尾声

本书开头提出一个判断：理解今天的人工智能，最好把它看作基础设施。这不是说每个模型都可靠，也不是说每个组织都该把判断交给模型，而是因为这些系统已经成了依赖。它们支撑着产品、工作流、机构和公共争论，消耗电力、资本、数据、劳动、注意力和信任。模型也许是发布卡片上最醒目的名字，但社会真正依赖的，是它周围整套栈。

本书沿着一项能力走过了这套栈。我们从基座模型的形成开始：数据、词元、预训练、架构、大规模训练与中段训练，能力先在这里形成，成本也先在这里付出。随后，适配把这种能力指向一种可用的行为。我们把推理读成一种在答案落定前花费计算的方式。我们把权重变成一项服务，又把这项服务接入检索、记忆、工具、沙箱和智能体循环。我们度量它，追问它能否被信任。直到这时才往模型之下走，去看承载智能的加速器、内存、网络、电力与故障；这层物理基底，要等到它上面的一切都运转起来，人们才最真切地感到它的存在。我们再看生态如何决定能力以什么开放形式发布、被哪些标准连接、如何定价、在哪里集中、怎样被采用，以及如何通过数据权利变成可合规销售的东西。最后落到实践：人机界面约束系统被允许做什么，生产流量会变成下一代模型的数据，运营契约把 SLO、预算、事故、租户和证据变成控制面。每一次失败都必须变成一个测试，或者一个被明确承认的风险。

全书收束到一个习惯：每当一个机制看上去只是局部选择，就去找逼出它的约束。分词器不只是词表，因为它会影响不同语言的成本和可达性。键值缓存不只是实现细节，因为它会反过来改写架构和服务。基准不只是分数，因为它会改变训练激励和产品承诺；评判者也不只是省钱捷径，因为它的评分准则、偏差和不确定性会同时变成发布决策与训练信号。沙箱不只是部署选项，因为它是建议与行动之间的边界。界面也不只是产品表面，因为它决定哪些动作需要批准，哪些错误会进入回路。只有这些约束关系显出来，整套栈的逻辑才会清楚。

还需要一种更耐心的进步观。能力当然重要，没有能力就没有可讨论的系统。但能力本身还不足以成为基础设施。效率决定谁负担得起这套系统，它占用多少物理容量，哪些应用能经得住延迟和价格。信任决定系统能否被允许行动，它的度量是否有意义，它的数据是否来得正当，以及受害者是否有申诉与补救的位置。三者不是排名，而是评判任何严肃 AI 系统时最低限度的词汇。

未来不会由一条曲线决定。有些曲线会继续复利式增长：加速器封装、推理效率、后训练循环、测试时算力、工具使用、合成数据，以及模型被要求行动的场景数量。另一些约束会抵抗这种增长：电力、高质量数据、内存带宽、延迟、评测有效性、机构信任、验证能力与法律。关键工作会发生在这些曲线和约束相遇的地方。能力更强的智能体会要求更清晰的授权边界，更长的上下文会要求更严格的记忆纪律，更强的模型评判者会迫使我们追问交给模型完成的度量是否站得住，更强的生成器会迫使证明、复现和对抗性审查扩展；更便宜的推理会扩大可及性，也会扩大出错时的影响范围；更好的合成数据会让一些训练循环更快，也会让来源更难证明。

公共问题也随之改变。过去的公共讨论常问机器能不能思考。对那些进入真实组织、能调用工具、能改变状态的系统来说，更可操作的问题已经变成：当越来越多决策由机器居中处理，而我们只能部分理解其内部工作、又通过反馈循环持续改变其行为时，我们正在建造一个怎样的世界。答案不会藏在某一张模型卡里，也不会由某一部法律单独给出。它会落在界面、权限、评测、采购规则、数据权利、事故复盘，以及每天那些决定系统默认能做什么的工程选择里。

这也是基础设施视角的意义。基础设施不只是机器，它是一份社会承诺：什么可以被依赖，谁来维护，谁来付费，谁被排除在外，失败之后由谁承担后果。AI 会在某些地方变得日常，在另一些地方变得隐形，也会在触及工作、作者身份、安全和权力时继续引发争论。变得日常，并不等于变得中立。道路、电力、数据库和云区域，都把价值选择写进了位置和默认设置里；AI 系统也会如此。

接下来去哪

这张地图需要继续更新。前沿会移动，本书里的某些细节也会变旧。更耐用的是方法：把一个主张放回栈上，问是哪一个循环在付费，哪一层约束了它，什么度量能证伪它，以及如果它错了，代价由谁承担。

为身边的系统建立观测。一个团队如果说不清哪个模型被固定、哪些数据可信、哪条预算被执行、哪套评测会挡住发布、怎样的区间才足以让评测成为决策级证据、哪个沙箱约束执行、哪条租户边界被隔离、哪个人工批准门管住副作用、哪份事故记录改变了系统、哪些失败会进入回归测试，那它还没有在运维 AI 基础设施，只是在调用 API，并希望边界不要失守。

争议仍要继续处理。推理增益、可解释性、智能体架构、基准有效性、验证前沿、开放权重、前沿经济学与法律，都不是旁枝问题。下一轮设计选择会在这些地方形成。读一手来源，检查运行框架，宁可保留被度量过的不确定，也不要接受有声量却缺少证据的断言。

人的位置不能从图上消失。这里讲的系统是技术系统，也是公共事务。把它们建好，意味着既不宿命地接受，也不把新奇本身当作答案。AI 的未来不只是下一个模型能做什么，而是我们让什么变得可靠，选择度量什么，允许什么去行动，以及在机器已经行动之后，我们仍愿意为哪些东西负责。