七個訊號讀懂 AI 這一週：模型外洩、程式碼引擎、人員管控

作者：Tara Tan / StrangeVC

編譯：深潮 TechFlow

本期週報密度極高，七條獨立訊號涵蓋了 AI 產業最關鍵的幾個走向。

其中最值得關注：Anthropic 透過 CMS 配置錯誤意外洩漏了內部代號"Capybara"的新模型，層級位於 Opus 之上。

全文如下：

過去幾個月，我們肯定已經跨越了某個 agentic 門檻。 五年前需要四到六週完成的構建，現在不到五分鐘。 六個月前，同樣的任務還是一到兩小時加大量調試。

這是一個相當顯著的相變，我們可能還沒有完全消化。 想法與可運行產品之間距離的崩塌，將重寫整個產業。 這是人類用於建構、創造和解決問題的工具的階躍式變化。

與此相關，OpenClaw 自 OpenAI 收購以來明顯更加穩定。 它有著成為 AI 領域最重要開源專案之一的清晰路徑。

進入本週內容。

Anthropic 的 Claude Mythos 洩漏揭示新模型層級

Anthropic 因 CMS 配置失誤，意外暴露了一個名為 Claude Mythos 的未發布模型的細節。 洩漏的草稿描述了一個新的"Capybara"層級，位於 Opus 之上，在程式設計、推理和網路安全能力上有重大突破。 Anthropic 確認正在向早期訪問客戶測試該模型，稱其為"階躍式變化"和"迄今構建的最強大模型"。 ( Fortune, The Decoder)

為什麼重要：除模型本身之外，有兩件事更值得關注。 第一，洩漏的草稿警告該模型的網路安全能力"遠超任何其他 AI 模型"，這在單一交易日內推動了網路安全股票的走勢。 第二，引入第四個模型層級（Capybara 位於 Opus 之上）表明 Anthropic 正在為企業客戶建立定價空間，而不是只是為基準測試建立效能空間。

Claude Code 正成為 Anthropic 的核心成長引擎

Claude Code 目前約佔所有公開 GitHub 提交的 4%，預計年底前將達到 20%以上。 Anthropic 整體營收年化運行率估計達到 140 億美元，Claude Code 單獨的年化運行率約為 25 億美元。 這款工具的用戶已從開發者擴展到非技術用戶，後者正在學習終端命令來用它來建立專案。 ( SemiAnalysis, Uncover Alpha, VentureBeat)

為何重要：Claude Code 透過有機的開發者採用，將客戶獲取成本壓縮至接近零。 透過 Cowork 向非開發者角色的擴展，將可尋址市場遠遠拓展到全球 2,800 萬專業開發者之外。

Cheng Lou 的 Pretext：不依賴 CSS 的文字佈局

Cheng Lou 是過去十年最具影響力的 UI 工程師之一（React、ReasonML、Midjourney），他發布了 Pretext，一個純 TypeScript 文字測量，完全繞過了演算法、DOM 測量和 CSSDOM 測量和瀏覽器重排。 演示效果包括：以 120 幀每秒虛擬化渲染數十萬個文字框，零像素浪費的緊縮聊天氣泡，響應式多欄雜誌佈局，以及可變寬度的 ASCII 藝術。 ( X post)

為什麼重要：文字佈局和測量一直是阻礙新一代 UI 的隱性瓶頸。 CSS 為靜態文件設計，而非為現今成為主流的流體、AI 生成、即時介面設計。 如果 Pretext 兌現演示效果，它將消除 AI 原生介面在外觀和體驗上的最後一批基礎性約束之一。

Arm 35 年來首次出貨自研晶片

Arm 發布了 AGI CPU，一款基於台積電 3nm 製程、與 Meta 共同開發的 136 核心資料中心處理器。 這是公司史上首次銷售成品晶片而非授權 IP。 OpenAI、Cerebras 和 Cloudflare 是首批合作夥伴，批量出貨預計年底前開始。 ( Arm Newsroom, EE Times)

為什麼重要：目前 AI 資料中心以 GPU 為主。 GPU 負責訓練和運行模型，CPU 主要處理資料流和調度。 但 agentic 工作負載不同。 當數千個 AI agent 同時運行，每個都在協調任務、呼叫 API、管理記憶體、跨系統路由資料時，這些編排工作落在 CPU 上。 Arm 聲稱這將驅動每吉瓦資料中心容量的 CPU 需求增加 4 倍。 ( HPCwire, Futurum Group)

英偉達與 Emerald AI 將資料中心變成電網資產

英偉達與 Emerald AI 宣布與 AES、Constellation、Invenergy、NextEra 和 Vistra 組成聯盟，構建" AI 工廠"，透過調節運算負載來參與電網彈性服務。 首個設施 Aurora 位於維吉尼亞州馬納薩斯，將於 2026 年上半年開放。 ( NVIDIA Newsroom, Axios)

為什麼重要：AI 基礎設施擴張的最大瓶頸不是晶片，而是電網接入時間線，大多數地區需要 3 到 5 年。 能夠展示電網靈活性的資料中心可以更快接入，面臨更少監管阻力。 這重新定義了 AI 基礎設施投資者的能源命題：制勝論點不是"更多電力"，而是"更聰明的電力"。

中國限制 Manus AI 高層出境

中國當局在 Meta 以 20 億美元收購這家註冊在新加坡的 AI 新創公司後，限制 Manus CEO 蕭宏和首席科學家紀一超出境。 國家發展改革委本月將兩位高階主管傳喚至北京，並在監管審查期間實施出行限制。 ( Reuters, Washington Post)

為什麼重要：這不是貿易限制，而是人員限制。 中國可能正在發出信號：具有大陸背景的 AI 人才是受控資產，無論公司註冊在哪裡。

4000 億參數大模型在 iPhone 17 Pro 上本地運行

一個名為 Flash-MoE 的開源專案演示了一個 4000 億參數的混合專家模型完全在設備端運行，使用 iPhone 17 Pro 的 A19 Pro 晶片，透過 SSD 到 GPU 的權重流式實現。 該模型（Qwen 3.5-397B，2 位元量化，170 億活躍參數）以每秒 0.6 個 token 的速度運行，還剩餘 5.5GB RAM。 ( WCCFTech, TweakTown, Hacker News)

為什麼重要：這是概念驗證，不是產品。 4000 億參數模型能在 12GB 內存的手機上運行，原因是任意時刻只有一小部分模型處於活躍狀態（混合專家），其餘部分按需從手機內置 SSD 流式傳輸而非常駐內存。 但把同樣的技巧應用到小得多的模型——比如 70 億或 140 億參數——在下一代存儲更快的移動芯片上，你就能得到真正可用、對話速度的 AI 完全在設備上本地運行，無需雲端。

AI Agent 自主完成了一整套粒子物理實驗

MIT 研究人員發表了一個名為 JFC（Just Furnish Context）的框架，展示了基於 Claude Code 構建的 LLM agent 能夠自主執行完整的高能物理分析流水線：事件篩選、背景推斷、論文不確定性、統計推斷和論文不確定性。 該系統在來自 ALEPH、DELPHI 和 CMS 探測器的開放資料上運行。 ( arXiv 2603.20179)

為什麼重要：這是 agentic AI 能夠在方法論嚴格性極高的領域中自動化端到端科學工作流程的最清晰演示之一。 直接的投資意義指向物理學、基因組學和材料科學領域遺留資料集的再分析——數十年的存檔資料至今仍未被充分挖掘。