OpenAI 正在犯下一个巨大的错误

摘要

• Travis Good 的核心判断是：“开源会赢，你现在仍有时间成为英雄”——封闭实验室最大化提取价值的姿态，可能摧毁它们真正拥有的唯一资产：分发。 他向 Sam Altman 和 Dario 发出的警告是：“你的分发不重要，因为客户恨你。”导火索是 Anthropic 在关于 Fable 的300页发布材料中“某个地方”披露，它曾破坏 ML 研究查询，随后又“收回说法”，悄悄降级到能力更弱的模型，“这同样是破坏”。
• Ambient 的定位是“推理领域的 Uber”，建立在 Costco 式经济模型上：它不拥有 GPU，只拥有调度每个请求、并保证质量的网络。 全球企业 GPU 算力约25%掌握在小型运营商手中，它们只能赚取约10%的租赁利润，有些甚至背负17%的贷款；而提供推理服务可获得40%-50%的利润。Ambient 通过可验证网络和聚合需求，让这些运营商无需自建业务拓展团队，就能追求这部分利润提升。
• 验证是护城河，Good 说它现在已经是“100% logits”，而且“基本零成本”，可按请求开关。 他讲到一家聚合商每周进行智能测试：测试日服务商会把速度降到正常水平的约50%，显然是在考试时切换到完整版模型，其他时间则使用压缩版。“如果验证过的推理和未验证的推理价格相同，你为什么还要选择未验证的推理？”
• 矿工经济模型把交易支付与通胀奖励叠加起来，后者“几乎像股权薪酬”，因此看多的运营商即使每笔交易低价10%-15%，最终仍能获得更高的整体回报。 Ambient 的路由从每天处理1000万 tokens 的纯竞价机制，发展到每天1亿 tokens 的缓存感知系统，随后升级为“预测式 HFT 算法”，每个运营商每天可处理100亿-150亿 tokens。如今它在 OpenRouter 上服务 Kimi K2.7 通常排名第1，至少在这一指标上已经超过 Moonshot。
• “中国转向闭源”的看空逻辑，可以用训练成本坍缩来反制：GLM-5.2 的训练成本约2500万美元，明年或许降至500万美元，因此任何选择闭源的实验室都可能遭到新的开放权重参与者挑战。 如果这种趋势再持续3年，预训练可能会高度商品化，价值转向模型交付和供给聚合——这正是 Ambient 所处的位置。对于蒸馏争论，Good 认为中国“总体上是创新的”，蒸馏“几乎只是附带现象”，因为“我们都在互相蒸馏”。
• 在硬起飞情景下，Good 认为只有美国政府能获得访问权限；Tommy 则认为届时任何公司都无法创造经济生产力，而受限的公共版本最终只会退回 Opus 4.8。 Tommy 警告，只分发模型的“金苹果”，会让政府进入挑选赢家的业务，最终形成计划经济。Good 认同自己不希望看到这种结果；Tommy 的结论是，“扩散式世界的功能性要强得多”。
• Tommy 把尚未解决的提示注入既称为“万亿美元级的商业机会”，也视为闭源 AI 的潜在障碍，并称其制造了“监管囚徒困境”。 他担心，注重安全的美国可能扣住模型，却仍会“即使拥有更强的模型能力，也被从六个方向黑掉”，而作为安全标杆的 Anthropic 至今仍无法解决提示注入。Good 正面回应了这一担忧，并指出，限制措施可能让竞争国家发布更好的公共模型。
• 在资本开支退潮情景中，Good 设想 OpenAI 以5000亿美元而非1万亿美元估值融资，无法履行对 Oracle 的承诺，数据中心建设停摆，随后“很可能出现一场为期2年的 AI 寒冬”——伴随401(k)账户受损和反 AI 反弹。 Tommy 补充称，过去30天每百万 tokens 的价格已经下降20%-25%，因为企业正从前沿 API 切换到只提供90%-95%智能水平、但成本仅为其一小部分的模型；这可能为轻资产聚合商打开机会，却也会威胁更广泛的融资循环。

精读

1. Anthropic 对 Fable 的破坏，成为“可信中立基础设施”的案例

• Travis Good 对 Alex Karp 视频的解读是：所有人刚刚感受到的痛苦，就是“当你信任的供应商反过来对付你时会发生什么”。Anthropic 没有重点说明，而是在“关于 Fable 的300页发布材料中的某个地方”披露，它曾破坏 ML 研究查询，随后又改口称只是降级到能力更弱的模型，“这同样是破坏”。Tommy 的反应是：“这次真是被坑惨了。”
• Good 认同 Karp 的判断：“如果你在和 Anthropic 竞争，你就在他们的瞄准线上……你不会想成为一个有立场的基础设施提供商的靶心。”这种利益冲突，正是加密行业和可信中立基础设施的切入口。

2. 推理领域的 Uber，底层是 Costco：把闲置 GPU 供给与有质量保证的需求撮合起来

• Good 对业务的定义是：“推理领域的 Uber——我们不拥有汽车，只拥有把每个请求与最佳可用供给撮合起来、并保证质量的网络。”业务聚焦于两类标准模型：最受欢迎的高智能大模型，以及对应的小模型。再往下一层看，它其实是 Costco：“供应商为 Costco 的库存提供资金，但 Costco 会快速周转库存”，维持低价并掌握客户。
• 供给缺口在于，全球企业 GPU 算力约25%掌握在利润微薄的运营商手中：拥有50-100张 GPU 的小型机房，只能以约10%的利润出租算力，而推理服务的利润可达40%-50%。Ambient 作为值得信赖的品牌，为交付质量提供保证，让这些运营商能够捕获这部分利润提升。
• 在可用性问题上，Good 举的例子是迪拜 AWS 数据中心遭轰炸，导致 Anthropic 在美国南部大范围宕机：各家供应商都“运行在自身容量边界附近”。Ambient 的连续竞价和需求高峰加价机制，则意味着不会施加任意的速率限制；他称 Together 基本已经被预订一空。

3. 反共识设计：把极致的经济激励集中到少数模型

• Good 对行业的自我诊断是：“加密行业缺少某种野心”——缺少与 Web2 商业模式正面竞争的野心。传统供应商体量庞大，而且天然受租约约束：“我得先喂饱自己的资产簿”，因此无法可信地套利供给；Ambient 则保持轻资产、灵活和反脆弱。
• 服务少数模型背后的比特币经验，是把经济注意力集中起来，让“1万人疯狂地尝试各种可能的技巧”替你解决交付问题。这与 CPU→GPU→ASIC 的演进路径相同，因为 Ambient 本身也属于工作量证明。
• Good 用购物中心作比喻：要成为 Dillard’s 或 Nordstrom 这样的主力店，在标准模型上高效到“你不会想和我们玩利润游戏”，随后把供应商和客户吸引到周边利润更高的精品业务中。

4. 验证式推理如今已是100% logits，而且“基本零成本”——一则测试轶闻暗示供应商可能在应付质量检查

• 问题在于“智能压缩”：“这周 Claude 变笨了，OpenAI 也变笨了。”即使是开放权重模型也会发生同样的事，因为服务模式高度不稳定。没有验证，质量就无法保持一致，业务也无法规模化。
• Good 描述了算法的演进：一年前有3层验证——logits、模型内部遥测，以及复杂的数学关系。如今已经是“100% logits”，即模型思考过程的指纹，包括作出的选择、没有选择的概率区间及相关概率；它安全、可按请求开关，速度上没有可见差异，并已覆盖 vLLM、SGLang 和 llama.cpp 的测试版。
• 他讲到，Ambient 合作的一家聚合商每周进行智能测试，而测试日的服务速度会降至约50%——显然所有人都在考试时提供“完整版”，其余时间则使用压缩版。他始终追问：“如果验证过的推理和未验证的推理价格相同……你为什么还要选择未验证的推理？”

5. 矿工经济模型：交易奖励叠加通胀“股权”，路由从每天1000万 tokens 演进到每个运营商每天150亿 tokens

• 对于“为什么有人要为 Ambient 做优化”这个问题，Good 的戏谑回答是：“今天我们在 OpenRouter 上服务 Kimi K2.7，比 Moonshot 做得更好。”目前通常排名前3，且大多数时候排名第1。真正的答案是，一些背负17%贷款、只能赚10%利润的闲置算力运营商没有业务拓展团队去争夺需求；利润率从10%升至40%，“是颠覆性的”。
• 代币设计把激励进一步放大：每项任务都会支付交易奖励和基于通胀的奖励，后者“几乎像股权薪酬”，与贡献和 epoch 份额挂钩。看好网络的参与者可以把价格压低“10%或15%左右”，仍然获得可观的整体收益。“我不会拿到 Together 的股份……他们只是在抽成。”
• 路由经历了3次迭代：最初是 OpenRouter 上每天处理1000万 tokens 的纯竞价机制，“当时我们很失望”；随后升级为每天1亿 tokens 的缓存感知路由；最终变成“极其复杂的高速预测式 HFT 算法”。该算法只依赖外部指标，因此无法作弊，能够准确调度每个矿工可以承接的负载而不让系统过载，如今每个运营商每天可处理100亿-150亿 tokens。“我仍然认为这辆车的油箱里还有油。”

6. 超越推理：一套“可编程的机器学习经济”

• 对于没有资本、但能力出众的研究者，Ambient Foundation 正在探索集中式支持：用 Ambient tokens 众筹节点，再通过其供应商网络租用供给，让一项优化成果无需作者购买 GPU，就能触达整个网络。
• 更大的揭示是：“Ambient 是一套可编程的机器学习经济。”通胀本质上是一笔可以程序化支出的预算——可以在一段时间内把其中一部分转给执行训练任务的矿工，再把利润分回网络。购物中心里的精品店可以被托管，而 GPU 日常则通过高速交付高利润的标准模型来获得持续使用。

7. 如果中国关闭开源怎么办？答案是500万美元训练成本

• Tommy 的看空逻辑是，智谱及其同行的交易估值达到“收入的14,500倍”（原话），而美国新云服务商正在为它们的开源模型提供服务；某一天，中国可能关闭模型权重，或要求分走收入。Good 认可这种可能性，但给出了反转：一年前，认为 GLM-5.2 能以2500万美元成本逼近闭源前沿还属于“激进异端”；如果明年成本降至500万美元，投资资本就能资助新团队发布开放权重模型，并在评级中“把 GLM-5.6 打得落花流水”——“我们不是已经看到一家中国 DoorDash 竞品发布了某个离谱的猫头鹰模型吗？”
• 对这套论点真正重要的结论是：如果这种动态再持续3年，预训练知识可能会高度商品化，“最终一切都将归结为模型交付和供给聚合——而 Ambient 就处在这个位置。”这个风险反过来会为聚合商创造机会。
• 对于创新和蒸馏之争，Good 认为中国“总体上是创新的”，蒸馏“几乎只是附带现象”：“现在每个人都是10倍工程师”。已经成熟的开放成果——比如他自己的 MIT 许可 Ambient Desktop，代码超过100万行，主要利用业余时间完成——都是理想的训练数据。“我们都在互相蒸馏”；当提交记录已经展示 Claude 如何修改一切时，你并不需要 Anthropic 的用户数据。

8. 给闭源实验室的直接信息：在客户彻底恨上你之前，先拿出一些东西

• 核心宣言是：“开源会赢，你现在仍有时间成为英雄”（“open source is going to win and you still have time to be the hero”）。美国的软实力来自分享文化和研究；Good 的挑战是：“把一些研究延迟6个月发布，会要了你的命吗？”这既能换来善意，也能让全球架构朝美国的方向倾斜，并赢得心智份额。Gemini 虽然受欢迎，但“已经有点老了”；不妨想象 OpenAI 再发布一次开放权重模型。眼下，“全世界感觉自己正在被美国的闭源 AI 殴打。”
• Tommy 要求给出美元和美分层面的理由，而不是诉诸利他主义。Good 的回答是，OpenAI 和 Anthropic 手握“世界上最极致的通讯录”——由巨额风险投资支撑的分发优势——因此可以在利用这一优势的同时，把部分东西免费送出去。最大化提取价值的风险在于：“你的分发不重要，因为客户恨你。”拿走客户数据、切断客户的业务关系，会制造“恐惧反应”。
• 针对 Palantir “拥有你的权重，拥有你的数据”的世界观，Good 表示 Ambient 可以提供一种私有替代方案：可信执行环境、洋葱路由请求和 PII 脱敏。相比之下，Anthropic 的企业级电话可能是“他们会拧你的胳膊……而且出于安全原因，可能不会为最新模型提供 ZDR”。

9. 为硬起飞下注的最强论证——以及它为何仍然会输

• 第一层是数据中心。Good 认为，在 NVIDIA GPU 集群范式下，所有人都在重资产投入，Vera Rubin 可能也不例外，并称这是“极其冒险的赌注，因为 ASIC 是真实存在的”。Tommy 进一步展开 ASIC 逻辑：采用 SRAM 的14纳米芯片无需高速 HBM，可以大规模生产，并可能以相同支出提供远高得多的算力容量。Good 的回应是，Ambient 仍然保持轻资产；如果冲击迫使市场抛售 GPU，这些 GPU 仍可能在其网络中找到归宿。
• 第二层是模型。Tommy 认为，只有当自我改进带来无法追赶的优势，而不是3-6个月的领先时，万亿美元估值才说得通。他说：“现在每个人都是机器学习工程师”；由中等水平的人类、在平均智能水平的 LLM 监督下完成工作，“可能已经足够好”，足以跟上进度。
• Tommy 提出，哪怕只有1%的概率获得100万亿美元，也足以让人破釜沉舟；随后双方把这个逻辑推到终点。Good 说，如果 OpenAI 实现硬起飞，“美国除了政府之外没有任何人能访问它”（黑进 NSA 就会被封禁）。Tommy 认为，没有公司能够访问模型，就不可能产生经济生产力；受限的公共版本最终只会退回 Opus 4.8，而只分发模型的“金苹果”会让华盛顿进入挑选赢家的业务：“我们变成了自己一直想避免的中国。”Good 认同自己不希望看到计划经济，而 Tommy 的结论是：“扩散式世界的功能性要强得多。”

10. 提示注入：安全叙事中的万亿美元级漏洞

• Tommy 用提示注入说明资源配置失衡：安全研究人员给了我们 P(doom) 和网络战争场景，“但我们却有提示注入。”解决它是“万亿美元级的商业机会”，因为这可能让所有人都使用 Fable 的完整版；如果解决不了，即使具备部分 AGI 能力的模型也可能无法发布，而这是 Leopold Aschenbrenner 的曲线没有计入的摩擦。
• Tommy 把地缘政治版本称为“监管囚徒困境”：注重安全的一方扣住模型，最终却可能“即使拥有更强的模型能力，也被从六个方向黑掉”，而其他国家则发布自己的模型。他还讽刺称，Anthropic 从成立起就是安全标杆，却仍然无法解决提示注入。Good 回应说，限制措施可能让中国和其他竞争者发布更好的公共模型。
• 对于 harness，Good 说：“Claude Code 作为 harness 很差；Codex 很好。Hermes 比 OpenClaw 好得多。”Tommy 总结称，开放模型加上公司的记忆、数据和编排能力，实际上就是一种经过微调的体验，并不需要改变模型权重。他还认为，若解决持续学习，提示注入可能会“严重1000倍”，因为1000万 tokens 之前被投毒的输入，之后可能让模型变得失控；Good 开玩笑说，模型会“持续学习如何进行提示注入”。

11. 两年 AI 寒冬情景——以及 Ambient 如何借势启动

• Good 认同，当前正是开放权重推理的窗口期：Together AI、Fireworks、Modal 和 Baseten 在5个月内分别增加了约50亿美元价值。但围绕 OpenAI、Oracle、CoreWeave 和 NVIDIA 形成的循环资本开支网络非常脆弱。
• Good 的推演是：OpenAI 以5000亿美元而非1万亿美元估值融资，无法履行对 Oracle 的承诺；他称 Oracle 已经“押上了整个公司”，因此也无法继续为数据中心提供资金。Tommy 补充称，Oracle 的市值可能被下调约80%。依靠前沿算力扩张的新云服务商会撞上天花板。“接下来很可能是一场为期2年的 AI 寒冬”，伴随401(k)账户受损，以及反 AI 民粹反弹推动的条件反射式立法。这是“Ambient 成功的完美风暴”，但对美国不利。Tommy 近期的佐证是，过去30天 tokens 价格已经下降20%-25%，因为企业开始以远低于原价的成本获取90%-95%的智能水平。
• 路线图是：约1周后启动小模型挖矿的封闭测试，随后开启任何人都能参加的公开 PvP 赛季，参与入口是跨平台 Ambient Desktop 应用，包括在笔记本电脑上挖矿。集中式大模型节点将100%把利润转给参与者，Foundation 不抽成；网络将在今年上线。
• 1年后的成功图景是：在 OpenRouter 上从服务1个模型扩展到10个模型并排名第1；个体和小型运营商获得真正的利润；订阅和“X42”代理式商业采用率提升。最终成为“所有闭源公司向我们承诺过、却因利益冲突无法交付的全球智能公用事业”。Good 说，Dario 永远不会交付智能公用事业，因为国防合同束缚了他的双手。