AI 都这么强了， 它真正依赖的到底是什么？

很多人对 AI 的体验，是打开一个网页，输入一句话，等几秒钟，答案就出来了。这个动作太轻了，所以我们很容易忘记，它背后是非常重的物理基础设施。

一个大模型能不能训练，不只取决于研究员有没有想法，也取决于有没有足够的 GPU、显存、高速网络、服务器集群、数据中心、电力供应和冷却系统。模型能不能服务大量用户，也不只是算法问题，还要看推理时的计算成本能不能承受，看网络延迟能不能控制，看服务器能不能稳定运行。

国际能源署的 Energy and AI 报告里给过一个很直接的数字：在基准情景下，全球数据中心用电量预计到 2030 年会达到约 945 TWh，接近全球总用电量的 3%，而且从 2024 到 2030 年，数据中心用电增长速度大约是其他部门总用电增长速度的四倍以上。[1]

这说明 AI 的成本不是只发生在模型公司的报表里。它会发生在电网里，发生在数据中心选址里，发生在芯片供应链里，发生在能源结构里。

• 硬件供给：先进芯片、封装、显存、服务器和集群部署，都不是短期可以随意扩张的资源。
• 能源供给：推理需求起来之后，用电不只集中在训练阶段，而是分散到每一天、每一次请求、每一个用户任务里。
• 成本供给：复杂上下文、深度推理、工具调用和长任务链路，让推理本身也开始变贵。

OpenAI 在介绍 o1 时提到，模型能力会随着更多强化学习训练计算，以及更多测试时思考时间而提升。换句话说，模型在回答阶段分配更多计算，也可能带来更好的表现。[2]

如果说算力决定模型能不能被训练出来，那么数据决定模型到底学到了什么。过去几年，大模型最重要的成长路径，是吸收大量公开文本。网页、书籍、代码、论坛、论文、新闻、问答、产品文档，这些内容共同组成了模型理解语言和世界的基础。

但这条路径正在遇到新的瓶颈。Epoch AI 的研究估计，经过质量和重复度调整的人类公开文本大约在 300 万亿 token 量级；如果趋势持续，语言模型可能会在 2026 到 2032 年之间充分利用这部分公开文本库存。[3]

这并不是说数据会突然用完，而是普通公开文本的边际价值正在下降。下一阶段，AI 需要的不是简单地“更多文本”，而是“更高质量、更接近真实任务的数据”。

这包括专业数据、企业内部知识、医疗影像、法律案例、工业设备日志、机器人操作轨迹、真实用户反馈、多模态视频，以及模型行动后的结果记录。公开文本告诉 AI，人类怎样描述世界；真实反馈告诉 AI，一个动作进入世界以后会发生什么。

所以现在很多研究重新强调世界模型、多模态学习和空间智能。Meta 在介绍 V-JEPA 2 时，把它称为一种基于视频训练的世界模型，目标是提升 AI agent 对物理世界的理解和预测能力，并让系统能在新环境中进行规划和机器人控制。[4]

书里讲算法依赖，会提到神经网络、Transformer、强化学习、世界模型。这些当然重要。但站在今天看，算法已经不只是模型结构本身。更重要的是，模型怎样学习，怎样推理，怎样节省计算，怎样在不确定时检查自己，怎样把一个复杂任务拆成多个步骤。

过去我们常常把 AI 能力理解成“模型里存了多少知识”。但现在越来越明显，模型能力不只来自预训练阶段读过多少内容，还来自后训练阶段被塑造成什么行为。

它会不会先理解问题？会不会拆分条件？会不会检查矛盾？会不会在不确定时搜索更多证据？会不会调用工具验证？会不会发现自己走错了，然后调整路径？

DeepSeek-R1 的论文指出，语言模型的推理能力可以通过强化学习被激励出来，并出现自我反思、验证和动态策略调整等高级推理模式。[5]

DeepSeek-V3 的技术报告也显示，模型进步不只有“规模扩大”这一条路线。DeepSeek-V3 是一个 MoE 模型，总参数 671B，每个 token 激活 37B 参数，使用 14.8T token 预训练，并通过 MLA、DeepSeekMoE、多 token 预测等方法提高训练和推理效率。[6]

今天我们觉得 AI 变强了，很多时候不只是模型本体变强了，而是模型开始接入外部工具。它能搜索网页，读取 PDF，分析表格，运行代码，调用函数，连接数据库，操作浏览器，接入邮箱、日历、CRM、Notion、GitHub、n8n、Zapier 或企业后台。

Anthropic 推出 Model Context Protocol 的时候，把 MCP 定义为一个开放标准，用来在数据源和 AI 工具之间建立安全的双向连接。开发者可以通过 MCP server 暴露数据，也可以构建连接这些 server 的 AI 应用。[7]

这个方向很重要，因为它解决的是 AI 落地中非常现实的问题：模型本身再强，如果被困在信息孤岛里，能力也会被限制。它可能会写 SQL，但如果没有安全访问数据库的接口，它就只能停在文字层；它可能会规划客户跟进，但如果不能读取客户状态、历史沟通和业务规则，它的规划就会停在泛泛建议。

但一旦 AI 能做事，它的错误就不再只是答案错了。它可能发错邮件，改错表格，读取不该读取的文件，调用错误 API，也可能在权限过大的环境里造成真实损失。

Agent 这个词现在被用得很多，但它真正重要的地方，不是名字，而是中间层。一个 AI 产品前端看起来可能很简单：一个输入框，一个聊天窗口，几个按钮，一个上传文件的入口。但真正影响体验的，往往藏在后面。

它怎样组织上下文？怎样保存长期记忆？怎样拆分任务？怎样选择工具？怎样决定调用哪个模型？怎样失败重试？怎样控制成本？什么时候继续执行？什么时候停下来问用户？什么时候把任务交给另一个 Agent？

这些东西合在一起，才是 Agent 框架。很多人会觉得，模型强就够了。但实际使用中，强模型如果没有好的任务组织，也会输出很散；中等模型如果被放进一个设计良好的框架里，反而可能在特定场景中表现很稳定。

一个真正能用的 Agent，不应该只会积极执行。它还应该会停：当信息不足时停，当权限不够时停，当风险过高时停，当需要用户判断时停。

这一层对普通人最重要。很多人用 AI，最常见的感受是：有时候很惊艳，有时候很空。有时候它能把问题拆得很清楚，有时候它写出来像模板。这里面当然有模型能力差异，但更常见的原因是任务环境不清楚。

你让它写文案，却不给账号定位、受众、平台、风格、素材、限制，它只能写通用稿。你让它做分析，却不给资料来源、判断标准、时间范围，它只能用常识补。你让它规划项目，却不给预算、时间、目标、工具、风险约束，它只能给一套看起来完整但无法执行的路线。

所以 AI 依赖的不只是输入一句提示词。它依赖一个清楚的任务场。目标要清楚，材料要清楚，边界要清楚，评价标准要清楚，下一步动作要清楚。

很多人以为 prompt engineering 是把话写得更复杂。其实更重要的是把任务定义得更准确。你不是在和 AI 玩文字游戏，你是在把一个模糊需求，翻译成机器可以处理的任务结构。

更稳的方式，是回到自己的任务环境：我每天最被什么消耗？是信息太乱？是任务启动太难？是资料太多看不完？是反复改格式？是写第一版太痛苦？还是明明有想法，但无法转成结构？

很多人看 AI，只看它会不会。但当 AI 进入真实流程以后，更重要的问题不是它会不会，而是它能不能被控制。

Stanford HAI 的 2026 AI Index 提到一个很有代表性的现象：AI 模型可以在国际数学奥赛级任务上达到金牌水平，但顶级模型读取指针式时钟的正确率只有 50.1%；AI agent 在 OSWorld 真实电脑任务基准上的成功率从 12% 提升到约 66%，但在结构化任务里仍然大约每三次失败一次。[8]

这个现象说明，AI 的能力边界并不平滑。它可能在很难的问题上表现惊人，也可能在简单任务上突然出错。它可能写出很高级的推理，也可能误读一个基础信息。

所以治理不是一句“安全很重要”。治理要落实成权限、日志、审批、回滚、隐私、成本限制和责任链。AI 能读取哪些数据？能调用哪些工具？哪些动作必须人工批准？出了问题谁负责？用户能不能撤回授权？