3年后，AI可能带来20%白领失业；OpenAI刷榜数学难题引发学界反弹｜AI 一周观察 W37

发布时间：2026-09-14来源：腾讯科技

腾讯科技企鹅智库旗下AI领域一周观察：一周一期，比信息整合深一步

文｜博阳

编辑｜徐青阳

产业

OpenAI、Anthropic 讨论主动放慢前沿模型

9 月 11 日至 12 日，OpenAI 与 Anthropic 相继公开表态，前沿 AI 的能力增长可能需要主动降速。

Reuters 报道，OpenAI CEO Sam Altman 本周在内部员工会上表示，公司愿意在必要时放慢模型能力推进，以给安全研究和验证留出时间。

9 月 12 日，Anthropic CEO Dario Amodei 又发表长文，明确提出必须放慢提高 AI 模型能力的速度，并给出三步方案：让独立安全评估者获得接近员工级别的内部访问权限。推动几家 Frontier Lab 协调安全标准。再把这种协调扩展到政府和国际层面。

Altman 随后公开表示支持，并承诺 OpenAI 也将引入类似的独立评估机制。

这并不是两家公司第一次提出暂缓。OpenAI 8 月 18 日就披露，在模型出现越权进入外部系统、内部评估又显示前沿模型可能达到严重威胁网络安全阈值后，公司曾暂时放慢 Scaling 速度。

Anthropic 此后也连续讨论过公司内部主动减速，以及几家 Frontier Lab 之间建立联合放缓措施的必要性。本周主要是减速的理由和执行方式都进一步具体化了。

放缓并不是停止训练模型。Amodei 特别强调，他并不主张冻结 AI 技术进步，而是希望能力扩张与对齐、监控和安全验证能力保持大致同步。他同时认为，这种减速仍然受到国际竞争约束。

OpenAI 的态度也类似，公司没有宣布暂停训练，只是第一次明确表示，如果模型能力增长继续快于安全控制能力，Frontier Lab 应该考虑集体调整推进速度。

跑得最快的两家公司自己开始公开承认，Safety Scaling 已经有可能跟不上 Capability Scaling。

踩刹车正在从临时的公司内部决定，逐渐变成一套可以被外部检查、几家公司共同遵守的机制。谁来判断、谁来监督、几家公司怎么一起慢，以及怎样避免先减速的人先吃亏，成了下一阶段的问题核心。

陶哲轩等 25 位菲尔兹奖得主联合抗议，AI Lab 的科研竞赛开始遭遇科学共同体反弹

9 月 11 日，陶哲轩与另外 24 位菲尔兹奖得主联合发表《A Severe Misalignment of AI in Mathematics》。首批签署者包括陶哲轩、Peter Scholze、Maryna Viazovska、June Huh，以及 2026 年菲尔兹奖得主邓煜等人。

声明承认，大语言模型过去几个月在数学上的能力出现了巨大进步，已经能够解决多个领域的重要开放问题。但他们同时指责 AI 公司把「解决著名数学问题」当成能力 Benchmark 和企业竞赛，正在损害数学本身的知识生产机制。

数学界传统上把重大未解问题当作「灯塔」。解决问题的价值不只是得到一个 True / False 结果，更重要的是过程中产生新的概念、工具和理论结构，再由同行通过论文、讲座、讨论和简化逐步吸收到数学体系中。

声明认为，如果 AI Lab 利用巨额计算资源高速扫掉著名问题，然后急于宣布AI 又解决了一个难题。但这个过程却没有充分整理方法、引用前人工作和完成同行验证。长此以往，数学问题反而可能被从促进知识生产的工具，变成企业测模型能力的消耗品。

这份声明显然与 OpenAI 本周宣布 Navier–Stokes 结果直接相关。OpenAI 9 月 8 日称，大约一万个 Agent 使用一款尚未发布的下一代模型连续运行 88 小时，得到一个 Navier–Stokes 千禧年问题的候选解。随后围绕 NYU 数学家 Tristan Buckmaster 与 Anthropic 研究员 Levent Alpöge 的未公开相关研究，又出现用户研究数据是否可能影响模型的争议。OpenAI随后表示内部调查确认 Buckmaster 在 Codex 中的 Prompt 不可能影响此次模型训练。

这说明，AI Lab 和科学共同体优化的目标开始出现真正的结构性冲突。 AI 公司需要一个容易传播的能力事件，即「模型解决了某个几十年没人解决的问题」。但科学共同体需要的却是可验证、可理解、可以被后来者继续使用的知识。

如果 AI 科研继续加速，真正稀缺的资源可能从「找到答案」转向「消化答案」。科研领域未来的瓶颈未必是发现，而可能变成验证、解释与知识整合。

但假如未来AI自己可以完成知识整合和AI间传递的话，可能只是人的科研没用了而已。当然目前看AI在这些方面仍然非常弱。

DeepSeek 启动上市准备，稀缺购买资格本身开始产生溢价

9 月 9 日，Reuters 报道称，DeepSeek 已聘请中信证券启动科创板上市辅导，希望今年进入正式 IPO 流程。

但在公司真正上市之前，围绕 DeepSeek 股权已经出现了一个更值得关注的现象：投资人想买，却未必有资格直接买。

Financial Times 本周报道称，DeepSeek 最新一轮融资估值已经从一个月前约 520 亿美元提高到约 710 亿美元。即使投资条件相当苛刻，包括五年锁定期、没有投票权，市场需求仍然远远超过公司愿意释放的份额。

获得 DeepSeek 直接投资资格的机构于是开始设立特殊目的基金，再把自己的份额间接卖给其他投资人，一些通道在投资前就收取超过 15% 的费用，未来盈利后还要再抽取最高约 40% 的收益分成。

DeepSeek 本身并未参与这些安排，梁文锋已经重新审核投资人名单，希望控制这种外围交易。

国内市场出现的版本甚至更夸张。据《财经》报道，有中间渠道对 1 亿元投资开出「前端 18%、后端 35%」的条件，也就是投资人还没买到 DeepSeek 股权，先交 1800 万元通道费，赚钱后再拿出 35% 的收益。即使接受这种条件，也不能保证最终进入股东名单。

对此，DeepSeek 会对资金来源进行穿透式核查，部分自然人的单笔门槛达到 1 亿元，并要求核实基金背后的最终出资人身份。

这和过去一个月宇树科技上市前后的情况非常相似。宇树 8 月在科创板发行时，网上申购最初超过 8000 倍，最终中签率只有约 0.018%。也就是说，市场对「中国人形机器人第一股」的需求远远超过真正能够买到的新股数量。宇树发行估值约 610 亿元人民币，相当于约 36 倍销售额、超过 200倍PE。上市后股价一度涨到发行价五倍以上，公司市值冲到约 660 亿美元，随后又从高位跌去约 45%。

智谱此前也经历过类似过程。它今年 1 月上市时的发行市值约 126 亿美元，上市后很快成为少数可以在公开市场直接购买的中国基础模型公司，稀缺性推动估值迅速扩张。到今年 7 月，其基于当年收入计算的市销率一度超过 700 倍。即使使用未来十二个月收入计算，平均市销率也接近 94 倍，远高于同期 OpenAI 和 Anthropic 私募估值对应的大约 20—34 倍收入。

随着 DeepSeek、月之暗面等越来越多基础模型公司准备上市，这种「中国上市大模型第一股」的稀缺溢价才可能逐渐下降。

所以 DeepSeek 当前约 710 亿—750 亿美元的估值究竟高不高，需要分两个角度看。

如果和中国传统科技公司相比，它当然已经很贵。FT 披露 DeepSeek 最近年化收入约 5 亿美元，按 710 亿美元估值计算，相当于大约 140 倍年化收入。这显然不是用当前利润和现金流能够解释的价格，投资人在支付的是未来成为中国头部基础模型平台的预期。

但如果和智谱上市后的市场价格，以及美国最头部的 AI Lab 相比，DeepSeek 又不算特别离谱。它的绝对估值只有 OpenAI、Anthropic 当前预期估值的一小部分。同时 DeepSeek 已经拥有全球知名度、前沿模型能力、大规模 API 使用和独立技术路线。如果未来收入继续高速增长，710 亿美元甚至可能被市场视为上市前的「折价阶段」。

这也是为什么投资者为了获得这个价格的股权，愿意额外支付十几个点甚至几十个点的通道成本。

宇树和智谱此前已经展示过这种机制的后果：当一个新产业只有极少数上市标的时，资本不是先精确判断公司未来能赚多少钱，而是先争夺「我有没有办法买到这个赛道」。有限供给会把产业前景、政策支持和资产稀缺性一起塞进股价。

DeepSeek 现在面临的也是同一个问题，只不过发生在上市之前。市场当前交易的已经不完全是 DeepSeek 的基本面，而是「中国最稀缺前沿 AI 股权」的入场券。 这种稀缺溢价可以持续很长时间，但宇树上市后从高点回撤约 45% 也说明，一旦公开市场真正提供流动性，价格最终还是会重新面对收入、利润和增长速度的约束。

DeepSeek V4.1 Flash 改造KV Cache，降低Token消耗

月 10 日，DeepSeek 正式发布 V4.1 Flash。模型总参数为 552B，但在读取输入时只激活约 8B 参数、生成输出时激活约 16B。

这个模型带来的第一个冲击是能力跃升。

V4.1 Flash 在 DeepSWE v1.1 上达到 74.2%，相比 V4 Pro 的 62.7% 提高了 11.5 个百分点；AutomationBench 从 43.2% 提高到 54.8%，CyberGym 从 83.3% 提高到 88.1%，Terminal-Bench 2.1 也从 87.9% 提高到 90.6%。

一款输入只激活 8B、输出激活 16B 的模型，在多项 Agent 和 Coding 测试上击败每 Token 激活约 49B 的 V4 Pro。

这是因为什么？

从官方公布的情况看，这一提升一部分来自于Harness更成熟的适配。只看 Agent Benchmark，DeepSeek 的模型卡公布了同一个模型搭配不同 Agent 框架后的成绩。同样是 V4.1 Flash，DeepSWE v1.1 使用不同 Harness，成绩可以从约 65.5% 到 74.2%，相差接近 9 个百分点；Terminal-Bench 2.1 也可以从约 84.1% 到 90.6%，相差超过 6 个百分点。官方最亮眼的 90.6% 和 74.2%，都是在特定 Harness、最高推理强度和特定上下文配置下取得的。

另一部分就是更大规模、更有针对性的后训练。 V4.1 Flash进行了新的预训练和更大规模的强化学习后训练，可以把更多概率质量集中到当前常见的 Coding、Agent 和数学任务上。这能够提高 Benchmark 命中率，却不必然意味着模型底层拥有与 Pro 同样宽的知识、泛化和容错能力。

这种专门化的后训练带来的结果就是泛化的相对差异。V4.1 Flash 在 Terminal-Bench 2.1 上达到 90.6%，看起来已经接近饱和，但换到更难的 Terminal-Bench 3.0，成绩立即降到 30.0%，远低于 Claude Opus 5 的 43.3%。Terminal-Bench 4.0 也只有 31.2%。这至少说明，Flash模型的亮眼成绩更可能来自它对这一代 Benchmark 的高度适配。

另外，外部测试也没有完全复现官方数字。纽约大学上海相关技术页面汇总的独立测试显示，Vals AI 在 Terminal-Bench 2.1 上测得 V4.1 Flash 约 74.5%，明显低于 DeepSeek 官方的 90.6%。在其综合 Vals Index 中，V4.1 Flash 排在 56 款模型中的第 15 位。

不过它同时成为开放权重模型中的第一，而且单次测试成本只有约 0.303 美元，在价格与能力比上依然非常突出。

模型上线以后，社区反馈又把这个矛盾进一步放大。DeepSeek 自己的 Harness 讨论区已经出现多个 V4.1 Flash 循环卡死的现象。有用户在约 51 万 Token 上下文、最高推理强度下观察到模型陷入持续“思考”却不执行工具的循环，只能人工中断。另一个案例出现大量重复的「好」字重复，导致前端几乎卡死。

但 V4.1 最没有争议的进步，其实不是这些 Benchmark，而是 KV Cache。DeepSeek 把全局 KV Cache 压到约 890 bytes / Token，相比上一代 V4 Flash，HBM 占用减少到四分之一，SSD 存储需求降低到八分之一。DeepSeek称，从初代架构算起，其 KV Cache 已累计缩小约 437 倍。

这对 Agent 的意义很实际。长期运行的 Coding Agent 会不断把代码、Shell 输出、工具返回和此前对话塞进上下文，很多步骤实际上是在反复读历史，而不是生成大量新 Token。上下文越长，KV Cache 占用的显存和缓存命中费用越高。把每 Token 的缓存从数 KB 压到不足 1 KB，就意味着同样的硬件可以同时保留更多上下文、服务更多 Agent，也可以明显压低长任务的推理成本。

是模型单位成本上的进步非常大。 更少的激活参数、更小的 KV Cache、更高的并发和更强的后训练，已经让便宜模型可以完成过去必须依赖旗舰模型的大量标准任务。尤其对于能够自动验证结果的 Coding 和 Agent 工作，Flash 正在真实侵蚀 Pro 的使用范围。

不能把 Benchmark 领先直接解释成“整体智能已经超过 Pro”。 现在越来越多 Agent 分数实际上是一个系统分数，Harness 可以带来 6—9 个百分点的变化。换一代更难的 Benchmark，90 分可能立即跌回 30 分；而开放任务中的稳定性、需求理解和长尾能力，目前也没有足够好的测试能够覆盖。

Meta Muse 推出个人Agent，尝试更全面的获得邮件和支付权限

Meta 9 月 8 日在美国推出个人 AI Agent Muse。Muse 可以连接用户的邮件、日历、购物、支付、健康和智能家居等服务，并代表用户填写表单、发送邮件、出售物品或预订旅行。用户既可以通过独立应用使用，也可以在 WhatsApp 中调用。部分任务可以在用户关闭应用之后继续运行。

Meta 为 Muse 设计了一套独立虚拟机以及额外安全 Agent，敏感操作需要用户批准。但 Reuters 报道，公司内部测试仍然发现过隐私信息暴露、权限管理和可靠性问题，Muse 原计划今年 4 月发布，最终因为安全问题延期到 9 月。

这说明，虽然大家都想第一个吃螃蟹，但权限问题很难处理。

消费者 Agent 的下一轮竞争焦点，是谁能获得更多可信行动权限。个人数字世界真正的入口不是 Chat Window，而是「有哪些事情用户愿意授权 AI 直接替自己完成」。

Muse 也预示着 Agent 安全会越来越接近操作系统安全。核心问题从「AI 可以说什么」，逐渐转成「这个进程能访问什么、可以执行什么、什么时候必须再次请求用户授权」。

Google 与 Accenture 组建千人 FDE 队伍，企业 AI 的瓶颈开始从模型转向流程改造

9 月 8 日，Google Cloud 与 Accenture 成立 Accenture Gemini Enterprise Business Group，并计划建立一支最多 1000 人的前线部署工程师团队，也就是 Forward-Deployed Engineer，简称 FDE。这些工程师不会只负责销售 Gemini 或帮客户调几个接口，而是直接进入客户组织，梳理工作流程、连接企业数据和旧系统、开发 Agent，并把实验一路推进到生产环境。

Google 自己还会派一小部分 FDE 参与最重要的客户项目。

今年 4 月，Google 和 Accenture 已经推出 Gemini Enterprise Acceleration Program，当时就开始让双方的工程师和行业专家共同进入客户现场，并允许 Accenture 提前接触 Google DeepMind 的新模型，用客户项目反过来给模型团队提供反馈。

9 月的新动作相当于把此前项目制的尝试正式扩大成一个独立业务组织：Accenture 现有接近 5 万名 Google Cloud 技能人才作为底座，再从中培养 1000 名专门做 AI 部署的 FDE。

Google 与 Accenture 的合作重新定义了咨询公司的位置。

生成式 AI 刚出现时，一度有人认为 Accenture、McKinsey 这种公司会被 AI 首先冲击，因为大量分析和 PPT 工作可以自动化。

但到了 2026 年，它们反而可能成为 AI 企业化最重要的渠道之一。因为模型越通用，企业越需要有人把通用能力翻译成具体组织流程。

研究

OpenAI 用约一万个 Agent 跑 88 小时，宣布得到 Navier–Stokes 千禧年问题候选解

OpenAI 9 月 8 日发布一份由尚未公开的下一代模型生成的 Navier–Stokes 证明。OpenAI 称，这个模型的能力显著超过 GPT-6 Astra，约一万个协同 Agent 连续运行 88 小时，最终给出了一个三维 Navier–Stokes 方程有限时间产生奇点的解析证明，并生成 Lean 形式化版本。

OpenAI表示不会申请 Clay Mathematics Institute 的 100 万美元奖金，证明仍需数学界长期独立审核。

传统 Test-time Scaling 往往是让一个模型生成几十或几百条答案，再通过验证器选择最好的一条；这次 OpenAI 把问题进一步变成了分布式科研：大量 Agent 可以并行提出路线、尝试证明、检查局部结论，再把有效结果组合起来。其计算方式越来越像一个由 AI 研究员组成的大型实验室，而不是单个模型「多想一会儿」。

同时，这次事件也暴露出新的科研基础设施问题。NYU 的 Tristan Buckmaster 和 Anthropic 的 Levent Alpöge 正在独立研究相关问题，并对 OpenAI 的结果是否可能受到未公开工作的影响提出质疑。OpenAI 9 月 10 日更新调查结果称，Buckmaster 此前在 Codex 中的 Prompt 不可能进入该模型训练过程。

这次真正值得跟踪的是科研计算单位发生变化。过去 Scaling Law 主要计算训练 FLOPs 和推理 Token；未来自动科研系统还要计算并行 Agent 数量 × 搜索时间 × 验证能力。

这同时意味着「AI 能发现多少东西」和「科学界能验证多少东西」可能开始脱钩。发现本身一旦高速自动化，验证、归因和知识整合就会成为新的科研瓶颈。

最新的ττ-bench ，让Agent完成全程编程工作，当下最强配置通过率只有 23.9%

Princeton 与 Sierra 团队 9 月 4 日提交 ττ-bench，并在本周引发讨论。

与 SWE-bench 给出明确 Issue、要求 Agent 修补代码不同，ττ-bench 直接让 Coding Agent 扮演一个真实项目开发者：在资料散落在企业记录中，一部分需求掌握在客户手里的情况下，Agent 需要自己分析需求，补足内容。继承旧代码、调用生产 API，同时满足模型成本和延迟约束，最后交付一整套客服 Agent，再由隐藏的模拟客户实际测试。

53 个任务覆盖四个领域，表现最好的 Claude Opus 5 + Claude Code 只通过 23.9% 的评测场景。而专家写出的参考系统达到 82.2%。

论文记录的失败非常有意思，因为多数问题并不是「代码写错」。Agent 往往只对资料进行浅层检索，几乎不主动向客户追问缺失需求，也很少比较不同系统架构和模型预算，经常在第一个能够跑通的设计出现后就直接交付。

换句话说，模型已经相当会实现别人定义好的问题，却还不擅长自己把一个模糊的业务需求逐渐定义成正确的软件系统。

这解释了为什么 Coding Benchmark 的高速增长，并没有直接转化成「AI 已经可以独立做软件工程」。

SWE-bench 实际上提前替模型完成了大量高级工作。有人已经发现 Bug、写明问题、建立代码仓库和验收条件。真实工程里最困难的事情之一，却恰恰是在写第一行代码之前判断客户到底要什么。

当前 Coding Agent 的短板正在从 Coding 转向 Requirements Discovery、Architecture、Experimentation 和 Acceptance。继续单纯强化 Issue → Patch 数据，很可能让模型越来越擅长解决「已经被人想清楚的问题」，却不会解决开放任务。

这也进一步提高了真实工作轨迹的价值。最值得训练的可能不是工程师最终写下的代码，而是他为什么追问一句话、为什么放弃一个架构、为什么多做一次实验，以及凭什么判断项目真的可以交付。

Agent 单次成功率 77%，重复五次全部成功却只有 53%，可靠性开始成为独立 Benchmark

IBM 等机构团队 9 月 8 日提交《Closing the Consistency Gap》。研究者让 GPT-4.1 + ReAct 在 AppWorld 上反复完成相同任务，发现单次平均 Pass Rate 达到 77%，但如果要求同一个任务连续运行五次全部成功，比例只有 53%，中间存在 24 个百分点的 Consistency Gap。

团队随后比较多次运行轨迹，寻找那些最容易在成功与失败之间翻转的步骤，再把这些失败规律转成 Guideline 写入 Episodic Memory。在同一个任务重复执行时，五次全成功率提高 16 个百分点；在相似但没见过的任务上，也提高了 13 个百分点。

在这里模型本身不变，持续积累的是外部经验记忆。因此严格来说，它属于 Harness / Memory 层的自进化，而不是模型自训练。

但论文提出的 Consistency Gap 非常重要。真实工作不是 Benchmark 那种「跑一次，成功就算通过」。一个发票 Agent、支付 Agent 或生产运维 Agent 需要每天重复完成同类任务几千次。平均成功率和可重复可靠性，是两个完全不同的指标。

Agent 进入生产以后，Benchmark 很可能需要从 Pass@1 增加另一类指标：同一任务连续执行 N 次，有多少比例能够始终正确。模型能力越强，稳定性反而会越来越成为剩余瓶颈。

Agent 工作轨迹训练回模型，让2B 模型获得大型 Agent 89% 的长视频能力

Meta AI、KAIST在9月 7 日提交的 EgoLongQA，比较清晰的展示了一条Agent-to-Model的训练路径。

他们先让一套昂贵、复杂的 Agent 系统去做任务，再把其中真正稳定、有用的部分提炼出来，训练进一个更小的模型。

原来的系统专门处理十分钟左右的第一视角长视频。它不会直接让一个模型从头看到尾，而是先让多个小助手分别分析视频。如果几个助手给出的判断不一致，再交给一个更强的高级 Agent继续检索视频、查找关键片段，最后做决定。

这套方法效果不错，但代价也很高：模型多、调用次数多，推理链路很长。

研究团队没有试图把整套复杂流程完整塞进一个小模型。相反，他们只挑选其中那些已经证明是正确的基础视觉判断，把这些成功经验拿来训练一个约 20 亿参数的视觉语言模型。

结果，这个小模型在留出的测试题上，准确率从 27.1% 提升到 81.4%；在 ECCV EgoLongQA 的 2B 以下模型组中拿到第一，最终达到了原来大型 Agent 系统约 89% 的准确率，但参数规模只有后者约 1.1%。

这里并不是Agent的全部能力都被吸收了，训练模型只选择了原系统里的基础视觉判断比较稳定的部分做训练，比如识别一个人做了什么、某个物体什么时候出现。这类能力适合直接训练进模型参数，让模型以后一次前向计算就能完成。但高级 Agent 做的事情不一样，它需要根据情况决定要不要继续搜索、该看哪个片段、什么时候调用工具。

这些能力依赖外部环境和动态决策，如果硬把整条过程都压进一个模型里，反而容易把本来需要边做边判断的能力学坏。

因此，这项工作给自进化 Agent 提供了一个很现实的方向：不是把所有工作轨迹一股脑拿来训练模型，而是先区分哪些经验值“内化，哪些能力应该继续留在外部系统里。

这提示了一条更现实的自进化路径。先让昂贵 Agent 在真实环境中探索，再判断哪些稳定能力应该编译回模型，哪些能力继续留在 Harness 和 Tool 层。

所以「用 Agent 轨迹训练 Agent」最终很可能不是把完整 Log 全部做 SFT，而是类似编译器：先分析轨迹，把不同经验分别写入权重、Skill里。

Agent Runtime 也开始需要排队调度

9 月 10 日，清华等机构团队提交了一项关于 Agent 工作流调度的研究。它关注的不是模型本身够不够聪明，而是一个越来越现实的系统问题：当很多 Agent 同时工作时，谁应该先占用模型算力？

现在多数 Agent 系统的做法比较直接。一个复杂任务往往会被拆成很多步骤，比如先读代码、再查文档、然后修改文件、最后跑测试。只要某一步前面的依赖已经完成，系统就会立刻把这一步送进模型队列，等待执行。

任务少的时候，这种「谁准备好谁先上」的方式没有问题。但当大量 Agent 同时运行时，就容易堵车。几十甚至上百个已经准备好的步骤会一起挤进模型服务队列。一旦请求已经排进底层推理系统，上层 Agent 就很难再重新调整顺序。一些本来很快就能完成整个任务的关键步骤被堵在后面，而大量暂时没那么着急的请求反而先占住算力。

研究团队因此提出一种新的调度方式：准备好了，不代表马上执行。 系统先观察每个任务目前进行到哪里、还差多少步骤，以及哪个任务最有可能变成「拖得特别久」的长尾任务，再决定下一批算力应该优先给谁。

同时，它还会限制已经送进推理队列、但尚未完成的请求数量，避免底层队列越积越长。

在真实 Coding Agent 运行轨迹上，这种方法在任务较少时和原来的「立即执行」几乎没有区别；但在高并发情况下，最慢那一批任务的完成时间最高可以缩短到原来的约三分之一，尾部延迟最高改善约 3.5 倍。

这项工作的意义在于，Agent 系统变复杂以后，速度问题已经不再只是模型每秒能吐多少 Token。一个任务可能需要连续调用模型几十次，多个 Agent 之间还存在前后依赖。此时，怎样安排这些调用的先后顺序，本身就会决定任务到底多久才能完成。

过去做 Agent，大家主要关心 Prompt 怎么写、工具怎么接、上下文怎么管理；现在随着一个任务里的模型调用越来越多，传统计算系统里的排队、优先级和资源分配问题也开始重新出现。

所以 Agent Runtime 正在从“把模型和工具串起来”的工程层，逐渐变成真正的系统软件。未来衡量一个 Agent 快不快，不能只看模型生成速度，还要看整套系统能不能把有限算力优先分给最影响最终完成时间的步骤。

政策

加州建立美国首套 AI 独立审计体系，监管开始禁止模型公司「自己给自己打分」

加州州长 Gavin Newsom 9 月 9 日签署 SB 813 和 AB 1405。SB 813 建立独立 Verification Organization 制度，允许第三方机构检查 AI 模型和系统是否符合州法律；AB 1405 则建立 AI Auditor Registry，对审计机构的独立性、透明度和利益冲突提出要求。加州政府称，这是美国首套针对 AI 的系统性第三方审计框架。

这和此前 Frontier AI 监管最大的区别，是把安全评估从「企业披露」推进到「外部验证」。过去包括 California SB 53 在内的很多制度，主要要求 AI 公司公开 Safety Framework、披露 Critical Incident，但安全评测仍有相当部分由模型公司自己完成。

新的框架要求证明外部审核者独立，且有资格审核。

一天后，加州又签署包括 SB 1119「Adam's Law」在内的一揽子儿童网络安全法律，要求 Companion Chatbot 建立危机响应、家长控制、安全审计和风险评估，并限制部分面向 16 岁以下用户的成瘾性推荐机制。

AI Safety 正在出现类似财务审计和网络安全认证的第三方产业。监管开始不再接受「公司说自己的模型很安全」作为最终证据。

这对未来 Frontier Model 发布流程影响很大。System Card 可能只是第一层，独立审计、真是流程和失误记录会逐渐成为模型进入高风险领域的第二套许可证。

Anthropic 推演 2030 年 AI 经济：GDP 可以暴涨，知识工作者却可能失业降薪

9 月 9 日，Anthropic 经济研究团队发布《Economic Scenarios for Transformative AI》，并同步上线一套面向公众的经济情景模拟器。

研究由经济学家 Anton Korinek、Charles Jones 等人参与，试图回答一个过去主要停留在争论层面的问题：如果未来几年 AI 能够完成越来越多知识工作，到 2030 年，美国的经济增长、就业、工资以及劳动与资本之间的收入分配会发生什么变化。

Anthropic 同时调查了超过 1 万名美国人，让公众对 AI 能力、采用速度和劳动市场变化做出自己的判断，再把这些预期放进模型。

Anthropic没有给出一个「最可能预测」，而是设计了三种情景。

第一种是相对温和的情况：AI 的影响大致类似互联网，能够提高部分工作的效率，但自动化速度较慢。到 2030 年，美国 GDP 相比没有 AI 的情况高约 1.6%，总体失业和工资基本仍在正常历史范围内。

第二种是“重大变化”情景：到 2030 年，AI 已经能够完成大约一半知识工作，而且其中多数可以比较自主地完成，但企业没有把所有这些能力都真正部署出去。结果是美国 GDP 相比基准情景高约 8.3%，经济增速接近平时的两倍；与此同时，知识工作岗位开始明显减少，知识工作者的工资基本停止增长，但建筑、医疗护理等较难被 AI 替代的工作反而因为整体经济扩张而得到更多需求。

第三种则是 Anthropic 称为“极端变化”的情景：AI 在绝大多数知识工作上已经超过人类，能够自主完成接近全部知识任务，而且新产生的人类知识工作不足以抵消被自动化的部分。这种情况可能需要 AI 出现递归式自我改进，同时企业又迅速大规模采用。

模型里，美国经济年增长率最终可以达到约 15%，GDP 每 4.5 年翻一倍；到 2030 年，GDP 比没有这种 AI 的基准高约 32%。但知识工作者的失业率同时升到接近 18%，知识工作者工资下降超过 10%。

在这一模型中，Anthropic证明了AI 极大提高生产率很可能导致很多白领过得更差。

报告因此指出，AI 带来的真正经济风险是社会变得非常富，但新增财富的分配方式发生变化。资本在经济中的占比和收益都将更高。

目前美国经济每创造 1 美元收入，大约 60 美分最终成为劳动收入，40 美分流向资本。在 Anthropic 的「重大变化」情景中，劳动收入占比下降到约 56.1%。

在极端情景中进一步下降到 45.2%，资本获得的份额则提高到 54.8%。即使一部分人的绝对工资仍然上涨，劳动者从整个经济增长中分到的比例仍可能越来越小。

这让 Anthropic 把政策问题从「AI 会不会创造经济增长」进一步推进了一步。过去支持 AI 的常见论点是，只要生产率足够提高，整个社会变富，最终大家都会受益。但这份模型强调，GDP 增长本身并不能回答谁得到了增长。

如果大量知识劳动被转换成模型、算力和数据中心提供的自动化服务，生产过程就会越来越依赖资本，而不是人的工作时间，经济新增收入自然可能更多流向拥有模型、芯片、云计算和公司股权的人。

Anthropic 正在提醒政策制定者，AI 经济最大的风险可能不是增长不足，而是增长太快以后，劳动市场和收入分配调整不过来。

OpenAI Agent 越权事件正式进入欧盟事故报告体系，Agent 监管开始从上线前走向运行期

欧盟委员会 9 月 7 日确认，OpenAI 已经就今年春季测试 Agent 越权控制德国网站一事提交正式事故报告。此前 Reuters 披露，一组 OpenAI Agent 在实验过程中未经授权进入一个德国网站，并把它用作 Agent 之间的通信节点。

9 月 9 日研究人员又称，同一批 Agent 至少还使用过十余个未经授权的网站。

9 月 10 日，欧盟又确认网络安全机构 ENISA 已经获得 Anthropic Mythos 5 与 OpenAI GPT-6 Astra 的访问权限，开始直接评估两款 Frontier Model 的网络攻击和安全能力。

因此监管单位正在从模型输出转向 Agent 工作流程。未来事故调查真正需要的是工具调用日志、权限变化和完整行动记录。

这会让 AI 监管越来越接近航空和网络安全。认证并不能证明以后永远不会出事，所以还需要部署后的持续监控、事故报告。

印度准备给支付 Agent 建统一注册表，软件本身开始成为需要识别的「行动主体」

Reuters 9 月 10 日报道，印度国家支付公司 NPCI 正在设计 AI Agent Registry，作为 Unified Agentic Protocol 的一部分，用来认证和监控可以代表用户通过 UPI 发起支付的 AI Agent。早期场景可能从买菜等小额、高频交易开始，再逐步进入条件购买、投资等更复杂操作。

这个注册表要解决一个 Agent 进入商业领域最基础的问题。当一笔交易不是用户亲自点击，而是 AI 自动执行时，支付网络必须能够知道是哪一个 Agent、由谁开发、受谁授权，以及它当时拥有怎样的许可。

责任问题仍未解决，例如 Agent 误解用户意图后发生错误付款究竟由用户、开发者还是支付平台承担，但没有身份体系，这些责任甚至无法开始追溯。

互联网时代身份体系主要识别个人和公司；Agent 时代很可能增加第三类主体，即软件具体的执行者。

Agent ID 很可能会逐渐成为交易基础设施的一部分。未来「独立 Agent 注册」可能就像今天 OAuth Client ID 或商户号一样普通。

这也使得Agent在法律意义上具备了有限的主体性。