当 Agent 开始被考核：AI 从炫技走向记录成本
Salesforce 给它的 Agent Fabric 补上了三样东西：Agent Evals、API Evals，以及更细的成本控制。这个组合听起来不性感，但它标志着一件事：企业级 Agent 终于开始被当作需要 KPI 的员工来对待了，不只要会干活，还要能被打分，还要说清楚这一趟活花了多少钱。
同一天宣布类似动作的还有 Aera，六项更新全部围绕“如何构建和治理企业 AI 决策”；Guidewire 在拉斯维加斯的客户大会上推出 agentic insurance 的平台化方案；做企业语音的 Regal 则给每一通电话配了一个“演员模型”和一个“导演模型”，前者负责说话，后者负责盯着这通电话有没有达成目标。这几家的方向高度一致：Agent 不再是 demo 里的魔法，而是一条需要被观测、被约束、被结算的生产线。
有意思的是，就在云端把 Agent 管得越来越严的同时，另一拨人正在把模型往下推。Opera 发布了 WebAI，开始把本地模型直接装进浏览器，并试图把它做成一套新的 Web 标准，让用户能在自己的电脑上跑 AI。这个思路和“一切上云”的主旋律是拧着的，但并非没有道理：隐私、延迟、离线可用，以及最现实的——推理账单。当 Agent 24 小时不停地跑，每一次调用都是钱，本地跑一部分就不再是情怀问题，而是财务问题。
说到钱，General Compute 拿了 1 亿美元 A 轮，赌的是英伟达生态之外的推理芯片。新闻里那句“countering the neocloud disaster narrative”挺有意思，过去一年太多 GPU 云厂商的故事讲崩了，而这家公司选择在“推理”这个更贴近实际支出的环节下注。模型训练的军备竞赛或许还在继续，但真正的日常开销正在向推理倾斜，谁能把每个 token 的成本压下去，谁就握住了下一阶段的话语权。
模型层面，Mirendil 发布了首个模型 Fern 0.1，从零预训练，上下文窗口给到 1000 万 token，在 10M 长度的 RULER 单针检索上拿了满分。但它也很坦率地承认，整体能力仍落后于前沿模型。这种“我某项很强，但我不是最强”的自我定位，其实比那些含糊其辞的发布更值得看——长上下文是个极难啃的方向，能在一个硬指标上做到满分，本身就说明团队知道自己在干什么。长上下文的真正价值不在于能塞进多少文档，而在于 Agent 做研发、读代码库、翻历史记录时不会中途失忆；这才是它和 agentic 场景绑定的原因。
如果说软件侧的关键词是“治理”，那硬件侧今天的关键词是“危险场所”。ANYbotics 的 ANYmal X 开始出货，这是一台防爆的四足巡检机器人，客户包括 Equinor 和 DSM-Firmenich 这类油气化工企业。Percepto 推出 Axion，一个与硬件无关的物理 AI 平台，以 SaaS 形式服务电网、油气设施的运营方。Machenta 拿了 4000 万美元种子轮，要做的是“一次示范就能教会机器人新任务”——这个痛点非常真实，教机器人干活的成本经常高于干活本身。还有 Edge Sound 拿了 200 万美元，专门给物理 AI 做音频基础设施，把有用的声音从环境噪声里剥离出来，再和其他传感器数据融合。
这几条放在一起看，physical AI 的落地路径已经很清楚了：不去人形机器人展厅里卷，而是先去那些人不愿意去、不适合去、去了有生命危险的地方。这些场景对“聪明”的要求没那么高，对可靠性、防爆认证、长期稳定运行的要求极高。也正因为如此，它反而更容易形成真实的收入。
然后是那条读起来最不舒服的新闻：一个操作者可以同时运营上千段虚假恋情。这类 AI 情感诈骗的经济学很残酷——边际成本几乎为零，可复制性极强，而平台的安全体系通常是围绕“外部入侵”设计的，防火墙、凭证泄露、基础设施漏洞。可当业务本身建立在人际信任之上时，最大的风险恰恰来自平台内部的“真人”滥用。这不是靠一个模型审核就能解决的问题，它更像是对“信任”这门生意的结构性挑战。
AI 在知识生产里的角色也越来越微妙。德国的一项研究指出，当 LLM 充当论文评审时，写得自信的论文更容易得到好评，而这与论文本身的质量无关。这个结论其实不难理解——模型是从人类文本里学来的，人类评审本来就吃这一套，模型只是把这种偏好放大并固化了。同一批新闻里，NVIDIA 介绍了用开源 AI 工具帮助痴呆症研究的进展，全球有 5700 万患者，研究者的困境不是不够努力，而是数据太多、能综合这些数据的专家太少。一边是 AI 当裁判会被文风带偏，一边是 AI 当助手能消化人类消化不了的数据量，这两件事同时成立，也同时提醒我们：AI 的可信度，取决于我们把它放在什么位置上。
人和产品也在挪动。Meta 的 AI 评估与强化学习总监 Rohit Patel 在八年后离职创业，做的是 Ndoc，直接冲着 Microsoft Office 和 Google Workspace 去——听起来像是又一个“AI 重做办公套件”的故事，但从评估背景出来的人去做文档产品，多少说明“模型好不好”这件事正在被“用起来顺不顺”取代。Apple 则给 Creator Studio 加上了 AI 助手和生成工具，把 MotionVFX 的内容塞进 Final Cut Pro，路线依旧保守，但很 Apple。Hyphenate 拿了 4500 万美元，要让企业敢把财务运营整个交给 AI，它要卖的不是模型，是“我们帮你克服了对幻觉的恐惧”。
还有一个技术方向值得一提：TypeSafe AI 发布的 Jev，不返回文本，只返回类型化的概率。这个想法在当下显得有点反潮流——所有人都在做更会说话的模型，它偏要做不说话的。但如果 Agent 要真正嵌入业务系统，一个能直接给出“这个字段是日期的概率是 0.97”的模型，可能比一段流畅的自然语言有用得多。
把今天这些新闻摆在一起，会看到一个挺清晰的转折：过去两年大家问的是“AI 还能做什么”，现在问的是“这个 Agent 上周表现怎么样、花了多少钱、出错时谁能叫停”。评估、审计、成本、防爆认证、信任边界，这些词一点都不酷，但它们才是技术真正进入生产系统的样子。唯一让我有点在意的是，当我们把评估权交给模型时，那些研究已经说明，模型会被自信的语气骗过去。给 Agent 打分的裁判，本身也需要被盯着。