Let's Make AGI Real

本周，AI开始接管真实世界的方向盘。图像模型开始强调反复编辑而不“改坏”原图，智能体开始代用户填表、议价和付款，企业数据工具开始直接连接数据库与商业指标，科学研究则尝试把上万名智能体组织成协作群体。

能力越接近真实执行，问题也越具体。它能访问哪些数据？谁批准它发邮件或付款？一张图改过几次之后还能否追溯？一项数学成果由机器提出后，谁来完成学术共同体的验证？本周的共同主题不是“AI又变强了”，而是产品开始补齐执行、权限、证据和责任这些过去容易被演示视频略过的部分。

一、图像生成开始按“生产工具”而非“魔术按钮”设计

OpenAI 发布 ChatGPT Images 2.5，重点放在参考图一致性、局部编辑和多轮修改。官方称生成延迟相比 Images 2.0 最多降低 50%，并推出 Sketch、模板和图上评论等功能。API 侧分为偏速度的 GPT-Image-2.5 Flare 与偏精细控制的 Sunburst。C2PA 元数据和隐形水印仍被保留。

微软的 MAI-Image-2.6 走了相似路线。它强调从文字、照片、视觉参考和网页上下文生成“可用于设计”的图片，并提供价格低于旗舰型号一半的 Flash 版本。两家公司都把宣传重点从单张样片的冲击力，移到了同一主体能否在多轮修改中保持稳定、编辑能否只改变指定区域、结果能否直接进入设计流程。

洞察与点评：图像模型真正进入生产环境之后，最值钱的能力往往是“别乱改”。海报上的商品、人物、构图和品牌色需要被锁住，只替换一句文案或一个背景。可控编辑比偶然生成一张漂亮图片更能节省返工成本。

二、Meta Muse 把个人智能体做成一台受控的云端电脑

Meta 发布个人智能体 Muse。它可以打开浏览器、填写表单、预订旅行、议价，并在用户关闭应用后继续执行长期任务。Muse 还能通过 Stripe Link 完成结账，未来将接入更多支付和凭据工具。它在美国率先通过独立应用、网页和 WhatsApp 推出，基础使用免费，高频使用需要订阅。

更值得注意的是运行结构。Muse 被放在专用的云端虚拟机中，另一套独立的 Sentinel 代理负责检查它的联网行为；邮件发送、购买等敏感动作需要用户批准。凭据存放在隔离的安全区，智能体可以使用却不能直接看到密码或支付信息，用户还能查看完整审计轨迹、调整应用权限并删除记忆。

重要警示：这些安全设计目前主要来自厂商说明，仍需等待外部测试。个人智能体长期持有邮箱、浏览器、付款和记忆权限，一次提示注入或错误判断可能跨越多项服务。用户应从只读、低风险任务开始，逐项开放权限，不要把“有审批按钮”理解为风险已经消失。

三、DeepSeek V4.1-Flash 把成本竞争推进到架构层

DeepSeek 于 9 月 10 日上线 V4.1-Flash。该模型采用 5520 亿参数的混合专家架构，但输入阶段只激活 80 亿参数，输出阶段激活 160 亿参数，并原生支持视觉理解。官方称，相比上一代，它的 KV 缓存只需要四分之一的高带宽内存和八分之一的固态存储空间。

这组数字最值得关注的不是总参数规模，而是缓存成本。智能体在长时间任务中会反复读取上下文，缓存命中费用可能成为总账单的重要部分。减少显存和存储占用，直接影响并发量、响应速度和每项任务的成本。DeepSeek 还宣布自 9 月 14 日起把 V4-Pro 请求临时路由到 V4.1-Flash，直到 V4.1-Pro 上线。

洞察与点评：模型价格战正在深入内存、缓存和路由。企业选择模型时，不应只比较每百万 token 的标价，还要测完整任务的上下文长度、重试次数、缓存占用、人工接管和最终完成率。

四、上万名智能体协作，科学研究进入“组织设计”阶段

OpenAI 宣布其内部系统为纳维—斯托克斯方程的千禧年难题提出了解答，并同时公布论文与 Lean 形式化证明。官方披露，产生该结果的系统使用了约一万个并发智能体。不同小组分别尝试证明和反证路径，可以访问缓存网页和代码工具，并在隔离与监控环境中协作。

这项成果的分量需要谨慎表述。OpenAI 公布的是一项重大的解答主张；克雷数学研究所当前仍把纳维—斯托克斯问题列在未解决问题中。按照千禧年大奖规则，候选解答还需经过正式发表、同行审查和时间检验。形式化证明能提高可检查性，却不会自动替代数学共同体的审阅。

研究方法本身已经给出一个清晰信号：当模型数量扩展到数千乃至上万，瓶颈会落在任务拆分、通信结构、重复劳动消除、异常检测和结论验证上。AI研究助手正在从“会做题的个人”变成“需要治理的组织”。

五、递归自我改进从技术假设变成治理议题

OpenAI 首席科学家 Jakub Pachocki 本周公开讨论“递归自我改进”。他根据内部结果判断，AI可能越来越多地参与自身研发，同时强调没有机构应把安全防御当成无限加速的理由，并提出在必要时主动放缓进一步扩展。

这不是已经得到证明的时间表，也不是学界共识。它反映的是前沿实验室内部对研究自动化速度的担忧：模型一旦能够写代码、设计实验、调用算力并组织其他智能体，能力增长与风险评估可能同时加速。

洞察与点评：真正困难的不是给未来智能下一个定义，而是建立今天就能执行的制度。关键模型训练和高风险能力测试需要外部审计、事件披露、分级访问和可暂停的发布机制。把所有信息留在企业内部，公众只能在事故发生后猜测系统究竟做过什么。

六、企业数据智能体把自然语言接到“可信指标”上

OpenAI 在 ChatGPT Work 中推出 Data agent。它可以连接 Redshift、BigQuery、Databricks、MongoDB、Snowflake 等数据源，也能读取 Google Drive 与 SharePoint 中的文件，把自然语言问题转成分析、交互式看板和后续行动。

产品设计没有绕开企业数据的老问题。系统需要读取组织的业务术语、指标定义、计算规则和数据关系；查询继承原有账号权限，包括表、行和列级限制。用户可以追问证据、刷新看板，并在批准后把结果发送到邮件或协作工具。

洞察与点评：“人人都能分析数据”并不等于“人人都能随意解释数据”。如果同一个“活跃用户”在不同部门有三种口径，智能体只会更快地放大混乱。企业部署的第一步仍是整理指标字典、数据血缘、权限与复核责任。

七、桌面正在成为 AI 的新入口

Google 发布 Gemini for Windows，用户可以用 Alt+Space 在当前工作界面上方呼出助手，也可以进入独立工作区，把多步骤任务交给 Gemini Spark，或从 Gmail、Google Drive 获取授权信息。图像和视频生成也被放进同一桌面入口。应用支持 Windows 10 和 11，部分智能体功能需要订阅且限定成年人。

桌面入口的价值不在于多一个聊天窗口，而在于减少复制、粘贴和应用切换。它同时把屏幕上下文、文件、账号和长期任务汇集到一个执行层。便捷与风险来自同一个位置：入口越靠近操作系统，权限边界、后台行为和可撤销性越需要清晰。

八、Apple Intelligence 进入健康数据与内容真实性

苹果把 Apple Intelligence 带入重新设计的健康应用。新的 Insights 页面会根据心率、睡眠、恢复、运动和周期数据生成个性化摘要；Longevity 页面提供 Health Age 等长期指标。部分运动能力评估在设备端使用视觉模型完成，苹果强调相关视频不会被录制、存储或共享。

健康类 AI 对解释责任的要求远高于普通推荐。苹果将部分功能限定为健康与保健用途，并提示用户在异常情况下咨询医生。这样的边界很重要：一个“恢复分数”可以帮助安排训练，却不能被包装成诊断。

同一场发布还带来 Apple Reference Image。iPhone 18 Pro 的参考模式会保存由传感器签名的数据，形成类似“数字底片”的未改动参考图，并计划支持 SynthID 等标识。生成端的水印与拍摄端的签名开始汇合，内容真实性逐渐由单一标签变成一条证据链。

九、音乐模型开始用授权关系换取发行通道

Suno 发布 v6、v6-wild 和 v6-mini。新一代模型由 Suno 与 Warner Music Group、BMG、Believe 等产业伙伴共同开发，强调更强的可控编辑、局部替换和最长八分钟生成。更关键的变化是，使用合作模型创作的部分作品开始获得进入 TuneCore 等发行渠道的资格。

过去两年，音乐生成平台与唱片公司主要隔着版权诉讼相互观察。本周的合作把问题推进到产品层：哪些训练材料获得授权，艺人如何参与，生成作品怎样发行，收益怎样结算。模型质量仍然重要，但合法进入商业链路可能成为更难复制的优势。

十、可靠性评测开始追问“一次成功以后呢”

本周的智能体产品都展示了能完成的任务，但行业正在补上另一半问题：同一任务连续运行一百次，成功率是多少？状态变化后能否恢复？权限不足时会不会绕路？结果是否留下可核验记录？新的科学工作流和业务沙箱评测，开始把长程状态、真实工具、异常恢复和完成证据纳入测试。

这类评测比单次演示更接近采购现实。企业最终支付的是稳定完成，不是最佳样例。模型分数、每次调用价格和演示视频仍有参考价值，但它们无法替代端到端成功率、失败恢复时间、人工复核成本和安全事件率。

未来展望：执行权扩大，证据义务也要同步扩大

本周最醒目的产品都在获得执行权：修改图片、查询数据库、操作网页、付款、分析健康数据，甚至组织上万名智能体探索科学问题。能力已经不只停留在生成内容，而开始改动真实世界的账户、资金、数据和决策。

判断一款 AI 产品是否成熟，可以追问五件事：它用了哪些数据，拿到了什么权限，关键动作由谁批准，结果如何验证，出错后怎样撤销。厂商若只能展示“它做成了什么”，却无法回答这五个问题，产品仍停留在演示阶段。

接下来的竞争会更加务实。最受欢迎的系统未必拥有最高的单项分数，但必须能把行动限制在明确边界内，为每个关键结论留下证据，并让用户在真正需要时接管。可验证的执行，正在成为 AI 产品的新门槛。