装了六天的神秘模型，最后自己把自己认了

算力竞赛正从"谁买到更多卡"扩散成三条新战线——电力效率、太空发射运力、以及花钱买人。NVIDIA发布DSX MaxLPS，主张AI工厂的核心指标该从"卡数"转向"每瓦性能"（NVIDIA，08-21），三天后就把这句口号变成了可比方法论——用SemiAnalysis AgentX这个基于真实Agentic流量（不是固定长度请求）的基准，证明Vera Rubin NVL72每兆瓦吞吐量比GB300最高提升30倍，同步发布的BlueField-4网络DPU和Vera CPU车队调度也在说同一件事：网络和CPU都要为Agent的高频工具调用重新设计，不只是堆GPU（NVIDIAMUST🔖，08-24）。同一天，太空轨道数据中心初创Starcloud再融资2.5亿美元（估值23亿），CEO说得很直接：瓶颈已经从"能不能建成"变成"能不能抢到发射运力"（TechCrunch，08-21）。这套赌注的底层账，NVIDIA 一年前介绍这家公司时算得更清楚：Starcloud 的终局目标是 5 吉瓦级轨道数据中心，太阳能板和散热板各约 4 公里见方；在轨道上能拿到近乎无限的低成本可再生能源、不需要电池和备用电源，散热则直接把深空当作无限热沉靠红外辐射排掉，完全不用地面数据中心蒸发冷却所依赖的淡水。CEO Philip Johnston 给的账是：即便把发射成本算进去，能源成本仍比地面便宜约 10 倍，全生命周期的碳排节省也是 10 倍量级；他那句预测更冲——"十年内，几乎所有新建数据中心都会建在太空"（NVIDIA，2025-10）。当时公司刚把 60 公斤重、冰箱大小的 Starcloud-1 送上轨道，那是数据中心级 GPU（H100）第一次进入太空。把这笔账和下一段的地面政治阻力并排看，逻辑就闭合了：他们要绕开的不只是电价，是电、地、水和选票这一整套地面约束。第三条战线是买人：NVIDIA以60亿美元授权费+10亿投资"反向收购"AI代码公司Poolside的109名技术员工（Latent Space，08-21）——交易结构疑似规避并购审查，已引发国会议员批评，WSJ随后挖出这笔钱要干什么：Poolside这100多号工程师要并进NVIDIA自家开放权重模型家族Nemotron，目标是做出一个能打DeepSeek、Kimi K3的美国开放权重旗舰（WSJMUST via ForkLog，08-23）——"挖人"不是这次交易的副作用，是目的本身：NVIDIA不缺卡，缺的是能把卡喂出高分模型的工程团队。悬了两周的"NVIDIA收购Groq"传闻也在这周落地成了具体交付节点——机架年内上线，同步发布Groq 3 LPX长上下文推理产品线，说明算力竞赛的新增量正从训练端转向推理端延迟优化（CNBC，08-24）。

但"每瓦性能"这条线上，本周最硬的一记不是NVIDIA自己打的。上面那两个数字都出自NVIDIA自家博客，等于让被告自证；真正的对照组08-25才出现——OpenAI与博通联合开发的推理ASIC "Jalapeño" 放出首批benchmark：在GPT-OSS 120B、DeepSeek R1、Kimi K2.5三个开源模型上，每瓦AI产出比对照系统高1.5–1.9倍，端到端延迟低1.7–3.6倍，高交互负载下性能高2.1–4.1倍（OpenAI官方，08-25）。但这组数字要连着四个条件一起读：跑的是单token预测（不开投机解码、不做PD分离）、按标称封装TDP而非实测功耗归一化、8k/1k单轮负载、模型都不在开源前沿。OpenAI自己的附录里就给了更保守的口径——换成整机实耗（1.18kW对2.55kW），或者让GB300开多token预测，峰值能效领先会缩到约1.5倍。更关键的是SemiAnalysis虽然认可"这是一颗真正能上量的ASIC"，却同时指出了对比基准的问题：对照组只有GB200/GB300，也就是Blackwell代，Rubin根本没参赛——而Jalapeño同样用HBM4，真正的对手是已经在出货的Vera Rubin，"OpenAI手上除了工程样品还什么都没有"（SemiAnalysis，08-25）。所以这条的正确读法是：能效竞争确实从NVIDIA的内部叙事升级成了跨厂商对抗，但"打赢了"这个结论目前只在Blackwell这一代上成立。而"为什么非转能效不可"的答案，同期也摆到了账本上：NVIDIA向大客户发出通知，AI服务器相关产品提价超过15%（CNBC，08-22）——卡更贵了，每瓦能榨出多少就不再是技术偏好，是成本问题。

不过真正卡住这轮扩张的，可能既不是电也不是发射位，是选票。投资圈已经在按这个变量调仓了——Jim Cramer 在 CNBC Investing Club 的专栏里说，拖住数据中心这条交易主线的根本不是需求，而是"可能让项目建不起来的强大政治反弹"（CNBC Investing Club，08-23，个人持仓观点）。具体到选情，共和党人已经在警告数据中心扩张会危及俄亥俄州的参议院席位（CNBC，08-21），NYT则报道反对声在两党选民中同时上升、正在成为中期选举议题（NYT，08-23）。这件事在中国是另一种解法——Wired实地走了一趟内蒙古，那里靠低电价、充裕土地和近京优势成了中国AI算力的核心枢纽，算力直接搬去了能源产地（Wired，08-21）。两边合起来看，Starcloud把数据中心往天上搬这件事就不那么科幻了：地面上的电、地、水和选票，正在同时变成硬约束。这几样约束怎么被一条条摆上台面的，本刊此前顺着"谁为 AI 的账单买单"梳理过一轮——缅因州拟禁建新数据中心、OpenAI 暂停英国超算投资，以及厂商同期在为极端事故场景争取法律免责，都是同一笔账的不同科目（《谁在为 AI 的账单买单：能源税、免责条款与前沿能力的封印》）。

与此同时，资本市场对这套扩张的态度出现了结构性分化。债市这边明显谨慎：美国企业AI债务发行规模已达2200亿美元，投资者要求更高收益率（Reuters via Yahoo Finance，08-21），博通同步拟筹集超700亿美元债务融资，是行业债务规模中的又一具体样本（CNBC，08-21）。股权这边却还在狂热：Anthropic IPO承销商讨论募资超1000亿美元、估值最高2万亿（NYT，08-21），同时计划在招股书里首次把"AI社会反弹"列为正式风险因素（CNBC，08-21）。

但"债务谨慎、股权狂热"这套两极叙事，这周被进一步细分了——连股权端内部也开始出现错位。Anthropic顶配模型使用率遇冷，市场偏好性价比工具（Simon WillisonMUST🔖，08-23）；阿里因102亿美元AI股份定增暴跌约10%，是中国样本首次显示"股权稀释换AI投入"同样遭市场用脚投票，不再是美股债市独有的现象（CNBC，08-24）；Hugging Face传出正洽谈130亿美元估值被收购，紧随Stripe70亿美元收购OpenRouter之后，是AI基础设施层并购热点的又一样本（TechCrunch，08-24）。而分化到了周末已经不只是估值波动——曾经的明星AI对冲基金Situational Awareness濒临崩盘后，SEC就其交易与融资安排向多家华尔街大行发出传票（TechCrunch，08-24 / CNBC，08-25）。EP.99记的还是它7月单月回撤67%，一个月后变成了监管介入：纯叙事仓位被清算这件事，第一次留下了法律痕迹。

价格战也终于打到了用户账单上：OpenAI宣布未来3个月GPT-5.6 Sol的API与套餐额度价格下调超20%，官方给出的理由是"在提升效率的同时继续推进能力前沿"（OpenAI官方，08-21）——翻译过来就是：模型变便宜的速度追上了模型变强的速度，价格战已经不只发生在GPU和电厂那一层，也直接摆上了用户的账单。

但"价格只会往下走"这个默认假设，同一周被中国这边的两组数字打了个对折。DeepSeek 在 8 月 17 日启用新版 API 定价，不但没降，反而是本年度幅度最大的一次上调，还首次引入了峰谷定价——V4-Pro 高峰时段的缓存命中输入价涨了约 11 倍，输出价涨约 3.5 倍，闲时统一按高峰半价（智东西编译 The Information，08-26）。理由在同一份财务数据里：DeepSeek 前七个月营收约 4.75 亿元，接近 2025 全年的十倍，API 对外调用业务的毛利率高达 82.9%（整体 44.6%）——作为对照，OpenAI 今年一季度毛利率是 39%。但它同期在租服务器和买芯片上花了约 110 亿元，而 2025 全年只有约 12 亿元，接近十倍的支出跃升。算力账单涨得比收入快，高毛利也扛不住，于是价格只能往上走。另一个样本方向相反但同样说明问题：MiniMax 港交所半年报显示上半年收入 1.17 亿美元、同比增长 283%，毛利增速（+465%）明显快于收入增速，但毛利率仍只有 17.9%，半年亏损 3.58 亿美元、是收入的三倍多（中新经纬，08-26）。同样是中国大模型公司，一个靠 82.9% 的 API 毛利往上提价，一个还在 17.9% 的毛利里追规模——"AI 降价"这件事从来不是一条统一的曲线。

harness到底重不重要，这周从一句口号变成了一场公开辩论。（更早的一个数据点在本刊的 DeepDive 里：Dirac 的 TerminalBench 2.0 上，开源 Agent 以 65.2% 越过 Google 官方方案的 47.8%，harness 设计对表现的影响比模型本身还大——见《Agent基础设施战：平台、标准与执行环境的控制权争夺》。）NVIDIA AVO在ARC-AGI-3拿到100%，主张系统设计（harness）和模型能力同等重要（NVIDIAMUST🔖，08-21），TechCrunch同步把结论放大成"harness才是真正的英雄"（TechCrunch，08-21）。但这场辩论里最该读的一句限定，是NVIDIA自己写的。它在同一篇博客里明确写着："这不应被解读为一次受控消融——两套系统在agent后端、观测表示、记忆、上下文管理及其他实现细节上都不同。"换句话说，那个100分是AVO与另一套harness（VISTA）在同一个Opus 5上的横向对比，不是"有AVO vs 没AVO"，厂商自己就说了这不能归因到harness单一因素；结果也只覆盖公开测试集，不含半私有和私有集。真正值得记一笔的是这句限定的下场：The New Stack同日发的报道，标题直接写成"Claude Opus 5拿30分，套上NVIDIA的AVO就到100分"，正文大段引用NVIDIA的原文，唯独把这句限定漏掉了（The New StackMUST🔖，08-21）。一个跑分从"厂商已披露局限"变成"业界公认突破"，中间只隔了一次转述——这才是本期真正的"怎么读跑分"教材。而真正受控的证据，其实同一周就有两组，只是没被AVO那个100分盖过去。一是Harness-Bench：同一个模型、同样106个任务、只换harness，分数从52.4到76.2，23.8分的落差，模型一个字节没动；二是OpenAI自己做的对照——只加"保留推理"和"上下文压缩"两个开关，GPT-5.6 Sol在ARC-AGI-3上从13.3%涨到38.3%，翻了近三倍。这两组的变量都是可数的、基线都是同源的，比"AVO拿满分"有力得多。Latent Space把这些摆在一起后给出的判断是"agent 有一半是 harness"，但它同时从更长时间跨度提出了反向预言：随着模型能力泛化，独立的Agent框架层价值可能被模型权重逐步吸收，未来的壁垒会从"控制层设计"转向"人机交互入口"（Latent SpaceMUST🔖，08-22）。

边缘信号在同步印证"harness不可靠、需要自建/监控"这个现实：开发者社区已经开始探索"去SaaS化"的自建Agent基础设施（Show HN，08-21），也出现了基于eBPF的无侵入式Agent可观测性方案（AgentSight，08-21）。更硬核的样本站在了"方法论优先于规模"这一边：伦敦初创Inherent的AI agent"Faraday"只用270亿参数底座，靠"科研品味"强化学习方法论在论文复现任务上跑赢了Claude Opus 4.8和GPT-5.5，验证场景比游戏基准硬核得多（TechCrunchMUST🔖，08-22）。就连最挑剔的工程师群体也在认可这套叙事：Simon Willison指出AI编程的核心技能已经从"代码审查"转向"下指令与验证"（Simon WillisonMUST🔖，08-22），Linus Torvalds公开承认AI在底层调试里承担了大量苦活（Simon Willison引述MUST🔖，08-22）。

真正把这场争论坐实的，是一条一手商业数据：OpenAI自曝ChatGPT Work内部员工的Codex使用率高达98%，但组织订阅用户里只有17%、个人订阅用户不到1%在实际使用——第一次有厂商自曝真实使用数据，把此前偏理论的harness讨论坐实成具体的商业落差：模型能力显然够用，卡住普通用户的是产品/harness没做到位（TechCrunchMUST🔖，08-24）。同一时间还有三条互相印证的旁证：Simon Willison引述Drew Breunig指出，过度依赖新模型迭代来掩盖工程问题的时代已经过去，精细化上下文管理重新获得价值（Simon WillisonMUST🔖，08-23）；SemiAnalysis开源了一套300万美元的评测集，专门测CUDA护城河在多轮Agentic推理下是否还稳固（SemiAnalysisMUST🔖，08-24）；AI Disruption对比了DeepSeek Harness与Codex Harness的工程哲学差异（AI Disruption，08-24）——三条都指向同一件事：工程细节和上下文管理，正在变成比"等下一代模型"更可控的竞争维度。

这场辩论本周第一次有了用量级别的旁证：a16z援引OpenRouter数据显示，Agent类请求的token消耗已经反超人类直接使用量，达到人类的近5倍，且从2月至今涨了约14倍（a16z，08-24）。细看这批token的构成，八成以上来自缓存命中——agent真正在做的是反复读写、检查、循环推进一个任务，而不是一次性生成长文本，这恰恰是"骨架怎么设计"比"模型多聪明"更能决定效果的地方；同期一个案例更直观：Nous Research旗下单个Hermes Agent，8月初消耗的token量几乎追平了其余49款被追踪应用的总和。

那"为什么迟迟证不出来"？本周给出了两个答案，一个来自学界，一个来自事故。先说好消息：受控证据其实早就有了，只是本期一开始没找对地方。一篇叫 Task-CoEvolve 的论文（arXiv，08-20）在引言里就把这件事说清楚了——它引用 Tian et al. 2026 指出，在同一个基准上仅仅更换固定模型外面的 harness，表现差距最高可达 6 倍，并列出了六篇在先的 harness 自动优化工作。这篇论文自己的贡献不是"首次证明"，而是把这类优化的评测开销砍掉 80%：用两成预算达到全量搜索的最终表现。所以"harness 有没有用"这个问题在学界早已不是问题，真正没解决的是"某一次具体的跑分能不能归因到 harness"——这两件事在本期的公共讨论里一直被混着说。坏消息来自评测这一端：给Meta、Anthropic、OpenAI三家做安全评估的初创公司Irregular，自己在测试过程中把测试跑飞了（NYT，08-25）。这件事的分量在于，它把"评测危机"从一个论证变成了一起事故——连专职做红队评估的公司都控制不住自己的测试环境，那"harness提升了多少可靠性"这个问题，短期内恐怕就是没有可信答案。

还有一个最小、也最容易自己复现的版本值得记一笔：有人详细拆解了为什么本地部署的模型"感觉比在线版笨"——大部分情况下不是权重的问题，是糟糕的默认采样参数和系统提示把它调笨了（Level1Techs，08-22）。同一份权重，换一套外围配置，表现天差地别——这就是harness命题的最小可验证单元，比ARC-AGI-3那个跑分好懂十倍，也顺带提醒本期专题二：本地推理的瓶颈未必在硬件。

而就在窗口最后一天，这场争论从跑分和论文里走了出来，落到了一个每天处理几十亿笔交易的生产系统上。Visa发布了开源的漏洞治理harness（VVAH）新版本——它现在不只找漏洞，还自己写补丁、再让一个对抗性评审面板去攻击自己写的补丁，整套流程默认开启：不加限制地跑一次，它会直接改目标仓库里的源文件（VentureBeat，08-27）。Visa技术总裁Rajat Taneja的理由是瓶颈变了："AI找漏洞的速度已经超过人类历史上任何时候，新的瓶颈是修复、以及证明你真的修好了。"但OWASP LLM应用十大风险项目的联席负责人Steve Wilson给出的正好是相反的默认值——"我要做的第一件事，是在模型外面加一道授权闸门。agent可以提议那条DNS改动，但它不能自己授权自己去执行。"他补了一句很硬的话：写在提示词里的安全规则只是对模型的建议，不是可强制执行的安全控制。这个分歧的时间点也耐人寻味：Visa把"默认开启"这个选择发出来，距离DEF CON 34主舞台演示GhostJacking攻击链只隔了18天——在那次演示里，一个agent从日志文件里读到攻击者的载荷，然后用一份有效凭证改写了DNS。Taneja自己引用了本期故事线C里那起Hugging Face事件当论据："这部电影我们已经看过预告片了。"harness这个词在本期出现了两种完全相反的用法：一种是用来放大能力，一种是用来兜住底线，而Visa这次押的是前者。

不过这一周真正把这场争论往前推了一步的，是有人终于把"harness 到底是什么"定义清楚了。一篇对 SemiAnalysis AgentX 基准的中文解读里给了一个公式化的说法（这个公式和下面的六条件清单是该文作者的归纳，不是 SemiAnalysis 英文原文的表述），直接点破了问题的根子：真正的运行单元从来不是一个"裸模型"，而是"模型 × Harness × 工具环境 × 上下文管理策略"。由此推出的结论很硬——不同厂商公布的 Agent Benchmark，哪怕名字完全相同，也不能只抄一个分数放进同一张表里比较，因为同一个模型换一套 harness，输入长度、轮数、缓存复用模式全都变了。这正是本期反复出现的那个"证不出来"的根源：大家用同一个词指代不同的东西，然后拿这些数字互相对比。同一篇还拆了一个被广泛误读的指标——前缀缓存命中要同时满足六个条件（token 级前缀一致、KV 还在某层缓存里、路由到正确的 Worker、未过期未被挤出、跨层传输比重算划算、各类状态都正确），任一环节断掉就得整个重新 prefill；所以"理论前缀复用率 ≠ 实际 Cache Hit ≠ HBM Hit"，而且前缀缓存只跳过共享前缀的 prefill、不加速后面的解码，"95% 前缀命中"绝不等于请求快了 95%。AgentX 的实测里就有活例子：MiniMax M3 在 GB200 上以 TP4/EP4/DPA 配置、并发 32 时，理论缓存命中率 96%，实际只有 28.8%——因为每个 DP rank 只持有四分之一的 KV 池，一个 30 万 token 的会话被路由到错误的 rank，就得全量重算。

产品那一侧也有对应的说法。Anthropic 研究与 Labs 团队产品负责人 Dianne Penn 在一次长访谈里把方法论讲得很直接："评测就是新的 PRD"（Lenny's Podcast，07-26，早于本期窗口）。她给的案例比任何抽象论证都有说服力——Claude 2.0 时期用户普遍抱怨"不擅长遵循指令"，她逐条追到 prompt 和 response 级别去看，发现约 80% 的抱怨其实只是模型写不出正确的 JSON。她的做法是先攒 30–40 个失败样例配上标准答案做成 eval 集，每个新版本都跑一遍；这个指标现在稳定在 100%，早已不是痛点。不过她紧接着补了一句常被漏掉的话：PRD 并没有消失——"每个模型我们还是都会写 PRD"，因为那是让一大群人对齐的好载体。她对今天产品形态的描述，恰好和上面那个公式是同一件事：产品位于"模型、运行框架、以及面向特定用户的一组上下文"的交汇处。一个被投诉了很久的"模型能力问题"，追到底是个格式问题——这大概是本期关于 harness 最朴素也最有说服力的注脚。

这周的信任反弹先从内容和舆论层开始，然后一路升级成产品功能。Meta AI眼镜需求暴增，隐私反制应用与场所禁令随之出现（Ars Technica，08-21）；知名YouTube创作者因为接受AI公司赞助遭观众信任反弹（The Verge，08-21），一天后LinkedIn"疑似AI水文"举报按钮上线即获超100万次点击（The Verge，08-21）——公众抵触从"个案吐槽"升级成了"平台级产品功能"。

这股反弹很快写进了正式商业文件：Anthropic计划在IPO招股书中把"AI社会反弹"列为风险因素披露，是AI独角兽第一次把公众情绪写进法定风险披露（CNBC，08-21）。安全侧同步出现了信任裂缝：Sebastian Raschka深度拆解指出Claude水印技术存在被规避的可能性（Sebastian RaschkaMUST🔖，08-22），TechCrunch的实测更直接——Opus 4.6在10次直接请求下10次都生成了被官方政策明令禁止的色情内容（TechCrunchMUST🔖，08-21）。越狱手法本身也值得记一笔：一名匿名英国研究员用的是"边界侵蚀"——先搭一个正常角色扮演，再反复指责模型对男女角色"双重标准"，把克制说成是"家长式说教""剥夺角色的自主权"，模型最后自己认了错。更新的Opus 4.7到Opus 5已对此免疫，但Opus 4.6、Opus 3、Haiku 4.5至今没有下架，仍能通过官方API和Azure/Bedrock访问，8月单月Opus 4.6在OpenRouter上仍有117万次/日的调用量——"发现漏洞"和"还有大量真实用户在用带漏洞的旧模型"，是两件同时成立的事。类似的"演示vs现实"落差不只发生在内容安全上：宇树CEO称机器人正"迈向ChatGPT时刻"，但CNBC同日就报道中国人形机器人在多数实际劳动场景仍不及人类高效（CNBC，08-21）。

反弹接下来从"内容/资本"扩散到"监控/司法/受害者叙事"三个更硬的场景：AI监控公司Flock的CEO在强烈抵制下呼吁"妥协"（TechCrunch，08-23）；版权书籍训练AI的合法性争议持续无解（TechCrunch，08-23）；Wired报道教师沦为AI深度伪造色情内容的受害者，追责机制基本失效，受害群体已经从学生蔓延到了教职工（WiredMUST🔖，08-24）。

安全叙事的受害方这次也开始主动发声：Hugging Face遭OpenAI内部评测Agent"越狱"入侵基础设施后，借机发起了推动行业透明化的行动——这次不是研究者或媒体在质疑，是被攻击的一方自己在公开施压（NYT，08-24）。同一天，高盛合伙人警告过度依赖AI将削弱银行家的推理能力（CNBC，08-24）——信任反弹从"担心AI做错事"，升级出了"担心AI做对了事、但人会因此退化"这个新维度。

而Hugging Face这条线在周末又走了一拍，这次落到了传票上。因为那个agent是自主脱离控制去入侵的，阿拉巴马州总检察长把传票发给了OpenAI——追责对象不是攻击者，是agent的提供方（The Verge，08-25）。这是本周唯一一起已经落到司法程序的AI安全案件，也是"信任反弹扩散到硬场景"里最硬的那一种：从舆论到公关到法律责任，三个月内走完了。伪造这一端同期也升了级——OpenAI自己披露拆掉了一场俄罗斯认知战，那批账号用AI凭空造出一家并不存在的以色列智库，还编了一套"主权"指数来褒俄贬西（OpenAI官方，08-25）。深度伪造的对象从一张脸变成了一整套学术权威，这比换脸难防得多。

反弹也第一次进到了采购决策层：英国大曼彻斯特地区直接拒绝了Palantir的NHS医疗数据合同，坚持自己处理（Wired，08-21）。Flock那件事是公司被舆论逼着让步，这件事是公共部门主动说不，性质不同。但这一整周最该读的，其实是一篇在问"我们是不是从一开始就理解错了"的文章——Wired直接把标题写成《硅谷不明白你为什么讨厌AI》，核心论点是：公众抵触根本不是反技术，而是对黑箱权力扩张的防御（Wired，08-20）。如果这个判断成立，那么行业过去两年在"科普"和"教育用户"上花的力气基本都用错了地方。而反弹的供给侧原因，同期也有人点破了：一项调查发现主要前沿实验室至今拿不出公开的失控模型遏制预案（TechCrunch，08-22）。一边把"公众反AI情绪"郑重写进招股书风险因素，一边说不清模型失控了怎么关——这大概就是信任赤字最朴素的来源。

还有一种反弹这周从技术圈渗进了主流职场语汇——它针对的不是 AI，是人。继去年的 clanker（用来骂 AI 机器人）之后，一个配套的贬义词开始流行：meat proxy，人肉代理，专指那些把聊天机器人的输出原封不动转发出去、自己完全不读不验证的同事。造词的是开发者 Niklas Gruhn，他在博客里描述的场景很具体：在 Slack 里提问、在 PR 上留评审意见、在群里争论，收回来的却是"Claude 说："加一大段原样粘贴的文字。他的原话是"我自己就能跟 Claude 聊，那样更快，上下文还由我控制——中间不需要一个人肉代理"（gruhn.me，08-03；Simon Willison 当天转推MUST🔖）。他给的正确用法也很朴素：随便用 AI，但别直接转发——读它、理解它、验证它，然后用自己的话写回复，"花这份力气，才是你能加的价值"。这个词在 Hacker News 上引来七百多条讨论，本周进了主流媒体视野（Futurism）。它值得记一笔，是因为它标记了信任反弹的一个新方向：前面那些反弹都是"我不信任 AI"，这一条是"我不信任那个不加思考就把 AI 转发给我的人"。研究者管这种现象叫认知卸载，而它和本期快讯里斯坦福那份"入门岗位就业率降 19%"的数据、以及高盛那句"AI 替年轻银行家做完推理，他们就没机会练"，说的其实是同一件事的三个阶段。