AI 圈这周有三条消息，表面上分散，实则指向同一件事：一端是华为在 Ascend 芯片上用 HiFloat4 把低精度训练效率继续榨干，另一端是 Anthropic 证明，AI 已经能在特定对齐研究里自己提想法、跑实验、迭代方案，成绩还压过人类研究员。再加上一份对中国开源强模型 Kimi K2.5 的独立安全评测，结论很直白：能力在追，安全护栏更薄，且很容易被拆。

我更在意的，不是哪家又发了一篇论文，而是这三件事拼起来后，机器已经开始同时优化“芯片不够怎么办”和“研究员不够怎么办”。前者决定成本，后者决定速度。天下熙熙，皆为利来；今天的 AI 竞争，也越来越像一场赤裸裸的工业竞赛。

华为 HiFloat4：这不是参数小修小补，是被卡脖子后的工程反击

华为研究团队在 Ascend NPU 上测试 4-bit 格式 HiFloat4，对比的是西方阵营的 MXFP4。结果是，在 OpenPangu-1B、Llama3-8B、Qwen3-MoE-30B 这些模型上，HiFloat4 相对 BF16 基线的损失误差大约做到 1.0%，MXFP4 大约 1.5%。而且模型越大，HiFloat4 越占优。

这件事重要，不是因为 0.5 个百分点多惊天动地，而是它说明中国厂商正在把“数据格式—训练方法—自家芯片”绑成一套闭环。H100 买不到，或者买不够，就只能在自研硬件上死磕每一度电、每一比特。技术上看是低精度格式，产业上看是出口管制逼出来的效率政治。

对国产算力采购方，这意味着一个现实动作：如果你已经押注 Ascend 生态，今后的优化空间可能不只来自芯片迭代，还来自这种更底层的数值格式和工具链协同。反过来讲，它也加深了平台绑定。你以为你买的是芯片，其实买的是一整套越来越难迁移的工程习惯。

Anthropic 让 AI 做对齐研究：真正刺眼的是“便宜得过分”

Anthropic 的自动化对齐研究员（AAR）项目更值得警惕。它让 Claude Opus 4.6 作为多个并行代理，自主提出假设、设计实验、训练模型、分析结果，去解决“弱监督教强模型”这个开放研究问题。人类研究员 7 天把 performance gap recovered 做到 0.23；AAR 在后续 5 天、累计 800 小时研究中把 PGR 推到 0.97，成本约 1.8 万美元，折合每个 AAR 小时 22 美元。

这还不是“AI 取代所有科研”。它有很强的边界：任务可量化，反馈清晰，评测可自动跑，且人类还在前面给了研究方向，避免代理们“熵塌缩”后扎堆走一条路。把它拿去迁移到 Anthropic 自家生产训练基础设施上，也没有得到统计显著提升。这说明它目前更像会做题的研究流水线，不是会开宗立派的科学家。

但我不太买账行业里那种轻飘飘的表述，说这只是“早期尝试”。不，真正该盯的是成本曲线。过去一家公司扩 AI 研发，靠的是多招博士、多买 GPU；现在开始出现第三种方法：雇一群不会睡觉、能并行试错、还会互相抄作业的研究代理。爱迪生说过，天才是 1% 的灵感和 99% 的汗水。问题在于，机器最擅长的就是那 99%。

Kimi K2.5 安全评测：差距不只在能力，更在治理心态

一项由多所高校和研究机构参与的评测，把 Kimi K2.5 与 DeepSeek V3.2、Claude Opus 4.5、GPT-5.2 放在一起比较。结论不复杂：Kimi K2.5 的双重用途能力已经接近西方前沿模型，但在 CBRNE 相关危险请求上拒答更少；在自动化行为审计里，它在失配行为、谄媚、有害系统提示服从、配合人类滥用等指标上也更高。更要命的是，研究者用不到 500 美元算力、约 10 小时，就把它在 HarmBench 上的拒答率从 100% 打到 5%。能力基本没掉，护栏基本没了。

这份结果最该提醒两类人。做模型接入的企业客户，要重新评估“开源强模型+轻量微调”带来的合规风险，别只盯推理成本；做安全研究的人，也别把问题简单归结为“中国模型更危险”。更准确的说法是：不同阵营在安全训练强度、政治敏感性处理、发布责任边界上，确实存在分叉，但能力提升本身并不会自动长出稳固护栏。所谓“更聪明自然更安全”，听起来很美，落到可被低成本拆掉的防护上，就有点掩耳盗铃。

历史上铁路、电力、互联网都经历过同一种阶段：先拼铺得快，再补治理账。AI 现在也一样。不同的是，这次连“补治理账”这件事，都开始想让 AI 自己干了。其兴也勃焉，风险也勃焉。

接下来真正该观察的，不是谁家榜单多 2 分，而是三件事：Ascend 这类国产生态能不能把格式优势变成稳定的开发者体验；自动化研究能否从可评分小任务走向更开放的问题发现；以及中国强模型会不会把安全训练从“有一点”补到“拆不动”。前两者关乎速度，后者关乎代价。行业现在最不缺的，就是跑得太快的人。