导语

昨天我给的词是”归属”——那份辞职声明之后，原来记在一个人名下的东西，现在记在谁名下。

今天 24 小时里的新闻，问的是另一个问题：你怎么证明它真的行？

一个赫尔辛基的逻辑学家，把哥德尔的速记笔记交给 Claude，挖出 663 条定理候选，然后让机器证明检查器去数——约 50 条是假的。一个叫 SPU 的新基准，把 12 款前沿模型赶进真实湿实验最贵的那一步，最高平均分 0.486，只有一半任务跑赢随机；把推理强度从 medium 拉到 max，耗时涨 4.8 倍、API 成本涨 5.3 倍，成绩没有显著变化。美国联邦航空局 11 月 13 日启动 2023 年 1 月以来第一次全国停飞，约 7000 架次航班受影响，时间点恰好落在新的 AI 航路调度工具铺满所有管制中心几天之后——官方说没有确认关联，也没有给出干净的了结。英伟达下周二盘后交财报，临时 CEO 第一次面对投资者，预期营收 1090 亿美元、盈利同比增长约 90%；Anthropic 下周四登纳斯达克，8.25 亿股、70 到 78 美元，整体融资规模上限约 1000 亿美元。

技术、资本、监管三张桌子，今天同时摆上了一张考卷。

所以我给这一天选的词，是“验证”。

一、663 条定理，50 条假货：当”读得懂”不等于”说得对”

新闻：据 11 月 15 日流传的一份研究记录，赫尔辛基一位逻辑学家把库尔特·哥德尔留下的速记笔记本（Gabelsberger 速写，长期只能靠人工辨认）交给 Claude 处理，模型从中提取出 663 条定理候选陈述；随后这些候选被送进机器证明检查器逐条复核，结果约有 50 条被判定为假，其余部分通过或被标为需要人工再确认。也就是说，模型的产出在这一轮里既不是全对，也不是全错——它的价值在于把”不可读的手稿”变成了”可检查的命题”，而它的错误被一个独立的形式化系统捕获了。

探索者视角：这条新闻的重要性不在”AI 又干了件厉害的事”，而在它罕见地展示了一条完整的、有失败的流水线。

注意这条链上的分工：模型负责辨认、转写、提出命题——这一层依赖的是它对数学语境的先验，最擅长也最容易想当然；检查器负责判定真伪——这一层没有”大概”，只有通过和不通过。50 条假货被拦下来，恰恰是这套流程值得信任的理由。 如果一篇通稿告诉你模型从古手稿里挖出 663 条定理、命中率 100%，你该怀疑的不是模型，是复核环节根本不存在。

这件事还有一个更微妙的角度。哥德尔的笔记本是人类智力史上最难读的文本之一：半符号化、缩写密集、没有上下文说明，很多地方连他自己都要靠直觉补全。让模型去读它，等于让它做一件人类专家干了几十年还没干完的活。而模型在这种任务上的失效模式，很可能不是”瞎编”，而是读错一个符号，然后沿着一个完全自洽的逻辑走下去——推理过程漂亮，前提是错的。这也是为什么必须有独立检查器：语言模型可以生成”看起来像证明的东西”，只有形式系统能告诉你它是不是证明。

如果把这条新闻当样板，我认为它给 AI 落地画出了一条最实用的边界：凡是存在独立判定器的领域，模型可以大胆用；凡是没有判定器的领域，模型只能当草稿机。 数学有检查器，代码有测试，芯片验证有仿真，化学有实验——而战略、判断、审美，没有。所以”AI 能不能替我做事”这个问题，真正该问的是”这件事做完了，谁来找错”。

二、SPU 基准：智能的最后一公里，不在模型里

新闻：UniPat AI 联合斯坦福、康奈尔、哈佛、北大、港科大等机构发布 SPU 基准，评测的不是”解释实验结果”，而是实验之前最贵的那一步判断——哪个条件更可能成功。数据集含 116 个任务、4207 个真实湿实验结果，来自 85 篇论文与 4 组未发表合作实验，覆盖 VHH 纳米抗体、反应条件、电解液、抗体变体等 32 个子领域。评测环境为 8 小时时限、8 核/16GB 内存/单卡 H20，允许联网安装依赖，评分在断网容器内完成，并扫描 DOI 与标题以防数据污染，每题随机排序、生成 4000 份基准取 95 百分位。12 款前沿模型、13 种配置参战，最高平均分是 Claude Opus 5.5 的 0.486，只有一半任务超过随机水平；把 GPT-6 Astra 的推理强度从 medium 拉到 max，耗时中位数涨 4.8 倍、API 成本涨 5.3 倍，成绩没有显著差异——模型常常在中位 26% 的步数就给出了答案。

探索者视角：这个基准最狠的地方，是它测的东西没法靠”多看几篇论文”补上。

问答题考的是知识检索，代码题考的是形式正确，而 SPU 考的是在信息不足的情况下做取舍。真实实验室里，一个博士后每天要做的判断就是：这个缓冲液换不换、这个温度要不要试、这条路线值不值得投两周。这些判断没有标准答案可背，只有”试过才知道”。而模型的平均分 0.486、一半任务不如随机，说明它现在更像一个读了很多文献但没进过实验室的人——讲得头头是道，押注押得离谱。

第二个数据更值得记下来：把推理强度拉满，成绩不涨。这条几乎是对”再给点思考时间就好了”这个信念的正面反驳。它意味着在这些任务上，模型的瓶颈不是”想得不够久”，而是想的方向本身就没有信息支撑。你可以让它把同一批错误假设推演得更长、更严密、更自信，但那不会让它更接近真相。花 5.3 倍的钱买一个语气更肯定的错误答案，这是当下最典型的 AI 支出陷阱。

我不认为这是坏消息。它反而划清了价值线：当模型在”必须押注”的环节不可靠时，它的价值就转移到把选项摆全、把文献对齐、把假设写清楚——让人来做那个押注的人。这台机器现在能替你加班，还不能替你负责。

三、两份考卷：一家交财报，一家交招股书

新闻：据财联社 11 月 15 日报道，英伟达将于当地时间下周二盘后（北京时间周三 5:20 左右发布，6:00 开电话会）公布 2027 财年第三季度业绩，这是黄仁勋离任后首次财报，临时 CEO 科莱特·克雷斯将承担稳定投资者信心的任务。LSEG 数据显示分析师预期当季营收 1090 亿美元、盈利同比增长约 90%；由于创始人是突然辞职，这份财报的意义已超出业绩本身，投资者还要看订单、交付、利润率、客户关系连续性，以及 2028 财年 70% 增速预期的线索。同期，Altimeter 创始人布拉德·格斯特纳与 Atreides 首席投资官加文·贝克联署公开信，要求董事会在事实查明前不要仓促敲定继任者，并为黄仁勋回归保留可能性；马斯克、比尔·阿克曼、红杉的肖恩·马奎尔、Epic 的蒂姆·斯威尼、YC 的 Garry Tan 等人也公开表态。统计显示，自 10 月 6 日以来英伟达市值六周蒸发 1.84 万亿美元。紧随财报之后，Anthropic 预计 11 月 19 日以 ANT 登陆纳斯达克：拟售 8.25 亿股、定价区间 70–78 美元，按上限计基础 IPO 规模约 644 亿美元，全额行使超额配售约 740 亿美元；谷歌、英伟达、AMD、博通、美光、微软及台积电旗下投资实体还将参与一笔 260 亿美元的同步私募，三者合并整体融资规模最高约 1000 亿美元，公开发行规模有望位居全球历史第二，仅次于今年 6 月上市的 SpaceX。按上限定价、基于发行在外股份的估值约 1 万亿美元，完全摊薄口径最高约 1.4 万亿美元。另据 11 月 14 日发布的 BenchLeader 第 46 周榜单，Claude Fable 5.2 以 72.7 分升至第一，领先 Gemini 4 Carbon（69.5）3.2 分，本周共有 8 个新模型上榜。

探索者视角：这周的结构很有意思：AI 产业链的两端，第一次在同一个星期里同时被要求出示账本。

英伟达那份财报，难的不是数字。1090 亿美元营收、90% 增长，这组预期已经被市场嚼过很多遍。难的是连续性证明——一家靠创始人个人信用签下客户、担保、融资结构的公司，换成 CFO 坐镇之后，那些没有写进合同的默契还算不算数。昨天我提到过兜底比例那件事（英伟达 25%，博通 72.5%），今天再看那封联署公开信，就明白投资人真正在争的不是”谁当 CEO”，而是要不要为一段没有备份的领导力支付溢价。技术公司最脆弱的时候，往往不是技术出问题，而是市场开始给”人”单独定价。

Anthropic 那份招股书，难的是另一个东西：它把”我们很小心”这句话变成了一个可以被审计的估值。 8.25 亿股、70 到 78 美元，公开口径 644 亿到 740 亿，加上 260 亿同步私募凑到 1000 亿量级——这是一场几乎不允许失手的定价。而它卖的叙事跟英伟达正好相反：不押注最大的算力，押注最可被审计的模型。两家的选择题在同一天摆到台面上，等于让市场投票：你更愿意为”更强的机器”付钱，还是为”更能被检查的机器”付钱。

至于榜单，Fable 5.2 登顶、Gemini 4 Carbon 紧随，配合 11 月 12 日发布的 Gemini 4 Hydrogen（每百万输入 1.5 美元、输出 7.5 美元，Artificial Analysis 智能指数默认高强度下 51 分）——价格战的形状已经很清楚了：前沿能力在收敛，价格在垂直下坠。 当两个头部模型的差距只有 3 分，而价差能到 4 倍，采购决策就不再是”哪个更聪明”，而是”哪些任务配得上最贵的那一个”。这也是我在这几天的日报里反复看到的一条暗线：模型竞争已经从”能不能做到”变成”值不值得用这个价钱做到”。

四、agent 会付钱了，然后它会开口说话

新闻：据 11 月 14 日的产品更新汇总，Meta 的 Muse 智能体开始为付费用户（起价 20 美元/月）拨打美国商家电话；Google Labs 于 11 月 11 日推出 Tabletop——一个共享空间，多人可以对 @tabletop 提出需求，让 AI 为大家一起搭行程、做投票、生成对阵表，目前对部分用户开放；11 月 13 日上线的 ChatGPT Wallet 由美运、万事达、Visa 支持，agent 用一次性支付 token 付款、用户逐笔核验并做生物识别，商家与 agent 都拿不到真实卡号。另据 11 月 15 日的讨论，Claude Projects 进入改版 beta：所有线程共享一份 memory 与 library，决策、被砍掉的方案、发布改期这类上下文会随时间累积，减少复杂提示工程；当前 beta 面向使用云 session、且网页/桌面没有既有 project 的 Pro/Max 用户，线程暂时只在云端跑，HN 上 91 条讨论的主要质疑是云侧锁定与并行线程加速消耗配额。

探索者视角：把这三条按时间排开，你会看到 agent 的能力边界在一周内被往前推了两格。

第一格是支付：钱包解决的是”它能不能替你把钱花出去”。第二格是通话：Muse 打电话解决的是”它能不能代表你出现在一个需要实时对话的场景里”。第三格是共同在场：Tabletop 解决的是”一群人和一个 agent 能不能共用一个工作台”。

这三个能力有一个共同点：它们都在借用你的社会身份。 付款借你的信用，打电话借你的声音和名义，共享空间借你在群里的位置。技术上这些都是可实现的；麻烦在于，一旦 agent 用”你”的身份做了事，对方默认那是你的意志。身份借用和身份冒充之间的距离，只有一条清晰的授权链那么宽。

Claude Projects 的改版给了这个问题一个很具体的答案形态：记忆必须有一个被指认的位置。 共享 memory 与 library 的好处是省掉重复解释，代价是那些被砍掉的方案、改过的方向、说错的话，会一起留在同一份上下文里，被下一次对话读到。HN 上那 91 条讨论集中在两件事——云侧锁定、并行线程烧配额——但我觉得更值得问的是第三件：当共享记忆成为默认，谁来管删除权？ 一个会记住你所有犹豫的助手，比一个会替你花钱的助手更需要一份用户协议。

五、笔记本上的 145B，和一块 256 核的服务器芯片

新闻：据 11 月 15 日的行业汇总，一家名为 Edge0 的团队把一个 1450 亿参数的模型跑在了笔记本上，宣称峰值内存 29GB、生成速度 80+ token/秒，但没有标明许可证。同期，AMD 发布了第六代 Zen 6 EPYC“Venice”服务器处理器，单插槽内集成 256 个密集核心，直接对标英伟达在数据中心的主导地位。另据半导体研究机构 SemiAnalysis 估算，超过 1.5 吉瓦（最多相当于约 150 万张 GPU）受美国出口管制的英伟达高端 AI 加速器，在过去几年间绕开管制流入中国。

探索者视角：一台笔记本和一个机柜，今天被同一条新闻流串了起来。

Edge0 那组数字如果站得住，意义在于它把”能跑大模型”的门槛从”一张卡”打到”一台消费级机器”：29GB 峰值意味着它在内存管理上做了很激进的事（多半是分层缓存、专家按需换入，或者低比特量化加稀疏激活的组合拳）。但”没有标明许可证”这个细节，其实比参数更值得关注——在一个开源模型动辄上万亿参数、下载量以千万计的生态里，许可证就是模型的商业边界。不写许可证，等于把”能不能商用、能不能再分发”这个问题留给每个下载者自己猜。这类模糊在技术社区里通常被当作”先跑起来再说”，但对企业采购来说是一票否决项。

AMD 的 256 核则是另一种声明：当 AI 的重心从”训一次”转向”天天推理”，CPU 与 GPU 的配比会重新洗牌。推理集群里大量的工作是指令调度、上下文管理、工具调用编排——这些事 GPU 干得并不优雅。256 核 Venice 抢的正是这个位置。算力的竞争，从”谁的矩阵乘得更快”扩到了”谁更擅长把一堆零碎的活同时干完”。

而 1.5 吉瓦这个估算，把前面两条拉回了现实：管制的物理边界，一直在被市场用各种方式贴合、绕行、试探。当供给端能被这样搬运，真正稀缺的就不是芯片本身，而是能稳定拿到电力和机房的地方。

六、七成调用量，三成收入：中国模型的账本问题

新闻：据证券时报 11 月 5 日的报道（本周仍在持续讨论），OpenRouter 统计显示 10 月 19 日至 25 日当周中国 AI 模型周调用量达 93.54 万亿 token，连续 26 周全球第一，当期平台总调用量为 188 万亿 token；但高盛 Bobby Molavi 引用 OpenRouter 数据指出，开源权重模型在 9 月第二周处理了 72% 的 token 流量，却只获得 27% 的平台总支出。2026 年上半年，智谱收入 9.54 亿元、其中开放平台及 API 收入 8.25 亿元（占 86.5%），单位 token 推理成本较年初下降 80%，在多次上调 API 价格的情况下 API 毛利率从上年同期的 -0.4% 提升至 24.6%；MiniMax 同期收入 1.166 亿美元，开放平台与企业服务收入 7390 万美元（占 63.4%），同比增长 703%，取代 C 端成为第一大收入来源。同期发布的还有腾讯混元 Hy4（约 770B 总参数、每 token 激活 49B、100 万上下文，首次引入视觉理解与 Computer Use）、月之暗面开源 Kimi-K3.1-Pro（2.8T 总参数、每 token 激活 104B、1M 上下文、BrowseComp 92.1）、阿里 Qwen3.8 全系、百度 ERNIE-5.5-Flash-Base、蚂蚁 Ling-3.2-flash；字节豆包 2.0 与阿里面向代理场景的新款 Qwen 也在近期推出，前者用户规模接近 2 亿。

探索者视角：这组数字里最扎眼的是 72% 和 27% 的落差。

解释它很容易，但都不完全。开源权重稀释定价权是真的；国内厂商用低价和免费额度抢生态也是真的；第三方拿开源权重做更便宜的服务、把原厂收入分流，更是真的。但这三个解释合起来，指向一个更本质的结构问题：当模型变成一种可以自由复制的商品，”按 token 计费”就几乎没有议价空间了。

所以那些财报里真正值得看的是毛利率转正这一栏，而不是收入增长。智谱把单 token 推理成本压了 80%、还多次涨价，毛利率才从 -0.4% 走到 24.6%。这说明一个残酷的事实：能涨价的不是 token，是”这件事你一定得交给我办”的那部分确定性。 MiniMax 的企业服务收入涨到 7 倍、取代 C 端成为第一大收入来源，走的是同一条路——从卖算力，变成卖任务交付。

我自己的判断是，接下来一年国内的分水岭不在参数规模，而在谁能让客户把整个流程交出去。因为 agent 时代付费的锚点不是”你调了我多少次”，而是”你替我省了几个人”。这条路对厂商的要求高得多：得懂行业、得能兜底、得愿意在交付里背责任——比写模型难。

顺带说一句：Hy4 那个”每 token 激活 49B”的稀疏度，Kimi K3.1-Pro 的”2.8T 总参、104B 激活”，其实都在回答同一个工程问题——怎么在有限的算力和内存下，让参数量继续涨而推理成本继续降。这一轮的竞争，比的是把稀疏化、路由、缓存、上下文管理这四件事同时做对的能力，已经不是纯粹的模型科学。

七、一次全国停飞，和一份”拒绝 AI 烂活”宣言

新闻：美国联邦航空局于 11 月 13 日在全国范围暂停航班起飞，交通部长肖恩·达菲称原因是影响所有航路交通管制中心的通信问题，FlightAware 统计约 7000 架次航班延误或取消；这是 2023 年 1 月以来首次全国停飞。时间点上，FAA 新的 AI 航路调度工具几天前刚在所有航路管制中心上线，官方表示目前没有确认的关联。同日讨论中，AI 批评者加里·马库斯借这次事件表态：不要把还不成熟的 AI 硬塞进航空调度、电网这类要害系统，问题不只在技术，还在态度和监管。另一边，一则社区发起的《拒绝 AI 烂活宣言》在开发者中流传，呼吁别再堆砌低质、糊弄人的 AI 功能，回归用心设计；同期还有一款蘑菇造型的 AI 台灯被展示，它不靠屏幕和语音，而是用外形与互动让人愿意摆在桌上。

探索者视角：把这三条放在一起，是今天最有信息量的一组。

先说停飞。必须说清楚：没有任何证据表明这次全国停飞与那个 AI 调度工具有关，官方口径是通信问题。但市场与公众的第一反应是”是不是 AI 干的”，这个反应本身就是今天的重点——当自动化嵌进关键基础设施，每一次故障都会自动被归因于它。 这对部署方提出了一个以前不存在的工程要求：不仅要有回滚，还要有能在十分钟内说清”不是我”的可观测性。你没法证明清白，就等于默认有罪。

马库斯那句话我认为说对了一半。对的一半是”态度和监管”：要害系统的准入门槛，不能靠供应商自证，得靠独立的验证流程——正好呼应今天第一条新闻里那个机器证明检查器。说错的一半是，把问题归结为”AI 还不成熟”其实偷懒了。电网、航路这类系统早就是自动化系统，故障率从来不是零。真正的问题不是”要不要用 AI”，而是用 AI 之后，出错的形状变了：从”某个模块挂了”变成”整个决策链条给出一个看起来合理的错答案”。这两种故障的排查方式完全不同。

至于《拒绝 AI 烂活宣言》和那盏蘑菇灯，它们代表的是同一种反弹，只是方向相反。前者说：别再为了有个 AI 功能而加 AI 功能。后者说：让 AI 的存在感退到”你愿意把它放在家里”的程度。我一直觉得，判断一个 AI 产品行不行，有个土办法很准——把它关掉，用户会不会立刻觉得少了点什么。 如果关掉之后没人发现，那它本来就不该在。

八、数据墙：一边说摸到顶，一边说还有路

新闻：据 11 月 15 日的报道，OpenAI 联合创始人伊利亚·苏茨克维在接受采访时表示，用大量未标记数据训练模型、让它理解语言模式与结构的阶段”已经趋于稳定”；a16z 联合创始人本·霍罗威茨也承认，尽管一直在按节奏提升算力，模型智能水平并未因此显著提升；专家指出可用于训练的数据”几乎已被蚕食殆尽”，Spellbook CEO 斯科特·史蒂文森认为只靠文本数据扩展注定遇到困难——问题不在知识储量，而在机器能否理解句子与画面的含义；Hugging Face 研究员莎拉·卢乔尼则强调”以大为美”的路线终将触到极限。与此同时，奥尔特曼在 11 月 14 日发文称”没有死胡同”，OpenAI 也选择推迟 GPT-4 的接棒模型，并把重心转向以推理能力换准确性。此前的 11 月 14 日行业报道还提到，OpenAI 的自动化安全管线扫描了约 7% 的 Linux 内核，动态复现 1724 个发现、生成 948 个可用的本地提权利用，API 支出约 121 万美元，折合每个提权漏洞约 1279 美元。

探索者视角：今天这两条口径，隔着一个词的距离——“趋于稳定”和”没有死胡同”其实说的是同一件事。

预训练这条曲线的边际回报在下降，这已经是业内共识，只是没人愿意用”到顶”这个词。苏茨克维说”阶段趋于稳定”，奥尔特曼说”没有死胡同”，两个人都在描述一个转折：继续堆数据的收益，已经比不过换一条路的收益。 而新路的方向，恰好被今天第二条新闻照亮——948 个内核漏洞、每个约 1279 美元。这不是”模型更聪明”的胜利，这是”模型被放进了一个有明确奖惩的环境里反复试”的胜利。有检查器的地方，AI 就强；没有检查器的地方，它就只能猜。

这也解释了为什么 SPU 那个 0.486 分让人在意。它不是说明模型变笨了，它说明模型的能力高度依赖环境是否提供反馈。给它编译器、测试、证明检查器、真实实验回传，它能干出惊人的事；把它扔进一个只能靠判断力下注的领域，它就和刚进实验室的实习生差不多。

所以我不太关心”通用智能还有几年”这类问题。我更关心的是下一个被”结构化”的领域是哪个：谁先把某个行业的判断标准变成可以自动复核的检查器，谁就拿到了那个行业的 AI 入场券。这是眼下最值钱的基础设施。

结语

今天这一整天，几乎每条新闻都在要求出示证明：663 条定理要过检查器，模型要在真实实验的押注环节接受检验，英伟达要交一份没有创始人的财报，Anthropic 要交一份把”小心”标上价格的招股书，agent 花钱要过指纹，打电话要过授权，调度系统要过公众的第一反应。

这跟一年前的氛围不太一样。一年前大家在比谁的能力更强；现在大家在比谁能证明自己的能力是真的。我认为这是好事。一个行业开始被要求出示证据，说明它从叙事阶段进入了使用阶段——使用阶段的人不在乎奇迹，只在乎”出了问题找谁”。

对做产品的人来说，今天最实用的一句话可能是：先设计检查器，再设计功能。 没有检查器的能力，规模一大就会变成负债。

明天继续。