作者：Ben Thompson（Stratechery）
来源：SandHill.io #303 推荐阅读 · 行业动态与分析
说明：本文为中文编译稿，非全文翻译，完整内容请阅读原文。
导读： 针对 Anthropic CEO Dario Amodei 提出的”我们必须为前沿定速”（We Must Pace the Frontier），Ben Thompson 在反对其末日论哲学之外，从战略角度提出：放缓模型进步恰好能缓解前沿实验室面临的五种”悬置”（overhang）——能力、产品、定价、资本与安全。他认为，真正最重要的”悬置”其实是竞争。
一、缘起：对”安全主义”的质疑
- 作者认为，赋予所有现存及未来可能存在的生命同等道德权重的哲学，会把天平荒谬地压向”安全主义”（safetyism），使创新难以为继；而且它带有宗教色彩，容不下异议。
- 他选择”怀疑我们预见未来的能力，同时相信人类能边走边解决问题”，并以新罕布什尔州的州训”不自由，毋宁死”（Live Free or Die）表明立场。
- 延续此前《Anthropic 的安全超能力》一文的思路：Anthropic 对安全的真诚信念，恰好为其追求与商业利益一致的目标提供了正当性。本文反向论证——”为前沿定速”出于安全动机，但也恰好能缓解前沿实验室因模型进步过快而形成的若干”悬置”。
二、能力悬置（Capability Overhang）
- 作者重申”智能体胜过泡沫”的判断：自 2025 年底 Opus 4.5 开启智能体范式以来，智能体能力强、消耗 token 极多，当前算力建设并非泡沫。他本人近几个月也沉迷于用智能体编程开发个人项目。
- 但他修正了一个观点：过去他认为模型与工具框架（harness）的整合是差异化关键，利润将流向 Anthropic、OpenAI 这类整合者。如今他发现自己也能搭建（虽然困难）一个 harness；Microsoft CEO Satya Nadella 在访谈中表示其 harness 将支持多模型轮换，Copilot Cowork 现已允许用户选择模型——模型与 harness 可以分离。
- 作者借 Clayton Christensen 的整合与模块化理论解释其意义：产品”不够好”时，整合式架构占优；一旦性能过剩，竞争基础转向速度、便利与定制，模块化架构胜出。
- 佐证：Anthropic 曾要求使用 Fable 必须允许其保留客户数据至少一个月，押注模型强到足以让企业放弃零数据留存；结果客户抵制、使用量偏低，Fable 5.1 删除了该条款。作者认为这说明当前能力已”足够好”，客户会基于性能以外的因素选模型——单纯的能力已不再直接等于护城河。
三、产品悬置（Product Overhang）
- 由于模型与 harness 趋于模块化，前沿实验室有经济动力去掌控用户触点，最终与软件公司正面冲突，而且要趁能力领先时完成。
- 利空信号来自 Meta 的 Muse：作者称其为他用过的最好、最易上手的个人智能体产品，Meta 还免费为用户提供性能强劲的虚拟机。但支撑它的 Muse Spark 1.3 并非最先进的模型——这说明”足够好”的模型已能做出很好的产品。
- 关键区别在于黏性：个人智能体一旦承载了用户的全部信息和日常生活就很难迁移；而 Codex、Claude Code 的产物（代码）都存放在 GitHub，换一个更好或更便宜的智能体成本很低。
- 结论：模型能力已足以构建真正有护城河的产品，Anthropic 和 OpenAI 应投入更多资源去做产品。
四、定价悬置（Pricing Overhang）
- 作者此前认为外界高估了中国模型的威胁：在算力充足的世界里智能是商品，利润来自成本结构优势，领先厂商应有此优势。中国模型看起来便宜，是因为 Anthropic 和 OpenAI 供给受限、定价远高于供需平衡水平。
- 这把”价格保护伞”就是定价悬置。两家公司大量算力用于训练、强化学习和研发，而非推理；如果放慢进步、把算力转向推理，就能更充分地占领市场。
五、资本悬置（Capital Overhang）
- 作者此前在《Nvidia 的高风险生意》中提醒：算力需求不是泡沫，但可能存在时间错配——超大规模云厂商大举举债、Google 开始动用股权融资，而新型融资机制正把保险浮存金、养老金等追求安全的资金卷入其中。
- 据 Financial Times 报道，Anthropic 告诉投资者其调整后营业利润已连续两个季度为正，扣除分销分成和训练成本前毛利率超过 80%。作者起初质疑排除训练成本这一口径，随后加注更正：据其所知，Anthropic 在计入训练成本后确实盈利。
- 总体而言，前沿实验室、超大规模云厂商和新型云厂商（neocloud）都需要 AI 收入大幅增长；资本并非无限，一旦触顶，依赖外部资本扩张的各方都将受伤，尽管这并不意味着 AI 的终结。
六、安全悬置（Safety Overhang）
- 作者承认 AI 安全是真实问题，尤其是网络安全：自动化攻击的期望收益永远为正（只需成功一次），而防御方的自动化期望收益为负（修补失败会让情况更糟），因此攻击方会全面自动化，防御方仍倾向保留人工，且跟不上。
- 他提出三点：
- 这并非传统意义上的”对齐”（alignment）风险——被指使做坏事的模型恰恰是对齐的；目前也没有证据表明大语言模型有自主意志或恶意，它们反而过于顺从。
- 以网络风险为由反对进步已经太晚，具备攻击能力的开放权重模型早已存在。
- 这反而支持推进而非放缓前沿：能力悬置完全在进攻端，防御方需要更强、能全自动防御且不拖垮基础设施的模型。放缓前沿只会延长危险窗口。
七、结论：最大的悬置是竞争
- 作者指出，Amodei 等人真正担心的是递归自我改进（recursive self-improvement）导致 AI 脱离人类控制；他愿意讨论这一风险，前提是存在真正的辩论空间。
- 各实验室本可自行放缓，但它们不会。作者认为这背后有个人因素：Anthropic 的创立源于对 Sam Altman 和 OpenAI 的不信任，而”定速”呼吁恰好出现在 OpenAI 多年来首次重新站上前沿之时。
- 最终判断：最关键的悬置是竞争——Anthropic 领先时一切都好，别人领先就需要政府介入；而恰好契合其”争取时间构建护城河”需求的安全论据，被作者讽刺地称为硅谷”新神”给予其自封祭司的启示。