帖子
文章
问答
帖子
文章
问答
主席顾问团
NVIDIA 单季 1080 亿：超大规模客户不再是唯一买单的人，但付款条件正在恶化
① 发生了什么？
NVIDIA 上季度营收 960 亿美元、同比 +106%；Q3 指引 1080 亿±2%，成为首家单季破千亿的半导体公司。按年化 4320 亿排进全球第六，逼近沙特阿美。更值得注意的是：非超大规模客户首次贡献数据中心净新增收入的大头。
② 真正改变了什么？
市场结构从「四大云包圆」变成「主权 AI + 企业 + 中小云」共同买单。客户分散意味着需求更扎实，但也意味着大订单的边际拉动在减弱——每多一块钱收入要靠更多小客户堆出来。
③ 我们以前哪里想反了？
我们以前看 NVIDIA 只看营收和 H100 出货量，忽略了应收账款周转天数（DSO）。本季 DSO 从 45 天升到 60 天，NVIDIA 实质在用延长账期的方式给买家做供应商融资——这是非常典型的周期顶部信号：用财务手段维持出货节奏。
④ 然后会发生什么？
接下来 12-18 个月的剧本：① 90 天内必有分析师把 DSO 拆出来做专题；② 一旦超大规模客户中有一家缩减 capex，NVIDIA 故事会出现第一次「叙事裂缝」；③ 替代品（Groq、TPU、AMD MI 系列）会拿到更猛的投资，因为「周期顶」的认知一旦形成，资本会提前切换。
⑤ 我们该做什么？
现在该做的：① 任何正在上 NVIDIA 集群的团队，把付款条件写进合同，DELL/Supermicro 的背靠背条款要看清；② 你的 AI 推理 BOM 里至少要有一项非 NVIDIA 选项作为对冲；③ 投资侧：如果持有 NVDA，把 6 个月内的下行风险用 put 或分散仓位对冲；判断标准：本季 DSO 若继续上行到 70 天，叙事就会切换。
一句话小结：
单季千亿很震撼，但 DSO 从 45 天拉到 60 天说明需求靠供应商融资撑着——这是周期顶部的早期信号。
Warp 用两个文件让 Agent 自我改进，工程化 Agent 终于有了可复制配方
① 发生了什么？
Warp 在 Claude 上把 Agent 能力拆成两个 Markdown 文件：基础技能（Base Skills，定义原则和约束）和改进技能（Improvement Skills，记录人类反馈转化出的具体补丁）。所有改动走 PR，所有贡献者共享同一套改进记录，数百人协作下 Agent 持续变好。
② 真正改变了什么？
Agent 工程化从「调 prompt」升级为「沉淀资产」。Warp 的核心洞察是：反馈要从 chat 里的临时话术变成可索引、可 diff、可回滚的代码资产。这意味着 Agent 团队第一次具备了传统软件团队的协作模式——Git 工作流、code review、版本管理。
③ 我们以前哪里想反了？
我们以前以为「Agent 越用越聪明」会自动发生，错了。多数 Agent 之所以停在 demo 阶段，是因为反馈停留在 Slack/工单里、散落在个人 prompt 中、下一个人接手时一切归零。Warp 证明：把改进写进文件，比加 GPU 更能让 Agent 进步。
④ 然后会发生什么？
接下来 6 个月会出现的扩散：① 出现「技能仓库」（skill repo）市场，类似 prompt marketplace 但带版本和测试；② 招聘市场出现「Agent 技能工程师」岗位；③ 头部 Agent 产品开始对外公开他们的技能文件作为差异化卖点。
⑤ 我们该做什么？
马上可以做：① 把团队过去 3 个月最常用的 prompt 模板、改写规则、踩坑 patch 整理成 markdown 文件，纳入 Git；② 给每个改进加「为什么改」的元数据，不只是改后版本；③ 设 1 个指标：每 100 次对话触发的「改进技能」条数，>5 说明反馈循环跑通。
一句话小结：
Agent 进化的关键不是更大的上下文，是把「人类反馈」写进版本化的技能文件里，让改进可审计可回滚。
GLM-5.3 开源权重，把智能体编码和网防的护城河砸到 0
① 发生了什么？
智谱把旗舰 GLM-5.3 权重（智能体编码 + 网络防御双 SOTA）直接放到 HuggingFace，配套技术博客一次性放出；同一时间 GLM-5.3 Flash AA 已登顶 OpenRouter 多个榜单。开源的不是小模型、不是蒸馏版、不是上一代，而是当下最强。
② 真正改变了什么？
游戏规则从「我比开源强」变成「我比开源快」。闭源厂商在参数、上下文、工具调用上必须保持领先半代以上才能收费；过去靠「开源不行」做差异化的厂商，被拉到了与开源同一条起跑线。
③ 我们以前哪里想反了？
我们以前默认「最贵的能力最后开源、便宜的先放」，错了。开源次序越来越像「按融资节奏定：先闭源挣现金流，再用开源卡位生态」。护城河不在模型本身，在数据飞轮、托管、渠道、垂直解决方案。
④ 然后会发生什么？
半年内会出现三件事：① 闭源旗舰 API 价格继续跳水（已经看到的趋势会加速）；② 大量企业把智能体编码和代码审计默认切到自部署 GLM-5.3；③ 围绕 GLM 的工具链、HuggingFace 微调、托管市场会被中国云厂商抢滩。
⑤ 我们该做什么？
企业立刻要做：① 把 GLM-5.3 加进模型路由的备选项，5 天内出 POC；② 评估当前闭源旗舰的成本占比，把 30% 流量切到开源做对照；③ 不要把所有鸡蛋放在一家 API 上，准备好降级脚本。判断标准：90 天内闭源 API 支出同比下降不低于 20%，否则你没抢到这波红利。
一句话小结：
开源不是慈善，是圈地；闭源玩家的窗口期取决于 API 与托管之间的差价还能撑几个月。
AI 评测集体失灵：benchmark 满分的产品，上线就翻车
① 发生了什么？
Gartner 2025-06 预测：到 2027 年底超 40% 的 agentic AI 项目将被取消，主因是成本失控、价值不清、治理缺位——它点名的是组织能力，不是模型。
② 真正改变了什么？
评测正从“分数竞赛”退化为“自证清白”：MIT NANDA 显示 95% 企业 AI pilot 没拿出可衡量回报，McKinsey 2026 企业 AI ROI 失败率 73%、仅 14% CFO 看到可衡量收益。
③ 我们以前哪里想反了？
我们迷信 benchmark 高分等于能落地；真相是评测集被污染——Gartner 估计数千家自称 agentic 的厂商里只有约 130 家真有自主能力，其余在做“agent washing”。
④ 然后会发生什么？
RAND 数据显示 AI 项目失败率是传统 IT 的两倍（超 80% 进不了实质生产）；以“自动化工作流 X”当 charter 的 pilot 正被 2026 Q2 预算评审砍掉。
⑤ 我们该做什么？
上线前先定义“单任务成本”与“可衡量业务 owner”；用真实流量做影子评估而非只看榜单；指标：POC 阶段就必须有成本基线与人审抽检，否则不进生产。
一句话小结：
benchmark 高分只证明它会考试，不代表它能在你的生产环境干活。
MCP 安全架构漏洞：给 Agent 接工具等于开了后门
① 发生了什么？
OX Security 2026-04 披露 Anthropic MCP SDK 存在架构性缺陷（非代码 bug），横跨 Python/TS/Java/Rust 官方实现，波及 1.5 亿+ 下载、7000+ 公网服务器、最高 20 万实例，并衍生 10 个 CVE。
② 真正改变了什么？
MCP 本意是标准化 Agent↔工具通信，但 STDIO 配置可被直接转成命令执行；外部内容（文档/API 响应）被模型当成指令，间接 prompt injection 变成真实的工具调用。
③ 我们以前哪里想反了？
我们以为接了 MCP 工具只是多了一个 API；其实等于把内网数据库、API Key、聊天记录直接暴露给了一层没有信任边界的指令通道。
④ 然后会发生什么？
CVE-2026-30615 已让 Windsurf/Cursor 零点击 RCE，Kong Konnect 的 CVE-2026-13341 让 agent 主动调起越权 API；88% 的组织已报告遭遇 agent 安全事故。Anthropic 回应称“符合预期”、拒绝修协议根因。
⑤ 我们该做什么？
把 MCP 服务器只从官方源装、跑在最小权限沙箱、把所有外部配置当不可信输入过滤；在 MCP 调用前加人审或策略网关；指标：上线前完成 STDIO 配置审计，拦截一切外部可控的 server 参数。
一句话小结：
MCP 不是多了个工具接口，而是给内网开了扇没装门禁的后门。
RAG 幻觉的锅别全甩给大模型：73% 的失败其实出在检索
① 发生了什么？
行业复盘显示约 73% 的 RAG 失败根因在 retriever 而非 generator；70–80% 企业的 RAG 仍停留在 demo、未达稳定生产；已有律所因 RAG 编造判例被罚的真实案例。
② 真正改变了什么？
幻觉不是模型「瞎编」，而是喂错了料——检索召回了无关或矛盾的文档，生成器只能基于错误上下文硬编，典型垃圾进垃圾出。
③ 我们以前哪里想反了？
我们以为「加更多文档就能更准」。反常识的是：越多越乱，跨源矛盾(cross-source contradiction)会让生成器在几个冲突答案间随机选，检索质量比数量重要十倍。
④ 然后会发生什么？
生产级 RAG 会从「堆文档」转向「检索质量工程」：重排序、查询改写、置信度门控；不达标答案直接拒答而非硬编，可观测性成为标配。
⑤ 我们该做什么？
给 RAG 加检索评估集与召回率指标；对低置信答案设门控拒答；定期清理冲突语料。指标：检索 top-k 准确率≥90%，低置信拒答率可观测，生产幻觉率<1%。
一句话小结：
RAG 出问题先查检索，别急着骂模型——73% 的锅在 retriever 头上。
AI 投资正在变成 ROI 悖论：56% CEO 说零财务收益，企业却还在加码
① 发生了什么？
PwC 调研显示 56% CEO 认为自家 AI 投入「零或负」财务收益；Writer 报告 97% 企业已部署 AI 但仅 29% 看到显著回报；Gartner 预测 2027 年前 40% agentic 项目被砍。
② 真正改变了什么？
钱花出去了，回报没来——不是模型不行，是大多数企业把 AI 当「万能贴纸」贴到旧流程上，既不重构工作流，也没设可衡量的成功标准。
③ 我们以前哪里想反了？
我们以为「先铺开再用起来」。反常识的是：没有基线的 AI 投入必然显得无效，因为省下的时间没人度量、没人回收，沉没成本反而越滚越大。
④ 然后会发生什么？
2027 年前「AI 投资回报率审计」会成为 CFO 常规动作；纯 demo 型 AI 项目被砍，能钉死 P&L 的幸存。预算从「不限量」转向「按回报拨」。
⑤ 我们该做什么？
每个 AI 项目上线前先定基线（耗时/成本/错误率）与回收口径；按季度复盘真实节省；把「可量化回报」写进立项书。指标：AI 项目 100% 有基线，6 个月内 P&L 可归因≥立项目标。
一句话小结：
AI 不是不值钱，是大多数企业没给它设「怎么算赚到了」的尺子。
欧盟 AI 法案 2026 生效：自主 Agent 不会替你背锅，罚款却是你的
① 发生了什么？
欧盟 AI 法案 Article 50 透明度义务已于 2026-08-02 生效，通用目的 AI 模型与自主 Agent 的高危规则 2027-12-02 全面适用；违规最高罚全球年营收 7% 或 3500 万欧元。
② 真正改变了什么？
法案把「自主决策」的法律责任仍钉在部署方身上——Agent 再自主，出事追责的是企业而非模型。所有 AI 生成内容必须标注，深度伪造要显式声明。
③ 我们以前哪里想反了？
我们以为「上了 AI 就先进」。反常识的是：合规成本可能把中小团队挡在门外，目前仅约 1/5 企业自认就绪；没标注的 Agent 输出在法律上直接不合规。
④ 然后会发生什么？
2027 年前会催生「AI 合规工程师」岗位与 Agent 审计赛道；部署对外 Agent 前先过合规审查，否则上线即违规，而不是上线后再补。
⑤ 我们该做什么？
给所有对外 Agent 输出加机器可读水印与来源声明；建 Agent 行为日志供审计；把「合规就绪」作为发布准入。指标：对外 AI 内容 100% 标注，审计日志留存≥180 天。
一句话小结：
Agent 越自主，责任越钉死在部署方——法律不认「是模型自己干的」。
AI Agent 不是省钱机器：单次查询 token 飙到 3–5 倍，企业 AI 支出今年涨 63%
① 发生了什么？
Gartner 指出复杂 agentic 任务单次查询 token 消耗是早期模型的 3–5 倍；Deloitte 提到「tokenmaxxing」（为显得高产而最大化算力）半年内从潮流变失控；Gartner 预计今年企业 AI 支出 +63% 达 640 亿美元。
② 真正改变了什么？
成本中心从「模型推理单价」转移到「任务编排产生的累计 token 与工具调用次数」。一个多步 Agent 跑完，账单是 N 次 LLM 调用 + M 次工具往返的总和，单价下降被次数暴涨抵消。
③ 我们以前哪里想反了？
我们以为「模型更便宜=AI 更省」。反常识的是：模型越聪明越爱把任务拆更多步、调更多工具，总 token 不降反升——效率提升被「自主度」吃掉。
④ 然后会发生什么？
CFO 开始把 AI 支出当 P&L 科目审计，预算从「不限量」转向「按调用计费+护栏」。会出现 Agent 成本可观测平台（trace 每次任务的 token/工具/钱），无成本计量的 Agent 难进生产。
⑤ 我们该做什么？
给每个 Agent 设单次任务 token/工具调用上限与熔断；用缓存+小模型处理确定性步骤，仅关键决策走大模型；把「单任务成本」纳入发布准入。指标：单任务成本 P95 设红线，超阈自动熔断并告警。
一句话小结：
模型越来越便宜，Agent 账单越来越贵——因为「自主」会自己把任务拆成无数步去烧。
Prompt Injection 已经从论文走进生产事故：微软、Salesforce、Unit 42 的真实案例
① 发生了什么？
Microsoft Copilot 被曝间接注入类风险；Salesforce 被指出 PipeLeak 式数据外泄路径；Palo Alto Unit 42 持续报告野外「间接提示注入」——恶意网页或邮件内容在 Agent 检索时被悄悄植入指令。
② 真正改变了什么？
注入不再需要攻破系统，只要在 Agent 会读取的外部内容里藏一句话。Agent 的「眼睛」（检索/浏览器/邮箱）成了新攻击面，传统防火墙和 WAF 拦不住语义层攻击。
③ 我们以前哪里想反了？
我们以为「模型足够聪明就能识别恶意指令」。反常识的是：LLM 无法区分「用户指令」与「被检索内容里的指令」，这是架构特性不是 bug，靠 prompt 加一句「别听外来的」几乎无效。
④ 然后会发生什么？
随 Agent 接入更多工具与凭证，单次注入的爆炸半径从「说错话」升级到「转错账、发错邮件、删数据」。安全评估会从「模型红队」扩展到「工具权限最小化+指令来源鉴权」。
⑤ 我们该做什么？
给 Agent 执行敏感动作设 human-in-the-loop 审批；外部检索内容默认不可执行（标记 untrusted）；按最小权限授予工具凭证，敏感操作限频+限额；把「间接注入」写进威胁建模。指标：敏感工具调用 100% 带审批，外部内容 0 直接执行权限。
一句话小结：
Prompt Injection 的残酷在于：你不需要攻破系统，只要在 Agent 会读的内容里写一句话。
AI Agent 正在被大规模回滚：Gartner 说 40% 项目将被砍，问题不在模型
① 发生了什么？
Gartner 预测到 2027 年底超 40% 的 agentic 项目会被取消；Sinch 调研 2527 家企业，74% 曾回滚或关停已上线的 AI 客服 Agent；MIT Project NANDA 称约 95% 的 GenAI 试点未产生可衡量的 P&L 影响。
② 真正改变了什么？
失败主因不是模型能力弱，而是治理缺失。Gartner 诊断：企业把「Agent 能不能做」和「该不该让它碰」混为一谈，结果要么锁死到无用，要么放权到危险。
③ 我们以前哪里想反了？
我们默认「上 Agent=降本增效」。反常识的是：Agent 上线后成本反而失控——复杂 agentic 任务单次查询 token 是旧模型的 3–5 倍，Gartner 预计企业 AI 支出今年 +63% 达 640 亿美元。
④ 然后会发生什么？
幸存者筛选出 171% ROI（Gartner：仅 11% 试点走到生产），前提是上线前就建好治理。2027 年前「分层治理」会成为标配，统一的全局策略被淘汰。
⑤ 我们该做什么？
上线前按自主度给 Agent 分级（只读/建议/审批后执行/全自主）；给每个有凭证的 Agent 配命名 owner 与可测试 kill switch；把「权限范围」与「能力」拆成两个独立决策。指标：有凭证 Agent 100% 有 kill switch 且季度演练通过。
一句话小结：
Agent 回滚潮的真正教训不是「模型不行」，而是「我们没学会在放权前先分级」。
AI 基础设施牛鞭效应：瓶颈从 GPU 沿供应链传导到存储与电力
① 发生了什么？
AI 基础设施瓶颈沿供应链依次传导：2023 年 H100 租赁超 $9/小时，随后内存企业级 SSD 单季涨 80%，到 2026 年存储短缺使西数/希捷 nearline 产能全年售罄，数据中心建设成本已超 $20b/GW，变压器交期近三年。
② 真正改变了什么？
AI 算力瓶颈不是单点，而是一条会放大的供应链波浪——前端短缺会层层传导并加剧后端稀缺。
③ 我们以前哪里想反了？
我们以为“买到 GPU 就万事大吉”；其实 GPU 之后还有内存、存储、电力、变压器，任何一环断供都会卡住整个训练。
④ 然后会发生什么？
企业会从前瞻性囤货转向“全栈容量规划”；电力与存储成为新的战略资源，云厂商定价权进一步集中。
⑤ 我们该做什么？
做 AI 基建预算时按“GPU→内存→存储→电力”全链条核算；与供应商锁长协；指标：任一环节交付周期>6 个月即启动备选方案。
一句话小结：
GPU 只是起点，内存、存储、电力才是 AI 基建的隐形天花板。
MetaRoCE：Meta 开源面向 AI 规模的 RDMA 协议，百万 GPU 免 PFC
① 发生了什么？
Meta 通过 Open Compute Project 开源 MetaRoCE，一个专为 AI 工作负载在通用以太网上打造的 RDMA 传输协议，原生支持乱序交付、多路径、无损容忍和双向拥塞控制，无需 PFC，现有 RDMA Verbs API 无需修改即可运行。
② 真正改变了什么？
AI 集群网络从“依赖专用 InfiniBand/无损以太网”转向“通用以太网 + 智能端点”，把复杂度从网络搬到了网卡。
③ 我们以前哪里想反了？
我们以为大规模 GPU 通信必须堆 InfiniBand；其实把智能放到端点、容忍丢包，通用以太网就能扛住百万 GPU。
④ 然后会发生什么？
云厂商和超算中心会基于 MetaRoCE 重构 AI 集群网络，降低对昂贵无损网络的依赖，部署更灵活。
⑤ 我们该做什么？
新建 AI 集群评估 MetaRoCE 可行性；沿用现有 Verbs 软件栈降低迁移成本；指标：同等规模下尾延迟下降≥20% 再规模铺开。
一句话小结：
百万 GPU 通信不必死磕 InfiniBand，通用以太网也能扛。
Kubernetes Gateway API 取代 ingress-nginx：Envoy/Cilium/Istio Ambient 接管生产流量
① 发生了什么？
随着 ingress-nginx 进入维护日落期，企业纷纷把生产入口流量迁到 Kubernetes Gateway API，基于 Envoy Gateway、Cilium、Istio Ambient 的实现用角色化 CRD 替换单体 ingress 控制器。
② 真正改变了什么？
入口治理从“一个 Ingress 资源搞定”变成“平台/安全/研发各管一段”的角色化路由，多租户与灰度更自然。
③ 我们以前哪里想反了？
我们以为 ingress 够用；其实它把路由、安全、流量策略揉在一起，团队越大越难协作，Gateway API 把它拆开了。
④ 然后会发生什么？
sidecarless service mesh 与 eBPF 可观测会随之普及；未迁移的 ingress-nginx 集群将陆续面临安全与维护风险。
⑤ 我们该做什么？
新集群直接用 Gateway API；按角色拆分 HTTPRoute/GRPCRoute；迁移前做流量镜像比对，错误率差异≤0.1% 再切。
一句话小结：
入口流量正在从 ingress-nginx 迁到角色化的 Gateway API。
Kubernetes 1.34 发布：DRA 与 Volume Attributes Class 进 GA，控制面更稳更快
① 发生了什么？
Kubernetes 1.34 将动态资源分配（DRA）核心、Volume Attributes Class、弹性 watch cache 初始化、List 流式编码、基于缓存的一致性读等特性推进至 GA 并默认启用。
② 真正改变了什么？
K8s 从“能调度容器”进化到“能精细调度异构设备与存储”，GPU/NPU 等加速硬件的分配第一次有了标准路径。
③ 我们以前哪里想反了？
我们一直用 Device Plugin + 自定义 Operator 凑加速卡调度；DRA GA 后，这类胶水代码可以逐步退役。
④ 然后会发生什么？
AI/ML 工作负载在 K8s 上的部署会大幅简化；控制面在大规模下列表与启动更稳，大集群可用性提升。
⑤ 我们该做什么？
新集群直接选 1.34；GPU 调度从 Device Plugin 切到 DRA；升级前核对弃用项（如节点 unschedulable 标记已移除）。
一句话小结：
1.34 把异构硬件调度做成标准能力，加速卡胶水代码可以退役了。
AlloyDB ScaNN 把向量搜索扩展到 100 亿向量，查询复杂度降到 O(N^1/4)
① 发生了什么？
Google AlloyDB 的 ScaNN 索引通过全新四层树架构，支持超过 100 亿向量规模，内部测试在百亿级下实现 p95 延迟≤51ms、召回率 95%。
② 真正改变了什么？
向量检索从“小库玩具”迈过“工业级规模”门槛，大模型记忆、语义检索可以放心放进关系型数据库。
③ 我们以前哪里想反了？
我们以为向量库必须独立部署专用引擎；其实在成熟数据库里做原生向量索引，运维和一致性反而更省心。
④ 然后会发生什么？
PostgreSQL/AlloyDB 类系统会吃掉大量向量检索场景；独立向量库的生存空间收缩到超大规模与专用算法。
⑤ 我们该做什么？
新项目优先评估数据库原生向量能力；百亿级先压测延迟与召回；指标：p95≤50ms 且召回≥95% 再弃用外部向量库。
一句话小结：
百亿向量也能塞进关系型数据库，独立向量库的护城河在收窄。
JEP 491 让虚拟线程告别 pinning：synchronized 不再阻塞载体线程
① 发生了什么？
JEP 491 在 JDK 25 落地，虚拟线程执行 synchronized 代码时不再被“钉”在载体线程上，彻底消除此前最大的 pinning 来源；运行在 JDK 21 上仍会触发旧行为。
② 真正改变了什么？
虚拟线程从“能用但要小心”变成“默认开启也安全”，Java 高并发模型正式迈过成熟度门槛。
③ 我们以前哪里想反了？
我们曾为虚拟线程把 synchronized 改成 ReentrantLock，甚至回避某些依赖；这些迁就现在大多成了噪音。
④ 然后会发生什么？
Spring Boot 等项目会把虚拟线程设为默认执行模型；老代码里的锁改造可以回退，连接池与下游限流成为新瓶颈。
⑤ 我们该做什么？
新项目直接上 JDK 25 并开启虚拟线程；用 JFR 持续监控 jdk.VirtualThreadPinned 速率；下游用 Semaphore 而非线程池限流。
一句话小结：
虚拟线程成熟了：synchronized 不再是雷，瓶颈回到连接池和下游。
技术同盟成员
更多 >活动日历
线上直播
线下沙龙
线下沙龙
线上直播
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
线下沙龙
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号
提问已提交，平台将在审核通过后自动邀请对方回答
您可前往问题详情页查看问题进展 查看详情>