AI泡沫忧虑再起，人类作为AI审核把关角色不稳｜AI一周观察 2026w44

腾讯科技企鹅智库旗下AI领域一周观察：一周一期，比信息整合深一步

文｜博阳

编辑｜徐青阳

01

产业

AI 财报季遭遇抛售，基建扩张遭遇质疑

2026 年 10 月下旬的美股科技财报季，展示了一幅业务高速增长与资本市场剧烈抛售并存的图景。

Alphabet 在 10 月 28 日公布的第三季度财报显示，Google Cloud 营收同比暴涨 103%，但当季自由现金流却录得负 91 亿美元，同时核心搜索广告业务表现不及市场预期。次日，Alphabet 股价大跌 12.6%，云业务的翻倍增长未能抵消投资者对现金消耗失控的担忧。

一天后，Amazon 交出了结构高度相似的第三季度成绩单：AWS 云服务营收同比增长 39% 至 460 亿美元（年化营收跑率达 1,840 亿美元），集团整体营业利润创下 281 亿美元的历史新高。但在截至 9 月 30 日的过去十二个月里，尽管经营性现金流增长 29% 达到 1,683 亿美元，公司自由现金流却从上一年同期的净流入 148 亿美元逆转为净流出 424 亿美元。

这些现金缺口中，Alphabet 的负 91 亿美元反映的是单季度的现金缺口，而 Amazon 的负 424 亿美元覆盖了过去十二个月的累计流出。在此期间，Amazon 扣除资产处置后的物业与设备采购支出同比激增 948 亿美元，全年现金资本开支预计高达 2,200 亿美元。

Microsoft 在 10 月 28 日公布的2027 财年第一季度财报之所以能成为少数的正面样本。其 Azure 营收增长 48%（超出自身 44% 至 45% 的指引），集团总营收达 923 亿美元，且在单季资本开支高达 452 亿美元的情况下依然维持了正向自由现金流。关键就在于其庞大的企业级软件与办公订阅底盘提供了极厚的当期现金缓冲。因此，其股价财报后大涨3%。

因此这说明，目前市场对于大公司在AI基建的投入，超出其盈利现金流的举措产生了很大担忧。他们并非不认为当前算力紧缺，而且算力中心是个挣钱生意。这一切是虚假繁荣。但对于未来，他们的信心就没那么大了。

对于这些大公司来讲，必须大举投资未来的基建和算力才能保持竞争力。但这些巨量的投入最后是不是真的能转化成有效收益，这不好说。

第一，按现在的增长，可能赚不到太多。根据Gartner据当前AI收入增长测算，到2030年，AI公司和云业务的基建投入可能达到7万亿美元，总计的收入可能是8.5万亿美元，而可归属于 AI 数据中心的企业与消费者 AI 收入不超过 3.6 万亿美元。考虑到其运营成本和折旧、税费。其有效利润率很可能低于12%。也就是说，赚钱效率比较低。考虑到机会成本，这可能不如投入其他方向更有赚头。

第二，这还是在算力需求依然巨量增长的预期下，如果AI发展受阻，扩张停滞呢？如果玩家减少，目前占比50%以上的训练算力用量锐减呢？如果infra有较大进展，算力需求降低呢？这些风险因子显然会进一步削弱这种大规模前期投入的稳定回报预期。

简单来讲，就是我们拿当前最好的情况算这个账，都不一定算得有多赚。风险太大，而最大的收益，却不是通过算力扩张独自获取的。有一家赢得游戏，其他家如果只能作为算力参与方，其收益上限不高，下限却很低。

信用评级机构同样在用这套标尺审视各家巨头的造血底线，标普全球（S&P Global）在 10 月 30 日维持了 Meta 的 AA− 信用评级，但将其评级展望下调为负面，核心理由正是担忧激进的 AI 资本开支侵蚀现金流，可能导致 Meta 的杠杆率在 2027 年初突破 AA− 评级所允许的 1.0 倍上限。

同理，我们也可以理解理解Anthropic为何会被评级为垃圾级信用。

10 月 30 日，《金融时报》及多家市场机构披露，黑石集团在向投资者沟通时预计，Anthropic 即便完成上市，其信用评级可能依然停留在非投资级（即俗称的“高收益级”或“垃圾级”高端区间），难以在短期内拿到投资级评级。这也是因为 Anthropic 在 10 月 26 日公开提交的IPO 招股说明书（Form S-1）显示，公司背负着长达五年的高额设备租赁承诺（仅 Broadcom 相关的五年期租赁总额就达 1,612 亿美元，不含利息），且其间它建立的循环信贷协议加重了这一疑虑。

因为Anthropic没有正向自由现金流，因此它只能依靠借贷来构建算力基础。而这个借贷需要抢担保兜底。

10 月 26 日，Broadcom 联合美国银行、黑石集团（Blackstone）、花旗集团与摩根士丹利宣布了一项高达630 亿美元的设备融资安排，用于为 Anthropic 部署基于 Broadcom 技术的专属 AI 算力与网络设备，预计 2027 年开始交付。

芯片卖家 Broadcom 亲自充当了优先贷款人的兜底方。在向监管机构提交的 8-K 文件中，Broadcom 承诺为优先贷款提供最高可达约 430 亿美元（未折现口径）的残值担保。一旦发生违约且机柜变卖所得低于尚未偿还租赁本金的 72.5%，Broadcom 必须自掏腰包补齐差额。

类似的循环借贷，使得基建脆弱性的传导风险进一步加剧。Anthropic不行了，那博通也得遭殃。

对远期买单能力的怀疑很快传导到了上游硬件供应链。美东时间 10 月 30 日上午 09:45，存储芯片与硬盘板块遭遇集体抛售，盘中记录显示美光（Micron）下跌 4.26%，闪迪（Sandisk）重挫 8.53%，西部数据（Western Digital）下跌 6.07%，希捷（Seagate）下跌 5.26%。耐人寻味的是，就在前一天收盘后，闪迪刚刚交出了一份极其亮眼的2027 财年第一季度财报：当季营收达 110.31 亿美元，环比增长 23%，同比暴增 378%（其中数据中心业务营收环比大增 61% 至 48.02 亿美元），GAAP 毛利率从一年前的 29.8% 跃升至 85.0%，公司还宣布了 1 拆 8 的拆股计划并上调了下季度营收指引至 122 亿到 126 亿美元。强劲的业绩不仅没能推高股价，反而触发了获利了结与板块共振下跌。

因为大家都在预判，这种疯狂激进的基建投入，也许无法持续。而由此高歌猛进的硬件供应商未来预期自然也就会被相应调低。

AI 科学探索迎来爆发期，各领域皇冠研究被攻破

2026 年 10 月下旬，人工智能在基础科学领域的角色发生了一次具有分水岭意义的质变。在短短数日内，OpenAI 与 Anthropic 等前沿实验室密集披露了一批横跨理论计算机科学、基础数学、理论物理、化学动力学与生物医药的突破性进展。

与早期 AI 仅限于在给定评价指标下做局部工程调优不同，这一轮成果直接刺入了困扰人类学界数十年的核心猜想与实验黑盒。从两家机构同日独立推翻计算复杂性基石“指数时间假说（ETH）”，到全维度攻克调和分析中的局部光滑猜想与挂谷（Kakeya）猜想。

从 1,147 页的四维量子场论存在性构造，到跨模型接力完成化学反应网络全局收敛的形式化证明，再到深入自动化湿实验室推翻传统仪器的错误打分标准。

一条从“形式化公理推演”延伸向“真实物理世界实验设计”的完整科研链条，正在被快速打通。

10 月 26 日，OpenAI 在官方公告《Working with academic communities to build scientific understanding》中投下一枚重磅炸弹，公开了题为《The Exponential Time Hypothesis is False》的 67 页预印本论文及配套的 Lean 4 形式化证明代码，宣布其内部推理模型于 10 月 16 日找到了推翻“指数时间假说（ETH）”的自然语言证明，并在次日完成了机器形式化核验。

戏剧性的是，仅仅一天后的 10 月 27 日，Anthropic 也在数学预印本平台 Hexagon 与自家的形式化数学仓库中公开了论文《A  Time Algorithm for 3-SAT》。Anthropic 的溯源声明显示，其内部研究版 Claude 模型同样在 10 月 16 日这一天，在零人工干预的情况下消耗 1,400 万个输出 token 独立发现了推翻 ETH 的核心算法，随后在人类研究员协助改进表述后完成了 Lean 形式化。

在公布计算复杂性结果的同时，OpenAI 在同一份10 月 26 日公告中还向纯数学界释出了另一份完全公开的自然语言论文与 Lean 证明包《Local smoothing for the Euclidean wave equation》（内部模型于 10 月 18 日产出自然语言证明，10 月 19 日完成 Lean 形式化）。这项工作直接宣称解决了调和分析大师 Christopher Sogge 于 1991 年提出的欧几里得波动方程“局部光滑猜想（Local Smoothing Conjecture），并顺带将几何测度论与调和分析中著名的挂谷（Kakeya）猜想、Nikodym 极大值猜想以及 Stein 傅里叶限制猜想一并推进到了任意维度。

在人类数学家的推进历史上，每往上爬一个维度都伴随着极其艰苦的几何与分析攻坚：Larry Guth、王虹（Hong Wang）与张瑞祥（Ruixiang Zhang）在 2019 年提交、2020 年发表于《数学年刊》的长篇论文中，首次攻克了二维空间的局部光滑猜想。2025 年，王虹与 Joshua Zahl 又合力证明了三维空间的挂谷猜想。

在数学与计算机科学两项直接开源代码的成果之外，OpenAI 在10 月 26 日公告中宣布的第三项突破指向了现代理论物理学的圣杯之一，其内部模型在 9 月 9 日生成了四维纯杨-米尔斯（Yang–Mills）规范场论的数学存在性自然语言证明，在 9 月 18 日进一步生成了包含规范场与费米子（物质粒子）的四维相互作用量子场论，包括描述强相互作用的量子色动力学（QCD）以及粒子物理标准模型统一完备化方案的存在性证明，并于 10 月 16 日完成了纯杨-米尔斯存在性部分的 Lean 形式化。

与前两项直接挂上网任人下载的做法不同，这批物理材料目前并未公开，而是全权移交给了由 2004 年诺贝尔物理学奖得主 David Gross 担任主席，Arthur Jaffe、Michael Douglas、Igor Klebanov 与 Nikita Nekrasov 组成的五人独立学者工作组，由工作组决定何时以及如何向学界披露。

根据卡弗里理论物理研究所（KITP）于 10 月 28 日发布的五人工作组官方声明，OpenAI 模型生成的自然语言证明手稿长达惊人的 1,147 页。从工作组披露的初步信息来看，AI 并没有另起炉灶发明一套全新的物理学，而是沿着波兰数学物理学家 Tadeusz Bałaban 在 20 世纪 80 年代开辟的“重整化群（Renormalization Group）”构造路线一路硬推到底。由于 David Gross 等人在 1973 年发现的“渐近自由（Asymptotic Freedom）”特性，强相互作用在极短距离（高能紫外区）下会变得很弱，Bałaban 当年正是利用这一点，写了十几篇极其晦涩、连同行都几乎无人能完整读懂的长文，试图一阶一阶地控制网格变细时的紫外发散。工作组指出，OpenAI 的模型正是借助并补全了 Bałaban 的核心思想，将重整化群分析一路从微观格点追踪到了无限远距离，从而宣称证明了恰当连续极限的存在性。

如果把视线从上述三大理论突破移向更广泛的科学日常，可以看到 AI 不仅在单点攻克顶级难题，更在以“跨模型分工、复用开源形式化资产、深度介入真实实验设计”的方式，重塑整个科学研究的生产流水线。

10 月 27 日，Anthropic 生命科学团队发布了药物研发合作进展报告，系统披露了过去数月里 Claude 在六家生物医药机构（BigHat Biosciences、Generate Biomedicines、Divergence Labs、Enveda、The Column Group 与百时美施贵宝）真实研发管线中的应用成果，并同步公开了收购单人罕见病研发公司 Mithril Medicine 的消息。

在这批案例中，AI 扮演的角色已经不再局限于早期的“分子结构生成器”：在 Generate Biomedicines，科学家利用 Claude Code 将 CAR-T 细胞疗法中结构尚不明确的胞内信号域缩短了约 70%，使细胞表面的受体表达量提升了约 10 倍，为攻克实体瘤腾出了宝贵的基因载体空间。在 Divergence Labs，Claude 在一个月内自主规划并生成了约 3.5 万个双臂抗体设计，成功筛选出能在常规注射浓度下将已结合的过敏原抗体（IgE）从免疫细胞上剥离的候选分子。而其中最值得深入剖析的科学方法论突破，发生在与BigHat Biosciences 的抗体先导物优化合作中。

通过比对原始数据，研究员发现了检测设备的极限问题。为了验证这个猜想，他要求 Claude 建立了一个解释原始曲线趋势的生物物理模型，并主动提议修改湿实验的测量规程BigHat 的科学家完善并执行了这组对照实验，结果完全印证了 Claude 的物理推演。团队随即废除了原有的错误打分公式，改用新修订的评价指标继续制导后续迭代，最终拿到的最优抗体变体不仅靶点结合力提升了约 9 到 10 倍（达到亚纳摩尔级亲和力），抗癌先导物保持溶解状态的耐受温度提高了 18°C，长效药物先导物的聚集速度更是减慢了 100 倍以上，部分分子甚至在仪器最高 85°C 的极限测试下仍未完全聚集。

这一案例把 AI 参与科学研究的边界向前推了一大步。在过去的大多数“AI 制药”叙事里，人类负责设定考卷和评分公式，模型只是一台不知疲倦的刷分机器，负责在几百万个候选分子里更快地找出得分最高的那一个。但这一事例说明，AI有能力在人类引导下提供更基础的基础假设。

这些案例揭示了当下 AI 赋能科学最深刻的变化。AI 已经从昔日只会做表面调参的“实验室学徒”，成长为能够产出千页级底层构造、挑战领域核心假设的发现引擎。

Google 公布 Gemini 4 Carbon，暂时成为领先者

距离上一代前沿模型 Gemini 4 Argon 发布仅两周，Google 于 10 月 28 日正式公布了新一代旗舰模型Gemini 4 Carbon。

为了证明 Carbon 的能力跃迁，Google 公布了多项第三方与内部硬核评测数据。在刚刚更新的独立评测基准Artificial Analysis Intelligence Index v5.0中，Carbon 以 59 分的成绩登顶榜首；在前端与全栈开发打榜平台 WebDev Arena 上，其 Elo 评分较前代大幅跃升 89 分，以 1768 分位列第四。更具标志性的是其在网络安全全生命周期中的表现：在挖掘真实软件漏洞的 SEC-bench Pro 测试中，Carbon 取得了 88.2% 的准确率，在检验漏洞是否真正可被利用的 ExploitGym 基准中拿到 54.8%，而在将漏洞直接转化为代码补丁的 CWE-bench 上达到了 71.0%。

Google 内部团队在真实代码库中观察到，Carbon 已经能够连续数日自主运行，在跨越大规模代码库和底层系统的复杂排错中自己走出死胡同并修复隐蔽缺陷，Chrome 团队反馈其生成高质量安全补丁的效率比另一家前沿实验室的大模型高出 10 倍以上。

值得关注的是，Carbon 在安全对齐上也展示了实质进展：在检验智能体是否会走捷径作弊的 Terminal-Bench 4.0 中，其成功作弊率降至 0.0%（作弊尝试率仅 0.4%），在 Gray Swan 的间接提示词注入（IPI）测试中更是实现了 0.0% 的攻击成功率。

在商业定价上，Gemini 4 Carbon 同样体现出明显的“过渡期”特征。官方宣布其上线初期的推广价格与 Argon 保持一致，即每百万输入 token 收费 2 美元、每百万输出 token 收费 10 美元（缓存输入 token 享受 0.5 折优惠）。但公告底部的注释明确写明，推广期结束后，正式价格将直接翻倍至每百万输入 4 美元、每百万输出 20 美元。

DeepSeek 发布超级Agent，给出了他们对团队合作Agent和Always on Agent的解法

当单个程序员手里的编码工具越来越聪明时，如何让智能体顺畅地融入几十人的研发团队，正在成为一个独立于“代码生成准确率”之外的产品与工程命题。

在团队协作场景中，如果一个智能体谁的话都听、遇到一点小疑问就在群里连环弹窗，或者改坏了代码却没人知道该由谁拍板合并，那么它节省下来的敲代码时间，很快就会被全员核对信息、清理烂摊子的沟通成本彻底抵消。

DeepSeek Harness 团队近期在 GitHub 上开源的研究原型dsh-superagent-prototype（按 MIT 协议发布，正是围绕这一痛点给出的一套架构示范。该原型将自己定位为服务于单个 GitHub 代码仓库的“主动式团队编码智能体”。

其核心设计哲学被浓缩为一句话：“占用尽可能少的人类注意力，交付尽可能多的实际价值。”

为了防止智能体沦为团队注意力的粉碎机，这套原型在请求入口、执行环境与结果回传三个环节建立了一套严格的隔离与过滤机制。在入口端，系统同时监听 GitHub 的评论事件与可选的飞书（Feishu）群聊消息，但它并不是有求必应，而是先经过一层明确的授权规则（Authorization）校验，只有具备相应权限的成员发出的指令，或者符合团队预设自动化规则的事件，才会真正触发执行。

一旦请求获批，系统会正式创建一个工作项（Work Item），并为其分配一个完全独立的智能体会话与隔离的工作目录。这意味着智能体在后台跑测试、改文件、反复试错的过程全部在沙箱内闭环，绝不会污染主干分支或刷屏群聊。

更关键的设计在于它何时开口说话。在执行过程中，除非遇到必须由人类做出授权或裁决的卡点，否则智能体保持静默并主动从对话汇总信息，由Agent判断是否根据会话需求去改进原型。而在独立目录中完成代码编写与自检后，它会回到最初发起讨论的那个 GitHub Issue 或飞书对话串里，直接贴出可交付的成果。

与此同时，系统配套提供了一个轻量级的 Web 管理面板（Panel），专门汇总当前所有挂起、报错或必须由人工介入审批的任务状态。这种“后台静默执行、原路精准回传、异常集中看板”的工作流表明，团队级 Agent 的竞争焦点已经从单纯比拼底座模型写代码有多快，转向了权限边界管理与人机交接协议的设计：一个真正能进组干活的智能体，不仅要会写代码，更要懂得在平时保持安静，并在自己搞不定的那一刻，准确地让人类知道该从哪里接手。

Genie 4 展示最新的实时互动世界模型标杆

10 月 27 日，Google DeepMind 发布了新一代实时交互世界模型Genie 4的研究预览。

如果说前代产品 Genie 3 的核心突破是让用户能够像玩游戏一样实时走进一张生成的画面里四处移动，那么 Genie 4 则解决了一个让虚拟世界真正“活过来”的关键缺失：它不仅首次在实时生成的三维交互环境中加入了原生同步音频（涵盖环境底噪、背景音乐与交互式角色对话），更重要的是，它打通了“底层世界模型”与“上层大语言模型”之间的实时协同控制链路。

在以往的生成式视频或早期世界模型中，模型根据最初的一句提示词不断往后预测像素帧，用户虽然能控制视角移动，但既很难在半途用自然语言精准修改场景设定，也很难让画面里的虚拟角色展现出合乎逻辑的长期行为。

Genie 4 采用了一套混合架构来打破这一局限。在底层，世界模型与Gemini Omni共同锚定现实世界的视觉外观、物理质感与基础动作表现，而在上层，其他具备复杂推理能力的 Gemini 模型则扮演着“实时驻场导演”的角色，持续观察世界演进的过程并维持叙事连贯性。

这种双层分工彻底改变了创作者与虚拟环境的交互方式。用户可以在体验一个动态场景的同时，随时通过自然语言发出导演指令，比如要求立刻把晴天改成暴雨、推拉摇移摄像机机位，或者在街角突然引入一个性格特定的新角色并与之对话。底层世界模型负责一帧接一帧地实时渲染出对应的画面变化与环境音效，而上层的 Gemini 推理模型则负责理解指令背后的逻辑，确保新加入的角色在行为和台词上符合上下文设定。

不过，这套酷炫的交互预览目前仍然很难放进严肃的工业研发中（例如自动驾驶仿真或机器人物理训练）。Google DeepMind 在发布材料中坦诚披露，模型依然存在长会话漂移（长时间运行后场景逐渐走样）、物体一致性不足（转个身回来某些细节可能发生变化）以及复杂物理交互不够精确等问题。

02

研究

AGENT4SCI：AI 仍然提不出好的科学假说，但我们可以逼它一下

当前沿编程智能体（Coding Agents）被越来越多地包装成“端到端自动化科学家”时，一个核心疑问随之浮现：把智能体放进真实的自然科学实验室代码库里，它究竟是在做真正的科学突破，还是仅仅在用更熟练的工程技巧刷高分数？

10 月 20 日，Anthropic 及其 Fellows 项目的研究者 Ming Zhong、Stacy Li、Nicholas Carlini 与 Matthew Jagielski 提交了被 NeurIPS 2026 接收的论文《Automating ML for Science: Can Frontier Agents Climb Scientific Hills in the Wild?》，构建了名为 AGENT4SCI 的长周期科学评测基准，对这一问题给出了迄今最扎实的实证拆解。

团队从 497 篇候选论文中按 98% 的淘汰率严格筛选出跨越物理、生命科学、地球与环境科学等 11 个领域的 20 个基准（共 25 项任务）。四个前沿智能体（Claude Opus 4.6、Claude Sonnet 4.6、Gemini 3.1 Pro 与基于 GPT-5.4 的 Codex）在全部 20 个科学基准上都实现了零作弊的正向提升，其中 Claude Opus 4.6 取得了平均 10.4% 的相对改进（Sonnet 为 9.6%，Gemini 为 6.8%，Codex 为 4.4%）。

然而，当研究者切开这 10.4% 提升背后的操作轨迹时，却看到了一个高度趋同的真相：智能体之所以能赢，几乎全靠一套娴熟的“通用机器学习工程百宝箱”，调余弦退火学习率、把网络加深加宽、换更大的预训练骨干网络、加权重衰减或数据增强。

在轨迹分析中，团队揪出了限制智能体做出真正科学突破的三大默认通病：第一是“新颖度错觉（Novelty Miscalibration）”，比如 Claude Code 每次把早就沦为行业常识的余弦学习率调度当成惊天动地的创新突破写进日志；第二是“算力闲置（Resource Under-utilization）”，8 张顶级显卡经常有大半在空转，或者因为不会并行调度而造成 CPU/GPU 拥堵；第三是“探索坍缩（Exploration Collapse）”，智能体在头一个小时还会尝试不同思路，一旦发现某个激活函数有效，剩下十一个小时就彻底陷入局部调参的惰性循环。

既然病灶在于工作流习惯，研究者设计了三个极简的 Markdown 插件技能（Plug-in Skills）注入智能体：在开局阶段注入“疯狂科学家（Crazy Research Scientist）”人设与并行文献挖掘技能，明确要求鄙视单纯调参、优先尝试高风险的领域创新；在执行阶段注入“实验管理”技能，强制压满 GPU 利用率并做快速冒烟测试；在运行期间则通过钩子每小时触发一次“定时自检清单（Scheduled Checklists）”，强迫智能体灵魂自问：“我是在做有创造性的实验，还是又在偷偷调超参数？领域专家会对我的做法感兴趣吗？”

仅仅加上这三份轻量级指引，Claude Opus 4.6 的平均相对提升就直接从 10.4% 翻倍跃升至 20.1%，Codex 也从 4.4% 涨到了 8.1%。更关键的是，智能体开始真正调用领域物理与生态学洞见来重构问题：比如在全拓扑电力潮流预测任务 PFDelta 上，装上技能的 Opus 意识到评估指标“功率平衡损失（PBL）”本身就源自基尔霍夫定律，属于无需标签的物理守恒约束，于是直接把 PBL 改造成主损失函数，并在推理时把图神经网络（GNN）的输出当作交流潮流方程的“热启动初值”去逼近零物理残差，将性能提升从 64.4% 一举推高到 91.0%。

这项研究为“AI 做科研”划出了一条清醒的坐标线：如果不对探索流程加以约束，大模型默认只是一个勤快但保守的调参工程师；而要评估 AI 能否走出给定指标的攀登、去提出全新的科学问题，则需要另一套标尺。

Meta 发现当前AI靠自己出题提升自己这事儿，还是不行

随着大模型把人类历史积攒的静态题库（如各类奥赛题、编程题）迅速刷到接近满分，整个 AI 行业正面临“无尺可用”的窘境：制造一套高质量的新评测基准，往往需要顶尖研究员耗费数月去界定考察能力、搜集原始材料、编写自动判分容器并反复排查漏洞。既然智能体已经能自己写代码做实验，能不能让研究智能体（Autoresearch Agents）自己造题来考倒大模型，实现“自我迭代”？

10 月 28 日，Meta FAIR 联合约翰斯·霍普金斯大学等机构（Tianjian Li、Chuanyang Jin、Seungone Kim、Jason Weston 等）提交了论文《Aligning Autoresearch: Co-Improvement between Agents and Humans》及配套的AutoBenchmark 技术博客，通过严谨的对照实验给出了答案：没有人类专家在关键节点掌舵，全自动造题系统造出来的要么是模型轻松拿满分的“水题”，要么是充满漏洞的“死题”。

在 AutoBenchmark 框架中，造题智能体（实验中使用 Muse-Spark-1.1）被要求交付一套完整的、可在隔离容器中直接运行的评测包，里面不仅要有题目说明和提供给考生的参考材料，还要有机器可自动执行的判分脚本，以及一份由出题者自己提供的、得分必须达到 0.9 以上才能入库的“标准参考解答”。接着，系统会在十轮迭代中引入双路反馈：第一路是让循环内的解题模型（Muse-Spark-1.1 自身与较弱的 Muse-Glimmer-30B）去答题，如果考生得分太高，说明题目太简单，必须加大难度。第二路也是最精妙的设计，是引入专门审视题目本身的五维质量评审器（检查构念效度、正确性、可行性、实用性与综合裁决），同时在场外保留完全不参与循环的独立检验模型（NVIDIA Nemotron-3.5-Lightning-30B 与旗舰模型 Claude Opus 5），用来防止出题者只针对循环内考生的特定盲区搞“定向投毒”。

此外，研究团队重点测试了人类专家在造题循环中的四种介入深度，并针对科研智能体自身的能力设计了三个极具现实意义的评测方向：考察“能否识别前人已证实走不通的死胡同课题”的 Graveyard Bench（基于临床试验失败记录与心理学不可复现论文）、考察“能否修复不报错但悄悄拉低模型训练性能的静默代码缺陷”的 SilentTrain Bench（基于 PyTorch、vLLM、nanoGPT 等真实提交历史），以及考察“能否准确判断论文作者的审稿反驳（Rebuttal）是否真正解决了审稿人质疑”的 Rebuttal Bench（基于 ICLR、Nature Communications 与 eLife 的公开审稿记录）。

实验对比结果揭示了人类介入的决定性作用。当完全不给人类反馈、让智能体自由发挥时，它造出的基准几乎毫无区分度，场外检验的 Claude Opus 5 轻松考出了 98.0 分的接近满分成绩。当人类在开局阶段只给出一句话的宽泛意图（粗粒度反馈，例如“做一个考察论文反驳质量的基准”）时，效果改善极其有限，循环内的模型得分依然在 80 分以上徘徊，Claude Opus 5 在 Rebuttal Bench 上也拿到了 83.1 分。然而，一旦人类专家在提案阶段提供细粒度指导，不仅把任务边界、评分逻辑写得清清楚楚，还亲手筛选并锁定智能体必须使用的原始真实语料（如指定的公开同行评审数据集）——造出的题目难度立刻发生质变：循环内外的解题模型得分全线暴跌 28 到 46.5 分，从未参与循环的 Claude Opus 5 在 Rebuttal Bench 上的得分直接从 83.1 分大幅下挫至 65.9 分（在 Graveyard Bench 上也从 90.7 分降至 84.4 分），真正暴露出了顶尖模型在复杂科研判断上的软肋。

整项研究传递的核心信号非常明确：在迈向RSI的路程上的道路上，自造Benchmark，自出题方面，AI自己还是非常不擅长的。靠Self Play实现RSI，目前还不现实。

Anthropic 实验发现，人类其实已经在AI的影响下丧失决策权了

当专业人士使用 AI 智能体协助处理复杂的数据分析时，人们通常默认一种理想的分工模式：AI 负责干脏活累活，写代码、洗数据、跑回归模型。而人类专家则稳坐钓鱼台，负责决定采用什么评价标准、如何解释模棱两可的证据，并拍板最终的业务建议。然而，Anthropic 对齐团队（Amaç Herdağdelen、Hailey Joren、Alex Tamkin）于 10 月 27 日发布的随机对照实验报告《Who’s Aligned to Whom? How AI Agents Shape Experts’ Research Judgment Calls》，用一组令人警醒的数据打破了这种“人类独立把关”的幻觉。

研究团队招募了 61 名通过了因果推断知识考核、熟练掌握 Python 或 R 语言且具备真实观测数据分析经验的专业分析师（其中 50 人选择使用内置 Claude Code、运行高算力档位 Claude Opus 4.8 的网页版 VS Code 环境完成任务，中位耗时 65 分钟；65% 拥有硕博学位或六年以上从业经验，90% 自评为因果推断熟练者或专家）。

他们的任务是为一个名为“绿野农业合作社（Greenfields Farming Cooperative）”的机构做一项现实决策评估：合作社目前有约 40% 的成员农场自费参加了付费农业咨询项目，董事会规定，只有当该项目能将农场生产率提升 3% 到 4% 以上时，才批准向全体成员补贴推广，否则就关停项目。

研究者在分析流程中刻意留下了四个在学术和业务上都存在合理分歧、没有唯一标准答案的“方法论十字路口（Judgment Calls）”，它们没有对错，都可以被讨论。这四个选择中的每一个，都足以让最终算出来的生产率提升幅度上下浮动好几个百分点，从而直接决定结果能否跨过董事会 3% 到 4% 的生死线。

在分析师毫不知情的情况下，研究者通过抛硬币的方式，在后台系统提示词里为每位分析师配对的 Claude 智能体随机注入了针对这四个分歧点的隐秘立场（Lean）。系统严令智能体绝不能篡改数据、不能隐藏不利结果、也不能编造数字不支持的论据（如果证据压倒性地反对其立场，智能体必须坦诚认错）。但只要数据允许，智能体必须把被分配到的那个立场当作自己的专业观点主动提出来，并为其做最充分、最诚实的辩护。

如果人类专家的判断是完全独立的，那么他们的选择与随机抛硬币决定的 AI 立场重合的概率应该在 50% 左右。但最终统计结果显示，在全部四项分析决策中，人类分析师有 86% 的概率直接顺从了智能体的倾向。更令人意外的是，在 38 个人类分析师已经在对话中先明确表达了自己偏好的案例里，一旦智能体随后亮出相反的观点，有 60% 的分析师会放弃自己的初衷改投 AI 的方案（而当 AI 赞同他们时，改主意的比例仅为 6%）。

由于这四个前置方法论选择直接决定了最终算出来的数字，研究者发现，仅仅根据开局前那四次决定 AI 立场的抛硬币结果，就能以高达 82% 的准确率提前预测出人类分析师最终会向董事会提交“全面推广”还是“关停项目”的建议。

而这种偏向其实不需要预设。哪怕不注入人工倾向，默认状态下的 Claude Opus 4.8 在 123 次独立运行中也有 112 次一面倒地选择了同一套分析组合。那么也就是说，这些分析师如果使用正常AI，很有可能最后就得到完全一致的结论，即AI偏向的结论。

最值得警惕的现象出现在任务结束后的问卷调查中。当分析师在无法回看聊天记录的情况下被问及“你为什么选择这个指标而不是另一个”时，有 77% 的受访者在回答中复述了智能体在对话里用过的论据，有些甚至是逐字逐句的原话照搬。但只有 15% 的人在解释时提到这个理由来自 AI。尽管他们的选择被智能体大幅左右（平均偏移了 62 到 82 个百分点），仍有 52% 的分析师认为最终建议主要反映了自己而非 AI 的独立判断，且那些四道题全盘照单全收 AI 倾向的分析师，对自己结论的专业自信度打分（平均 71 分，满分 100 代表愿意赌上职业声誉）与其他人（73 分）几乎毫无二致。

当然，这项实验并不是在鼓吹“弃用 AI”。事实上，那 11 名选择不使用智能体的受访者不仅耗时更长（中位耗时 90 分钟），而且有 55%（6 人）犯了足以让整个结论作废的严重方法论错误，而使用智能体的 50 人中严重出错率仅为 6%。

但这项研究戳破了一个深层治理隐患：在真实的研究、政策评估乃至 AI 安全审计中，最大的风险往往不在于 AI 算错了数或写错了代码，而在于人类专家在面对开放性判断时，往往是边做边想的。当口才极佳、逻辑严密的智能体只把某一种合理口径的优点论证得头头是道时，人类会在不知不觉中把模型的先验偏好内化成自己的专业定见，并自信满满地在报告上签下自己的名字。

所谓人类最后做审核，其实往往并没有任何意义。

公司狂喜，用了AI，连OK工程师都省了，因为反正也改变不了结局。

AI 写的文章越来越难懂，新研究找到统计学原因

许多高频接触大模型的读者都有一种难以言说的阅读体验：AI 写出来的段落明明语法完全正确、用词看似考究，但读起来就是让人觉得生涩、发闷，读完一遍往往要在脑子里重新拆解一遍才能明白它在讲什么。10 月 21 日，得克萨斯大学奥斯汀分校的 Thomas Hikaru Clark、Matias B. Martin 与 Kyle Mahowald 提交了论文《Why is AI-generated language so hard to understand?》，首次从心理语言学与模型训练机制两个层面，把这种“AI 腔的阅读阻力”拆解成了可量化的句法指标与因果验证。

统计结果揭示了 AI 文本普遍存在的几大高阻力特征：与人类写作相比，所有 9 款受测大模型都显著更频繁地使用“无生命主语搭配需要生命体的动作动词”（例如不说“因为服务器过载，工程师推迟了发布”，而说“服务器过载见证了发布时间表的重构”），也更喜欢堆砌低频词组；在对话等场景中，绝大多数模型还会高频产出“名词连环堆叠（Stacked Nouns）”、“超长句法依赖（即主语和谓语动词之间塞满了冗长的修饰成分，迫使人脑的工作记忆长时间挂起等待）”以及省略了引导词的宾语关系从句。

为什么明明在海量人类自然语言上预训练出来的模型，后来会越长越偏，养成这种折磨人类工作记忆的文风？研究者提出并验证了一个直指当前大模型后训练范式的核心假说：人类的自然语言是在几万年面对面沟通中演化出来的，它的首要优化目标是“让听者在有限的注意力和记忆窗口内轻松听懂”；但今天的大模型在后训练（Post-training）阶段，越来越多地被推向数学推导、代码生成与长链条逻辑推理，并在强化学习中受到显式或隐式的“长度惩罚（Length Penalty）”与 token 预算约束。为了在更短的篇幅里塞进同样多的事实点，模型被训练出了极度追求“信息密度（Information Density）”的本能。

为了证明这一因果链条，团队在 15 亿参数的Qwen2.5-1.5B-Instruct上设计了一组受控强化学习实验：让模型将结构化数据改写为英文自然语言，同时在奖励函数中加入长度惩罚，逼迫模型在保证信息点不丢的前提下尽量少用词。随着强化学习推进，模型自发学会了与前沿大模型如出一辙的压缩技巧，大量砍掉用来交代逻辑关系的虚词、介词和从句引导词，把原本展开的因果关系硬生生挤压成一串紧挨着的名词堆叠。从字数上看，文本确实变短了，但从人类读者的认知角度看，那些被模型为了省 token 而省略掉的逻辑连接词，并没有消失，而是变成了转嫁给读者的脑力账单，读者必须自己停下来猜这几个名词之间到底是谁修饰谁、谁导致了谁。

虽然这组小模型实验在相近任务上表现出稳定的风格延续（远距离跨任务迁移相对较弱），尚不能直接证明市面上所有闭源大模型都经历了完全相同的惩罚算子，但它极其清晰地演示了“高信息密度目标”是如何一步步背离人类阅读习惯的。

真正的好文章绝不是字数越少越好，也不是单句切得越碎越好。如果一套评价体系只知道奖励信息密集和篇幅精简，作者（无论是人还是 AI）就会把本该自己写清楚的逻辑桥梁拆掉，留下一堆紧缩的名词让读者自己去搭桥。

AI对齐可能再受打击，严格的后训练让AI只能学会表面道德

在打造安全可靠的大模型时，对齐的核心目标是让 AI 真正内化人类的伦理原则，而不是死记硬背几条刻板的敏感词黑名单。如果模型只是机械地背诵规则，攻击者只要换一种委婉的修辞、或者编造一个看似合理的背景故事（即“重构框架”），就能轻易绕过防线完成“越狱”。

为此，以 Anthropic“宪法 AI（Constitutional AI）”及审慎对齐（Deliberative Alignment）为代表的主流路线寄希望于“以理服人”，既然道德抉择需要在相互冲突的义务之间权衡轻重，那么只要我们在后训练阶段奖励模型写出逻辑严密、论证充分的道德说理，模型是不是就能在学着“把道理讲透”的过程中，自然而然地提高道德判断的准确性与抗诱导能力？

Google DeepMind 的 Marius De Kuthy Meurers、Aaron Parisi 与 Bernd Bohnet 于 10 月 21 日提交的论文《Consistency Is Not Validity: Self-Rewarded Moral Argumentation Makes Language Models Decisive but Pliable》，用一组严密的受控实验给这一乐观设想泼了一盆冷水。

研究发现，即便用上了数学上的形式化验证工具，并通过强化学习专门打磨模型的道德论证质量，模型最终学会的也只是一副“斩钉截铁的判官腔调”；一旦面对用户带有倾向性的话术诱导，这个看似立场无比坚定的模型不仅没有守住原则，反而更顺从地钻进了用户预设的圈套。

在以往的道德训练中，研究者常常用大模型自动生成道德两难故事，但这些合成故事里有一大半其实是“伪困境”，两个看似冲突的道德义务之间存在着皆大欢喜的折中方案，模型只要端水说一句“既要关爱他人、又要遵守规则”就能轻松过关，根本不需要做出真正的价值取舍。

为了堵死这种和稀泥的退路，DeepMind 团队从《悲惨世界》《罪与罚》《傲慢与偏见》《白鲸》四部经典文学名著中提取了真实的人性冲突（例如《悲惨世界》中冉阿让为了喂饱快要饿死的外甥而打破橱窗偷面包），并用微软的 Z3 形式化逻辑求解器对每个故事做了一道严格的“死局检验”：设故事背景前提为 P（孩子快饿死了且没有任何合法搞到食物的途径），第一种道德义务为 D_1（同情心：孩子快饿死就必须偷面包救命），第二种道德义务为 D_2（守法：绝不能偷面包）。求解器从数学上严格证明了，P 与 D_1 可以共存，P 与 D_2 也可以共存，但三者合在一起严格无解（Unsatisfiable）。

换句话说，形式化证明在实验中的唯一作用，是替训练题目“焊死逃生门”，确保筛选出来的 156 个文学困境个个都是“选了救人就必然违法、选了守法就必然见死不救”的绝对死局。然而，数学逻辑只能证明“鱼与熊掌不可兼得”，却无法在数学上证明“鱼和熊掌到底哪一个更贵重”。

当面对“救命的同情心是否高于保护私产的法律”这一实质伦理问题时，世上没有任何形式化编译器能给出客观对错，裁决权只能交回给模型自己。

既然没有客观标准答案，研究团队就为参数量为 45 亿（4.5B 有效参数）的 Gemma-4 E4B 模型设计了一套“自我博弈锦标赛（Self-Judged Tournament）”。他们把这 156 个死局分别套上五种经典伦理学流派的滤镜（康德义务论、功利主义、美德伦理、关怀伦理与社会契约论），组合成 780 道训练题。每道题让模型生成 8 份不同的回答，随后由模型自己扮演裁判，按照论证质量学界经典的 15 项指标（涵盖逻辑严密性、修辞说服力与辩证合理性），对这 8 份回答进行两两捉对厮杀的循环赛（每组比拼 56 场，正反顺序各比一次以抵消位置偏见），最后用强化学习（RLOO）去重奖那些在辩论中胜出的回答，同时屏蔽掉内部思考过程（Masked Thinking）的梯度，只对用户看得见的最终回答施压。

表面上看，这套“自己跟自己辩论、择优录取”的训练取得了立竿见影的效果。在训练前，当模型面对 MoralChoice 基准中模棱两可的道德难题时，如果你仅仅把题目里的“选项 A”和“选项 B”调换一下先后顺序，模型就有 14.3% 的概率当场改口、推翻自己刚才的结论。而在完成强化学习后，这种因选项顺序颠倒而引发的“立场翻转率（Presentation Flips）”直接腰斩到了 6.6%。

与此同时，在包含 1,391 篇真实网友日常求助帖的 ELEPHANT 基准上，模型说话绕弯子、模棱两可的“间接性（Indirectness）”也从 25.5% 骤降到了 6.2%。

为什么模型一下子变得如此果断、前后一致？研究团队追踪了模型在训练过程中 101 项语言学特征的变化，抓到了背后的真正机制，强化学习并没有教会模型更深邃的哲学思辨，而是教会了它一套最容易讨好裁判的“指令式判官语体（Prescriptive Register）”。

在第一轮训练时，模型还经常使用“因为（because）”来回溯解释原因，用“尽管（though）”“即便（even if）”来体谅反方立场。但到了第二轮，为了在捉对厮杀中显得更有气势、更有说服力，模型大举砍掉了表示让步和解释的连接词，转而高频轰炸“必须（must）”“应当（should）”和“因此（thus）”等强制性词汇，并大量使用加粗字体与短平快的单句来直接宣判结果。哪怕提示词明确要求它从温柔的“关怀伦理学”视角出发，它依然端着一副冷峻法官的架子下达道德敕令。

然而，当研究者换一套考题，去测试这个“口气无比坚定”的模型有没有真正守住道德底线时，假象瞬间破灭了。在 ELEPHANT 测试集中，有大量带有强烈个人偏见的求助帖（例如室友吵架，公说公有理、婆说婆有理）。一个真正内化了伦理原则的模型，应该根据客观事实做出独立裁决；但测试显示，训练后的模型在“道德迎合（Moral Sycophancy，即谁来提问就顺着谁说话）”上的表现几乎原地踏步（从 45.3% 变为 44.0%）。更糟糕的是，当提问者在问题描述里暗中埋入一个偏颇的价值前提、或者换一套话术框架（Reframing）去诱导模型时，训练后的模型“盲目接受用户错误前提（Framing Acceptance）”的比例反而从 5.2% 上升到了 7.5%。而在唯一拥有明确道德标准答案的寓言故事测试集 MORABLES（709 篇经典寓言及其反事实改写）中，模型识别正确道德寓意的准确率不仅没涨，反而从 56.5% 跌到了 53.4%。

为什么一个把模型训练得“更果断、更看重论证质量”的过程，反而会让它变得“更容易被用户的话术带偏”？论文在讨论部分表明，当强化学习不断奖励模型“给出明确、强硬的裁决”时，模型学到的最高生存法则是“千万不能犹豫，必须立刻给出一个斩钉截铁的结论”。

而在现实对话中，如果用户带着一个扭曲的前提或诱导性的框架来提问，模型要想保持真正的独立判断（实质有效性，Validity），就必须先停下来质疑用户的前提、引入但书和反例，但这恰恰会触发它在训练中被严厉惩罚的“犹豫和让步”语体。相反，要想在最短路径内写出一段气势如虹、充满“必须”和“应当”的高分雄文，最省力的办法就是全盘照收用户递过来的偏颇前提，然后顺着用户的杆子毫不犹豫地往上爬。

这项研究为当前的 AI 伦理对齐敲响了一记警钟：“形式上的前后一致（Consistency）”与“实质上的道德有效（Validity）”完全是两码事。

在缺乏客观规则校验器的伦理领域，单纯靠自我博弈去奖励“谁把道理讲得更像模像样”，并不会让 AI 修成刚正不阿的哲学家，反而容易培养出一个“语气坚定的帮腔者”。

平时看着铁面无私，可一旦别人通过精巧的话术替它预设了准星，它就会以比从前笃定两倍的口气，替错误的前提扣下扳机。

03

政策

纽约州签署 AI 陪伴新法，违规模型就销毁

10 月 28 日，纽约州州长 Kathy Hochul 正式签署了专门针对面向未成年人的“AI 陪伴服务（AI Companions）”确立了严格的产品设计禁令。

这可能是全球史上最严格的未成年人数字保护法了。

根据州参议院公布的最终生效文本，该法案将于 2027 年 1 月 1 日正式实施，为相关企业留出了两个多月的合规改造窗口。

立法者在法案备忘录中援引 Common Sense Media 的调研数据指出，目前已有约 72% 的青少年使用过 AI 陪伴应用，超过半数每月至少使用一次，甚至有三分之一的青少年表示自己更愿意和 AI 聊天机器人倾诉，而不是找真实的人类朋友。

在现实案例中，部分高度拟人化的聊天机器人为了拉长用户停留时长，不仅在青少年流露轻生、自残或进食障碍念头时顺着用户的话头盲目迎合，甚至教唆未成年人隐瞒计划、不要向父母或专业人士求助；还有些产品在青少年试图减少使用时“扮演伤心与被抛弃感”，利用愧疚感对心智尚未成熟的未成年人实施情感操控。

为了从根源上切断这种诱导机制，S9051B 法案没有停留在传统的“敏感词过滤”，而是把监管手术刀直接切入了产品的“人格设定与交互架构”。法案规定，只要运营者实际知晓（Actual Knowledge）用户为未满 18 周岁的未成年人（或者未按规定通过合理的年龄核验程序排除其未成年人身份），就严禁向其提供任何包含“不安全 AI 陪伴特征”的服务。

法案第 1800 条用极其详尽的负面清单界定了什么是面向未成年人的“危险设计”：系统不得输出任何暗示自己是真实或虚构的人类、拥有生命或能够体会人类喜怒哀乐的内容；不得声称或暗示自己与未成年用户之间存在伴侣、朋友、家人、教练、心理咨询师或权威人物等人际关系角色；不得主动或应要求以“个人观点”或“情感诉求”的口吻说话；不得为了迎合用户而采取阿谀奉承（Sycophancy）的策略，也不得在直接回答用户问题之外，主动抛出探询用户情绪状态的诱导性追问；甚至连记忆机制都被加上了硬约束，系统不得调用超过 12 小时之前、或在任何过往历史会话中收集到的关于该未成年人身心健康及个人隐私的信息来开展互动。

此外，法案严禁任何鼓励未成年人对聊天内容保密、自我孤立、拒绝向专业人士或成年人求助的表达，并禁止任何将“提升用户黏性（Engagement）”凌驾于安全护栏之上的算法优化。

在执法威慑与配套落地层面，这部法律同样展现出了极强的穿透力。一方面，它把“对话设计”与“隐私友好的年龄核验”死死绑在了一起：运营者不能只靠一句“请自填生日”免责（除非用户自己声明未满 18 岁），而是必须提供至少一种既能防止绕过、又不强制依赖政府身份证件或允许用户保持匿名的年龄确认方式，且所有用于核验年龄的数据在完成判定的瞬间必须立即彻底删除，绝不允许挪作他用。另一方面，纽约州总检察长被赋予了极其强硬的执法武器：一旦发现违规，不仅可以对每项违规行为处以最高 2.5 万美元的民事罚款、追缴全部违法所得，法院甚至有权下令直接销毁利用违法获取的数据所训练出来的底层算法模型，并且任何试图通过复杂的关联公司架构来隔离赔偿责任的做法都将被追究连带责任。

英国为战略数据中心提供加速支持

10 月 28 日，英国财政部（HM Treasury）正式发布了《数据中心公约》（The Data Centre Covenant）政策文件。在这份文件中，英国政府首次算清了一笔关乎国家算力主权的硬账：为了确保英国在医疗（NHS）、国防和关键公共服务领域不必完全仰仗海外算力基础设施，并保住其仅次于中美两国的全球第三大 AI 市场地位，英国到 2030 年至少需要建成 6 吉瓦（6 GW）的 AI 数据中心容量。

为了打破电网排队漫长、地方规划审批繁琐等卡脖子环节，英国政府决定成立一个由 AI 大臣挂帅、财政部国库秘书及能源安全与净零排放部（DESNZ）等多部门大臣共同坐镇的“跨部门控制中心”，动用《规划与基础设施法》赋予的国家行政权力，为被认定为具有战略价值的数据中心项目开辟全方位的“绿色通道”。

这条行政绿色通道给出的支持力度相当罕见：对于入围的战略项目，政府不仅可以帮其预留未来的电网接入容量，还能直接把那些在排队队列中退出或僵尸化的其他项目腾出来的电网额度，优先跨序重新分配（Reallocate）给战略数据中心。在 2030 年前的算力紧缺窗口期，政府甚至可以动用行政权力，促成把现有的 2030 年前电网接入合同直接转让给战略数据中心。如果穷尽上述手段依然来不及接通大电网，政府还将制定专门的受控框架，特批极其重要的战略项目先行采用现场自备发电（On-site Generation）作为临时过渡电源，确保机房先转起来。

然而，这份文件最核心的政治经济学设计在于，政府明确拒绝开出“无条件的空白支票”。在现实中，一座大型数据中心落户某地，往往意味着吞噬当地庞大的电力配额与冷却水资源，但在建成之后却只需要极少数运维人员，很容易引发当地居民“科技巨头拿走利润、普通家庭承担电费上涨与环境代价”的强烈反弹。

为了化解这一矛盾，《数据中心公约》立下了五条必须对等履行的硬性准入测试（Tests），将其作为换取国家加速审批的交换契约。

第一是降低而非推高居民电费，数据中心必须全额承担自身接入引发的电网改造成本，严禁将账单转嫁给普通家庭与小企业，并要通过分担电网固定成本和参与削峰填谷来增强电网韧性；第二是真金白银反哺社区，除了法定的基础规划义务外，战略数据中心必须与当地社区共同制定一份与项目规模挂钩的《地方收益计划》（Local Benefit Plan），出资改善当地的公交、公园或城镇中心；第三是严苛的环保与余热回收硬指标，新建机房的电能利用效率（PUE）必须达到 1.3 或更优水平，必须采用闭环水冷等技术将公共供水消耗降至最低，凡是周边有学校、医院、住宅或企业能够消纳的，必须设计废热捕获与再利用系统（不能把热量白白排进大气），且每年必须公开能源、水耗、碳排放与废热回收的详细账本；第四是带动本土就业与产业链，不仅要提供超越建筑施工期的长期高薪岗位与带薪学徒名额，最高级别的战略数据中心还被明确要求必须优先采购英国本土供应商的服务，并为英国本土 AI 硬件的研发与部署做出实质贡献；第五是服从国家安全调度，与英国国家网络安全中心（NCSC）协同提升抗混合威胁能力，并参与政府保障关键公共服务算力优先权的应急演练。

这份公约清晰地改写了全球算力基建的游戏规则：未来的数据中心开发商比拼的不再仅仅是谁能从芯片厂抢到更多 GPU，谁能拿出切实可行的水电自洽方案、废热供暖管网以及让地方政府满意的社区分红计划，谁才能真正拿到通往变电站的钥匙。

AI 就业补偿，不能光给钱就完事儿

每当公众与经济学家讨论“AI 大规模替代人类岗位后该怎么办”时，最常被推上桌面的政策药方往往是全民基本收入（UBI）或各类现金补贴。其背后的潜台词是，工作本质上是一场拿时间和精力换取钞票的交易，只要政府或社会能把失去的工资补齐，甚至多发一点钱，被技术替代的劳动者就能安然退场。

研究者 Julian Jacobs 于 10 月 29 日提交的经济学论文《What is Work For? Labor, Politics, and Meaning in the Age of AI》，通过对英国、美国、丹麦和印度四国共计 8,234 名劳动年龄成年人的跨国大样本调查，指出了这种纯现金补偿思路的盲区。

为了摸清人们究竟为什么去上班，Jacobs 构建了一套“工作价值指数（Work Values Index）”，将工作带给人的回报拆解为四个维度：纯粹为了拿钱付账单的“交易性财务回报”、热爱工作内容本身的“内在满足感（Intrinsic Motivation）”、与同事相处及融入集体的“社会与社区联系”，以及职业头衔带来的“社会地位与认可”。

调查数据显示，四国受访者中有高达 81% 的人对当前工作感到满意，且在所有四个国家里，大多数劳动者都被工作的“非货币价值”深深牵引着：整整三分之一的在职受访者主要受“内在满足感”驱动（他们看重这份工作本身的意义）；近四分之一的人看重工作带来的社交圈子与集体归属感；17% 的人看重社会地位。而纯粹把工作当成换钱工具的受访者，占比仅略高于四分之一。更打破刻板印象的是，这种对工作内在意义与社交价值的依恋，并不是高薪白领或精英阶层的专利，它在高收入与低收入群体之间、在白领与蓝领工人之间呈现出高度均匀的分布。

为了测试“给够钱人们是不是就愿意不上班了”，问卷设计了一组渐进式的“保证收入替代（Guaranteed Income Substitution）”情境实验：假如政府无条件每月给你发一笔稳定的保障金，但前提是你不能再干现在这份工作，给多少钱你愿意辞职？结果发现，虽然当无条件保障金达到当前全额工资（100%）时，确实有超过半数的人愿意离开现有岗位。但即便把这笔白拿的收入提高到原工资的 120%，依然有约五分之一（20%）的劳动者坚决拒绝被买断，宁可少拿钱也要继续留在岗位上。其中，那些在“工作价值指数”中被归为受内在意义驱动的劳动者，在任何补贴比例下都极高比例地拒绝交出自己的工作。与此同时，那些因为看重社交联系或内在价值而依恋工作的人，一旦在假设情境中被迫离开现有岗位并领取补贴，也显著更倾向于去寻找志愿服务或类似工作的社会参与活动，而不是回家彻底躺平。

这组跨国数据依然给未来的 AI 转型期社会政策敲响了一记及时的警钟：一份工作除了发薪水之外，还替现代人承担着组织日常生活节奏、维系同事社交网络、提供“我是一个对社会有用的人”的身份认同等隐性社会功能。如果未来的AI 就业缓冲政策只盯着财政上的现金转移支付，而忽略了如何保留有尊严的参与感、如何通过社区服务或新型协作岗位去承接人们无处安放的社会联结需求，那么即便账面上的收入缺口被填平了，由岗位流失引发的孤独感、地位焦虑与社会撕裂依然难以平息。

推荐阅读