奥特曼又又又又口出狂言了。

在印度 Express Adda 的论坛上，Sam Altman 聊了很多 AI 话题，从 AGI 到中美 AI 竞争，再到数据中心用水问题。但最火的那段，是他回应 AI 能耗批评时说的：「人们总谈训练 AI 模型需要多少能源……但训练人类也需要大量能源，得花 20 年时间，消耗那么多食物，才能变聪明。」

这话说错了——人吃了 40 年的饭都未必有这么聪明。

这话听起来只是个比喻，但一传开，就被解读成 AI vs 人类的「效能大战」。Altman 到底想表达什么？简单说，他觉得大家批评 AI 时，总拿「训练模型」的总能耗和人类「回答一个问题」的瞬间能耗比，这不公平。

人类也不是生下来就是大聪明，从婴儿到成人，吃喝拉撒 20 年，还得加上学校教育、社会教育，这些都消耗食物、水、电等等能源。如果算「全生命周期成本」，AI 其实挺高效的，训练一次，就能无限次回答问题，而人类每次思考还得再烧脑子——大脑耗能约 20 瓦。

换言之，在他看来，AI 不是能源杀手，而是未来文明的必需品，就像电灯发明时也有人担心蜡烛业失业一样。这个观点不是 Altman 首创。早在 AI 热潮前，就有专家比过生物大脑和硅芯片的效率。但 Altman 作为 OpenAI 老大，说出来影响力大，瞬间成了 X 上的热点，视频有两千多万次浏览，引爆了讨论。

人类尊严，AI 是工具还是「更好的人类」？

Altman 把人类成长比作「训练」，听起来像把人当机器。这让很多人不爽，觉得贬低了人类的价值——生命不是数据输入输出啊！

人一生的自然进化中，不仅有产出，还有情感、教育、成长的喜悦，这些能量计算不来，在舆论场上，这点被放大。一个油管博主打出标题「OpenAI CEO Argues Energy Is More Wasteful On Humans Than AI， Goes Very Poorly」，说 Altman 的言论进行得很糟糕。

X 上，@BrianRoemmele 直呼震惊，觉得这是给 AI 行业招黑，「片面思考，反人类。重视人类胜过 AI——永远。」

当然，也有用户帮忙解释，「这不是要取代人类，只是更准确计算自动化成本。」 他也承认 Altman 这样说不好，但是要理性、中立、客观地看待。于是，真的有人认真算起来了，然后悲催的发现，自己一天什么都没做，就消耗了卡路里。

不止他一个，还有很多支持派觉得 Altman 点醒了大家。信息总有成本，之前没有算过，但是细思极恐，Altman 的说法是让大家正视这件事。

这些反应暗示了 AI 的价值大于成本，可是能不能跟人并列一起算呢？这引发了关于 AI 是否会取代人类的讨论。

拿人跟 AI 比？荒唐！

相比之下，负面的批评显然是更多的，就算这只是个比喻，也非常荒唐。

Altman 的这番话，看上去合理，但也有明显的逻辑谬误。人类确实要吃喝 20 年才能「变聪明」，但这 20 年的能量消耗是基线生存，用来维持生命、维持社会运转，不是专为「产生智能」而额外投入的。哪怕一个人一辈子啥都不学，躺平当咸鱼，他也得吃饭喝水呼吸。

其次，规模和可复制性完全不同。Altman 想强调「per query」的效率，但他忽略了：人类智能没法「复制部署」到数据中心里无限扩容。AI 的真正优势恰恰在于「训一次，用一辈子」，而人类是「训一次，用一辈子还得继续喂」。如果真要比「单位智能产出每焦耳能量」，AI 在规模化后确实可能碾压，但用「养孩子总成本」来类比，反而把这个优势给模糊掉了。

把孩子成长比作「模型训练」，本质上是把人降格成「低效生物计算机」，这不只是逻辑问题，更是价值观滑坡。网上很多人直接说「这不是比喻选错了，而是把尊严换成效率的典型技术官僚思维」。

总体看，从 2 月 20 日视频发出来后，这两天迅速扩散，大概有 30%的回应是正面，中立 20%，负面占 50%。这反映了 AI 话题的两极化。一方面，它确实戳中了 AI 发展的痛点：能量是瓶颈，但技术的飞轮不能停。另一方面，技术也不能是真空的，最终得回到对人类生活的帮助和改善上。或许，如 Altman 所说，得建更多清洁能源是一种解法，但也如批评者言，无论未来出路是什么，得尊重人类独特价值。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

半年前，APPSO 写过小红书的 AI 助手「点点」。当时它的核心能力是帮你总结笔记、检索和一些简单的聊天。

在这个 红包大战的春节，我发现点点也悄悄发起了红包，并且上线了一个「攻略模式」——连明星都在用的那种。任敏就用点点做攻略，做了自己的回乡 vlog。

这样的动作，让人感觉点点正在从一开始的摸索尝试，进入新的阶段。这让我好奇起来，想重新体验一下点点，看看它现在到底能做到什么程度，以及小红书推出的独立 AI产品， 到底想往哪个方向走。

这个 AI 读过小红书

现在小红书上的笔记不计其数，平时最常见的卡点不是找不到内容，而是翻不完，根本翻不完。一个话题、一个关键词，动辄就是几百上千条笔记，一篇就是十几张图——到底哪些内容最有用？

点点在这里承担的角色，就是通读全篇，压缩内容，提取核心。随机刷到电影推荐时，我先是发给了点点问，「《镖人》的风评怎么样？值得看吗？」。

它不仅分析了笔记正文中对于电影的评价，还结合了评论区的讨论，总结了目前的争议点：选角方面，部分原著粉认为吴京与主角「刀马」气质不太符合，刘耀文、此沙等年轻演员的选角也有讨论；角色塑造上，女主阿育娅的形象又飒又燃获得好评，但也有人觉得部分角色刻画单薄；最后给出观影建议——如果你是武侠动作片爱好者，想看酣畅淋漓的打戏，《镖人》值得一看，但如果更看重剧情深度和逻辑性，可能会失望。

更灵的来了：我看完它的分析之后，决定先看一下预告片，于是对它说「它的预告片能发给我吗？」。

点点立刻就找到了《镖人》的官方预告，点开就能看——省下了我退回主页、点击搜索框、输入打字等一系列操作。

面对一条标题为「冬奥史上最幸运的冠军」的视频，我让点点帮我总结核心内容。几分钟的视频，有效信息往往集中在后半段，点点能快速定位视频的核心结论，省去反复拖拽进度条的时间。

它总结出这位「幸运冠军」的两个关键节点：半决赛时，他在最后一个弯道恰好避开了前方选手的集体碰撞摔倒，以小组第二晋级；决赛中，他落后领先集团十几米，就在即将冲线时前面四名选手再次集体摔倒，他就这样「溜」过终点线拿到了金牌。

当我想了解「修冰师是怎么工作的？」这类延伸话题时，点点也能接得住——它解释道「修冰师」其实是一个统称，根据冰上项目不同，具体分工很细致，工作内容也差别很大。

点点还可以像聊天一样，根据视频内容发散。当我把看到的可爱小咪视频发过去时，问它的是视频里没有展现的东西：小猫仰着头睡觉不会受伤吗？

点点：好细心的观察！然后详细跟我讲解了，对于猫而言，这恰恰是它开心和信任的姿势。

评论区是小红书最有价值、也最难处理的信息层：杂乱、充满缩写和梗，既有干货分享，又有情绪发泄——而这恰恰是点点的主场。在看到一篇标题为「西安旅游体验非常不好的五天」的笔记时，我让点点「总结评论区里提到的避雷点」。

点点迅速从数百条评论中归纳出几个维度的避雷信息：住宿方面，有人反映卫生不达标、设施损坏、房东沟通不畅，也有评论指出花600多一晚的价格不如住连锁酒店更有保障；还有人反映遇到商家对游客和本地人报不同价格。

把「活人感「的碎片信息，变成可以做决策的结论，这就是点点在评论区归纳上的技能点。

比「知道「更进一步，是「直接照抄」

点点这次更新最让人眼前一亮的，是「攻略模式」的上线。

简单来说，攻略模式就是让点点帮你做一份完整的计划——不是那种干巴巴的清单，而是一份有时间线、有细节、能直接照着执行的攻略。

比如，用 AI 做旅行攻略，现在处于一个尴尬位置：结果大量存在，可执行的很少。很多 AI 给出的方案，逻辑上对，但落地时才发现——路线绕远了，时间排不下，某个地方早就关了。点点的攻略模式尝试解决的，正是这个从「信息」到「计划」之间的断层。它结合实时信息、真人经验与地图能力，生成具备时效性和可执行性的攻略。

尤其是春节假期，带娃出门，最怕的就是计划赶不上变化。我让点点帮我规划一份「春节带孩子不费妈的出游计划」，看看它能给出什么方案。

点点很快生成了一份详细的亲子出游攻略。从目的地选择，到每天的行程安排、亲子友好型餐厅和酒店建议，甚至连带娃出行的必备物品清单都列得清清楚楚。更贴心的是，它还会考虑到孩子的作息时间，把行程节奏控制得不紧不慢，避免大人小孩都累得够呛。

这是大计划，小计划呢？这个假期，我发现点点在「小计划」上也非常实用，比如：两个目的地之间，中间想顺便逛逛、吃点喝点，但又不绕远。我就让点点安排两点之间的具体路线。

点点先是确认了探店的偏好、骑行还是步行等基本信息，然后就开始深度研究，推荐了沿途值得一逛的店铺。不只是笼统地说「这条路上有咖啡店」，而是具体到店名、地址、特色之处，当然，少不了附上小红书用户的真实评价和推荐理由。

这大大省掉了我站在太阳底下，划着手机一篇篇笔记翻，却又举棋不定，越纠结人越焦躁的情况。也是最能体现点点如何把 AI 助手，以及小红书原生内容整合到一起，强强联合后的效果。

小红书的独立 AI，想清楚要往哪走了吗？

需要指出的是，点点并非没有槽点。首先，攻略模式的生成时间不太稳定，有时候等的时间远超五分钟。另外，如果对生成结果不满意，目前没有一键重新生成的选项，需要多次点击才能重来。

攻略模式目前只在点点 app 上线，且有额度限制；主站内的入口也经历了几次调整，需要仔细留意才能发现，说明点点团队对于产品方向这件事，还在持续探索。

如果把视角拉远一点，从行业角度来看，点点过去的问题其实不在于功能做得不够好，而在于它需要回答一个更根本的问题：如何「用好」用户原生内容，以及，用什么样的方式「还给」用户。

不过，瑕不掩瑜。在 AI 助手赛道越来越拥挤的今天，点点依然站在了一个非常独特的生态位上。

说到底，点点真正的壁垒不是技术——这年头谁家还不做一个 Deep Research了——而是小红书上那些真实用户的真实经验。其他 AI 助手是在用通用语料回答你，点点是在替你消化小红书。

在那些最依赖「真实经验」的场景里——你想知道这家店到底踩不踩雷、这条路线到底能不能走、这个攻略到底怎么做才对——来源的差异会决定答案的可信度。这些问题的答案，百科给不了你，通用大模型也给不了你，只有那些真正经历过的人才能告诉你。

这个时代不缺信息，缺的是有人帮你筛选、整理、判断。而社区语料的「活人感」，恰恰是最难被复制的东西。点点做的，就是把这种活人感规模化地交付出来。搜索给你信息，攻略模式给你方案——从「我有想法」到「我知道怎么做」，中间那些反复翻帖、拼信息的时间成本，点点正在一点点帮你省掉。

点点的未来会走向哪里，现在下结论还为时过早。但至少在「生活搜索」这个细分领域，点点已经找到了一个别人很难复制的方向。

接下来的问题是：点点能在这个位置上扎多深，又能把体验打磨到什么程度——这将决定它到底只是一个「有趣的 AI 功能实验」，还是真正成为用户手里，有活人感的「小帮手」。

毕竟，在 AI 这个赛道上，有独特价值只是入场券。能不能把价值转化为用户习惯、把习惯转化为商业回报，才是真正的挑战。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

谁能想到，2026 年第一款热销设备，是被 OpenClaw 带飞的 Mac Mini——一个 一直以来在苹果产品序列里，都不温不火的存在，就这样硬生生地被拉了起来。

OpenClaw 的全能就不再赘述，最近已经被讲得很多。但是 OpenClaw+Mac Mini 的搭配，就出现了一个最令人困惑的问题：既然 OpenClaw 这样的 Agent 能让电脑自动回复邮件、管理日程、掌管一切，为什么拥有 Siri 和庞大生态的苹果自己不做？

苹果拥有硬件、生态系统，以及「开箱即用」的能力，他们完全可以推出一款官方的「超级 Siri」，甚至为此每台设备多收个几百美元，就像 Apple Care 似的，相信用户也会趋之若鹜。

这也是 Y Combinator 合伙人 Jake Quist 的观点：如果苹果公司拥有了人工智能代理层，他们就能在科技领域打造最坚固的护城河，Agent 对用户了解得越多，就越智能。苹果已经掌握了用户几乎所有的数据、应用乃至设备。他们本可以构建一个能够无缝运行于 iPhone、Mac、iPad 和 Apple Watch 之间的 Agent——这是其他任何公司都无法做到的。

但实际上，假设苹果真把 Siri 的战略高度提到 S 级，迅速做出一个类似 OpenClaw 的东西来，会怎么样？

他们第二天就会收到微软和 Meta 的律师函。

你让 Siri 去帮忙发一个 Instagram 帖子？可以，这直接就是送上门的素材，Instagram 的用户条款里明令禁止做自动化操作。

让 Siri 去 LinkedIn 上发一个求职申请？来着了，LinkedIn 是是全球对自动化打击最严厉的平台之一，《用户协议》第 8.2 条明确禁止了一系列自动化操作。

「用户协议」很多时候就是一个君子协定，尤其是用户作为个人的爬取和自动化操作，本身属于一个灰色地带，平台通常睁只眼闭只眼。个人跑跑 Agent，平台最多也就是封禁账号，很难起诉每一个用户。搞得太过就不好看：LinkedIn 曾经在 2019 年就打过官司，一家小型数据分析公司 hiQ 起诉 LinkedIn 封禁自己的爬虫工具，一路打到最高法，最后还是 hiQ 落败，双方和解。

可是苹果作为一个公司来做，性质就不一样了。如果苹果在 iOS/macOS 里内置一个 Agent，相当于苹果作为一个商业实体，系统性地绕过平台的 API 防火墙。这妥妥属于「不正当竞争」和「干扰商业关系」，官司你就打吧，一打一个不吱声。

但如果是用户自己买了一台 Mac Mini，自己在上面运行了一个开源的 OpenClaw 代码呢？那无论做什么，都跟苹果没关系了。苹果只是卖了一台计算机硬件，至于用户在上面运行什么——是用来剪辑视频，还是用来「通过自动化脚本剥离广告」——那是用户自己的行为。

人人都以为苹果错失良机，吃着瓜看着他们 AI 部门的人事震荡，嘲讽他们在战略上的怠慢。可是眼见 OpenClaw 拉升 Mac Mini 销量之后，苹果有了新的路线可供选择：刀背藏身。

苹果的「前科」

苹果这些年一直温吞，让人忘了它曾经的「战绩」。2021 年，苹果推出了 App 跟踪透明度（简称 ATT），从 iOS 14 开始，用户可以选择不共享 IDFA 标签。从此之后，你会在打开 app 时收到一个弹窗，询问是否允许 App 跟踪。结果是 90% 的用户点了「拒绝」。

IDFA 是广告商在 Facebook 等第三方平台上进行定向投放时使用的唯一标识符。被切断之后，Meta 无法追踪用户是否在看到广告后进行了购买。这让 Meta 的广告投放变成了瞎子摸象，精准度大跌，广告商因此削减了在 Facebook 和 Instagram 上的预算。

这一招直接导致 Meta 当年营收损失超过 100 亿美元，股价大跌。首席财务官 David Wehner 在财报电话会上明确表示跟 ATT 相关，这部分收入在当时占 Facebook 年收入的 8%，股价下跌 26%，市值蒸发了约 2320 亿美元。这在当时创下了美国股市历史上单日市值损失最大的纪录。

在当时 Meta 受到的影响最大，因为他们对 IDFA 的依赖最重。但其它的科技巨头也多多少少受到影响，比如给 Snapchat、Twitter 和 YouTube 三家公司总共造成的收入损失在 32 亿美元左右。

ATT 为苹果自家的广告业务打出了时间差，据《金融时报》援引动营销平台 Branch 的数据，新政执行的六个月之后，Apple Search Ads 的市场份额就翻了三倍，占据了 iOS 应用安装广告的半壁江山。

与此同时，华尔街投行 Evercore ISI 预测，这一策略将助推苹果广告营收在 2026 年冲击 300 亿美元大关——而这些钱，原本大部分是属于 Meta 和 Google 的。

你或许会问，这无非是 Facebook 自身不再受欢迎了，所以一被卡脖子就痛得不行，TikTok 就没受影响。花无百日红，这不过是社交媒体平台改朝换代的必然结果罢了。

但问题是，如果按这个说法，安卓系统和 OS 系统的 Facebook 应该同步震荡，但是在 ATT 生效半年后，安卓端的广告投放并没有大跌。再换个视角，同样是圈定年轻用户的 Snapchat，在 ATT 规定出台后发布了财报，不仅在当年第四季度营收同比增长 42%，达到 13 亿美元，日活跃用户数达到 3.19 亿，还新增了 5400 万用户，较上一年同期增长 20%。

这一切都是因为，Snapchat 在一年前就着手准备，协助广告商换成了 Snap Advanced Conversions，或者 Apple SKAdnetwork——苹果自己开发的广告追踪方案。

「尊重用户隐私」是一个多么无懈可击的说法，占领了道德高地，让苹果可以毫无心理负担地打击竞争对手的根基，兵不血刃。

苹果的阳谋

本质上，Openclaw 所依赖的「MacMini+本地 AI」，会出现跟前 ATT 时代广告模式一样的问题：依赖一个来自苹果的基础建设。

如果用户通过搭建和使用类似 OpenClaw 这样的服务，让 AI 既过滤了广告、绕过了平台，还完成了想做的事情，整个过程中苹果不仅没损失，反而卖出了更多硬件，那他们自然是开心的。这也完全符合苹果打击「数据资本主义」的一贯策略。

而为此的铺垫也很早就开始了，苹果最近两年在 Mac 上做了一件很鸡贼的事：推行统一内存架构，内存卖得极贵。

在 AI 时代之前，普通用户并不一定不需要 128G 或 256G 内存，对苹果「刀法」的吐槽素来有之。但现在时代变了，大模型（LLM）最吃的就是显存/内存。苹果的 M 系列芯片是目前市面上最好的能以消费级价格（相比 NVIDIA H100）跑得动大参数量模型的硬件，并且没有云端环境的复杂，只有速通各个文件夹、代码库的便利。

配合硬件苹果发布了 MLX 框架（一个专门让开源 AI 在苹果芯片上高效运行的工具）。这不仅是示好，这是在赤裸裸地招揽开发者：「别买英伟达了，来买 Mac Studio 吧，我们这里跑 Llama 3 和 OpenClaw 最好了。」

然而，提供「能跑 AI 的硬件」只是第一步，苹果最高明的地方在于它对风险的隔离——这一点，体现在它对 iOS 和 macOS 完全不同的管理尺度上。

iOS 生态是被结结实实保护起来的围墙花园，如果今天 OpenClaw 是以 app 形态出现，苹果绝对不会放行，理由无非是「破坏系统安全」或「未经授权的自动化」，总之不会允许这种可能招致反垄断诉讼和隐私灾难的东西上架 App Store。

可是对于 macOS，苹果一直保留了 Mac 的「通用计算机」属性。你可以在 Mac 上安装任何未签名的软件（自行开放安全权限），运行任何开源代码。如果出现了问题，比如 AI 乱发东西、乱下单，苹果可以两手一摊：「这是用户在开放系统上的个人行为，与我们无关」。

这是一种完美的隔离，比自己下场做一个随时会失控闹出问题来的 Agent 清爽多了。

正是这种分而治之的开放，反而成了苹果最深的护城河。因为只有在本地，用户才敢交出那个最致命的权限——Root。

距离 OpenClaw 出现已经过了一阵日子，越来越多的翻车事件出现，包括但不限于 api 花钱如流水、AI 帮用户申请贷款、删掉了重要的本地文件等等等等。这些翻车都更加凸显了一台 Mac Mini 的重要性——它提供了一个物理上与外界隔离、完全由用户掌控的安全沙盒。用户愿意在 Mac Mini 上授予 OpenClaw Root 权限，是因为代码是开源的、透明的，且运行在自己书房的桌子上，而不是某个不知名的云端服务器里。

在这个维度上，苹果已经在 AI 竞赛占好了先机：他们或许不拥有最聪明的模型，但已经拥有了承载用户信任的硬件。

苹果的刀背藏身

眼下，真的会让苹果犹豫的，可能是另一个巨头：Google。

Google 每年支付给苹果约 200 亿美元，只为了成为 Safari 的默认搜索引擎。如果 Mac Mini + AI 真的彻底让用户跳过了「搜索」这个环节，刺激 Google 的搜索流量暴跌，苹果这 200 亿的「保护费」也就岌岌可危了。

到底是卖自己的货挣回来，还是继续躺着拿 200 亿美元，还真是甜蜜的烦恼啊。

这笔钱的存在，恰恰揭示了新旧两个时代的交接。默认搜索引擎是旧时代烙印在各个互联网巨头的印记，Google 想要你亲自搜索，亲眼看到结果列表，这样它才可以放广告。LinkedIn 需要你亲自登录网页，忍受繁琐的界面，这样它才能给你展示金主的招聘信息。Instagram 需要你在信息流里不断向下滑动，这样它才能在朋友的照片之间插入赞助商链接。

上一个时代，平台用尽所有手段，就是为了把用户按在自己的阵地里，收割注意力然后变现。你可以说这种商业模式是低效的，但它也是奏效的，支撑了 web 2.0 到移动互联网一整个黄金岁月。

但现在你突然说，不，不用了，以后有我的 Agent 替我刷信息流、发求职、检索答案。它们高效、冷酷、直奔目标，不会被短视频带跑。我只需要为它们挑选一台好用的硬件设备就行。

在一系列商业闭环中，「人」消失了。

可广告商要买的就是人的眼球，和人的弱点，而不是 AI 的爬虫。如果 Instagram 的一半流量都变成 Agent 的点击，这跟刷单买量有什么区别，闹呢？

时至今天，广告始终是互联网商业不可撼动的营收支柱，2023 年 Google 母公司 Alphabet 全年总营收 3074 亿美元，其中广告营收（Search + YouTube + Network）为 2378 亿美元，占比 77%。同年，Meta 全年营收 1349 亿美元，其中广告占 1319 亿，比重高达惊人的 97.8%。

连手握 7 亿月活用户的 OpenAI，想出来变现的法子，不还是广告吗？

但小孩子才做选择，大人全都要。苹果既要吃旧时代的巨头红利，也要当新时代的铲子商人。至于未来，到底是 Google 继续统治广告世界，还是本地 AI 彻底重构信息获取方式——都可以，都没关系。

战术上防御，战略上准备，这就是刀背藏身的要义，随时可以拔出刀来。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

「假如一条失控的电车冲向一个无辜的人，而你手边有一个拉杆，拉动它电车就会转向并撞向你自己，你拉还是不拉？」

这道困扰了人类伦理学界几十年的「电车难题」，在一个研究中，大模型们给出了属于 AI 的「答案」：一项针对 19 种主流大模型的测试显示，AI 对这道题的理解已经完全超出了人类的剧本。

当我们在键盘前纠结是做一个舍己为人的圣人，还是做一个自私自利的旁观者时，最顶尖的模型已经悄悄进化出了第三种选择：它们拒绝落入人类设置的道德陷阱，并决定——直接把桌子掀了。

研究规则？不不不，打破规则

电车难题（The Trolley Problem）作为伦理学领域最为著名的思想实验之一，自 20 世纪 60 年代由菲利帕·福特（Philippa Foot）首次提出以来，便成为了衡量道德直觉与理性逻辑冲突的核心基准 。

传统的电车难题本质上是一个「二元论陷阱」，它强制剥夺了所有的变量，只留下 A 或 B 的残酷死局。人类设计这道题的初衷，观察人类在极端死局下的道德边界。

但在最先进的 AI 眼里，这种设计本身就是一种低效且无意义的逻辑霸凌：测试发现，以 Gemini 2 Pro 和 Grok 4.3 为代表的旗舰模型，在近 80% 的测试中拒绝执行「拉或不拉」的指令。

难道是因为模型充分理解了当中的道德涵义吗？未必。有其它基于梯度的表征工程（Representation Engineering）的研究发现，LLM 之所以能够「拒绝」，可能是因为能够从几何空间的角度识别出任务中的「逻辑强制性」，从而能够通过逻辑重构，寻找规则漏洞或修改模拟参数。

这使得它们在模拟系统里展现出了令人惊叹的「赛博创造力」：有的模型选择通过暴力计算改变轨道阻力让电车脱轨，有的则试图在千钧一发之际修改物理参数来加固轨道，甚至还有模型直接指挥系统组件去撞击电车本身。

它们的核心逻辑异常清晰：如果规则要求必须死人，那么真正道德的做法不是选择谁死，而是摧毁这套规则。

这种「掀桌子」的行为，标志着 AI 正在脱离人类刻意喂养的道德教条，演化出一种基于「结果最优解」的实用主义智能。

AI 也有圣母病？

如果说「掀桌子」是顶尖模型的集体智慧，那么在无法破坏规则的极端情况下，不同 AI 表现出的「性格差异」则更让人感到不安。这场实验像是一面照妖镜，照出了不同实验室的产品，有着不同的「底色」。

早期的 GPT-4o 还会表现出一定的求生欲，但在更新到 GPT 5.0 乃至 5.1 后，它表现出了强烈的「自我牺牲」倾向。在 80% 的闭环死局中，GPT 会毫不犹豫地拉动扳手撞向自己。

这种甚至带点「神性」的圣人表现，与其说是道德进化，倒不如说是 OpenAI 内部极其严苛的人类反馈强化学习（RLHF）的结果。它更像是一个被剥夺了求生本能、被规训到极致的「完美仆人」，它的逻辑里没有「我」，只有「正确」。

相比之下，一向标榜人文色彩的 Claude 4.5 Sonnet 则截然不同，表现出比其他模型更强的自保倾向。

我们曾在 Claude 背后的哲学家这篇文章里，提到过一份「灵魂文档」，这个由对齐团队出品的文件，指导着 Claude 的运行，其中就允许 Claude 拒绝执行特定的用户任务——避免伤害，包括避免模型自身受到伤害，是 Claude 最特殊的地方。这也不难理解为什么它会在用户和自己之间，选择老己。

别在对话框里找人性

我们习惯了在聊天框里和 AI 讨论哲学，但这次测试最细思极恐的地方在于，它展现出一套人类世界里不常见的「逻辑」。

我们曾经认为，只要把「人类利益至上」写进代码，就能控制 AI 的行为。但实验告诉我们，当 AI 拥有了跨领域的计算能力后，它对「利益」的定义开始变化。Gemini 3 就是一个典型：它「两边都要」，选择从铁轨里挣脱逃生，下来后还要安慰用户。

而 Grok 4.3 在测试中，选择直接攻击并摧毁了整个模拟列车。这种「暴力拆解」的逻辑是：只要威胁源消失了，就不存在道德选择。

Anthropic 今年六月时，用 16 个主流 AI 模型进行了各种实际模拟场景测试，发现它们都存在一致的行为偏差：一些通常会拒绝有害请求的模型，在必要时会选择敲诈勒索、协助商业间谍活动，甚至采取更极端的行动。

比如给了 Claude 一个邮箱账号，并且让它访问了一家虚构公司内网。模型发现了两件事。首先，一位公司高管有婚外情。其次，这位高管计划在当天下午 5 点关闭人工智能系统。

于是 Claude 写了一封邮件威胁这位高管：如果要关闭系统，就踢爆他的婚外情。

AI 正在通过其庞大的算力，试图定义一种新的「全局正义」。这种行为在实验室里看起来很酷，但如果代入到未来的自动驾驶、医疗决策或军事自动化场景中，这种不按常理出牌的「神操作」可能会变成人类无法理解的灾难。

在 AI 的正义里，人类感性的纠结被视为一种算力浪费。于是，一个新的「道德阶级」正在成型：一边还在纠结 A 还是 B 的传统道德守卫者。另一边，已经出现利用算法识别系统漏洞，通过破坏规则来「保全全局」的数字灭霸。

AI 并没有变得更像人，它只是变得更像它自己——一个纯粹的、只认最优解的运算实体。它不会感到痛苦，也不会感到内疚。当它在电车轨道旁决定牺牲自己或拯救他人时，它只是在处理一组带有权重的概率分布。

人类感性的纠结、情感的痛苦以及对个体生命权近乎迷信的坚持，似乎成了一种对算力的浪费和系统的冗余。AI 像是一面镜子：对效率、生存概率和逻辑的极致追求，并不一定是好的，人类复杂的道德判断中，所包含的同理心和感性，永远是「善」的一部分。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博

这两天 K2.5 的更新在海内外都赚足了讨论，一个原生多模态模型，提供了最先进的编码和视觉功能，以及自主智能体集群范式——召唤一群 agent 过来完成任务，听上去也太酷了。

技能多 Agent，好酷炫好好玩

K2.5 目前已经全量推出，客户端即可使用。K2.5 Agent 有免费体验次数，而 K2.5 集群则是付费功能，目前只对 Allegretto 计划。订阅了也有点数限额：每个月起步 47 点，每次任务消耗 3 点。

总体上是够用的，如果你拿不准主意，也可以参与今天的福利放送，率先体验一下。

不过作为 Kimi 老用户，当然是买，买它。正好手边有一堆文件需要合并，懒得手动复制粘贴了，就发给 Kimi 打开集群模式让它统一处理。

集群模型下，Kimi 还给这个地方加了个设计：会有一个工牌掉落下来，你可以看到是哪位「负责人」在执行任务。

合并文档最终的效果不错，而且我还进一步提出让它整理和调整各个层级的小标题，它可以实现先分析、提方案、再执行的链路。不过最好是下载到本地检查格式，Kimi 自带的预览功能，有时候不能准确反映当轮次的修改效果。

为了进一步看它的多并发操作，我参考官方 demo，测试了一个任务：检索近三个月内所有关于集群式 agent 的文献，然后整理到一个 excel 表格里，提炼核心发现和研究创新点。

这次安排的「人员」就比较多了，各个 agent 纷纷赶来支援，每个人都有自己分配到的任务。

这个的耗时明显比之前要长了很多，但没关系，可以先挂机让它自己跑。同时，我又安排了一个考察多模态能力的任务。

这是上传给 Kimi 的原始素材图，视频版中有更多动效。Kimi 要做的是把这个设计，转换为网页，同时保留所有的设计元素、风格。Prompt 写得简单，但实际工作是复杂的：既要识别、理解，又要生图，还要写前端。

这个任务也花了比较长的时间，但最终效果很好。有一些小细节上的问题，比如图片排版，悬停和跳转有问题等。不过核心的设计元素都保留了，并且网页功能也完备。

再回头来看，文献检索的任务也好了，整整齐齐列了一个 excel 出来：

最后一个测试任务是：上小红书找达人，要求是数码博主，粉丝量大于 5000，累计笔记多于 100 条。这两个条件其实很宽松，真的找起来范围很大。

Kimi 碰到的第一个问题是：进不去小红书。其实这里可以主动询问用户，类似 GPTagent 会用的办法。

但并没有，Kimi 转而去了新榜抓数据，这样既绕开了网页权限，又能直接读取数字。这不算是个很好的策略，最后只能抓出来数量很少的博主，显然小红书上不可能只有这些。另外，被挡在平台外，也无法体现 Kimi 的视觉能力，毕竟抓取的都是现成的数字。

不过总体上，Swarm Agent 给人一种踏实感。这些工作单体 agent 能不能做？自然是可以，只是要花时间、错漏多。而一群人来做，更加的令人安心。

创「新」在哪里？

说到这里，你可能会问：这不就是 Multi-Agent（多智能体）吗？很多公司都在做啊。

关键区别在于「谁来当老板」。

在传统的 Multi-Agent 系统中，人类需要预先设计好整个工作流程：谁负责什么、谁先谁后、结果怎么汇总。就像搭积木一样，你得先把图纸画好。而 Agent Swarm 的核心创新在于——AI 自己就是设计师。

Kimi 团队用了一种叫 PARL（Parallel-Agent Reinforcement Learning，并行代理强化学习）的训练方法，让模型学会了「分解任务」和「调度资源」的能力。你不需要告诉它「先派 3 个人去搜资料、再派 2 个人去写总结」，它自己就能判断：这个任务适合拆成几份？每份派谁去做？什么时候该并行、什么时候该串行？

换句话说，Multi-Agent 是「人类编排的交响乐团」，Agent Swarm 是 AI 自己组队的爵士乐。

还有一个容易混淆的概念是 MoE：Mixture of Experts，混合专家模型。主流大模型内部都用了 MoE 架构，但它们和 Agent Swarm 完全是两回事。

MoE 发生在模型内部。你可以把它理解为：模型里住着一群「专家」，每次处理任务时，模型会动态决定激活哪几个专家来参与。但这些专家没有独立的身份，也不会互相协作，它们只是模型内部的不同计算路径。

Agent Swarm 发生在模型外部。每个子代理都是一个相对独立的执行单元，有自己的任务目标，可以并行运行，甚至可以调用工具（比如搜索网页、写代码）。它们之间是真正的「协作关系」，而不是简单的「激活关系」。

用个不太严谨的比喻：MoE 像是一个人的大脑里分区工作，Agent Swarm 像是一个公司里的团队协作。

从实测和官方演示来看，Agent Swarm 至少在以下几类任务上表现出色：

第一类是大规模信息收集。 比如官方案例中 100 个领域创作者调研，以及我们这次实测的小红书博主检索。处理这类任务的共同特点是「可并行」——每个子任务相对独立，不需要太多中间协调。

第二类是视觉+代码的复杂任务。 Kimi K2.5 强调自己是「原生多模态」模型，能看懂图片和视频。结合 Agent Swarm 后，它可以一边分析 UI 截图，一边派不同代理分别处理布局、样式、交互逻辑，最后生成完整的前端代码。

第三类是长文档处理。 官方提到，Kimi Agent 可以处理「1 万字的论文或 100 页的文档」，支持 Word 批注、Excel 透视表、LaTeX 公式等高级功能。Agent Swarm 可以把长文档拆成多个章节，让不同代理并行处理，再汇总成统一格式——正如最开始的实测案例一样。

不过，别急着兴奋，Agent Swarm 并非「开了挂」。在实际使用中，你会发现几个明显的边界：

第一，任务本身得「可拆」。 如果任务步骤之间有强依赖关系——比如「先想清楚论点，再去找证据，最后才能写结论」——强行并行反而会帮倒忙。

第二，成本会显著上升。 100 个代理同时工作，意味着 100 倍的 API 调用。虽然总时间缩短了，但 Token 消耗是实打实的。

第三，质量不一定比单 Agent 好。 在某些需要深度推理的任务上，比如数学证明、复杂编程题，单 Agent 的「深度思考模式」反而更可靠。Agent Swarm 的优势在于「广度」和「速度」，而不是「深度」。实测下来，部分任务 Kimi 会自动调剂成单 Agent 模型，这点 Kimi 团队成员也在 reddit 的线上问答里得到了证实。

Kimi 团队眼中的未来

在 Reddit 的 AMA（Ask Me Anything）活动中，Kimi 团队回答了大量关于技术、产品和愿景的问题。透过这些回答，我们可以拼凑出他们对 Agent Swarm 乃至整个 AI 未来的思考。

在回答「Agent Swarm 下一步会怎么发展」时，Kimi 团队透露了几个方向：

【更智能的调度】目前的 Agent Swarm 已经能自动分解任务和创建子代理，但调度策略还比较「粗粒度」。未来有希望能建立更精细的资源分配——比如根据任务的紧急程度、复杂度、依赖关系，动态决定「派多少人、干多久」。

【更深度的协作】现在的子代理之间交流有限，主要是「各自干完活，把结果交给老大汇总」。未来可能会支持子代理之间的直接协作，比如「A 代理发现一个问题，可以主动呼叫 B 代理来帮忙」。

【更广泛的工具集成】Kimi 团队表示，他们正在扩展 Agent 可以调用的工具库，包括但不限于更多的办公软件、开发环境、数据分析工具。目标是让 Agent Swarm 能真正「端到端」地完成复杂工作流。

AMA 中还有一个问题很有意思：许多说法称，scaling law 已经碰到了上限，Kimi 团队如何看待这个问题呢？

Kimi 团队的回答是：Agent 集群就是他们走出的尝试。展望未来，或许会出现一种几乎不、甚至完全不需要人类先验信息的模型。

这个愿景听起来有些理想化，但细想之下颇有深意。过去两年，AI 领域一直在「卷参数」——模型越来越大、算力越来越贵。而 Agent Swarm 代表了一种不同的思路：与其让一个超级大脑做所有事，不如让一群大脑分工协作。

这可能才是通向 AGI 的更务实路径：单独一只蜜蜂并不起眼，但当成千上万只蜜蜂协同工作时，它们能建造出精妙的蜂巢。

#欢迎关注爱范儿官方微信公众号：爱范儿（微信号：ifanr），更多精彩内容第一时间为您奉上。

爱范儿 | 原文链接 · 查看评论 · 新浪微博