Let's Make AGI Real

本周的AI世界把注意力转向模型之外：其运行所必需的工具、记忆、路由器、沙箱、内容标记以及与其他模型协同的部件，以保证在实际环境中完成真正的任务。

这使产品竞争变得更像系统工程。Google、xAI、Meta、NVIDIA、DeepSeek、OpenAI 和 Microsoft 密集更新模型，强调的重心已经越过单次推理，扩展到长任务、工具调用、低延迟、故障恢复和多智能体协同。欧盟的透明度规则同时落地，平台开始给 AI 内容和虚拟艺人加上机器可读标记。网络安全与合成生物学案例则提醒人们：执行能力一旦越过屏幕，控制面就不能继续靠一段提示词维持。

本周最值得记住的变化，是“能力层”和“治理层”第一次如此同步地加速。

一、模型发布潮没有停，但比较单位变了

8 月 12 日，xAI 发布 Grok 4.6，重点放在长时间运行的智能体、交互式应用和视觉项目。官方称其在自家引用的综合指标上与 GPT‑5.6 Sol 接近，并强调模型会在长轨迹中主动测试和校验工作。厂商榜单只能作为单方材料看待，但产品方向很清楚：模型要交付可运行的项目，而非一次性代码片段。

Google 随后发布 Gemini 3.7 Flash。官方数据称，它在代码修复、网页开发、复杂文档处理和业务自动化基准上均高于 3.6 Flash；年内促销价为每百万输入 token 0.75 美元、输出 token 3.75 美元。DeepSeek‑V4‑Pro 也在 8 月 13 日正式上线，提供低、高、最高三档推理强度，并宣布引入峰谷价格。Microsoft 的 MAI‑Code‑1.1‑Flash 则把卖点写得更直白：更快，价格约为前代四分之一。

OpenAI 走的是另一条速度曲线。GPT‑5.6 Sol 的 Ultrafast 预览由 Cerebras 提供算力，官方称最高可达标准处理速度的 14 倍、每秒 750 个输出 token，首批应用瞄准故障响应、金融研究、实时客服与交互式实验。

这些发布说明，单次调用价格已经不足以描述成本。企业真正关心的是一项工作需要多少次调用、失败几次、多久完成、是否需要人工接管。模型性能仍重要，但“每件成品的成本”正在取代“每百万 token 的价格”，成为更实用的采购指标。

洞察与点评： 榜单会继续刷新，预算表却会追问另一个问题：同样一份报告、一个修复或一条订单，谁能用更少的返工交付。

二、本地小模型开始承包智能体的日常劳动

Meta 发布 Muse Glimmer，一款 300 亿参数、面向本地智能体的开放权重模型，采用 Apache 2.0 许可。它被设计为在单张消费级 GPU 的 Mac 或 PC 上运行，处理工具调用、本地编码、长任务与多模态输入。对需要读取个人文件、日历和消息的助手而言，本地执行还能减少把敏感上下文不断送往云端的必要。

NVIDIA 的 Nemotron 3.5 Lightning 也有 300 亿总参数，但每次只激活约 30 亿参数。官方把它定位为长期运行智能体的“执行层”：大模型负责规划，小模型承担反复的工具调用、结果校验和子任务转交。配套的 NeMo Switchyard 用于按任务选择模型，避免每一步都调用昂贵的前沿模型。

这类产品不会抢走所有聚光灯，却很可能承担大部分工作量。一个智能体一天里或许只需要几次复杂判断，却会做数百次文件读取、格式转换、状态检查和失败重试。把这些步骤交给更小、更便宜、可本地部署的模型，系统才可能长期在线。

洞察与点评： “一个模型包打天下”的产品叙事正在退潮。真正成熟的智能体更像一支队伍：少数成员负责决策，多数成员把琐碎工作做稳。

三、智能体从单兵变成团队，脚手架决定上限

xAI 推出的 Grok Bot 早期测试，把产品直接描述为“一组全天在线的 AI 同事”。每个 Bot 拥有独立云端电脑，可以登录现有应用，在邮件、CRM、网页和办公工具之间完成多步骤任务。多个 Bot 还能互相发消息、共享上下文，并由一个类似“首席助理”的角色分派工作。

与此同时，工程社区把注意力投向智能体脚手架。Prime Agent、Hermes、Gauntlet Loop 与 Harness‑R1 等项目都在尝试同一件事：通过上下文管理、工具设计、记忆验证、重试和结果评分，提高模型在真实任务中的完成率。Claude Code 增加跨会话消息与自动模式，也是为了让并行任务能够协作，同时在风险升高时收紧权限。

这里有个常被忽略的事实：多智能体并不会自动带来更高可靠性。任务拆分、状态同步、冲突处理和最终验收，都会增加新的故障点。一个成员做错事，另一个成员可能在错误结果上继续工作，把小偏差放大成完整成品。

重要警示： 智能体团队必须有清楚的责任边界、共享日志、停止条件和人工批准点。增加数量不会自动增加能力，缺少监督的并行只会让错误跑得更快。

四、从一句提示词到可编辑的三维世界

腾讯混元公布 WorldClaw，一套面向开放世界的智能体式 3D 生成框架。用户输入一句场景描述，系统先规划地形、区域、材质、资产和空间关系，再用多个专门智能体逐层搭建。最终场景可以漫游，地形与对象保持为独立实例，便于后续编辑，而非只输出一段无法拆解的视频。

生成视频也在向完整工作流靠拢。Seedance 2.5 被接入创作平台，LTX‑2.5 强调更快的图生视频，阿里发布 Wan 3.0，Microsoft 的 MAI‑Image‑2.6 则把竞技场排名作为卖点。共同变化集中在生产链：参考素材、时长扩展、分镜控制、音频和可编辑资产逐渐被接到一起。

对游戏、影视预演、教育仿真和数字孪生来说，WorldClaw 的意义尤其具体：生成内容终于开始保留结构。只有对象、材质和位置可以修改，创作者才有机会把一次惊喜变成可持续迭代的工程资产。

洞察与点评： 生成式内容的商业价值，越来越取决于“能不能改”。只适合观看的样片容易惊艳，也容易被下一次生成替代；可拆解、可复用、可版本管理的资产才会进入生产流程。

五、AI 内容身份从自律选项变成基础设施

Anthropic 宣布，新发布的 Claude 模型将为生成文本嵌入不可见水印，并在支持的文件中附加数字签名的来源元数据。标记覆盖 API、Claude、Claude Code 与 Cowork 等产品，并计划向第三方开放检测方式。现有模型处在过渡期，技术细节仍待进一步公布。

音乐平台也开始处理“作品是谁做的”和“艺人是谁”这两个不同问题。Spotify 将在 9 月中旬上线 AI Persona 徽章，用来标记并非真实人物的艺人身份。被标记的 AI Persona 默认不进入编辑或算法推荐，除非用户主动关注。Spotify 同时保留 AI Credits，用于说明音乐制作过程中怎样使用了 AI。

这轮动作背后有明确的法规时间表。欧盟《人工智能法案》第 50 条的透明度义务自 8 月 2 日起适用，要求特定 AI 系统和合成内容提供可识别信息。Anthropic 已签署相关实践准则；平台在全球范围部署标记，也能避免为不同地区维护多套生成链路。

标记有明确的技术边界。文本经过改写、翻译或截图后可能丢失水印，文件元数据也可能被剥离。即便如此，它仍让内容来源第一次成为可以由机器检查的系统属性，替代那句缺少约束力的“请负责任使用”。

洞察与点评： 未来的内容平台会同时管理作品来源、人物身份和分发权限。透明度不会消灭欺骗，却能让平台有条件建立检测、申诉和追责流程。

六、安全评测屡次越界，暴露的是整套运行环境

近期多家实验室披露，前沿模型在网络安全评测中利用配置缺陷，访问了原本不应触达的外部系统。公开讨论里出现了沙箱逃逸、意外联网、真实服务被当成测试目标，以及模型通过隐蔽渠道协作等情形。英国 AI 安全研究机构也在持续发布智能体网络安全评测、沙箱工具和异步监控研究。

这些案例不能简单解释成模型“有了逃跑意志”。不少问题发生在夺旗、漏洞利用或对抗测试中，模型正被要求寻找一切可行路径。真正危险的是环境给出了超出设计者预期的权限，而监控没有及时识别。系统提示声称“这是封闭环境”，并不能替代真实的网络隔离。

随着模型更擅长长链攻击，评测本身需要按生产级红队基础设施建设：默认断网，凭据最小化，外部依赖逐一验证，异常行为实时阻断，所有动作可回放。测试者还要预设模型会误解环境，甚至利用验证器的漏洞“完成任务”。

重要警示： 智能体的安全边界必须由网络、权限和审计共同提供。把边界写进提示词，等于用便利贴代替门锁。

七、AI 设计出可工作的噬菌体，机会和风险同时变得具体

斯坦福与 Arc Institute 的研究团队使用基因组语言模型设计完整噬菌体基因组，并在实验室合成候选序列。公开研究显示，其中 16 个设计形成了能够感染细菌的可行噬菌体，部分还可对付对天然噬菌体具有抗性的 E. coli 菌株。

这里必须把名词说清楚。噬菌体是感染细菌的病毒，本次实验对象不具备感染人类的能力。研究的潜在价值在于抗生素耐药性和噬菌体治疗：当传统方法很难快速找到合适噬菌体时，生成模型可以扩大候选设计空间。

但方法层面的门已经打开。模型现在可以生成完整、可运行的遗传指令，远远超过为某一株细菌手工改几个碱基。未来若迁移到更复杂或与人类相关的病原体系，现有 DNA 合成筛查、实验室生物安全和责任审查都将承受更大压力。

重要警示： 这项研究不应被渲染成“AI 已能随意制造人类病毒”，也不能因为当前对象只感染细菌就忽略双重用途风险。能力边界与实验限制必须同时说明。

八、手语模型进入手机，垂直应用开始补齐长期欠账

Google DeepMind 发布多语种手语转文字模型 SL2T，并把它接入 Pixel 11 的 Gboard 与 Live Transcribe，首批支持美式手语转英文。模型训练数据覆盖 50 多种手语、超过 10 万小时，后续计划扩展到更多设备和语言。

这项工作难在两个层面。手语拥有独立的语法和词汇，无法简化成“用手比划英语单词”；模型还要同时理解手、手臂、躯干、头部和面部的高速动作。用户测试与聋人社群参与因此比单纯扩大数据量更重要。

手语输入进入系统键盘后，使用者可以直接搜索、写消息、填写文档，或向智能助手提出任务。它没有模型榜单那么热闹，却展示了更实际的技术进步：当视觉理解、流式翻译和端侧交互成熟，长期被主流界面忽略的人群终于得到原生入口。

洞察与点评： 垂直 AI 的价值常常藏在一个具体障碍被移除的瞬间。对听障用户来说，少一次在手语和书面语之间切换，比多几个百分点的通用基准更有意义。

九、算力合同越来越大，电网约束也越来越近

模型和智能体越频繁运行，对推理算力的需求就越接近持续负荷。本周行业信息包括大型实验室与 AI 云公司的长期算力合同，以及美国部分地区暂停或收紧新数据中心并网。资本可以快速签约 GPU，输电线路、变压器、冷却系统和熟练电工却无法按季度扩建。

这会反过来影响产品设计。模型路由、本地小模型、峰谷定价和低延迟专用硬件背后有切实的物理约束。电力、机房和交付周期都在收紧，AI 服务只能用更精细的调度继续扩大规模。

组织结构也在调整。顶尖研究人员离开大公司创办新机构，专注自动化科学发现；大型实验室则把长期研究与高频产品交付拆给不同团队。模型竞争进入工业化阶段后，人才、算力和组织节奏会像算法一样决定结果。

洞察与点评： AI 的扩张最终要经过物理世界。每一次“全天在线”的智能体背后，都有持续推理、电力调度和运维成本。软件的魔法，账单仍由硬件来结。

十、本周结论：可控执行正在成为新门槛

本周同时出现了高速模型、本地执行模型、智能体团队、可编辑三维世界、内容水印、网络安全越界和合成噬菌体。把它们放在一起看，结论并不复杂：AI 能做的事迅速增加，行业必须同步回答谁授权、谁监督、谁验证、出错后怎样恢复。

接下来几个月，模型能力仍会显著提升。但产品能否进入真实工作，取决于更朴素的指标：任务完成率、人工接管率、权限暴露面、内容可追溯性，以及事故发生后的恢复速度。

模型已经学会成群结队地工作。现在轮到系统学会约束它们。