开源没输、但钱被芯片吃走了:GLM 5.2把AI战局拧成三股绳
如果你以为开源模型已经被闭源全面碾压,这期 TBPN 给了一个更拧巴的答案:差距没拉开,但利润正在被芯片吞噬。GLM 5.2 的爆红、Token 成本的反直觉上升、以及 Google 限制 Meta 使用 Gemini,拼出了一张当下 AI 行业最真实的战局图。
如果你以为开源模型已经被闭源全面碾压,这期 TBPN 给了一个更拧巴的答案:差距没拉开,但利润正在被芯片吞噬。GLM 5.2 的爆红、Token 成本的反直觉上升、以及 Google 限制 Meta 使用 Gemini,拼出了一张当下 AI 行业最真实的战局图。
很多人以为开源大模型已经“慢下来了”,但在这期 TBPN 里,一个名字被反复提起——GLM 5.2。它不只是性能进步,而是逼着整个行业重新思考:当模型权重真正开放、Token 成本被放大、监管和安全压力同时逼近时,闭源巨头还稳吗?
如果我告诉你:继续无脑用最强的前沿模型,可能是当前 AI 工程里最昂贵、也最懒惰的选择,你会不会停下来想一秒?在这场分享里,Arize 的 RL Nabors 给出了一个极具冲击力的答案:真正聪明的团队,已经在用本地模型,把推理成本、延迟和安全问题一次性解决。
当所有人还在卷模型参数和基准测试时,Andrej Karpathy抛出了一个更“反直觉”的判断:人类最自然的输入是语音,但最想要的输出其实是视觉。Forestwalk Labs 的 Allen Pike 用真实产品经验证明,这不是一句口号,而是一条正在重塑 AI 产品形态的路线。
如果你以为 AI 写代码贵,是因为模型太强,那你可能被账单骗了。Tesco 的工程师 Raj 讲了一个更反直觉的真相:真正烧钱的不是模型在“思考”,而是你一次次把用不着的代码塞进上下文。更狠的是,他们几乎没碰模型,就把 Token 砍掉了 94%。
很多团队以为Token成本失控,是模型太贵。AWS高级开发者Eric Hanchett却指出:真正的元凶,是Agent设计本身。从系统提示词到工具调用循环,几乎每一步都在偷偷浪费钱。这是一篇能让你立刻省预算、又显得很懂行的实战文章。
大多数RAG系统一开始就犯了一个隐形但昂贵的错误:先把文档丢给大模型再说。Abed Matini 在这场分享中反其道而行,提出“绕过多模态税”的混合RAG架构,用SQL、RRF和实时遥测,把聊天机器人从“烧Token的玩具”拉回“可控的工程系统”。
当整个行业都在抱怨“AI不懂空间、不会做设计”时,Nori 的 CEO Amol Kapoor 抛出了一个极端反直觉的结论:不是模型不行,是我们给错了工具。只用 HTML,AI 不但能做幻灯片、文档,甚至连视频都能一把梭。
大多数AI Agent失败,不是因为模型不够强,而是因为没人知道如何“持续改进”它们。Nearform 技术负责人 Alfonso Graziano 给出了一条反直觉的答案:让 AI 自己来优化 AI。结果很残酷也很惊人——18% 到 83%,只用了 10 轮迭代。
多数公司还在Demo里炫耀AI Agent时,OpenGov已经把它塞进了真实的政府ERP系统,而且还规模化跑了起来。更反直觉的是,他们成功的关键,不是更大的模型,而是一整套工程化、可控、可观测的Agent体系。