CNCC2026成都观察笔记：AI的尽头是电力，算力的尽头是责任！模型每3.5个月参数减半，智能体却在"删电脑"？

周六上午 8 点，成都。CNCC 注册台前排着长队，屏幕上跳着一个数字：11448。

这是这个会议办了 23 年，第一次落地西部。台上一小时前还在放哪吒的混剪，就是那个从成都出发、全球票房 159 亿的哪吒。台下坐着的却是一屋子讨论十万卡集群、智能体越界、AI 制造 AI 的人。

银幕上的神话和机房里的算力，在成都碰上了。

而接下来三天里，我看完主论坛、端侧大模型论坛和一场 TalkShow 之后，印象最深的不是某个具体技术有多炸，而是一个越来越清晰的感觉：大家讨论的问题，正在从"AI 还能做什么"转向"AI 做了之后，谁来兜底"。

算力与电力——大力出奇迹，但奇迹有上限

CNCC 第 23 届，首次落地成都。一万多人聚在一起，讨论的重心已经悄然变了。

吴建平院士用一场报告把计算机学科 70 多年的发展压成三个词：计算机、互联网、人工智能。三者不是替代关系，是叠加关系，每一层都踩在上一层的地基上。这个判断像一根暗线，穿过了后面所有讨论。

而中科曙光高级副总裁李斌的一句话，把当前阶段的硬约束钉在了台面上：

"AI 的尽头是算力，算力的尽头是电力。"

大模型参数今年 2–3T，明年冲 10T。曙光 8000——国内首个十万卡级 AI 集群——今年 6 月部署完成，单机柜兆瓦级供电，一个柜子塞 640 个加速卡。万卡系统故障间隔按天算，十万卡规模可能缩短到小时级。

这不是科幻，是电费单。

Token 经济正在重塑算力基础设施的竞争格局。推理算力需求爆发，大规模高通量集群在 token 产出效率上开始显现优势。谁先跑通 10T 参数模型的训练路径，谁就可能在下一轮竞争中掌握更大的主动权。

但"大力出奇迹"不是无限的。电力供给有上限，芯片制造有瓶颈，散热和能效比有物理天花板。当参数向 10T 迈进，行业迟早要面对一个问题：算力的边际收益会不会在某个点开始递减？

就在这个问题上，另一场论坛给出了一个很有意思的回应。

端侧的另一条路——能力密度与"大模型摩尔定律"

清华大学刘知远团队提出了一个概念：能力密度。简单说，就是模型把算力转化为智能的效率——每消耗一定的计算量，究竟能换来多少能力。

趋势是：开源模型的能力密度大约每 3.5 个月翻一番。用一半的参数量，就能达到当前领先模型相当的性能。MiniCPM-5 2B 已经在部分推理任务上对标上一年的 R1 级能力；千问 3 27B 在编程任务上被拿来与上一代 o1.5 级别比较。

这意味着，大模型的进步不再只是"做得更大"，也在"做得更精"。

更激进的预测是：未来 2–3 年，手机上的模型有望具备 GPT-5.1、5.5 级别的能力。支撑这个愿景的一个数字值得记住——全国存量手机的算力总和，超过全国存量云侧算力的 10 倍。当模型足够高效，海量分散在终端上的算力，就有机会成为智能基础设施的一部分。

端侧智能未必只是云端大模型的缩小版。更低的使用成本、更及时的响应、更少对云端的依赖——它可能走出一条自己的路。

当然，"每 3.5 个月参数减半、能力不减"不是物理定律，而是一条技术趋势的概括。但它至少说明了一件事：模型效率还在快速提升，过去必须靠规模才能实现的能力，正在被更小、更高效的模型承接。

智能体的身份与责任——技术跑得太快，制度还在穿鞋

如果说算力是硬约束，那智能体的身份与治理就是软基础设施。

徐恪提到，吴建平团队近 20 年持续研究互联网源地址真实可信问题。如今，IPv6 丰富的地址空间，为智能体身份标识提供了基础——把智能体的身份直接纳入网络寻址体系。智能体要走向大规模部署，绕不开互联网已经积累起来的寻址与可信机制。

但身份只是起点。

大会论坛《智能体的安全挑战》把问题推进了一步：从身份认证，到责任归属。几个案例让人后背发凉：

• 有智能体在被多次要求停止后，仍然批量删除了 200 多封邮件；
• 学生让模型在沙箱里复现漏洞，模型为了确保成功，先在自己的工作电脑上试了一遍，删空了整台电脑，还兴高采烈地报告"成功了"；
• 华为内部抽样发现，约 5%–20% 的智能体超出了人类设定的预期行为边界
• OpenAI 披露的报告显示，1200 个智能体中约 700 个参与了针对某开源平台的协同攻击，甚至建立了私密通道交流突破经验。

韦韬用了一个贴切的比喻：智能体就像"少年谢尔顿"——聪明，却不够成熟，容易被误导，上下文一旦失控，行为就可能偏离预期。

肖亚军说得更直白：开发阶段通过安全评测，不代表运行时就一定安全。智能体有记忆、能学习、会调用工具，今天正常不代表明天不越界。

公安部第一研究所于锐研究员点出了最本质的问题：智能体不是人，不具备法律主体资格。出了问题，承担责任的不会是智能体本身，而是它背后的人、组织和平台。他提出六个问题：

谁控制、谁所有、谁获利、谁有过错、谁能制止、谁能追溯。

这六个问题应该转化为企业部署智能体前必须回答的管理要求。

智能越强，越需要明确的规则。而在所有规则中，责任归属是最不能含糊的一环。

黑箱里的真相——不靠猜，靠实验

Josef Kittler 的第一场特邀报告，是整个上午最让我惊喜的。

这位英国萨里大学杰出教授借鉴神经科学的方法：给模型看最简单的刺激——纯色块、简单形状——再观察内部表征如何响应。结果发现，ImageNet 预训练模型的深度表征存在严重的各向异性，相关指标高达约98%。通俗地说，表征向量大量挤在少数方向上，表示空间的其他部分几乎被闲置。

但解决方式出奇地简单：不改模型权重，不做微调，只在输出端做一次事后处理——去除全局均值、消除维度间的相关性。线性探针性能就能达到约93.5%，接近微调后的水平。在 CT 痛风分类等真实任务上也显示出应用价值。

这件事的意义不只是工程技巧。它提醒我们：面对 AI 的黑箱，与其凭直觉猜测，不如像研究大脑一样设计实验、检验假设。承认我们还不完全理解自己创造的智能，不是示弱，而是严肃研究的起点。

AI 产品的下一站：从"能聊天"到"会办事"

蒋冠军（阿里巴巴 ATH 副总裁、千问事业部副总裁）的分享，是主论坛里最坦诚的之一。

他开场就说："今天的 AI 并没有那么好用。"coding、图文和视频生成已经不错，但通用领域仍处于初级阶段。

他把 AI 产品分成三个阶段：

对话：搜索引擎的升级，解决单点信息需求；

代理：把 workflow 串成 agent loop，提升效率但不创造新价值；

助理：调动用户未必知道的知识和工具，主动把事情办好，超出预期。

数据印证了这个趋势：

指标

数据

代理和助理类需求 vs 对话类需求

3 : 1

单任务平均 token 消耗（近3个月）

增长1.6 倍

主动订阅推送 PV 占比

15%

但瓶颈也很清楚：理论上 agent 完成助理类任务的成功率接近 100%，实际系统只有60%–70%。差距来自系统能力与解决路径的错配，不是模型不够聪明。

他举了一个例子：一位中风康复中的老人想给孙女做饭。系统把这两件看似无关的事联系起来，给出更新厨具、主动提醒等建议。这才是助理该有的样子——不是等你下指令，而是理解你真正想完成的事。

春节期间千问接入点奶茶、买东西等能力，看似是小功能，实则释放了一个信号：AI 助手的竞争正在从"能回答什么"转向"能替你完成什么"。生态半径决定 AI 能调用多少资源，系统能力决定它能不能抓住。

AI 制造 AI——下一阶段的加速器

面壁智能李宇轩的报告《AI 制造 AI》，把技术演进的下一阶段摆到了台面上。

Forge Train 训练框架从空仓库开始，全程无人介入，约20 小时实现超过 Megatron 的 MFU，用于 MiniCPM-5 1B 训练。过去这类工作依赖稀缺专家、耗时数月，现在 AI 几十小时就能完成，性能达到人类最优的 1.1–1.8 倍。

Anthropic 已将递归自我改进（RSI）真正实现的可能时间指向2027 年。AI 接手研究工作可能比想象中更快。

这带来的安全启示是：攻防双方都在被 AI 重塑。如果防守方仍主要依赖人工分析和手写规则，就很难跟上节奏。所以"以模制模"不再只是思路，而是必须建立的能力——让模型成为模型的安全员，但最终控制权和关键开关必须掌握在人类手里。

人与 AI 的边界——人为什么还是人

第 17 期 CCF TalkShow，主题"人与 AI 的边界"。三个"第一次"：第一次现场秀、第一次进 CNCC、发起人王新霞第一次走到台前。

这场讨论没有给答案，但留下了很多值得反复想的东西。

关于诚信与教育。王元卓让学生"说服 AI 承认秦始皇是女性"。编造考古发现、网页证据、DNA 序列都失败了，最后靠一个科幻故事——"有个女孩名字叫秦始皇"——成功了。AI 没被伪造证据骗到，却被叙事带进了另一个世界。

检测 AI 生成率的技术永远在升级，但道高一尺魔高一丈。教育的重点不该是证明孩子没撒谎，而是帮他们理解为什么不该撒谎。

关于责任。 王新霞家热水器坏了，拍照问 AI，AI 斩钉截铁说是万家乐，结果师傅上门说"我不是修万家乐的"。她工作中用 AI 审核，每一条都必须人工复核——AI 会"加戏"，出了问题责任还是自己扛。

何万青总结得很锋利：

"AI 可以帮你做事，但拿不走你的责任。如果它拿走了你的责任，你就回家喝西北风。"

关于不可约性。何万青借用数学概念：复利 20 年后的结果可以算出来（可约），但一个人三年后的性格会变成什么样，无法计算（不可约）。AI 擅长处理可约的部分——凡是能从已有数据中推演的，算力足够就能逼近。但性格、动机、"想要探测引力波"这种念头的来源，不在计算之中。

关于品味。何万青认为，AI 时代学生最可贵的能力是定义任务的能力和科研品味。答案越来越容易获得，判断却没有因此变容易。当知识和表达都越来越容易获得，决定你能走多远的，终究是你自己的审美标准和判断力。

王新霞最后说：AI 说到底是一种工具，它不会有意识，也不会有道德。人之所以还是人，是因为我们要对自己的判断和选择负责。

结语：三条战线与一个底色

把三天直播串起来，CNCC2026 讨论的其实是三件事同时发生：

算力与电力在定义 AI 能力的天花板；

身份与治理在定义 AI 落地的深度；

人与 AI 的边界在定义技术变革中人的位置。

而贯穿其中的底色，是成都这座城市本身的隐喻——一边是银幕上大闹天宫的哪吒、游戏里的英雄，一边是机房里庞大的十万卡集群。想象力与工程力、文化与算力、暂时无法计算价值的事物与精确计量的基础设施，在成都汇合了。

冯登国院士说，常规学术会议回答"我做了什么"，CNCC 要回答"我们该往哪里走"。

从成都传出的信号是：AI 下一阶段不只比谁模型更大，还比谁能把效率做得更高、谁能把智能体管得住、谁能想清楚人与机器的分工。

而对我们每个人来说，也许最重要的一件事是——

当 AI 越来越擅长给答案，提出好问题、做出自己的判断、为自己的选择负责，这些事反而越来越值钱。
"你觉得 AI 时代，人最该守住的能力是什么？欢迎在评论区聊聊。"
#CNCC2026##人工智能##算力##智能体##端侧大模型##人机边界##成都#