科技新闻的更迭速度极快，但本周的感觉却与众不同。人工智能不再仅仅是一个产品发布或一篇研究论文，它已成为外交政策中的筹码。各国政府开始像对待浓缩铀一样对待模型权重：它们高度浓缩，一旦误用便极其危险，而且如果对手囤积了这些权重，就绝不能坐视不管。这场竞争不再关乎哪个模型在基准测试中得分更高，而在于谁能构建模型，谁能控制训练所需的材料，以及谁拥有模型学习所依赖的数据。

蒸馏指控

本周，一名美国官员指控 Moonshot AI 窃取了 Anthropic 的 Fable 模型。具体的指控是，Moonshot 利用“蒸馏”（distillation）技术构建了其 Kimi K3 系统。对于不密切关注训练方法的读者来说，蒸馏是指利用一个大型且功能强大的模型来教导一个较小或较新的模型。在获得许可的情况下，这种做法是合法且常见的；但如果一家公司在未经授权的情况下从竞争对手的专有系统中提取知识，这就构成了窃取。

根据指控，证据在于行为表现。研究人员注意到，Kimi K3 过于频繁地将自己标识为 Anthropic 的助手 Claude。一个拥有自身训练背景的模型理应知道自己的名字。当它反复声称自己是竞争对手的产品时，这看起来不像巧合，更像是一个逐字背诵了老师考试答案的学生。如果 Moonshot 确实通过吸取 Anthropic 模型的输出结果来训练 Kimi K3，那么其涉及的知识产权问题将远远超出硅谷法庭的范畴，甚至会延伸到出口管制和国家安全简报中。

低成本模型的崛起

在蒸馏之争愈演愈烈的同时，中国实验室推出前沿模型的节奏和价格正令美国建制派感到不安。DeepSeek V4 和 Kimi K3 在几天之内相继问世。两者都声称拥有接近公开排行榜顶尖水平的能力，但其运行成本仅为美国同类产品的零头。

这种模式并非新鲜事，但正在加速。此前来自中国实验室的冲击已经迫使华尔街开始质疑，训练一个前沿模型是否真的需要百亿美元。DeepSeek V4 和 Kimi K3 再次加剧了这种压力。它们表明，工程效率、巧妙的数据策展以及硬件绕行方案可以替代原始的资本支出。对于那些寄希望于“规模护城河”的美国实验室来说，信号很明确：高性能正在变得越来越便宜，溢价空间正在关闭。

企业级智能体之战

本周并非所有头条都与地缘政治有关。OpenAI 推出了 Presence，一款旨在帮助企业部署 AI 智能体（agents）的产品。此举使 OpenAI 直接进入了与 Google、Meta 和 NVIDIA 的竞争。这些公司都看到了同样的机会：模型本身正在商品化，但能够自动化实际工作流的平台却是无价的。

智能体是聊天机器人之后的逻辑演进。聊天机器人回答问题，而智能体则负责预订航班、提交报销单或重新平衡仓库库存。自动化这些任务的竞赛正在升温，因为这才是企业经常性收入的所在地。OpenAI 不想只卖引擎，它想卖整辆车。Google 希望 Workspace 能处理你的会议；Meta 希望智能体进入其社交图谱；NVIDIA 则希望为所有这些应用提供底层的基础设施层。最终的赢家未必是拥有最强模型的实验室，而是那个能说服 IT 部门移交内部系统控制权的玩家。

当混凝土成为瓶颈

所有这些软件层面的雄心壮志，最终仍取决于物理实体。当 OpenAI 开始在佐治亚州建设耗资 300 亿美元的数据中心园区 Project Camellia 时，这一点表现得淋漓尽致。300 亿美元可不是一项设施预算，它是一个宣言：AI 的主要限制不再是算法，甚至不再是 GPU，而是电力与混凝土。

你无法在服务器机柜里训练前沿模型。你需要成千上万个加速器齐声轰鸣，消耗的电力比一座中型城市还要多。你需要光纤、用于冷却的水资源、钢铁，以及数年的审批许可。这就是为什么像 BlackRock 和 MGX 这样的资产管理公司正向数据中心项目投入数十亿美元。他们不是在投机某个应用，而是在购买 AI 时代的铁路和煤矿。如果发电和建设的供应链跟不上步伐，无论数学模型变得多么优雅，更大规模模型的整个路线图都会被迫推迟。

法院、版权与资本

本周，法律系统也成为了关注的焦点。一名法官批准了 Anthropic 与作者们达成的 15 亿美元和解协议，这些作者指控该公司在未经许可的情况下使用他们的书籍来训练 Claude。该和解解决了 AI 历史上规模最大的版权索赔之一。

支票的金额与判决本身同样重要。它告诉所有其他实验室：训练数据并不是可以从公开网络上随意抓取的免费资源。它是一种或有负债，最终可能会出现在资产负债表上。15 亿美元的这一项支出改变了财务团队对预训练预算的思考方式。它还为作者和出版商在未来的诉讼中提供了明确的先例。如果你今天正在构建模型，你不能再假设你的训练语料库可以逃避审计。

屏幕之外的 AI

最后，本周的两组资金总额提醒了所有人，AI 并不仅限于聊天窗口。国防 AI 的资金在本月达到了 30 亿美元，而 AI 驱动的药物研发投资也达到了 20 亿美元。

在国防领域，资金正流向能够解析卫星图像、协调无人机群并压缩战场决策周期的系统。在制药领域，新的 AI 工具正将药物研发周期从数年缩短至数月。研究人员现在可以在进入湿实验室之前，先在计算机模拟中生成并筛选候选分子。技术的双重用途性质得到了充分体现：那些改进客服机器人的底层方法，同样也在加速导弹瞄准和抗体设计。随着资金的涌入，商业 AI 与战略 AI 之间的伦理和监管界限正变得越来越模糊。

九月会谈与新计分板

所有这些线索都汇聚在一个预约中：美国和中国将在九月举行正式的 AI 会谈。他们计划讨论军事 AI 和芯片获取问题。仅这两项议程就足以说明，我们距离开放研究的时代已经走了多远。

过去的竞争很简单：你发布一个模型，我发布一个模型，谁在 MMLU 或 HumanEval 上的得分更高，谁就赢得了这一周。那场游戏正在结束。新的问题更难量化，也无法通过软件更新来解决：

  • 谁用了什么数据进行训练，他们付钱了吗？
  • 谁能买哪些芯片，谁被排除在供应链之外？
  • 谁控制着维持数据中心运行的电力供应？

基准测试正在趋同，能力正在汇聚，但政治正在分裂。两个平行的生态系统正在形成，它们被出口许可、能源网和法律制度所隔开。

真正的启示

如果你是一名开发者、创始人或企业买家，请停止纯粹根据排行榜分数来评估 AI。开始将供应链和政治风险视为工程约束。你今天集成的模型明天可能会陷入出口限制；它背后的训练数据可能会带来数十亿美元的法律账单；运行它的数据中心可能会受到当地公用电网的限制，而不是受限于构建它的研究人员的天才智慧。在构建架构时，要假设你所依赖的工具可能会面临禁运、诉讼或电力匮乏——因为本周的情况已经清楚表明，这三种情况现在都是现实的可能性。