724 个 Linux 内核漏洞，给其中 948 个写出了能用的提权利用程序；在 Firefox 里挖出 81 个此前未知的高危漏洞，还附了复现代码和补丁。</p> <p>注意，这些都不是“吹”出来的，是实打实提交给项目方的。连 OpenAI 自己训练集群的微虚拟机边界，它内部红队演练时都给打穿过。能力是真有，所以才更要圈起来。</p> <h2>“Critical” 风险等级是啥意思</h2> <p>简单说，官方给它定的风险档是最高那档，比上一代的 High 还高。配套的安全机制也很重：只向严格审核过的客户开放，配滥用监测、凭据保护、沙箱、人工监督，对关键基础设施的高危行为还单独拦截。</p> <p>这就跟养了头猛兽——你承认它厉害，但笼子得结实。无安全提示时，它能做到 99.93% 不攻击授权范围外的服务；开了提示，直接 100%。这数字说明：边界是靠工程硬画出来的，不是靠它自觉。</p> <h2>专用模型的套路，早有苗头</h2> <p>通用大模型卷参数、卷榜单那套，边际效益越来越低。圈里早有人在走“垂直专用”的路：医疗、法律、工业各有各的专用模型。安全这块尤其适合，因为任务边界清楚、对错好判定、出错代价大。</p> <p>我前东家也干过“通用平台包打天下”的蠢事，后来发现，与其让一个啥都懂点的模型去干专业活，不如养几个门门精的“专科医生”。米岸AI认为，2026 年往后，专用模型会比通用模型更频繁地冒出来。</p> <h2>普通公司用得上吗</h2> <p>大概率暂时用不上这套 Critical 级的，那是给经审核的安全团队和客户准备的。但思路能借鉴：你公司要是打算用 AI 做代码审查、漏洞扫描，记得把“只许在授权范围、留好日志、人工复核”这几条写进规矩里。</p> <p>别一上来就把能写代码的 AI 接进生产环境还不管。工具越强，缰绳越要紧。本文只聊技术趋势，不替代任何安全合规意见。</p> <h2>常见问题</h2> <p><strong>问：GPT-6 Cyber 能帮我公司做代码审计吗？</strong></p> <p>答：它主要面向经审核的安全客户，普通企业暂时够不着。但你可以借鉴它的“授权围栏+人工复核”思路，用在自家的 AI 代码审查流程里。</p> <p><strong>问：专用模型会取代通用大模型吗？</strong></p> <p>答：不会取代，是分工。通用模型干杂活、长思考，专用模型啃边界清楚的专业活，俩配合更稳。</p> <p><strong>问：这模型风险等级 Critical，是不是很危险？</strong></p> <p>答：正因为有这等级，才配了全套围栏和审核机制。风险高是因为能力强，关键看是不是被关在笼子里用。</p> <p><strong>问：米岸AI怎么看专用模型这条线？</strong></p> <p>答：看好。通用模型拼到头了，垂直专用才是能落地的增量，尤其安全、医疗、法律这类边界清晰的领域。</p> <p>（本文由米岸AI整理）</p> Mon, 09 Nov 2026 16:06:44 +0800https://maai.cc/post/644.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-062-20261018-1e76182a.png" alt="AI价值链" /></p> <h2>结论：模型中间层被两头挤，价值往两端跑</h2> <p>这周看了几份市场情报和券商研报，一个趋势越来越清楚：AI 的钱不再傻乎乎往“模型”这层灌了。一头往下去了“有电、有许可的物理地皮”——数据中心、电力、土地；一头往上去找“绑死企业数据和工作流的软件”——agent 底座、行业应用。</p> <p>夹在中间的，是模型和推理托管层。它们规模在涨，利润却没跟上。要我说，这跟当年互联网很像：最赚钱的从来不是“管道”，是两端的“地皮”和“生意”。</p> <h2>下头那端：能接电、能开工的地皮比模型金贵</h2> <p>几个事叠一块儿就明白了。Google 11 月 5 日宣布投 170 亿美元在怀俄明建首个数据中心，还配了 702MW 燃料电池做碳捕集；巧的是，这块地正是某基建商卖掉的停滞项目。选举之后，美国多地数据中心许可变难，有统计说 41 项相关投票里 40 项选民反对。</p> <p>结果就是：能接电、能开工、能拿到许可的地皮，比模型本身还稀缺。某巨头总裁说每天都有人打电话来租它的算力——稀缺的不是芯片，是“能通电的房子”。米岸AI提醒，这事儿对国内同理：能耗和用地的硬约束只会更紧。</p> <h2>上头那端：工作流和 agent 底座吃香</h2> <p>另一头，钱涌向能绑住企业数据和流程的软件。有托管平台估值八个月从 80 亿翻到 160 亿，年化收入破 8 亿美元；有云盘厂商花几亿美元收购对象存储，就为了做“Agent 云”；有 CRM 巨头签下 AI 客服公司，把智能体接进销售流程。</p> <p>逻辑不复杂：模型谁都能调，但“你的数据+你的流程+一个会干活的 agent”是别人抢不走的。这层离钱近，因为它直接替企业省人、提效。</p> <h2>被夹的中间：推理托管规模涨、利润没跟上</h2> <p>中间这层尴尬在哪？调用量在爆炸，可单价一路跌。开源模型均价一年跌去约七成，闭源也降了约四分之一。结果推理托管商规模上去了，毛利率却薄得可怜——卖得多，赚得少。</p> <p>券商研报也把关注点从“投了多少钱”挪到“供给兑现和运营效率”。说白了，能稳定交付、配套齐全的才值钱，光堆算力不顶用。我创业时也被“规模即正义”坑过，后来才懂：没利润的规模，是给银行打工。</p> <h2>这局跟咱有啥关系</h2> <p>给老板两句实在话。第一，别迷信“我也要训个大模型”，那是地皮和资本的游戏，绝大多数公司该买服务而非造轮子。第二，真要降本，看看能把 AI 接进哪条具体工作流——那才是离钱近的地方。</p> <p>米岸AI一直这个观点：AI 落地不是追参数、追排名，是把一件具体的事干便宜、干稳。价值链重定价之下，踏实做应用的那拨，反而最稳。</p> <h2>常见问题</h2> <p><strong>问：是不是意味着中小模型公司没机会了？</strong></p> <p>答：不是没机会，是别挤中间。要么往应用和工作流扎，要么做别人不愿做的垂直场景，卡在“既不强也不便宜”最难受。</p> <p><strong>问：数据中心还能投吗？</strong></p> <p>答：能投，但得看“电从哪来、许可拿不拿得到”。光有地没有电和批文，那就是个贵停车场。本文不替代任何投资判断。</p> <p><strong>问：普通企业上 AI，钱该花在哪？</strong></p> <p>答：优先花在“能接自己数据和流程的 agent/工具”上，别急着养一个又贵又用不上的自建模型。</p> <p><strong>问：米岸AI怎么看这轮重定价？</strong></p> <p>答：价值往两端走是好事，逼着中间层别再靠烧钱讲故事，老老实实拼交付和毛利，行业才 healthier。</p> <p>（本文由米岸AI整理）</p> Mon, 09 Nov 2026 16:06:44 +0800https://maai.cc/post/643.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-061-20261018-7d75ec0e.png" alt="智能体终端" /></p> <h2>结论：AI 助手不是想装就能乱调权限了</h2> <p>工信部这回出的《通知》（文号工信厅信管〔2026〕42号），一句话总结：凡是预装了智能体的手机、平板、可穿戴这些电信终端，以后进网、升级、分发都得按规矩来，尤其是权限调用和信息安全这块，不能厂家想怎么调就怎么调。</p> <p>搁以前，手机里塞个 AI 助手，调相机、调通讯录、后台偷偷跑任务，基本是厂商自己说了算。现在监管把这根线攥住了——你这 AI 能干啥、适配了哪些机型，得明明白白公示给用户。</p> <h2>这“智能体终端”到底指啥</h2> <p>文件里给的定义挺清楚：智能体终端，就是预置安装了智能体的手机、平板、可穿戴这类电信终端设备。注意，它说的智能体是“能自主感知、记忆、决策、交互、执行”的系统，不是那种只会播个天气预报的小组件。</p> <p>也就是说，现在旗舰机上那个能帮你订票、能读消息、能跨 App 干活的系统级助手，正好落在这范围内。米岸AI提醒一句：这纸文件管的是“预置+自主执行”那一类，普通装个 App 不算。</p> <h2>文件具体攥了哪几根线</h2> <p>第一根线，适配验证。智能体开发者得跟终端设备做适配测试，权限调用、通信能力、网络与数据安全、用户权益都得管起来，还要在设置页给用户看适配清单——哪些机型、哪个系统版本，写得明明白白。</p> <p>第二根线，进网把关。设备进网时要做智能体适配验证和风险评估，特殊事项单独列要求。第三根线，现网升级（OTA）不能拍脑门推，得先出方案、专家评估、征求意见。第四根线，分发管理：开发者得声明“同不同意被智能体调用”，用户能选装哪些。</p> <h2>对普通用户意味着啥</h2> <p>最实在的好处：知情权回来了。以后你买台新手机，设置里能看见“这 AI 适配了啥、能碰我哪些权限”，不用被默认全开。想关掉某个智能体对某 App 的调用，也有地方点。</p> <p>再往深说，这其实是给“AI 在端侧乱伸手”套了个缰绳。咱普通人不关心技术细节，只关心一件事：我的通讯录、我的位置、我的聊天记录，AI 不能想看就看。</p> <h2>厂商这回得补哪些课</h2> <p>对手机厂和 AI 方案商来说，这纸文件等于加了一道合规作业：适配测试报告、风险评估、权限公示页、OTA 升级评估流程，这些以前能糊弄的，现在得正经做。</p> <p>短期看是成本，长期看是信任。我当年在外企做合规也烦这套，但真出了事才知道，提前把线画清楚，比事后被约谈强百倍。米岸AI觉得，端侧 AI 要想让人放心用，这步绕不开。</p> <h2>常见问题</h2> <p><strong>问：这规定是只管手机吗？</strong></p> <p>答：不止。文件写的是手机、平板、可穿戴等电信终端，凡预置智能体的都算，范围比你想的宽。</p> <p><strong>问：我现在的手机受不受影响？</strong></p> <p>答：文件管的是进网和后续升级分发，老设备主要看厂商后续 OTA 是否按新规补适配与公示，不是一刀切全下线。</p> <p><strong>问：智能体调用我的 App，我能拒绝吗？</strong></p> <p>答：按《通知》方向，开发者要声明是否同意被智能体调用，用户有兼容机型的下载安装选择权，拒绝的口子正在开。</p> <p><strong>问：这和此前的 AI 管理办法有啥不同？</strong></p> <p>答：之前多管“生成内容”，这回专门管“端侧智能体的权限与进网”，落到了设备这一层，更具体。</p> <p>（本文由米岸AI整理）</p> Mon, 09 Nov 2026 16:06:44 +0800https://maai.cc/post/642.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-060-20261018-1242991c.png" alt="AI智能体" /></p> <h2>结论先放这：agent 已经从“功能”升级成“角色”</h2> <p>要我说啊，这帮年轻人折腾的 AI 智能体，早不是当年那个“你问我答”的聊天框了。它现在能读代码仓库、能调内部接口、能改配置、能动数据，甚至能触发基建变更。用老运维的话讲，它成了系统里的一个“特权进程”——跟人一样有手有脚，还握着钥匙。</p> <p>过去咱们把 agent 当功能模块看，扔给某个开发组自己折腾。现在这思路得改：它更像是一台会自己跑的机器人，得按平台级的安全来管，不然哪天它手一抖，删库跑路都不是段子。</p> <h2>它到底能干啥，才让人犯嘀咕</h2> <p>重点不在“聪明”，在“能干实事”。以前 AI 出错了，顶多给你一段错的回答；现在 agent 接了工具，能真的去执行——发邮件、改单子、推代码、起容器。能干实事，也就意味着能闯实祸。</p> <p>海外有篇 CTO 日报点得透：AI agent 越来越像 SRE 机器人（负责线上运维的同事），而不是聊天小部件。既然是运维级的角色，那它的设计、隔离、可观测性，就得当成平台工程来做，别当成边角料。</p> <h2>一个真实的坑：密钥满天飞</h2> <p>我当年带队也踩过类似的泥。有个真实案例：开发者用 AI 编程助手，结果一千多个公开文件里混进了真密码、真密钥——都是正常工作流里顺手写进去的。AI 帮着写代码，也帮着把秘密撒了一地。</p> <p>这事儿给咱的教训很直白：只要一个 AI 助手能读能写代码，它就也可能乱碰密钥。短期先把全仓库的密钥扫描锁死、明文密钥一律禁掉，再把所有 AI 助手的权限范围逐个过一遍，比事后哭强。</p> <h2>新解法：能力隔离，不給 broad 凭证</h2> <p>这两年圈里冒出个思路叫“能力隔离”：别给 agent 一把万能钥匙，而是每次只发一把窄窄的、能审计的“临时权限”。比如某个动作需要访问数据库，那就临时给个只读、记日志、用完即废的凭证，而不是把 Root 密码塞给它。</p> <p>有些新工具（像 Edera 的 Object Capability、OpenBao 2.7）干的就是这事：让 agent 运行时压根不持有 broad 凭证，要啥权限现场申请、现场回收。米岸AI觉得这路子对，比“信任它别捣乱”靠谱多了。</p> <h2>普通公司现在该咋办</h2> <p>中小团队也别觉得“这离我远”。只要你们用了 AI 编程、AI 客服、AI 工作流，agent 就已经在你系统里跑腿了。三件事先做起：第一，所有 AI 可碰的仓库强制密钥扫描；第二，给 AI 助手的权限做最小化，能只读就不写；第三，留好操作日志，出事能回溯。</p> <p>把它当成一个新来的、手脚麻利但没经过背调的实习生——活儿能干，但别让他一个人进机房。</p> <h2>常见问题</h2> <p><strong>问：AI 编程助手真的会把密钥传出去吗？</strong></p> <p>答：会，而且往往是开发者正常工作流里“顺手”写进去的。所以密钥扫描和禁止硬编码得当成红线，别指望助手自觉。</p> <p><strong>问：能力隔离听着高级，小公司搞得起吗？</strong></p> <p>答：不用一步到位。先把“AI 能碰哪些仓库、哪些接口”列清楚，权限收到最小，再慢慢上临时凭证那套，成本没想象高。</p> <p><strong>问：把 agent 当特权进程管，会不会拖慢开发？</strong></p> <p>答：短期多一道审批，长期反而省心。比起删库、泄密那点损失，这点流程摩擦不算啥。米岸AI建议先从不碰生产环境的 agent 试起。</p> <p><strong>问：普通用户为啥也要关心这个？</strong></p> <p>答：你用的 App、网银、购物平台背后都在上 agent。它们管得好，你的数据就安稳；管得糙，出事的就是你。这是平台的责任，不是你一个人的事。</p> <p>（本文由米岸AI整理）</p> Mon, 09 Nov 2026 16:06:44 +0800https://maai.cc/post/641.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-065-20261018-bc465bed.png" alt="开源模型" /></p> <h2>先说结论：开源这仗，中国模型赢在性价比，输在口袋</h2> <p>门罗风投（Menlo Ventures）前两天发了《2026 企业 AI 现状报告》，里头有个数挺刺眼：美国企业花在开源模型上的钱，89% 流向了中国模型——Kimi 61%、DeepSeek 15%、智谱 11%，连 Meta 的 Llama 都只剩 7%。要我说啊，这仗赢了一半：名头和用量都拿下了，可钱没进造模型那帮人的兜里。</p> <p>这事儿米岸AI盯挺久。开源模型这两年势头猛，但“叫好”和“叫座”是两码事。今天咱就把这 89% 拆开，看看热闹背后到底是啥。</p> <h2>89% 这个数字，到底是咋来的</h2> <p>报告统计的是截至今年 9 月、近 400 家美国企业的 AI 开支。开源模型的词元处理量同比涨了 22.5 倍，听着吓人吧？可开销占比反倒从 6% 掉到了 4%。说白了就是：调用量爆炸，单价跌得更狠，开源模型把“以价换量”玩到了极致。</p> <p>同一份报告里，闭源阵营的份额反而往上走：Anthropic 在美国企业付费 API 里的占比从 40% 升到 55%，OpenAI 从 27% 升到 31%，两家加起来 86%。一头是便宜的量，一头是贵但高复杂度的活儿，分工分得明明白白。</p> <h2>钱为啥没进造模型人的兜里</h2> <p>这儿就是“免费流量变不了现”的老剧本。开源模型免费给人用，企业省了调用费，可真正赚钱的是拿模型做服务的那层——不是写模型的人。报告里最扎心一格：中国六家主要 AI 公司合计营收约 110 亿美元，而 Anthropic 一家年化就约 650 亿，差不多是前者的六倍。</p> <p>我当年创业也犯过这错：以为东西免费、用户多了自然能变现。结果流量是有了，收银台空着。开源是个好牌，但光靠它收钱，难于上青天。</p> <h2>闭源双寡头守的是哪块地</h2> <p>Anthropic 和 OpenAI 守的不是“更便宜”，是“更难、更值钱”的活儿——深度推理、写代码、复杂 agent。报告说前沿模型支出份额从 35% 升到 63%，中小尺寸的闭源模型反而被自家旗舰和开源两头挤，份额从 29% 掉到 13%。</p> <p>这道理搁哪都通：中间层最容易被夹。你要么往上够天花板，要么往下拼成本，卡在中间最难受。米岸AI一直认为，做产品得想清楚自己站在价值链哪一头。</p> <h2>这事儿跟普通老板有啥关系</h2> <p>关系大了。你公司要跑批处理、客服问答、文档摘要这类“够用就行”的活儿，闭源贵价模型纯属交智商税，直接上便宜的开源，一年省下的 token 费够团建好几回。但凡是涉及核心代码、商业判断的高复杂度任务，别抠门，留给闭源旗舰。</p> <p>选型表该改改了：不是“用不用 AI”，是“啥活儿用啥模型”。工具分清楚场景，比追风口实在。</p> <h2>常见问题</h2> <p><strong>问：中国开源模型质量已经追上闭源了？</strong></p> <p>答：别上头。用量和占比是两码事。开源赢在性价比和特定场景够用，顶尖闭源在前沿推理、长程任务上仍有明显落差，这事儿厂商自己都认。</p> <p><strong>问：那企业该不该把闭源全换成开源？</strong></p> <p>答：看活儿。重复、高成本、容错高的批处理活，换；核心代码、商业决策这类高复杂活，留着闭源旗舰，别因小失大。</p> <p><strong>问：这 89% 的数字靠谱吗？</strong></p> <p>答：出自门罗风投对近 400 家美企的调研，样本不算小。但它是企业开支口径，不代表全球或国内，别拿去当圣旨。</p> <p><strong>问：米岸AI怎么看这趋势？</strong></p> <p>答：性价比是中国模型的真护城河，但收入流去了应用层，这是得直面的短板。开源能圈地，收钱还得另想办法。</p> <p>（本文由米岸AI整理）</p> Mon, 09 Nov 2026 16:05:26 +0800https://maai.cc/post/640.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-057-20261018-b05a0b49.png" alt="AlphaGo 围棋AI" /></p> <h2>先给结论：它不是背谱，是"练出来的"</h2> <p>围棋变化太多，穷举所有走法，宇宙年龄都不够用。早年大家以为电脑赢不了围棋，就卡在这。AlphaGo 的厉害处在于：它不靠背人类棋谱取胜，而是先学人类下法，再"自己跟自己下"几百万盘，硬把棋感练出来。2016 年 3 月那场对李世石 4:1，算是给旧观念结了账。</p> <p>米岸AI 感慨一句：AlphaGo 这事儿我当年也以为遥遥无期，结果说破就破，看得人心里一激灵。技术这玩意儿，常常就在你不经意时翻了盘。</p> <h2>第一招：把棋盘变成"直觉"</h2> <p>AlphaGo 里头有个"策略网络"，专门干一件事：看一眼棋盘，凭直觉说"下一步大概落哪几个点靠谱"。这不是算出来的，是从千万盘棋里学出的"棋感"，先把范围从几百个点缩到十来个，省了大把力气。</p> <p>这就像老棋手扫一眼盘面心里先有数——机器的"直觉"，是用数据喂出来的。它不追求每步都算尽，先把明显臭棋砍掉，剩下的再细琢磨，效率一下就上来了。</p> <h2>第二招：往前多想几步</h2> <p>光有直觉不够，还得算。它用"价值网络"评估某个局面"最后谁赢面大"，再配合一种叫"蒙特卡洛树搜索"的法子，从那十来个候选里往深了推几步，挑胜率最高的走。直觉负责收窄，计算负责拍板，俩搭伙干活。</p> <p>说白了，它不是每一步都算到底，而是"直觉指路、算盘验证"，效率一下就上来了。比起傻算全盘，这种"先猜后验"的路子，才是它能扛住围棋复杂度的关键。</p> <h2>第三招：自己跟自己下</h2> <p>最绝的是"强化学习"那段：它不依赖人类陪练，自己左手跟右手下，赢了的招被加强、输了的招被削弱，棋力就这么滚雪球涨上去。这也是为啥它能下出人类从没见过的"妖刀"走法——它没被人类框住。</p> <p>要我说，这点最值得咂摸：有时候不被旧经验捆着，反而能蹚出新路。人下棋讲究定式，它偏不，哪招赢用哪招，野得很，也灵得很。</p> <h2>这波操作给咱的启发</h2> <p>AlphaGo 之后，这路子被搬到了好多地方：蛋白质结构预测、物流调度、甚至写代码。核心就一条——给系统一个清晰的目标和大量的"对弈"，它能在人不想干的活儿上超过人。但它也只是工具，目标还得人定，方向还得人把。</p> <p>米岸AI 觉得，别神话也别贬它。它就是个肯下死功夫、还不喊累的"练家子"。你给它目标、给它场地，它就能练出你意想不到的本事，前提是别让它练歪了。</p> <h2>常见问题</h2> <p><strong>问：AlphaGo 是真自己想出怪招的吗？</strong></p> <p>答：是。靠强化学习自己跟自己下，它下出过人类棋谱里没有的走法，还偏偏管用，这才最让人服气。</p> <p><strong>问：现在下围棋，AI 还赢人类吗？</strong></p> <p>答：早就是降维打击了。现在职业棋手反倒拿 AI 当陪练、当老师，研究新定式。</p> <p><strong>问：蒙特卡洛树搜索是啥，难懂不？</strong></p> <p>答：不玄——就是一种"多试几遍、留下赢面大的路"的搜索法。靠大量随机推演估胜率，比傻算全盘省事。</p> <p><strong>问：米岸AI 说这跟聊天模型有啥关系？</strong></p> <p>答：思路同源：都靠"目标 + 海量练习"长出能力。一个练棋感，一个练接话，底层都是数据喂出来的。</p> <p>本文由米岸AI整理。</p>Mon, 09 Nov 2026 13:40:55 +0800https://maai.cc/post/639.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-056-20261018-8e9aec8e.png" alt="深度伪造 Deepfake" /></p> <h2>先给结论：它本质是"双胞胎生成"</h2> <p>深度伪造说白了，是一类"以假乱真"的 AI 生成技术。最常见的玩法，是拿甲的一堆照片当"脸源"，拿乙的视频当"身体和表情源"，训练一个模型，把甲的脸严丝合缝换到乙身上，连眨眼、转头都跟着动。出来的东西，肉眼有时候都分不出真假。</p> <p>米岸AI 先撂一句底线：这篇只拆深度伪造的原理，不教制作。门道讲明白，比藏着掖着更扛忽悠，你也就不容易被假东西蒙了，知道它咋来的才防得住。</p> <h2>深度伪造背后这套核心技术</h2> <p>深度伪造背后这套核心技术叫生成对抗网络（GAN），这套路有意思：一个负责"造假"的生成器，一个负责"找茬"的判别器，俩天天互相较劲。造假的比怎么骗过找茬的，找茬的练怎么揪出破绽，来回拉锯，假脸就越做越真。</p> <p>后来还有更狠的：用"换脸模型"直接学两张脸之间的映射，再配合让嘴型跟着声音动的技术，连说话口型都对得上。这活儿，早年搞图像的小伙子们可不敢想，现在手机上都能跑。</p> <h2>它真能正经用</h2> <p>别一听"伪造"就觉得全是坏事。电影里让已故演员"复活"补拍镜头、把台词本地化配音、做无障碍的手语主播、帮人试戴眼镜口红——这些正经活儿，底层都是类似技术。技术是中性的，看搁谁手里、干啥用。</p> <p>要我说，跟当年 PS 刚出来一个道理：工具本身不背锅，拿它坑人的才该挨板子。会用的拿它省成本，歪用的拿它坑人，差在两字：心思。</p> <h2>坑也都明摆着</h2> <p>风险也实在：有人拿它做假新闻、冒充熟人要钱、编造假录音毁人清白。更麻烦的是，假的满天飞，真的反而没人信了——这叫"谎言跑赢真相"。还有声纹、人脸这些生物特征被滥用，后患不小，想删都删不干净。</p> <p>所以这两年"AI 水印""内容溯源"才被拎到台前：给生成内容打记号，让假的能追到根上。平台、监管一起上，才压得住这股歪风，光靠用户自己辨太难。</p> <h2>普通人咋防着点</h2> <p>几招实在的：看到离谱视频先别急着转，尤其涉及钱、涉及名人表态的；留意光影有没有违和、眨眼自不自然、背景边沿糊不糊；真要紧的事，走官方渠道核实，别光信一条视频。</p> <p>米岸AI 觉得，最好的防具不是技术，是"我先愣一下"的习惯——越是煽乎的内容，越值得多想一秒。真假的边界，往往就在你点转发前那一停。</p> <h2>常见问题</h2> <p><strong>问：深度伪造和普通的视频剪辑是一回事吗？</strong></p> <p>答：不是。剪辑是挪已有的真画面；深度伪造是用 AI 凭空"造"出原本没发生过的脸和声音，真假难辨程度高得多。</p> <p><strong>问：有没有法子认出假视频？</strong></p> <p>答：有，但肉眼越来越难。现在更靠平台的水印、溯源标记和专业检测模型来识别，普通人主要靠"多方核实、别急着信"。</p> <p><strong>问：把自己的照片发网上安全吗？</strong></p> <p>答：存在被拿去当"脸源"的风险。不露脸的敏感场景少发原图，公共平台注意隐私设置，能少不少麻烦。</p> <p><strong>问：米岸AI 说的水印是啥？</strong></p> <p>答：就是在 AI 生成内容里嵌入肉眼难见、机器能读的信号，标明"这玩意儿是 AI 做的"，方便溯源和辨别。</p> <p>本文由米岸AI整理。</p>Mon, 09 Nov 2026 13:40:54 +0800https://maai.cc/post/638.html<p><img src="https://maai.cc/zb_users/upload/maai/2026/10/pooljpg-055-20261018-966318e6.png" alt="余弦相似度 语义搜索" /></p> <h2>先给结论：它量的是"方向"不是"字数"</h2> <p>两句话像不像，人一眼能瞅出来。可机器看文字是瞎的，得先把文字变成一串数字（也就是向量），再比这串数字。余弦相似度干的就是这个"比"的活：它不算两段文字重合了几个词，而是算它们对应的向量"指向"是不是同一个方向。</p> <p>米岸AI 打个比方：一篇写"猫爱吃鱼"、一篇写"喵星人就好这口腥的"，字面没几个字一样，但意思一个样，余弦相似度就高。它比的是"神似"，不是"字同"，这点比数重合词高明。</p> <h2>向量是啥，先掰扯明白</h2> <p>机器没法直接吃汉字，得把每个词、每句话压成一串数字，这串数字就是向量。意思相近的词，压出来的数字"方向"也近。比如"高兴"和"开心"的向量，挨得就比"高兴"和"扳手"近得多。</p> <p>这一步叫"嵌入"，是后面所有比对的地基，余弦相似度要量也是量这串数字。地基打歪了，余弦相似度再准也白搭。同一句话换个写法，向量也差不离，这正是它能认近义词的底子。</p> <h2>余弦这把尺子咋量的</h2> <p>两个向量往坐标系里一放，连到原点，就成了两根带方向的箭头。余弦相似度量的是这两根箭头之间的夹角：夹角越小（越并肩），分数越接近 1，表示越像；夹角越大（背道而驰），分数越接近 0 甚至负数，表示越不沾边。</p> <p>重点来了：它只看角度，不看长度。所以一段话写得很长、另一段很短，只要"意思走向"一致，余弦相似度照样高。这正是它比"数重合词"聪明的地方，长度不一样也照量不误。</p> <h2>它都藏在哪儿干活</h2> <p>你用搜索，输入"怎么治感冒"，它给你蹦出"流行性感冒咋缓解"——背后就是余弦相似度在比 query 和文章的向量。你用查重，两篇论文换汤不换药，它也能闻出味儿来。还有推荐，"看过这个的人还看了那个"，很多也是靠相似度配对。</p> <p>说白了，只要活儿是"找相似的"，基本都绕不开这把尺子。把这类活儿交给它，比人肉翻资料快得多，也稳得多，所以它才能躲在那么多产品背后。</p> <h2>它也有犯迷糊的时候</h2> <p>余弦相似度认向量不认人话。万一嵌入模型本身把两个不相干的东西学近了，它也就跟着错。还有反话——"这服务真棒"和"这服务真棒（反讽）"，向量可能一样，意思却相反，它就分不出来了。</p> <p>所以正经系统不会光靠它一根柱子，往往配上关键词、规则一起判。米岸AI 提醒一句：相似度高分，不等于真相关，别被一个漂亮数字带沟里。</p> <h2>常见问题</h2> <p><strong>问：余弦相似度和"重合词数量"差在哪儿？</strong></p> <p>答：重合词数只看字面有几个字一样，容易被同义词骗；余弦相似度看语义方向，能认出"换了个说法但一个意思"。</p> <p><strong>问：分数为 1 就代表两句话一模一样吗？</strong></p> <p>答：代表语义方向非常接近，但不一定是逐字相同。它量的是"像"，不是"等于"。</p> <p><strong>问：普通用户能直接用它吗？</strong></p> <p>答：你一般碰不到原始分数，但它躲在搜索、推荐、查重背后替你干活。看懂原理，就知道为啥有时搜出来"不太对味"。</p> <p><strong>问：米岸AI 说的向量从哪来？</strong></p> <p>答：来自"嵌入"模型，把文字压成数字串。向量质量直接决定余弦相似度靠不靠谱。</p> <p>本文由米岸AI整理。</p>Mon, 09 Nov 2026 13:40:54 +0800