2025年，行业还在为GPT-5的参数规模争论不休；2026年，战局已经悄悄转移了。
MiniMax刚公布了M3模型的稀疏注意力机制，15.6倍的长上下文解码加速听起来很猛。Anthropic被曝即将迎来首个盈利季度，靠的不是什么颠覆性模型，而是把API价格悄悄涨了上去。Richard Socher拿了3亿美元押注RSI（递归自我改进），Karpathy在GitHub上开源了一个用AI训练GPT-2的项目。听起来都很炸裂，对吧？
但与此同时，默克和万事达的真实案例泼了一盆冷水——他们不是在追逐什么RSI或M3，他们花在AI项目上最多的时间，是先把数据管道修好。
这两个画面的对撞，构成了2026年AI行业最核心的张力：技术一边狂飙，应用一边补课。
效率革命：长上下文成本终于要降了？
让我们先看看MiniMax M3的技术突破。
他们预告的稀疏注意力机制，本质上是在解决一个问题：当你把一百万token塞进模型，推理成本会爆炸。传统Transformer的注意力机制是O(n²)复杂度，token越多，计算量涨得比指数还凶。
MiniMax的解法是“次二次方稀疏注意力”——不是每个token都去关注所有其他token，而是让模型学会挑重点。在百万token上下文下实现15.6倍解码加速，这个数字放在工程层面相当可观。
有意思的是，Hugging Face的研究员Adina Yakup评价说：“他们不只是在刷benchmark，在MoE效率和面向Agent的设计上做了很扎实的工作。”
这个判断点出了M3的核心目标——让超长上下文的AI Agent在经济上变得可行。
翻译成人话就是：以前跑不动，现在跑得起了。
商业化账本：你的AI订阅到底谁在买单？
但效率提升能不能转化为商业价值，还得看市场愿不愿意掏钱。
Simon Willison最近干了一件事：他把过去30天用Claude Code和OpenAI Codex消耗的token，按API价格折算了一遍。
结果吓了他一跳——$2,180 Worth的token，他只付了$200订阅费。整整差了10倍。
这说明什么？对个人重度用户来说，$100/月的订阅制简直是薅羊毛。
但企业客户就没这么幸运了。
Anthropic和OpenAI在最近几个月悄悄改了企业定价：从“套餐制”转向“基础费+API调用”。这意味着员工用得越多，公司付得越多，而且单价跟个人套餐完全不在一个量级。
The Information报道了这个转变，Anthropic据说去年11月就开始执行。企业客户正在发现一个残酷的事实：AI Agent烧起token来，比他们想象的要猛得多。
所以Anthropic即将迎来首个盈利季度，不是因为模型突然变得多厉害，而是因为他们终于找到了愿意为实际消耗买单的企业用户。
产品市场契合？也许。但更准确的描述可能是：企业终于意识到自己用AI用得有多狠了。
规模化落地的真相：没有银弹，只有泥泞
如果说上面的新闻还有点“科技前沿”的光鲜感，默克和万事达的案例就直接把镜头怼到了真实战场的泥地里。
默克的VP of Digital Platforms Sean Finnerty说了一句大实话：
"If we do one-offs, we're gonna end up with thousands and thousands of things that are ultimately just gonna be debt."
他们现在的成绩确实亮眼：AI辅助把药物发现周期缩短了33%，营销材料交付提速80%，合规审核从几个月压到几天。但Finnerty反复强调的只有一件事：先把基础设施修好。
默克现在的数据管道支持2,500个AWS账户、多个Azure订阅、新增的GCP集成、47个边缘节点、数百个数据库。这才叫真正的“Agentic AIready”。
不是买个模型API，然后期待它自己搞定一切。
你的数据在哪？Agent能访问到吗？权限怎么管？输出怎么验证？上下文怎么及时交付？ 这些问题不会因为你用了最新一代模型就自动消失。
万事达也是类似的路子。两家公司都在说同一句话：底层的“管道”不过关，应用层的“智能”就是空中楼阁。
RSI的诱惑与陷阱：AI能自己改进自己吗？
当然，行业里永远不会缺席的概念是RSI——递归自我改进。
Richard Socher刚拿了3亿美元创立Recursive Superintelligence，目标是让AI系统完全自动完成“想法→实现→验证”的研究闭环。Karpathy则在GitHub上推进Auto-Research项目，用Agent swarm训练LLM处理简单任务。
愿景很宏大。但现实呢？
Karpathy自己今年3月发推说过：“这不是什么novel, groundbreaking research (yet)。”他的工作目前还局限在GPT-2规模模型上做微小改进。
问题在于，RSI面临一个根本性的悖论：如果AI改进AI的能力还不成熟，为什么相信它能持续改进自己？
这不是唱衰。技术路径可能走得通，工程难题也可能被攻克。但在这个时间点，RSI更像是给投资人讲的故事，而不是可以落地的产品路线图。
向量空间里的隐喻：可控性与智能的关系
有意思的是，Epicure食材嵌入模型的研究提供了一个略显冷门但很有启发的视角。
他们把410万份食谱、7种语言的人类烹饪知识压缩进了一个300维的向量空间。通过SLERP球面线性插值，可以实现“方向算术”——比如在向量空间里导航，找出某种食材的替代品，或者探索某种菜系的演变规律。
这个研究的技术贡献是方法论层面的，但它隐含了一个更深的思考：当我们把所有知识压缩进向量空间，智能到底变得更可控了，还是更不可解释了？
Epicure的答案是：如果你控制了训练数据的结构和嵌入的维度，你就能在向量空间里进行可控导航。智能不是黑箱，而是一张可以解释和操控的几何结构。
这跟MiniMax的稀疏注意力、默克的管道建设，其实说的是同一件事：想把AI用好，你得理解它的底层结构，而不是只盯着表层输出。
拼图开始清晰了
回过头来看这五篇文章，它们的内在联系正在浮现：
MiniMax在解决推理效率问题，Anthropic在验证商业化可行性，默克和万事达在证明规模化落地需要基础设施先行，Epicure在探索如何让智能变得可控，而RSI则代表了另一个方向——技术理想主义者的终极想象。
把它们拼在一起，核心论点变得清晰了：
2026年AI的新战场，不是模型参数的军备竞赛，而是效率、成本与系统可靠性的综合比拼。谁能把“管道”修好，谁才能真正把AI变成生产力。
技术狂飙会继续，AGI/RSI的故事会继续讲下去。但对于真正在干活的企业来说，明天能不能交付一个合规的营销材料、下个季度能不能把药物发现周期再压缩10%，这些问题远比“RSI何时到来”更紧迫。
所以，2026年最值得押注的，可能不是下一个GPT-5或RSI实现，而是那些默默修管道的人。
【锐评】：技术圈永远在追逐“更聪明的AI”，但真正能让AI落地的，永远是那些愿意埋头修管道的“笨蛋”。RSI可以讲给投资人听，管道修得烂只能自己扛。