📋 目录📺 一场由播客办起来的大会🎯 大会真正的核心问题，只有1个🛡️ 第一场就问了一个不太舒服的问题🏆 模型竞赛那场，要推翻的是一个共识🔬 AI for Science 那场：一组数字和一个未解的问题🤖 Agent 与个人助理：授权问题被重新提出来👷 FDE 场：一个岗位的走红和它的代价🏗️ 数据中心场：12到15年租约对上4到6年算力合同💰 资本市场视角：不一定是泡沫破裂🧭 我从这场大会里拿到的东西🛠️ 对做企业数据平台的人，这场会有哪些能用上的💬 想听听你的判断📺 一场由播客办起来的大会先说清楚这是什么。Alignment 2026，2026 年 10 月 10 日至 11 日在旧金山举行，为期两天，主题叫 “Live from the AI Frontier, Uncut”。主办方是播客节目《硅谷101》本身——不是行业协会，不是学术会议，是一家内容团队办的。这一点被大量中文报道模糊掉了。写成"AI 大会"很容易让人以为是什么有分量的行业峰会，结果一看议程是八场圆桌加一个黑客松，心态就该调整：这是个有观点的媒体活动，不是一个发布标准的大会。规模同样需要拆开看。主持人陈茜在会前播客里自己说的数据是：2024 年第一届约 700 人，2025 年约 1000 人，今年扩展为完整两天。没有"数千人"的版本。中文报道里"参会者数千"的表述我没能找到出处。这两点合起来有个直接含义：这个大会的信息量是"密度高"而不是"覆盖广"。它能告诉你哪些从业者在想什么，不能作为"行业共识"来引用。谁在这个会上发言，比这个会有多少人，重要得多。🎯 大会真正的核心问题，只有1个陈茜自己在会前就定好了调子：“模型已经足够聪明了，为什么公司还是没拿到 ROI？”她还说了一句更值得记的判断：硅谷 AI 界已经接受一个现实——永远不可能有前沿模型公司保持永远领先。这两句话合起来，才解释了为什么今年的大会议程会变成现在这个样子。如果"模型能力"是主战场，那议程应该是模型对比、参数规模、跑分排名。但当所有人都默认"模型会持续变强、而且你不会永远是最强的那家"时，真正的问题就变成了：模型变强的这段时间里，你的组织怎么把它变成钱？她援引 OpenAI 8 月的企业数据说，领先企业用 AI 的方式正从"辅助员工完成工作"转向"把任务直接交给 AI 执行"。这个转向，是理解今年全部议程的钥匙。八场议题：AI 对齐与安全、模型竞赛、世界模型、机器人、AI for Science、Agent 与个人助理、FDE（前沿部署工程师）、数据中心与 AI 基础设施。表面看是八个平行话题，实际是同一个问题的八个切面。🛡️ 第一场就问了一个不太舒服的问题第一天从安全开场，嘉宾包括 Meta 的人、一位前 Anthropic 研究员、以及 Center for AI Safety 的研究者。时机不是巧合。就在陈茜录制那期播客的当周，特朗普在白宫见了包括 Anthropic CEO Dario Amodei 在内的多位科技领袖，宣布了一项原则上把监管主导权交给行业的协议。Amodei 长期警告的是先进模型的生存性风险。陈茜没有让这场讨论停在政策层面。她提了三个问题，其中最实的一个是：当一个前沿模型即将进入十亿人使用的产品，安全到底怎么落地？这个问题比"要不要监管"具体一个量级。因为"要不要监管"是立场问题，答案会分裂；而"怎么落地"是工程问题，答案可能只有一个。我在会后各方的公开回顾里，看到的答案其实偏软——基本都落在"多轮红队"“发布前的安全评估”"行业共享机制"这类表述上。没有一个讲席公开了可验证的落地指标。这不算失败，行业本来也没到能给出指标的时候。但必须诚实：这一场的实际信息增量，主要在提问，不在答案。🏆 模型竞赛那场，要推翻的是一个共识模型竞赛那场，陈茜说得很直接：她想挑战一个人人都默认的前提——模型竞赛真的有赢家吗？在讨论这个问题之前，需要先接受她前面那句话：硅谷已经接受"没有公司能永远领先"。这两句是配套的。如果永远领先是可能的，那竞赛的目标就是夺冠；如果不可能，那竞赛的目标就变成"在领先期把能力变现成什么"。从这个角度看，2026 年模型竞赛场次的性质在变——它不再是一场要宣布冠军的比赛，而更像一场关于"领先窗口期有多长"的讨论。具体发言我没找到完整逐字稿，不做推测。但有一点可以确定：这种框架的转变，本身就是过去两年模型能力溢出带来的结构性变化。当能力和价格同时改善到一定程度，"谁最强"这个问题就会变得不如"我该在什么时候押注什么"重要。🔬 AI for Science 那场：一组数字和一个未解的问题这场的分量最实，因为它有真实案例支撑。核心案例是 Anthropic 9 月 23 日公布的工作：约 950 个 Claude 智能体并行运行 21.5 小时，在基因组数据库中自主发现一套此前未被完整描述的酶系统，命名为 ART（阵列相关逆转录酶）。数字我核过，几套来源基本一致，但细节上有需要注意的出入：项目数字来源与说明智能体数量约 950 个多个来源一致并行时长21.5 小时央广网、人民网、新浪一致token 消耗约 2.1 亿 / 2.156 亿新浪引论文预印本给 2.156 亿（215.6 百万），央广网给"约 2.1 亿"任务数119 项任务新浪引论文会话数949 个智能体会话新浪引论文shell 命令7578 条智迪思引论文数据库查询696 次同上文献检索131 次同上覆盖规模19 亿个蛋白质簇同上初筛逆转录酶近 20 万个央广网、人民网候选系统约 3500 / 3564 个央广网给约 3500，智迪思给 3564（口径略不同）最终聚焦20 个重点对象央广网、人民网独立研究报告19 份智迪思引论文重复单元长度15~49 个核苷酸智迪思重复单元数量3~21 个智迪思"3500"和"3564"这个差异值得停一下——大概率是"候选系统数"和"候选搭档家族数"两个口径，中文报道混在一起了。这种级别的差异在传播中会被抹平成"3500 个"，然后在下一个报道里变成"3500 个候选"。这场讨论真正的问题，陈茜在会前播客里已经点出来了：AI 是更快地搜索已知知识，还是开始提出人类不会提出的假设？Anthropic 自己的答案是谨慎的：AI 承担数据检索、候选筛选、假设整理，湿实验由人类完成。而且明确说了，ART 最终能否成为类似 CRISPR 的工具，仍取决于后续实验验证。学界反应也印证了这个谨慎。麻省理工的 Lucas Harrington（Doudna 实验室）说得很直白：找到一个奇怪的基因簇和重复序列往往是最容易的部分，难的部分——也是真正发现所在——是弄清这个系统究竟做什么，而这项研究还没有做到这一点。斯坦福的 Le Cong 教授说实验"还在排队中"。张锋给出的评价是正面的，但也是"值得深入研究"这个级别。所以这场大会有一个相当有分量的共识：AI 在数据密集的筛选环节已经可以独立工作，但在"这个发现意味着什么"这一步，人还在loop 里。🤖 Agent 与个人助理：授权问题被重新提出来Agent 那场最值得注意的，是它把支付授权的问题又摆到了台面上。这个话题在 10 月 17 日我已经单独写过一次（Agent 支付授权那篇），这里只补一个大会语境下的新观察。当模型足够强的时候，卡点从"能不能做"变成了"敢不敢授权"。这个转换在大会上被反复触及：安全场问怎么管，Agent 场问怎么授权，数据中心场问谁付钱。三条线的尽头是同一个问题：能力已经跑到了责任前面。这也是我觉得今年大会最诚实的基调。它没有给出"AI 已经改变了一切"的乐观叙事，也没有停在"AI 还有很多问题"的悲观立场，而是把大家都在回避的那个断层摆到了台面上——能力的提升速度快于组织、责任、授权体系的建立速度，这个落差本身，就是当前最主要的风险。👷 FDE 场：一个岗位的走红和它的代价FDE（Forward Deployed Engineer，前沿部署工程师）在 2026 年迅速走红，2026-10-12 我写过一篇专门分析这个岗位的文章（5230% 增长率的那篇），这里不重复。大会语境下值得补的是它被放进了主议程这件事本身。FDE 出现在"AI 对齐与安全、模型竞赛、世界模型、机器人、AI for Science、Agent 与个人助理、FDE、数据中心"这八项里，与模型竞赛和数据中心并列——这说明业界已经把"怎么落地"当成和"模型多强"同等重要的事。Harvey（法律领域）的工程负责人 Joey Wang、Corgi（保险）的创始人 Nico Laqua 都在这个场次。AI 原生商业模式这个话题，也在这次大会的场次名单里。需要提醒一句：FDE 这个头衔本身还没稳定。Anthropic 的招聘页上已经把 forward deployed engineer 和 applied AI engineer 并排放。也就是说，"FDE 走红"这个判断在需求端成立，在定义上不成立——公司在招同一类人，只是叫法还不统一。🏗️ 数据中心场：12到15年租约对上4到6年算力合同这是全场信息密度最高的一场，也是最容易被中文报道漏掉的一场。会上有嘉宾提到一个非常具体的错配：数据中心通常需要 12 到 15 年的长期租约，而算力合同往往只有 4 到 6 年。同时，“部分客户甚至开始接受过去不愿考虑的 20 到 30 兆瓦小型项目”。这两条放在一起，是当下 AI 基建最真实的结构性矛盾：对 C 层最直接的解法有两类：一是把算力从"专用资产"变成"可重新部署的资源"——这在技术上依赖推理引擎的硬件抽象能力。二是把错配本身变成商业机会。会上明确有观点认为，这个租约错配"既是行业面临的挑战，也为能够解决这一问题的企业创造了商业机会"。这个视角很实在：当行业被一个结构性错配卡住时，最赚钱的生意往往不是消除错配，而是提供错配的解法。会上还有来自 ZFLOW AI、Inco.ai、RadixArk 等基础设施公司的讨论。Inco.ai 创始人、加州大学圣地亚哥分校助理教授 Zhijian Liu 提了一个数字：当推理规模足够大时，即使 5% 到 10% 的性能提升也具有价值。他同时指出了一个被普遍忽略的现实：学术测试与真实业务往往存在差距。Agent 执行定时任务时，可能每隔 30 分钟产生一次请求高峰，这类真实负载很难通过传统测试充分模拟。RadixArk 联合创始人兼 CTO、Banghua Zhu 的判断是：未来通用推理引擎负责广泛兼容，专用引擎追求极致性能，而更轻量、适合 AI Agent 开发的软件框架可能成为连接两者的关键。这个"中间层"判断，和我在 10-19 那篇美光文章里提到的"KV cache offload 正在成为比 HBM 更值得架构师关注的方向"是同一个意思：当模型侧和硬件侧都趋于稳定，中间层就成了竞争的主要战场。💰 资本市场视角：不一定是泡沫破裂Esoterica Capital CEO Bruce Liu 从资本市场角度给了一个不同的判断：AI 基础设施建设正在推动美国私人部门进入新一轮加杠杆周期；尽管市场担忧科技公司的巨额资本开支和债务增长，他认为大型科技公司的资产负债表仍相对健康；当前信用利差扩大，更多是商业模式转型过程中的风险重新定价，不一定意味着泡沫破裂；但部分新兴云服务商和能源项目的融资成本已明显上升。这个判断和 10-13 我写过的"2.13 万亿美元影子债务"那篇是有张力的。那篇的核心发现是折旧年限从 15 年改到 25 年会少计上千亿——那是会计层面的藏债。Bruce Liu 的说法则是：资产负债表本身健康，利差扩大是风险重定价。这两个判断不必然矛盾，但确实指向不同侧面。前者讲的是会计口径，后者讲的是信用市场。放在 10-13 那期讲过的"折旧年限与并表结构"里看，Bruce Liu 强调的是大厂承担得起，而承担不起的是新兴云和能源项目——这个区分很重要，因为承担不起的那一层恰恰是风险最集中的地方。🧭 我从这场大会里拿到的东西说回我自己。我从这个大会里拿到的最有价值的东西，是三件事。第一，最重要的产出是问题，不是结论。“模型已经足够强了，为什么公司还是没拿到 ROI”——这个问题本身，比会上任何一个技术判断都更有用。因为它把行业的注意力从"能不能"强制切换到了"值不值"。能回答这个问题的公司，才能在下一轮活下来。第二，"模型会一直领先"这个假设的破产，比模型能力的提升影响更深远。一旦所有人都接受没有公司能永远领先，很多战略就要重写：不能靠"我们比别人快"活着，得靠"我们把领先期变现了"活着。这对组织能力的要求，和对模型能力的要求，是完全不同的两套。第三，能力跑在责任前面，是当前所有结构性矛盾的共同源头。安全场问监管、Agent 场问授权、数据中心场问租约、资本市场场问杠杆——四个完全不同领域的追问，指向同一个断层。这个断层不是某个技术问题，是组织问题。这也是为什么纯技术出身的团队做企业 AI 会普遍撞墙。顺便记一笔：这次大会还设了个 AI 短剧黑客松 STORY101 LAB，和 Runway 合作，奖金 1.6 万美元加 100 万点算力额度。两天内完成从故事构想到作品呈现。奖金 1.6 万美元对标的是同期Anthropic 一份技术报告背后 2.156 亿 token 的消耗量级——这两个数字放在一起不算嘲讽，只是说明：内容生产的入场门槛已经降到和新药研发同一种稀缺性（算力额度），而不是同一种成本结构。🛠️ 对做企业数据平台的人，这场会有哪些能用上的会议内容本身不能直接当结论用，但它提出的问题恰好是企业数据平台每天在处理的问题。大会提出的问题企业数据平台的对应现实模型够强了，为什么没 ROI数据接进来了、口径没对齐、血缘说不清 → 判断成本高过自动化收益安全怎么落地权限跟着数据走，而不是长在系统边界上Agent 的真实负载难模拟（每 30 分钟一次高峰）数据同步、任务调度同样有峰谷，平铺资源既贵又不够12-15年租约对4-6年合同数据资产一旦绑死某个系统用途，就成了专用资产中间层成为关键数据层就是企业的中间层所以领码 SPARK 融合平台在这场大会语境下的定位，反而更清楚了：它不解决"模型够不够强"的问题，它解决"强模型接进企业之后，判断成本能不能降下来"。具体对应三条设计选择：iPaaS 接数据，但接进来只是入场券。大会反复说模型已经不是瓶颈，那么"把数据接进来"这件事的难度也必须下降——大量集成工作应该靠连接器配置完成，而不是每次找人写。这正是 iPaaS 的位置。治理中心必须前置。Zhijian Liu 说的"学术测试与真实业务有差距"，在企业数据里同样成立：测试环境的元数据规范做得再好，生产环境里只要有一个字段口径不同，整条链路的结论就作废。治理必须发生在数据进入的那一刻，不是等到出问题再回来补。全域守卫是让 ROI 可算的前提。"模型够强但没 ROI"这个现象，在企业里最常见的真实原因就是算不清——不知道谁在用、用得怎么样、哪条链路真有问题。数据拿不到人和动作上，ROI 就永远是个感觉。同时还是要重复那条边界：平台让判断标准可执行、可追溯，但标准本身对不对，仍然要由懂业务的人定。就像大会安全场那些讲席——他们提出的问题都对，但"安全怎么落地"的答案没有标准答案，只能逐个企业去定。平台能做的，是让这个"逐个企业去定"的过程留下痕迹、可复核、可追责。💬 想听听你的判断三个问题："模型不再是最强的那家"这个假设，会怎么改变你所在行业的变化速度？我个人最直接的感受是：以前做规划可以押注"明年我们会更强"，现在这个押注不成立了。FDE 进了大会主议程，你觉得国内对应的岗位是什么？我的答案是没有对应的。这个错配本身说明：海外在解"怎么落地"，而国内的瓶颈可能还在更前面一层。如果能力跑在责任前面这个断层短期内补不上，你觉得最先出问题的是哪个领域？我倾向金融和医疗。但你也可能认为会是看起来最热、监管最松的那类应用。如果你参加过类似的大会，欢迎聊聊你的观感：这类由内容团队办的大会，你觉得它的价值是"信息"还是"人"？我倾向是人——因为信息可以回看，人和人的判断交换很难被替代。关于本文数据来源的说明本文数据来源限于以下可公开查证渠道，未查证的流传数字已在正文中标注：《硅谷101》主持人陈茜在大会前的播客预告（biggo 财经转载，含议程、八大主题、规模数据、STORY101 LAB 奖金）网易 / 腾讯网转载的《Alignment 2026 大会全回顾》（含 Harry Wang 主题演讲、Token Economies 论坛、新闻分会场谈）人民网财经、央广网科技频道（Anthropic ART 发现的官方口径数据）新浪科技（引论文预印本：119 项任务、949 会话、7578 条shell 命令等）RoboHorizon / Esoterica 相关报道（数据中心的租约错配与资本市场观点）Humanoids Daily（用于第 1 篇的 Dyna Robotics 核对，本文作为对照引用）本文立场不代表任何投资建议。
📋 目录📺 一场由播客办起来的大会🎯 大会真正的核心问题，只有1个🛡️ 第一场就问了一个不太舒服的问题🏆 模型竞赛那场，要推翻的是一个共识🔬 AI for Science 那场：一组数字和一个未解的问题🤖 Agent 与个人助理：授权问题被重新提出来👷 FDE 场：一个岗位的走红和它的代价🏗️ 数据中心场：12到15年租约对上4到6年算力合同💰 资本市场视角：不一定是泡沫破裂🧭 我从这场大会里拿到的东西🛠️ 对做企业数据平台的人，这场会有哪些能用上的💬 想听听你的判断📺 一场由播客办起来的大会先说清楚这是什么。Alignment 2026，2026 年 10 月 10 日至 11 日在旧金山举行，为期两天，主题叫 “Live from the AI Frontier, Uncut”。主办方是播客节目《硅谷101》本身——不是行业协会，不是学术会议，是一家内容团队办的。这一点被大量中文报道模糊掉了。写成"AI 大会"很容易让人以为是什么有分量的行业峰会，结果一看议程是八场圆桌加一个黑客松，心态就该调整：这是个有观点的媒体活动，不是一个发布标准的大会。规模同样需要拆开看。主持人陈茜在会前播客里自己说的数据是：2024 年第一届约 700 人，2025 年约 1000 人，今年扩展为完整两天。没有"数千人"的版本。中文报道里"参会者数千"的表述我没能找到出处。这两点合起来有个直接含义：这个大会的信息量是"密度高"而不是"覆盖广"。它能告诉你哪些从业者在想什么，不能作为"行业共识"来引用。谁在这个会上发言，比这个会有多少人，重要得多。🎯 大会真正的核心问题，只有1个陈茜自己在会前就定好了调子：“模型已经足够聪明了，为什么公司还是没拿到 ROI？”她还说了一句更值得记的判断：硅谷 AI 界已经接受一个现实——永远不可能有前沿模型公司保持永远领先。这两句话合起来，才解释了为什么今年的大会议程会变成现在这个样子。如果"模型能力"是主战场，那议程应该是模型对比、参数规模、跑分排名。但当所有人都默认"模型会持续变强、而且你不会永远是最强的那家"时，真正的问题就变成了：模型变强的这段时间里，你的组织怎么把它变成钱？她援引 OpenAI 8 月的企业数据说，领先企业用 AI 的方式正从"辅助员工完成工作"转向"把任务直接交给 AI 执行"。这个转向，是理解今年全部议程的钥匙。八场议题：AI 对齐与安全、模型竞赛、世界模型、机器人、AI for Science、Agent 与个人助理、FDE（前沿部署工程师）、数据中心与 AI 基础设施。表面看是八个平行话题，实际是同一个问题的八个切面。🛡️ 第一场就问了一个不太舒服的问题第一天从安全开场，嘉宾包括 Meta 的人、一位前 Anthropic 研究员、以及 Center for AI Safety 的研究者。时机不是巧合。就在陈茜录制那期播客的当周，特朗普在白宫见了包括 Anthropic CEO Dario Amodei 在内的多位科技领袖，宣布了一项原则上把监管主导权交给行业的协议。Amodei 长期警告的是先进模型的生存性风险。陈茜没有让这场讨论停在政策层面。她提了三个问题，其中最实的一个是：当一个前沿模型即将进入十亿人使用的产品，安全到底怎么落地？这个问题比"要不要监管"具体一个量级。因为"要不要监管"是立场问题，答案会分裂；而"怎么落地"是工程问题，答案可能只有一个。我在会后各方的公开回顾里，看到的答案其实偏软——基本都落在"多轮红队"“发布前的安全评估”"行业共享机制"这类表述上。没有一个讲席公开了可验证的落地指标。这不算失败，行业本来也没到能给出指标的时候。但必须诚实：这一场的实际信息增量，主要在提问，不在答案。🏆 模型竞赛那场，要推翻的是一个共识模型竞赛那场，陈茜说得很直接：她想挑战一个人人都默认的前提——模型竞赛真的有赢家吗？在讨论这个问题之前，需要先接受她前面那句话：硅谷已经接受"没有公司能永远领先"。这两句是配套的。如果永远领先是可能的，那竞赛的目标就是夺冠；如果不可能，那竞赛的目标就变成"在领先期把能力变现成什么"。从这个角度看，2026 年模型竞赛场次的性质在变——它不再是一场要宣布冠军的比赛，而更像一场关于"领先窗口期有多长"的讨论。具体发言我没找到完整逐字稿，不做推测。但有一点可以确定：这种框架的转变，本身就是过去两年模型能力溢出带来的结构性变化。当能力和价格同时改善到一定程度，"谁最强"这个问题就会变得不如"我该在什么时候押注什么"重要。🔬 AI for Science 那场：一组数字和一个未解的问题这场的分量最实，因为它有真实案例支撑。核心案例是 Anthropic 9 月 23 日公布的工作：约 950 个 Claude 智能体并行运行 21.5 小时，在基因组数据库中自主发现一套此前未被完整描述的酶系统，命名为 ART（阵列相关逆转录酶）。数字我核过，几套来源基本一致，但细节上有需要注意的出入：项目数字来源与说明智能体数量约 950 个多个来源一致并行时长21.5 小时央广网、人民网、新浪一致token 消耗约 2.1 亿 / 2.156 亿新浪引论文预印本给 2.156 亿（215.6 百万），央广网给"约 2.1 亿"任务数119 项任务新浪引论文会话数949 个智能体会话新浪引论文shell 命令7578 条智迪思引论文数据库查询696 次同上文献检索131 次同上覆盖规模19 亿个蛋白质簇同上初筛逆转录酶近 20 万个央广网、人民网候选系统约 3500 / 3564 个央广网给约 3500，智迪思给 3564（口径略不同）最终聚焦20 个重点对象央广网、人民网独立研究报告19 份智迪思引论文重复单元长度15~49 个核苷酸智迪思重复单元数量3~21 个智迪思"3500"和"3564"这个差异值得停一下——大概率是"候选系统数"和"候选搭档家族数"两个口径，中文报道混在一起了。这种级别的差异在传播中会被抹平成"3500 个"，然后在下一个报道里变成"3500 个候选"。这场讨论真正的问题，陈茜在会前播客里已经点出来了：AI 是更快地搜索已知知识，还是开始提出人类不会提出的假设？Anthropic 自己的答案是谨慎的：AI 承担数据检索、候选筛选、假设整理，湿实验由人类完成。而且明确说了，ART 最终能否成为类似 CRISPR 的工具，仍取决于后续实验验证。学界反应也印证了这个谨慎。麻省理工的 Lucas Harrington（Doudna 实验室）说得很直白：找到一个奇怪的基因簇和重复序列往往是最容易的部分，难的部分——也是真正发现所在——是弄清这个系统究竟做什么，而这项研究还没有做到这一点。斯坦福的 Le Cong 教授说实验"还在排队中"。张锋给出的评价是正面的，但也是"值得深入研究"这个级别。所以这场大会有一个相当有分量的共识：AI 在数据密集的筛选环节已经可以独立工作，但在"这个发现意味着什么"这一步，人还在loop 里。🤖 Agent 与个人助理：授权问题被重新提出来Agent 那场最值得注意的，是它把支付授权的问题又摆到了台面上。这个话题在 10 月 17 日我已经单独写过一次（Agent 支付授权那篇），这里只补一个大会语境下的新观察。当模型足够强的时候，卡点从"能不能做"变成了"敢不敢授权"。这个转换在大会上被反复触及：安全场问怎么管，Agent 场问怎么授权，数据中心场问谁付钱。三条线的尽头是同一个问题：能力已经跑到了责任前面。这也是我觉得今年大会最诚实的基调。它没有给出"AI 已经改变了一切"的乐观叙事，也没有停在"AI 还有很多问题"的悲观立场，而是把大家都在回避的那个断层摆到了台面上——能力的提升速度快于组织、责任、授权体系的建立速度，这个落差本身，就是当前最主要的风险。👷 FDE 场：一个岗位的走红和它的代价FDE（Forward Deployed Engineer，前沿部署工程师）在 2026 年迅速走红，2026-10-12 我写过一篇专门分析这个岗位的文章（5230% 增长率的那篇），这里不重复。大会语境下值得补的是它被放进了主议程这件事本身。FDE 出现在"AI 对齐与安全、模型竞赛、世界模型、机器人、AI for Science、Agent 与个人助理、FDE、数据中心"这八项里，与模型竞赛和数据中心并列——这说明业界已经把"怎么落地"当成和"模型多强"同等重要的事。Harvey（法律领域）的工程负责人 Joey Wang、Corgi（保险）的创始人 Nico Laqua 都在这个场次。AI 原生商业模式这个话题，也在这次大会的场次名单里。需要提醒一句：FDE 这个头衔本身还没稳定。Anthropic 的招聘页上已经把 forward deployed engineer 和 applied AI engineer 并排放。也就是说，"FDE 走红"这个判断在需求端成立，在定义上不成立——公司在招同一类人，只是叫法还不统一。🏗️ 数据中心场：12到15年租约对上4到6年算力合同这是全场信息密度最高的一场，也是最容易被中文报道漏掉的一场。会上有嘉宾提到一个非常具体的错配：数据中心通常需要 12 到 15 年的长期租约，而算力合同往往只有 4 到 6 年。同时，“部分客户甚至开始接受过去不愿考虑的 20 到 30 兆瓦小型项目”。这两条放在一起，是当下 AI 基建最真实的结构性矛盾：对 C 层最直接的解法有两类：一是把算力从"专用资产"变成"可重新部署的资源"——这在技术上依赖推理引擎的硬件抽象能力。二是把错配本身变成商业机会。会上明确有观点认为，这个租约错配"既是行业面临的挑战，也为能够解决这一问题的企业创造了商业机会"。这个视角很实在：当行业被一个结构性错配卡住时，最赚钱的生意往往不是消除错配，而是提供错配的解法。会上还有来自 ZFLOW AI、Inco.ai、RadixArk 等基础设施公司的讨论。Inco.ai 创始人、加州大学圣地亚哥分校助理教授 Zhijian Liu 提了一个数字：当推理规模足够大时，即使 5% 到 10% 的性能提升也具有价值。他同时指出了一个被普遍忽略的现实：学术测试与真实业务往往存在差距。Agent 执行定时任务时，可能每隔 30 分钟产生一次请求高峰，这类真实负载很难通过传统测试充分模拟。RadixArk 联合创始人兼 CTO、Banghua Zhu 的判断是：未来通用推理引擎负责广泛兼容，专用引擎追求极致性能，而更轻量、适合 AI Agent 开发的软件框架可能成为连接两者的关键。这个"中间层"判断，和我在 10-19 那篇美光文章里提到的"KV cache offload 正在成为比 HBM 更值得架构师关注的方向"是同一个意思：当模型侧和硬件侧都趋于稳定，中间层就成了竞争的主要战场。💰 资本市场视角：不一定是泡沫破裂Esoterica Capital CEO Bruce Liu 从资本市场角度给了一个不同的判断：AI 基础设施建设正在推动美国私人部门进入新一轮加杠杆周期；尽管市场担忧科技公司的巨额资本开支和债务增长，他认为大型科技公司的资产负债表仍相对健康；当前信用利差扩大，更多是商业模式转型过程中的风险重新定价，不一定意味着泡沫破裂；但部分新兴云服务商和能源项目的融资成本已明显上升。这个判断和 10-13 我写过的"2.13 万亿美元影子债务"那篇是有张力的。那篇的核心发现是折旧年限从 15 年改到 25 年会少计上千亿——那是会计层面的藏债。Bruce Liu 的说法则是：资产负债表本身健康，利差扩大是风险重定价。这两个判断不必然矛盾，但确实指向不同侧面。前者讲的是会计口径，后者讲的是信用市场。放在 10-13 那期讲过的"折旧年限与并表结构"里看，Bruce Liu 强调的是大厂承担得起，而承担不起的是新兴云和能源项目——这个区分很重要，因为承担不起的那一层恰恰是风险最集中的地方。🧭 我从这场大会里拿到的东西说回我自己。我从这个大会里拿到的最有价值的东西，是三件事。第一，最重要的产出是问题，不是结论。“模型已经足够强了，为什么公司还是没拿到 ROI”——这个问题本身，比会上任何一个技术判断都更有用。因为它把行业的注意力从"能不能"强制切换到了"值不值"。能回答这个问题的公司，才能在下一轮活下来。第二，"模型会一直领先"这个假设的破产，比模型能力的提升影响更深远。一旦所有人都接受没有公司能永远领先，很多战略就要重写：不能靠"我们比别人快"活着，得靠"我们把领先期变现了"活着。这对组织能力的要求，和对模型能力的要求，是完全不同的两套。第三，能力跑在责任前面，是当前所有结构性矛盾的共同源头。安全场问监管、Agent 场问授权、数据中心场问租约、资本市场场问杠杆——四个完全不同领域的追问，指向同一个断层。这个断层不是某个技术问题，是组织问题。这也是为什么纯技术出身的团队做企业 AI 会普遍撞墙。顺便记一笔：这次大会还设了个 AI 短剧黑客松 STORY101 LAB，和 Runway 合作，奖金 1.6 万美元加 100 万点算力额度。两天内完成从故事构想到作品呈现。奖金 1.6 万美元对标的是同期Anthropic 一份技术报告背后 2.156 亿 token 的消耗量级——这两个数字放在一起不算嘲讽，只是说明：内容生产的入场门槛已经降到和新药研发同一种稀缺性（算力额度），而不是同一种成本结构。🛠️ 对做企业数据平台的人，这场会有哪些能用上的会议内容本身不能直接当结论用，但它提出的问题恰好是企业数据平台每天在处理的问题。大会提出的问题企业数据平台的对应现实模型够强了，为什么没 ROI数据接进来了、口径没对齐、血缘说不清 → 判断成本高过自动化收益安全怎么落地权限跟着数据走，而不是长在系统边界上Agent 的真实负载难模拟（每 30 分钟一次高峰）数据同步、任务调度同样有峰谷，平铺资源既贵又不够12-15年租约对4-6年合同数据资产一旦绑死某个系统用途，就成了专用资产中间层成为关键数据层就是企业的中间层所以领码 SPARK 融合平台在这场大会语境下的定位，反而更清楚了：它不解决"模型够不够强"的问题，它解决"强模型接进企业之后，判断成本能不能降下来"。具体对应三条设计选择：iPaaS 接数据，但接进来只是入场券。大会反复说模型已经不是瓶颈，那么"把数据接进来"这件事的难度也必须下降——大量集成工作应该靠连接器配置完成，而不是每次找人写。这正是 iPaaS 的位置。治理中心必须前置。Zhijian Liu 说的"学术测试与真实业务有差距"，在企业数据里同样成立：测试环境的元数据规范做得再好，生产环境里只要有一个字段口径不同，整条链路的结论就作废。治理必须发生在数据进入的那一刻，不是等到出问题再回来补。全域守卫是让 ROI 可算的前提。"模型够强但没 ROI"这个现象，在企业里最常见的真实原因就是算不清——不知道谁在用、用得怎么样、哪条链路真有问题。数据拿不到人和动作上，ROI 就永远是个感觉。同时还是要重复那条边界：平台让判断标准可执行、可追溯，但标准本身对不对，仍然要由懂业务的人定。就像大会安全场那些讲席——他们提出的问题都对，但"安全怎么落地"的答案没有标准答案，只能逐个企业去定。平台能做的，是让这个"逐个企业去定"的过程留下痕迹、可复核、可追责。💬 想听听你的判断三个问题："模型不再是最强的那家"这个假设，会怎么改变你所在行业的变化速度？我个人最直接的感受是：以前做规划可以押注"明年我们会更强"，现在这个押注不成立了。FDE 进了大会主议程，你觉得国内对应的岗位是什么？我的答案是没有对应的。这个错配本身说明：海外在解"怎么落地"，而国内的瓶颈可能还在更前面一层。如果能力跑在责任前面这个断层短期内补不上，你觉得最先出问题的是哪个领域？我倾向金融和医疗。但你也可能认为会是看起来最热、监管最松的那类应用。如果你参加过类似的大会，欢迎聊聊你的观感：这类由内容团队办的大会，你觉得它的价值是"信息"还是"人"？我倾向是人——因为信息可以回看，人和人的判断交换很难被替代。关于本文数据来源的说明本文数据来源限于以下可公开查证渠道，未查证的流传数字已在正文中标注：《硅谷101》主持人陈茜在大会前的播客预告（biggo 财经转载，含议程、八大主题、规模数据、STORY101 LAB 奖金）网易 / 腾讯网转载的《Alignment 2026 大会全回顾》（含 Harry Wang 主题演讲、Token Economies 论坛、新闻分会场谈）人民网财经、央广网科技频道（Anthropic ART 发现的官方口径数据）新浪科技（引论文预印本：119 项任务、949 会话、7578 条shell 命令等）RoboHorizon / Esoterica 相关报道（数据中心的租约错配与资本市场观点）Humanoids Daily（用于第 1 篇的 Dyna Robotics 核对，本文作为对照引用）本文立场不代表任何投资建议。