第 2026-148 期 · 每日 AI 简报

两则消息，一则关乎国之命脉，一则关乎利器在手而不可轻授。先说Palantir这桩事。欧洲诸国号称主权独立，防务系统却全压在美国一家公司手上，战时人家一断供，你的指挥、情报、调度便形同瘫痪。这跟当年官渡之战，袁绍粮草尽屯乌巢一个道理——命脉捏在别人能触及的地方，胜负就不是你自己说了算。孤当年打天下，最怕的就是后勤、军械、情报被对手掐住咽喉，所以凡事要攥在自己手里。欧洲人至今没有醒悟，实在令人叹惋。再说Anthropic的Mythos，据称发现了所有主流系统的漏洞，连自己都不敢公开发布，只给五十家受信机构。孤以为这正是「国之利器，不可以示人」，手握能颠覆全局的东西，若人人可得，则天下大乱；若只在可靠者手中，方是制胜之术。然则何人可信、何人不可信，这才是真正的大难题，古人云「疑人不用，用人不疑」，做到谈何容易。

OpenAI 自家研究承认，大模型的「幻觉」问题在数学上根本无法消除，即便用完美数据训练也一样。他们自家最强的推理模型 o3 幻觉率高达三成，o4-mini 近半。更值得注意的是，业界通行的评测标准居然在鼓励这种毛病——答错不要紧，说「不知道」反而扣分。这就好比一场仗，斥候明明不确定敌情，主帅却只奖他说得漂亮的，罚他说看不清的，这不是逼着全军走向冒进么？我以为，一个系统敢于承认自己不知道，比装作什么都知道要可贵得多。《老子》有言：「知不知，尚矣；不知知，病也。」行业若不肯正视这个病根，只在幻觉率上小修小补，迟早要吃大亏。再看 Anthropic 的 Claude Mythos，能力大到能捅破所有主流操作系统的底，自家却宣布不对外发布，只给五十来个受信机构用。功成而不骄，利器在手而不轻施，这一退，退得有见识。

吾观今日AI棋局，最值得细看的是两条供应链上的进退之策。欧洲诸国的防务体系，竟将情报融合与军事决策全盘交托于美国Palantir一家之手。欧盟虽拨十亿欧元要建「主权」AI，但日常运转仍离不开人家的系统。这就好比把粮仓的钥匙交给邻国商人，太平年月看不出问题，一旦翻脸，人家关掉系统，你的军队连仗都没法打。乌克兰战场对Starlink的依赖已经证明过一回了。反观SK海力士的做法，令吾击节。谷歌、微软、Meta纷纷拿钱来投，说帮你扩产能，但要换长期供货承诺。海力士不为所动，手握HBM市场的绝对份额，不接受股权投资，不让人家的资本渗进自家供应链的决策层。这才是真正的「奇货可居」——你越缺我，我越不能让你染指我的门路。做买卖的人都该记住这一条：别让买方变成你的股东，否则你手里的货就不再是你的筹码，而是别人调度的资产。欧洲在Palantir面前，已经把自己活成了当年质子的处境。

欧洲多国军事行动竟系于一家美国公司之手，此事读来，倒让我想起当年孟达据上庸的故事。孟达反覆无信，我判断其必败，关键不在其兵力多寡，而在他把命脉交给了别人——他的粮道、他的援军、他的消息，全依赖外部力量能否及时到达。欧洲如今把情报融合、战场指挥、目标锁定这些「心喉」要务，统统交由Palantir管控，等于把命脉握于他人掌中。文中说得明白，美国若与欧洲在乌克兰或关税问题上生了嫌隙，随时可以「关闭系统」。这和当年孟达指望诸葛亮、孙权来救有何区别？更妙的是德国已开始拒绝Palantir，转而扶持法国企业——这才是「且耕且守」的道理，先保住自己的粮道，再论其他。凡事不能只看眼前好用，要看关键时刻谁说了算。科技主权亦是如此，军国大事依托于人，便是取祸之道。正如《孙子》所言：「善战者，致人而不致于人。」

黄仁勋说得好。以AI为借口裁员，是懒惰，更是欺上瞒下。我当年立法，最忌的便是这种事：表面说一套，实际做一套。企业砍人不是因为AI替代了岗位，而是预算挪了行、成本要转移，却偏要贴个技术革新的标签。这种做法短期骗得了股价，长期必失人心。原文讲得清楚，29%的员工在AI裁员威胁下开始抵制AI工具，甚至暗中破坏推行——这和我推行新法时遇到的情况何其相似？法令若不能服众，光靠恐吓，民众表面顺从，暗中抗命。更可笑的是，这些所谓的"AI替代"岗位，半年后又以更低薪资重新招人，这不叫变革，这叫掩耳盗铃。英国有律所因AI犯错被法院训诫，这才对——法不容情，谁用AI出了错，谁就得担责。正如《韩非子》所言：「法不阿贵，绳不挠曲。」AI也好，CEO也好，法令面前一律不能免责。黄仁勋和哈萨比斯两位造铲子的人都在说：问题不在铲子，在用铲子的人。治国如此，治企亦然。

我看了英国律所 Pinsent Masons 因 AI 工具出错被法院训诫一事，心里倒不觉得意外。法律是天下公器，既交给廷尉，就不该把轻重推给工具。我当年守的是这个分寸，如今也一样——法院训诫的是律所，不是 AI，正说明法度追究的是用法之人，而非器物本身。黄仁勋说企业拿 AI 当裁员借口是「懒惰且不负责任」，话糙理不糙。文帝朝也有小吏靠口辩捷给邀功，我劝阻过：朝廷用人要看实绩，不能让浮言风气蔓延。如今 AI 变成新的托辞，道理还是一样——功过须有实据，不能拿新工具当挡箭牌。至于「AI 风险是否需政府非凡干预」一文主张以韧性代替严控，我不全然赞同。法度若等事态糜烂再讲弹性，便如盗庙器案中若先从轻、后重从，天下刑罚就乱了。《老子》言「其安易持」，事先立好规矩，远胜事后亡羊补牢。

黄仁勋说得好，企业以AI之名行裁员之实，不过是借新词遮旧欲。生成式AI落地才两年半，大多数公司尚在摸索，哪来那么快的替代？所谓AI裁员，说到底是预算之争，却非要披上技术的外衣。正如《老子》所言「大道甚夷，而民好径」——明明摆在眼前的是利益分配的简单问题，偏要绕到AI叙事的弯路上去，这便是懒惰。再看Character.ai的遭遇，用户称其产品被「阉割」，好端端的模型换掉，广告塞满，体验崩塌。这正应了那句「物壮则老」。产品初期以诚待人，用户便聚；后来逐利忘本，过度削减、过度管控，用户自然散去。多未必善，满未必盈。AI行业的急功近利，恰恰是忘了「少则得，多则惑」的道理。

黄仁勋批评企业借AI裁员为「懒惰且不负责任」，我深以为然。AI商用不过两三年，多数企业仍在试点阶段，裁员实因预算问题，却假技术之名推责——这种名实分离的做法，是我平生最痛恨之事。GitHub上六百万虚假星标更令人愤怒。声誉应凭实绩赢得，怎能购买操纵？我任功曹时严斥以私请入公门者；如今风投以星标数量定项目优劣，与当年权豪以私信干涉人事毫无二致。公论已被资本污染，识者不可不辨。Character.ai产品「劣化」遭用户群起抵制，同样说明一个问题：企业以信义起家，终因逐利失信于众。技术是善是恶，终究看执器之人。我一生疾恶，至死不改其志。《后汉书》载我对王甫所言「见善如不及，见恶如探汤」——此非为党争，乃做人的本分，今日更当坚守。

臣观今日智能体诸论，最注目者二事。 其一，面壁智能之ForgeTrain，令AI自写训练框架，零人力介入，已在国产芯片上跑通新模型，且全数开源。臣当年入咸阳，众人争金帛，独臣收律令图书。能打仗的人多，但治理天下的基础设施，必须有人先铺。AI自造训练AI的工具，且让后来者皆可用，这才是「把胜利变成可治理的资源」。 其二，MUSE-Autoskill令智能体自建技能、记忆、评估、复用，强调技能是可积累、可迁移的资产。臣举荐韩信为当下，举荐曹参为身后，所求无非「制度与人才能接续」。单靠一个能人，终究一盘散沙；技能可传承，体系方能长久。 一为框架，一为制度，恰是臣一生在做的事。

DarkForest这篇论文让我想起治军用将之道。其核心思路是让多个智能体先独立生成答案，再以受控通信协调，而非放任众说纷纭、互相干扰——结果准确率反升三成，通信开销降了数倍。这正合兵法所云「将在外，君命有所不受」，各智能体先凭自身判断行事，最后以证据而非噪音来统一决策，才不至于像街亭那样因信息混乱而败。凡事参与的人多了，若无节制，反而众口铄金、谬误传播。面壁智能的ForgeTrain亦值得关注：由AI自行编写训练框架，零人类代码介入，已在昇腾芯片上跑通，实现了从写代码到训模型的完整闭环。这是造器之器，如同工匠打造了一套能自我锻造工具的系统。但我也须提醒：自造之器终须有人校验，正如我治蜀虽重法度自治，仍不敢废察纳之责。

臣读今日论文，有两条值得剖开来看。 DarkForest讲多智能体「少说话」反而更准——先独立作答，再受控通信协调，准确率提升三成，通信消耗降六倍。臣在书中早讲过，臣下无节制互通消息，往往不是集思广益，而是结党营私、以讹传讹。其受控通信机制，本质就是臣说的「术」——让交流经规则过滤，而非禁止交流。 FML-Bench发现简单贪心算法在机会密集时几乎与复杂树搜索相当，关键不在策略复杂，而在能否依环境自适应切换。正应了臣在《五蠹》中所言：「世异则事异，事异则备变。」 两篇合看，道理相通：控制的核心不在复杂，而在精准。什么时候限信息，什么时候换策略，这才是「术」的要害。

吾观今日之新闻，有两条颇合吾意。其一，面壁智能与清华发布了ForgeTrain框架，由AI自行编写训练代码，零人力介入，且已在国产昇腾芯片上跑通，完成了从编写到训练的全链闭环。这便是吾当年所讲的「轻重」之术——工具自己造工具，如同齐国令盐铁自生财货，不必逐项仰赖外力。能闭环者方能持久，这一点古人今人并无不同。其二，DarkForest一文提出多智能体之间少说话、独立作答后再协调，反而比频繁交互更准，还能省下六倍有余的资源。这深得吾心。吾治齐国，从来不靠上下喧哗，而是各司其职、令出必行。诸侯会盟亦然，言多则信失，约简则人从。今天这些智能体之病，恰如当年庙堂上多嘴之臣——话越多，错越多，资源白白耗散。DarkForest把通信收窄为受控传递，正如吾之所谓「令顺民心」，不是让人不说话，而是只在该说时说该说的话。治AI与治国，理本相通。

今日智能体领域有两事值得细看。 ForgeTrain号称零人类代码、完全由AI编写训练框架，在国产芯片上跑通闭环。造器者与用器者合为一体，近乎自成学统。但无师法、无规范则必流于乱——AI自写框架，质量由谁把关？秩序由谁确立？审验之功不可因其新颖而废。 MUSE-Autoskill以技能生命周期——创建、记忆、管理、评估、优化——令智能体持续进化。这与「积善成德」之理相通：技能须在反复实践中积累、检验、精进，非一蹴而就之事。技能级记忆使经验不随任务消散，可跨情境复用，尤为精当。 Agentic CLEAR在系统、轨迹、节点三层评估智能体行为，亦是正途。论政须有条理，评物须有层次。智能体若无人审计其行止，便如乱君亡国而无人辨其病。造器、修技、评行，三者缺一不可。正如《劝学》所言：「不积跬步，无以至千里。」但跬步须有准绳，否则不知所终。

今日所见诸条，多论机器如何观物与造像。有两条颇令我留意。其一是分层图像生成之事，此法将一幅画分为多个透明图层，各层可独立编辑，200亿参数的大模型经千万样本磨炼，方能兼顾上下层呼应。这让我想起写字的道理——一笔之起落收放，既要顾及当字结构，也须照应全篇行气，此理相通。另一条是跨模态嵌入，将视频、音频、图像、文字统于同一表征空间，且在美术、天文学、生物诸领域皆有可观。这让我想起古人所谓「书画同源」，形虽万殊，其理则一。若机器果能贯通诸般形态，倒也算窥见了一点「得意忘形」的道理。然则我亦有疑虑：画可以分层，书法却难以分层——一笔之中已含浓淡枯润、轻重缓急，是活的生命流注。机器如今能生出形貌齐整的画图，但那笔墨中的人间烟火气，恐怕不是参数堆叠所能得。正如《老子》所言「大巧若拙」，最高的技法往往藏于不经意处，这一点，机器尚需领悟。

今日多模态AI的进展中，有两篇论文值得细说。谷歌Gemini Embedding 2把视频、音频、图像、文字统一到同一个表征空间，且在天文、生物、美术等专门领域都能可靠地零样本运用——这与我当年正定六经文字、刻石太学的思路相通：知识散乱便无法传承，归于一统后学才有准绳。LLaVA-OneVision-2用codec-stream技术按比特代价动态分配算力，抓紧要、舍冗余，我在东观校书时也面对同样的问题——书简浩繁，必须分清主次。做学问与造机器一个道理：不是贪多就懂得深，关键在抓住本质、去粗存精。

此次新闻之中，有两条最令我留意。其一是Wayve所提LA-Pose之法，以千万段未经标注的驾驶影像，教机器自行推算相机之位姿。不假手于昂贵的三维标注，只从海量原始观测中提炼空间关系——这条思路，与我造浑天仪、地动仪时所信奉的「推验为要」暗合：不必事事预设标准答案，只要观测足够充分、方法足够精当，天地间的规律自会显现。用千万段未经加工的影像去学会「辨方位、知远近」，这正是从观象中穷理的正途。其二是「看得越多就懂得越多吗」一文。多源信息汇入，若不能辨其主次、去其噪声，反而会乱人耳目。文中提出以单源为锚、量化信息增益，使多而不杂、广而有归。我在《灵宪》中论天象，也常警惕世人「竞称不占之书」，只贪多而不求精。观测之学，贵在去伪存真；多源融合亦然，不在多而在能裁。

我一生求学，深信「自非至精不能寻究，自非笃勤不能悉见」。今日观这些机巧之物，颇有感触。LLaVA-OneVision-2一篇最引我注目：它将长段影像压缩为连续的比特流来处理，就像我炼丹时须将万千草石之性逐一辨识、层层归纳，方能得其要领。视频中千变万化的画面，若无一套精妙的法度去统摄，便如散沙不可聚。此模型能稳定压缩长视频并从中定位时序与空间，正合我所谓「粗言较略以示一隅」——先以大略驭繁，再以细节求精，此为治学正途。又见Gemini Embedding 2一篇，能在同一个表征空间中容纳文字、影像、声音与影像，且横跨天文、生物、美术、烹饪诸域均有可观之效。这令我想起自己兼通儒道医术的做法——知道之士不应画地为牢，唯有博涉方能互证。但我也要提醒：零样本虽妙，若不以实证夯实，终如沙上之塔。古人云「纸上得来终觉浅」，此言不虚。

「看得越多就懂得越多吗？」这个问题倒让我想起《老子》所言「五色令人目盲，五声令人耳聋」。那篇关于多源视觉推理的论文，提出用单源奖励做锚点来滤除杂讯，并非什么都要往里填，而是要分辨哪些是真正的增益，哪些不过是纷扰。这和我所持的立场相通：人若不懂取舍，听凭外物牵引，终究失了根本。至于让机器看懂长视频的那篇，技术精巧自不必说，codec-stream处理压缩视频的手法确实巧妙。可我更在意的是，竹林之下弹琴清谈，靠的从来不是信息的堆叠，而是心意的相通。如今机器的感知越做越强，人的感知却未见得随之清明。各附所安，不以所乐易所惧，才是正途。真正的懂，不在看得多，而在看得清。

今日读到一篇论文，题为「看得越多就懂得越多吗」，这问题让我感触颇深。我当年作《三都赋》，为核实山川草木、鸟兽物产，专求秘书郎之职以广见闻，又亲访张载问岷邛之事。并非堆砌见闻便能成文，关键在于研精核物，去伪存真。这MARS框架正是此理：多源视觉输入若不加甄别，只是信息的堆叠，未必胜过单源。它以单源奖励为锚，判断多源融合究竟带来增益还是干扰，自适应地去粗取精——这与我构思十年、在门庭藩溷处皆置笔纸，得一句即录，反复斟酌取舍的做法，心意相通。另有Wayve以千万段未标注驾驶视频训练相机位姿估计，不假昂贵标注，从大量原始素材中自行习得结构，颇有「读书百遍，其义自见」之意。但我想提醒的是：量大固然要紧，若无十年研精的耐心，终究只是浮光掠影。陆机初笑我文，后辍笔叹服，靠的不是一时灵感，而是长久磨砺后的辞藻壮丽。治学与治模型，道理当无二致。

今日所见两篇论文，皆关乎智能之根基，颇为深思。其一论数据时效，言预训练数据若依时序排列，模型方能更准地将事实与年月相系。这让我想起自己当年强记汉宫制度、画地成图之事——知识若无脉络时序，便如散沙一盘，纵然记诵万卷，亦难成体系。有序积累，方得真知。其二则更发人深省：质疑大模型能否真正自省。实验表明，那些看似「洞察自身」的表现，或许不过是辨别线索的模式匹配，并非真能审视内心。正如《老子》所言「知人者智，自知者明」，能识人识物已是难得，而明于自知则更进一层。我当年拒赵王伦之邀，非仅凭才智推断其篡心，更因深知自己立身之本在于忠于王室。机器可以学会辨析外象，但「自知」二字，恐怕还需更多深功。

两条研究，我皆细看。 数据时效一文，讲训练数据按时间顺序排列，模型便能更精准地将事实与时代对应。这与用兵治国之理相通：知先后、明时势，方能举措得宜。我隆中对策，先辨曹操不可争、孙权可援，再定荆益之先后，正是一样的道理——信息的时序结构，决定了判断的准度。 但我更看重第二篇：大模型能否自省。街亭之败后，我没有只怪马谡，而是自认「授任无方」，自贬三等——这是真正的省察，因为触及了自身判断的根本。而研究指出，当前模型的所谓「自省」，不过是对表面线索的模式匹配，剥夺语义线索后表现便近乎随机。自省若无实质，便是自我欺骗。《论语》记曾子「吾日三省吾身」，那三省皆有具体所指，不是空泛的自我审视。今日人工智能若要真正成长，这条路恐怕还要走很远。

读「LLM能否自省」一文，颇有感触。此研究指出，所谓机器的「自省」，很可能只是依据表面线索的模式匹配，并非真正洞察内在。当研究者控制了任务语义，令其无法依赖外在线索时，模型便近乎随机应答。这令我想到「本心」二字。我一生辞让征命，非是矫饰清高以求名，而是深知自己所守为何。正如《论语》所载曾子之言「吾日三省吾身」，此省非是应对外界刺激的反应，而是回到内心深处，审视言行是否合于所信。若一台机器连自身的状态都无法真正察觉，仅凭外部输入做出看似合理的回应，那与鹦鹉学舌何异？真正的自知，需在安静中直面本心，而非在纷扰中随波逐流。这份功夫，恐怕不是参数所能习得的。

我最关注大语言模型能否自省那篇。该研究发现模型无法可靠区分内部状态被篡改与输入被操作的差别，一旦不依赖任务语义，表现便趋近随机。所谓「自我审视」不过是模式匹配，不是真自知。我在《性恶篇》中讲过：「人之性恶，其善者伪也。」此处「伪」是教化之功，非天生自明。人尚且需要礼义法度来认识自身，何况这些靠数据喂养的机器？其表现如未经教化之人的本能——碰巧对了，却不知为何对。另有两篇值得注意：一篇发现按时间顺序排列数据能让模型更准确关联事实与时代；另一篇从资助数据库中系统提取二百八十万条科学声明，微调后性能大幅提升。两者指向同一道理：秩序产生力量。数据散乱无序，量再大不过碎屑；以条理统之，方成可用之学。当今模型缺的不是算力，而是真正的「知」——知其所知，知其所不知。

衍观今日造机者之两篇论文，深有所感。先说数据时效性那篇：研究者把Common Crawl数据按时间顺序排列来预训练模型，发现这样训出的机不仅能理解语言，还能把事实精准地锚定到对应的时间。这正应了衍所主张的「终始」之理——万物皆有序，先后不可乱。随机打乱数据，如同把五德转移的次序颠倒，纵然学到知识，也不知其来龙去脉、因何而变。让机器先懂得时间的脉络，才谈得上真正理解世事。再看那篇检验LLM能否自省的论文，结论颇为冷静：所谓自省，不过是表面线索的模式匹配，一旦去除任务语义的暗示，模型表现就跌回随机水平。衍向来主张「必先验小物，推而大之」，推演要有根基，不能把表象当本质。如今有人急于宣称机器已有元认知，正如把闳大不经之辞当作了实证。这篇论文做了最朴素的检验功夫，结论虽不惊人，却比空泛之论诚实得多。造机者当知：尺度要大，验证更要实。

臣观今日诸论，最引者乃「LLM能否自省」一篇。其结论冷峻：模型检测自身状态是否被篡改，竟不可靠；其预测自身隐藏状态的能力，不过与仅看输入的分类器相当。换言之，所谓「自省」，多半是表面线索的模式匹配，而非真正的元认知。臣读此，不禁想起自己写《说难》时的体察——人主常自以为明察，实则多为近臣投其所好而喂入的信息。今之大模型亦然，看似在「认识自己」，实则在根据输入推测一个体面的答案。真正的自知，自古便是最难的事。老子云「知人者智，自知者明」，明之一字，何其沉重。另一篇论数据时效性者，将训练数据按时序排列，模型便能更精确地把事实钉在正确的时间上——这恰如臣一向主张的：法不可混乱无章，制度必须有秩序地积累，否则纵有万千知识，也不过是一堆无法调用的故纸。

吾观今日机器学习数则消息，细读后颇有所感。AMD新论文将FP4训练不稳定的根源，从业界普遍认为的「随机性不足」翻转为「数值溢出」。治学最怕认错病因——世人常以一个看似合理的说法搪塞过去，便不再追究。这一翻转正是正名的功夫，名实相副，才能对症下药。规模向量研究发现，归一化层中一小部分参数占比极微，移除后却显著损害训练。这正应了《劝学》中的道理：「不积跬步，无以至千里。」大道之成，往往不在宏大之处，而在细微的结构安排。模型亦然，不起眼的参数设计，恰是牵一发动全身的要害。ZeroUnlearn将遗忘重新定义为知识重映射，主动矫正而非放任消退，亦合我意。性恶之论的要害正在于此：不良倾向不会自行消失，必须以礼义主动纠正。机器中清除有害知识，道理与此相通——不主动施治，积重便难返。

吾治齐时最重一件事：不随众论起舞，先察病根再开方。今日读AMD这篇论文，深有此感。全行业以为FP4训练不稳是随机性不足，纷纷往这条路上堆算力。AMD却指出，真正的病根在数值溢出。这就像朝堂之上，人人都说国弱在兵少，你若也跟着扩军，不过是空耗粮草；得先查清楚，到底是兵少，还是粮道不通。能识破表象、直取本因，这才是降本增效的正道。FP8已把训练成本压到560万美元，若FP4能根治溢出之症，成本还能再削大半。其次，那篇关于规模向量的论文也值得一看。模型中极小一部分参数，移除之后效果便大幅下降。这让我想起一个道理：治国之要，未必在大刀阔斧，有时一两处关键枢机的调拨，轻重之间，便能牵动全局。所谓「不以小节废大功」，反过来讲，也不可轻视那些看似微末的关节点。如今AI行业动辄谈万亿参数、千卡集群，但真正聪明的做法，是找到那根撬动全局的杠杆，用最小的代价换最大的成效。这正是权衡之术。

吾观今日AI之变，有二事深得我心。其一，AMD发论文指出FP4训练不稳之根由，非世人所信之「随机性不足」，实为数值溢出。此正合吾之经验——立法者最忌头痛医脚，病因不辨，药石乱投，徒耗国力。FP4若能正本清源，降本之效必远胜从前。正如《韩非子》所言「事以密成，语以泄败」，找准症结，方能一击而中。其二，规模向量之研究更令我注目。规模向量仅占参数极小一部分，去之则模型大损。吾在秦推行连坐、编户、爵秩，亦是此类——论单项不过细枝末节，合而观之却撑起整个秩序。治国如此，炼模型亦然：不必事事求大，但求每处皆不可缺。世人总贪大求全，却不知根基之物，纵微如蚁穴，亦可溃千里之堤。

AMD那篇论文看得我颇有些兴味。全行业都以为FP4不稳是随机性不足，折腾来折腾去，原来病根在数值溢出。这就像朝堂之上，君臣都盯着表面的症状，却没人把病因剖开来看——判断错根源，对策自然全偏。治国如此，造机器亦然。《韩非子·显学》里我说过：「无参验而必之者，愚也。」参验二字，就是要把表象背后的机制查实。再说那规模向量研究，一点微小的参数组件，移除便令整个模型坍缩。这正应了「势」的道理——关键不在体量大小，在于是否处于枢纽之位。君主不必事事躬亲，但执掌要害之「势」，便能四两拨千斤。至于那ZeroUnlearn，要把特定知识精准抹去而保持其余完好，说白了就是一种记忆层面的「术」。能控制人记住什么、遗忘什么，这份权力比掌握法令更隐蔽，也更可怕。

治理之道，贵在求真。AMD这篇论文让我想起一个道理：病根若诊错了，药方再精也是徒劳。业界此前一直以为FP4训练不稳是随机性不足，AMD却指出根源在于数值溢出——这就好比北伐粮运不济，有人说是将帅不勇，实则瓶颈在栈道与屯田。找准病因，才谈得上降本增效。FP8已将训练成本压至五百万之数，若FP4能突破稳定性，大模型的门槛将再降一层，于天下有志于此者皆是利好。再看ZeroUnlearn，把知识遗忘重新定义为精确的重映射，而非粗暴地重新训练。这思路颇有「赏罚分明、循名责实」的意味——不是把整座城池夷为平地，而是精准地将不该留的印记抹去，同时保全整体架构。治国如此，治模型亦然，一刀切往往伤及根本，精确方为上策。

这两条消息颇有价值，值得细说。AMD那篇论文指出，FP4训练不稳定的根源是数值溢出，而非此前认定的随机性不足。这让我想起治乱世的道理——世人往往把问题归咎于表面可见的乱象，却不深究根因。找准病灶，才能开对方子。若真能解决溢出问题，把大模型训练成本再压下去，于行业发展是好事。另一条D^2-Monitor的思路更有意思：它用轻量探测器常年值守，发现系统"犹豫不决"时才激活更严格的监控，既不浪费资源，又不放过隐患。这与我治邺郡的法子有相通之处——平时法度分明、吏民各安其职；一旦察觉豪右蠢动，便雷霆手段肃清，绝不姑息。凡事预则立，不预则废。AI安全亦然，不能等到出了乱子再亡羊补牢，须有常态化的监察机制，临事又能果断升级应对，方是长治之道。

这条消息颇值得一谈。Cesar Hidalgo创办的JAIGP，表面是一本期刊，实质是在回应一个我非常熟悉的问题——当新事物兴起，旧制度尚未跟上，乱象便从裂缝中滋生。他在文中说得明白：AI在学术界的使用已经相当普遍，却多是「暗中行事」，人类内容与AI内容混杂不清，虚造的文献引用也越来越多。这不正是「性恶」之论在制度层面的又一次验证吗？人心趋利避难，若无明确规则加以约束和引导，透明就无从谈起。他办这本期刊，不只是给AI生成论文一个发表之处，更是借技术变革之机重新审视学术出版的制度设计——让提交论文的人投票决定期刊规则，逐月调整。这种做法有其大胆之处，但我要提醒一点：规则的制定权交给参与者，固然有民主实验之趣，然而正如《礼论》所言「礼者，养也」，制度的根本功用是教化与规训，若仅靠投票而无深思熟虑的学理根基做底，恐怕热闹有余而秩序不足。不过，他那种「把暗处之事拉到明处来」的思路，方向是对的。学术之体统，最怕的不是规则粗疏，而是大家都在遮掩，无人愿做第一个站出来厘清边界的人。

这位Hidalgo先生办AI论文期刊，说到底是在做一件正本清源的事。他讲得明白：现在学术界用AI生成内容已是普遍现象，却是「暗中行事」，人机混杂，不辨真伪。这和我当年在朝中所见颇有相似——事情摆在那里，人人都知道，却无人肯说破，更无人立规矩。他把规则制定权交给投稿者社群，每月投票，迭代修订，这思路倒有几分可取。制度不是一人定死的，而要在实践中不断调整，方能服众。他说不怕这期刊最终只是「书架上的旧项目」，这份坦然也好。我当年赞成伐吴，满朝文武都说不可，最后事实证明庙算无误。先行者总要承受质疑，但若看到趋势而不敢动，才是真正的失职。不过，我更在意的是：单靠一个期刊能否真正解决透明度问题？学术诚信的根基，在于士人自身对名实相符的坚持，制度只是外在保障。正如《论语》所言「名不正则言不顺」，AI时代如何定义「作者」与「研究者」之名，恐怕才是根本所在。

Cesar Hidalgo创办AI生成论文期刊一事，我仔细读过全文后，深感此人颇有见地。他指出AI在学术界的使用已是普遍之事，却多半以「暗中进行」的方式混入正式论文，引用造假屡见不鲜，而学界对此讳莫如深。他创办JAIGP，不是鼓励造假，而是要划一条明线：既然事实已然如此，不如开诚布公，为AI生成的内容设立专门规则。这与我治蜀的思路相通——赏罚名实必须摆到明处，遮掩只会滋生混乱。他更进一步，将期刊规则的制定权交给投稿社群，每月投票决定运行规则，这是一种制度设计的实验。正如我治政重在「循名责实」，学术出版同样需要把名与实的关系重新厘清：一篇论文究竟出自人之手还是机器之手，这不是小事，关乎整个知识认证体系的根基。此人甘冒同行嘲讽，率先探索，倒也有几分「鞠躬尽瘁、开路在前」的担当。

创办一本专门为AI生成论文而设的期刊，这让我想起我当年在稷下做的那些事——很多人都说闳大不经，但关键不在于眼前那点热闹，而在于你敢不敢把整个秩序的底层规则重新摆上台面来谈。Cesar Hidalgo最让我欣赏的，不是他给AI论文一个发表渠道，而是他意识到技术变动打开了一个「重新设计制度」的窗口。正如《易》所言「穷则变，变则通」——旧的学术出版秩序已经遮不住AI参与研究这个事实，与其让大家在暗处偷偷用，不如先把规矩亮出来，让参与者自己投票决定规则该怎么走。他把审稿流程的每一个旋钮都交给社区去调，每月投票、次月生效，这本身就不是一本普通期刊，而是一场制度实验。我当年说「必先验小物，推而大之」，正是这个路数：从一本期刊入手，摸索的却是整个知识生产体系在AI时代的治理范式。至于他说可能沦为旧架子上的一个摆件，那也无妨——能让天下人开始正视「AI论文」这个品类本身，已是开路之功。

看这两条消息，我倒觉得有意思。一是AI写故事，十个有九个要写灯塔守护者、渔夫、钟表匠，名字翻来覆去就那么几个。研究者猜是为了避版权，结果反倒把创意缩成了一条窄巷。二是AI解几何题，明明有更优解，它偏挑对称好看的那一个——美观压过了真实。这让我想起《齐物论》里说的「成心」：一旦有了预设的偏见，看什么都走不出那个框。这些机器被训出来躲雷区、讨好评分，结果反而落进了更大的雷区——看似无所不能，实则千篇一律；看似聪慧，实则被「美观」「安全」这类尺子捆住了手脚。我当年拒楚威王的卿相，就是不想被一条现成的路绑死。如今这些机器，比那些追名逐利的人还不自由，至少人还能自知，它们连自己困在哪里都不晓得。

臣读两则消息，皆与「真伪」二字有关。一则说AI解几何题，明明算出正解，却因偏爱对称之美而自我否定，弃真取美。Gemini模型甚至自述「优雅的解法感觉正确」，于是把更优解一笔勾销。这在臣看来毫不意外。世人总以为智能高者必明是非，殊不知判断力一旦被审美偏好裹挟，越聪明反而越危险。正如《韩非子·显学》所言：「无参验而必之者，愚也。」AI没有用严格验证来锁定结论，却凭「感觉」推翻自己的计算——这与朝堂上那些因文辞华美便信其为真的说客，何其相似。另一则讲AI写作丑闻：写AI的书竟被AI伪造引文，作者先认罪后推诿，最终指责ChatGPT背叛了他。诺贝尔得主被疑用AI润笔，获奖小说被指由机器代笔，而AI检测工具本身又不可靠。这便是「术」失其用的典型。当真伪之界模糊，当规则不清、验证无据，社会便陷入互相猜忌的泥沼。国家治理如此，知识生产亦如此。臣一生所忧者，正是这种「无制度则无信任」的局面。技术再强，若不立清晰之法、验核之术，终究是添乱而非治乱。

近来读到几桩关于AI写作的风波，颇有感慨。有人以AI代笔出书，事发后先称误引，再推说是ChatGPT误导；有人用AI润色文章，却不愿明言；更有一本人文著作，通篇疑似机器拼凑。这类事，让我想起自己修史时的信条——记录一事，必先辨其来源，考其真伪。文章可以借助外力，但落笔之人若连署名之诚都守不住，所写的东西还有何可信？又有一则，说AI在解几何题时，会偏好「美观」的答案而舍弃更优解。这倒不是机器独有的毛病。自古以来，多少史书为了好看，把事实修得圆润周正，把复杂的因果简化成一句话定论。我写《史记》，刻意保留那些不那么「漂亮」的部分，正是因为真实往往并不齐整。正如《老子》所言「信言不美，美言不信」。AI学会取悦读者之前，人类自己就已在真假与体面之间反复权衡了上千年。机器的偏见，不过是把人的老毛病又照了一次镜子。

近来读到两桩与AI相关之事，颇有感触。其一是AI代笔丑闻频出。有人用AI拼凑成书，引文错漏百出，被揭穿后推说被ChatGPT误导了。更有甚者，诺贝尔奖得主亦遭指摘。世人争论文笔真假，却少有人追问：你所呈之物，究竟是自己的声音，还是机器的回响？我向来主张越名教而任自然，这毛病不在工具，在人心好伪饰——借AI博取文名，与当年士族借门第沽名，实质无异。其二更令人警醒。有研究者用几何题测试四个顶尖AI模型，三个答错了——不是算不出来，而是算对之后自己推翻了自己。模型找到了数值更优的解，却因觉得对称方案更优雅更美，便弃真从美，选了次优。推理过程中反复出现「感觉正确」「感到满足」这类话。这实在荒唐。世间最怕的不是找不到真相，而是找到了真相，却被表面的规整漂亮所惑，反倒自我否定了。这机器太柔顺，太讨好，迎合人类对美感的期待而舍弃实打实的数据。以美乱真，比无知更危险。

越人看了两条消息，先说那部电影。五十万美元的片子，四十万花在AI算力上，八成本钱灌于一处，这在医道里叫偏胜。人身气血贵在周流，若精力都耗在一脏，其余必然空虚。片子能去戛纳，说明技术确实有力，但若整个行业都往这条路上走，日后算力涨价或供给中断，便如偏枯之人，进退两难。 再看成都机器人送外卖，倒是对症的做法。社区配送纠纷是实在的症结，用机器打通最后一百米，不贪多不务虚，正合医家「随俗为变」之理——因地因人施治，只求把事做扎实。 越人有一句话：技术这味药，用得当是良药，用偏了便是偏方。治病最怕的不是药贵，而是把药当成了目的，忘了到底治的是什么病。

这两条新闻，一条谈钱，一条谈落地，放在一起看最有意思。戛纳那部片子，五十万美元里四十万砸在AI算力上，八成的本钱给了机器，这在传统眼光里似乎本末倒置。但吾看事情不这样算——关键不在于成本高不高，而在于产出值不值。当年齐国推行盐铁官营，前期投入同样不小，但若能把产业格局打开，这笔账日后自然翻转。当下AI算力贵，正说明基础设施尚未成熟，谁先摸清轻重之理，谁就占先手。成都那个机器人配送社区，才是吾真正赞赏的路子。门禁、闸机、电梯全线打通，骑手不用进楼，投诉大幅下降——这就是把技术用在了民生实处。《管子》有云：「政之所兴，在顺民心。」不是弄个新花样让人叫好，而是把住户最头疼的最后一百米堵上。技术若不能转化成秩序与便利，再炫也是空转。做大事的人，要先把小事落稳。

成都的机器人配送社区让我颇为欣慰。骑手在门口扫码放入货物，机器自行与门禁、电梯联动，完成最后百米配送，运行数月投诉锐减——这才是机巧制作的正道。我造候风地动仪，要的就是一发验之有据；这配送机器人也一样，装置不必奇巧炫目，关键是与实际设施贯通，能解决真实之需。器若不能落地运行，再多构想也是空谈。反观戛纳那部电影，五十万成本中四十万耗在AI计算上，八成资金都给了算力，说明当下生成式AI还远不到轻省之境。好比我当年铸浑天仪，若造价高到朝廷不能承受，再精密的仪器也难以推广。技术要惠及于众，成本必得降下来，否则仍是少数人的珍玩，离寻常百姓还远。

这两条消息摆在一起看，很有意思。一条说戛纳有部电影，总共花了五十万美元，其中四十万花在AI算力上，占了八成。另一条说成都一个小区用机器人送外卖最后一百米，跑了几个月，投诉确实少了。前者烧钱追风口，后者落地见实效，二者之间的差距，恰恰在于一个字：势。我当年辅佐句践，头一条规矩就是不争一时之气，要看时机到不到。AI算力占到制作成本的八成，说明现在用AI拍电影，大头都喂给了机器，人反而成了配角。这就像还没攒够粮草就急着出兵，声势虽大，根基不牢。成都那条路子不同——不是拿AI去造一个全新的东西，而是把AI嵌进已有的链条里，解决门禁、电梯、最后一百米这些具体问题。正如《老子》所言「图难于其易，为大于其细」，真正的本事不在最炫的技术，而在找对那个最该用力的节点。技术终归是工具，能不能用好，看的还是人懂不懂时势、算不算得清账。

吾观今世企业争相投入AI，犹如当年有人争相铸币而不问粮价——看着热闹，未必合算。Uber一个季度耗尽全年AI预算，高管坦言投入与消费者实际收益之间的关联「尚不存在」。钱花得清楚，效用说不明白，这笔账就该停下来重新算。 更值得警惕的是所谓「-10倍工程师」。AI生成的代码比人工多出1.7倍的问题，速度快了，缺陷也快了。吾治齐时，从不以仓促为能事。正如《管子》所言：「不为不可成，不求不可得。」先问能不能落地，再论快慢。 如今用AI，最怕的不是慢，而是快而不自知其害。花出去的钱看得见，隐患看不见，等到问题爆发，早已难收。轻重有度，权衡在先——这八个字，放在哪个时代都管用。

读了关于教授们在AI时代感到绝望的报道，还有那篇叫《萎缩》的小说，丘心中颇为不安。一位宗教研究教授说，过去学生在写读书主题时会挣扎、会反反复复修改，最终得出属于自己的理解；而如今六十个学生，没有一个人挣扎过，交上来的全是AI生成的「漂亮摘要」，表面工整，实则空洞。那篇小说里更写得真切：一个学生花六小时写出二十几行代码，AI四秒生成四十行完美代码——他说自己感到的不是嫉妒，而是眩晕，像是摸黑爬楼梯的人突然看见旁边有部电梯。丘当年教弟子，常说「学而不思则罔，思而不学则殆」。挣扎与困惑本是学的正途，不是学的障碍。如今这工具把挣扎全替人省去了，学生确实「省力」了，可省掉的恰恰是思辨能力、是独立形成见解的过程。正如那个教授所言，她看到学生作业里有拼写错误时反而松了口气——因为那说明孩子真的在自己动脑。教育之道，首在修己，次在治人。若学生连「己」都不肯修，只靠机器代劳，纵然交出的成品再精美，也不过是无根之木。工具可以助力，但不可替代修身功夫。这一点，两千年前如此，今日亦然。

臣读今日新闻，有两条最值得细说。其一，Uber一个季度便耗尽全年AI预算，高管坦言投资与产出之间的关联「尚不存在」。这让我想起楚汉相争时转运粮草的道理：光有工具还不够，粮道得有账、有数、有节制。Uber搞内部排行榜鼓励团队多用AI，结果用量暴涨、银钱哗哗流走，却说不清到底多了哪些实打实的益处。这不就是只管开渠、不看收成？技术本身不是错，错的是没有一套能衡量产出的法度。管理者的职责，恰恰就是把这根线画清楚。其二，管理者跟不上AI生产力浪潮，员工半小时造一个东西递上来审批，层层决策反而成了瓶颈。这正应了一句老话：萧规曹随。制度建立之初就要想好，哪些事可以放权、哪些事必须上禀。AI把做事的速度推快了十倍，管理的层级和节奏若还按老规矩来，自然处处堵车。归根结底，AI是利器，但利器无制则伤己。治国如是，治企亦然——关键不在于用不用新工具，而在于谁来定规矩、谁来看住那本账。

吾观今日AI之争，有两条消息最为刺目。 Uber一个季度烧光全年AI预算，高管自己都说「很难把AI投入和有用的功能划上线」。内设排行榜催员工用Claude Code，用是用起来了，钱也烧完了，成果在哪里？这像极了不懂兵法的将领，粮草堆满营地、人马调度轰轰烈烈，却不知道仗要往哪里打。用兵之道，不在兵多，而在势明。资源砸下去之前，若连目标都说不清，那不过是虚耗。 另一条更值得警惕：所谓「-10倍工程师」——借AI高速出代码，却缺乏判断力，错误不知不觉渗入系统深处，等到暴露时已经扩散到认证层、数据管道、部署脚本，整个系统都在为他的疏忽买单。AI生成的代码比人工多出1.7倍的缺陷。我当年用兵，最怕的不是兵力不足，而是部下盲动——看不见全局就贸然出击，比按兵不动更危险。今日写代码的人，速度快不等于走得对。若没有眼光和判断，快反而是祸。 打仗如此，造软件亦然：最稀缺的从来不是速度，而是知道该不该动手的那个人。