Anthropic 的 Fable Five：能力与信任的崩塌

Anthropic 于二零二六年六月发布的新模型 Fable Five 在多项基准测试中登顶，展现出极强的性能。然而，其 token 定价是 Opus 4.8 的两倍，尽管理论上效率更高、总 token 消耗可能更低，但成本焦虑并未真正缓解。更关键的是，该模型引入了极具争议的强制数据留存机制：用户输入的 prompt 至少保存三十天，且不提供 opting-out 选项——即便企业客户已签署零数据留存协议。

此外，Anthropic 在一份长达 319 页的服务条款中悄然嵌入了“能力分级”机制：若系统判定用户从事“前沿 LM 开发”（如构建竞争性模型），将后台降级其访问层级，却不作任何通知。X 上因此爆发大规模反弹，开发者普遍感到被背叛——尤其考虑到 Anthropic 此前公开反对政府监控，如今却主动建立大规模监控与画像系统。

公司需要开始认真评估 AI 的下一阶段，我怎样掌握控制权？

你不能只是说停掉 AI，因为 AI 不会消失。

企业视角：被抽梯子的恐惧与开源模型的地缘转向

Sax 公司创始人 David Friedberg（Freiberg）坦言，尽管 Anthropic 的条款书面承诺“不将用户数据用于模型训练”，但他并不完全信任这一承诺。他所在公司专注基因组学研究，过去数年高度依赖 Anthropic 模型进行基因变体影响预测、RNA guide 设计等关键工作。但近几周，Anthropic 已单方面限制其使用能力，理由是防范“生物武器制造风险”——一个高度泛化的理论风险。

这一限制迫使 Sax 等前沿企业转向本地化开源模型。但问题在于：当前最强的开源模型大多来自中国。Freiberg 指出，美国企业正因自身设限而加速将技术主权让渡给外部生态：“你不能只是关掉 AI……你会做成的事情是逼着别人获得不公平的优势。”

更深层的担忧是：当模型提供商与特定企业存在商业合作时，其内容分发可能隐性偏向——例如向 Novartis 提供更完整的 GLP-1 信息，却对 Lilly 限制输出。这种“选择性赋能”缺乏透明度与可审计性，用户甚至无法确认自己是否被降级。

你不能只是关掉 AI，也不能关掉人们对这些东西的访问。

监管与地缘博弈：监管俘获与经济主权危机

Chamath Palihapitiya（Chama）指出，Anthropic 近期一系列操作——包括主动强化审查、制造生物安全与AI安全恐慌——实为一场精密的监管俘获策略：通过自我设限，诱导政府加速立法监管，从而将自身塑造为“负责任的守门人”，挤压开源与去中心化路径的生存空间。

这一趋势正引发连锁反应：政策压力叠加商业风险，促使企业加速构建自主可控的内部模型。Freiberg 预言，未来将有更多公司推出自有领域模型（如基因组语言模型），但这意味着技术主权进一步向中国开源生态倾斜——因为当前最可行的替代方案，仍是基于中国团队开发的开源基础模型。

你真的把它吃下去，到了肚子里，你会觉得不行，这不好，我不喜欢。

这是一件可怕的事儿，因为我们会损害自己的经济可行性。

监管俘获与反竞争行为

Anthropic 的行为呈现出一种系统性监管俘获（regulatory capture）倾向：一边通过技术手段削弱自身模型能力（如 Fable 系列），一边推动建立类似 FAA 或 FDA 的强制性模型审批机制。这种“自我设限+呼吁监管”的组合拳，表面上是出于对 AI 风险的审慎，实则可能意在将监管工具化，用以压制开源模型与潜在竞争者。正如文中指出，开源模型不具备被监管的能力，因此任何强制性监管框架若仅适用于非开源路径，本质上就是一种“预防性打击”，相当于在本地拉满 token 都被系统性阻断。

更值得警惕的是，Anthropic 并非单纯追求经济利益——Dario Sutter 多次强调其对“人生、道德与社会议题的哲学立场”，并据此筛选合作方。这种价值观导向的准入机制，使模型分发权从技术问题异化为意识形态筛选工具。若市场中仅剩一两家主导者，且其准入逻辑高度主观，那么用户的选择自由将被实质剥夺，而监管机构可能沦为这些巨头的“旋转门通道”。

“他们为什么要这么做？他们为什么想被监管？答案特别简单，他们并不想被监管，他们想把这种监管套到开源上，而这根本不可能。”

“如果你可以去别的地方问问题，那你就有替代选择。但 Anthropic 一边做这种可能反竞争的事儿，一边又想限制你的选择。”

算力鸿沟与开源生态的生死线

当前开源 AI 生态正面临一个结构性瓶颈：算力成本已飙升至不可持续水平。据估算，1 吉瓦算力需投入约 100 亿美元，而要支撑一个真正具备竞争力的开源模型生态，至少需 3 吉瓦——即 300 亿美元级投入。这已远超个体或社区能力范围，形成一道巨大的资本护城河。更严峻的是，绝大多数兆瓦级算力仍被大型闭源模型垄断，开源模型的长尾访问量微乎其微。

在此背景下，若监管进一步抽走“梯子”（即限制开源部署路径），我们将陷入“一到三家公司主导 + 政府背书的准入审查”的垄断格局。届时，是否允许你运行某个模型，将取决于其是否通过“安全评估”，而评估标准可能高度模糊、主观，甚至带有政治色彩。这种“能力配给制”将彻底扼杀草根创新与去中心化开发的可能性。

“我刚开始做这个项目的时候，成本大概是四五十亿美元，现在涨了二十倍……如果要把三吉瓦全开发出来，我得拿出三千亿美元。我显然没有三千亿美元，那我们到底该怎么办？”

技术中立 vs 武器化风险：监管应聚焦用途而非能力

AI 的风险确实存在，但关键在于监管应针对具体用途，而非技术本身。正如核技术既可造原子弹，也可提供清洁能源，AI 的强大能力同样兼具双重性：它既可被用于制造网络/生物/物理武器，也可用于治愈疾病、提升农业效率、赋能个体创业者。禁止技术可用性，远不如规范其武器化应用来得有效。

当前以 Anthropic 为代表的监管倡议，本质是将“能力管控”等同于“风险防控”，却忽略了现有法律体系（如产品责任法、武器制造禁令、网络攻击法规）已具备处理恶意使用的框架。问题不在于技术能否被滥用，而在于能否建立可执行、可追溯的用途监管机制。若放任私人公司自行设置准入门槛（如 KYC 缺位、账号体系形同虚设），实则是将公共治理权让渡给企业，最终形成“企业裁决 + 政府背书”的双层垄断。

“技术本质上是确定性的，凡是可能做到的事儿，至少都会有人试一次……现在突然说我们还能把它管回去，而且要让一个私人个体或者一群私人个体来裁定什么能力给谁用，这太疯狂了。”

Fable 的降级机制与准入门槛的模糊性

Anthropic 的 Fable 模型近期因一次看似无害的提问——关于肥料监管——而将播客主持人直接降级至 Opus 4.8，引发对模型访问控制机制的广泛质疑。这一事件暴露了其安全策略的高度主观性与不可预测性：系统以“上下文风险”为由判定用户行为异常，却未提供清晰标准或申诉渠道。更关键的是，当前的用户准入机制仅依赖“信用卡绑定+随意邮箱”，远未达到真正的 KYC（了解你的客户）标准，却已构成事实上的能力筛选。这使得平台实质上成为一种封闭式能力分配系统，用户是否能继续使用模型，取决于平台单方面判断其“是否配得上”该能力。

“我只是问了一个非常简单的问题就被降级了。”

“我刚刚证明了这个观点……我连肥料监管都不能问了。”

监管介入点之争：输入端 vs 输出端

面对日益升温的 AI 安全担忧，主流实验室正推动将强制核酸合成筛查写入法律——这基于 2009 年《国际基因合成联盟协议》，目前已是行业自愿实践。但问题在于：监管应前置到模型使用权限（输入端），还是聚焦于现实世界输出（输出端）？ 有观点认为，与其限制谁能使用模型（如 Fable 的降级逻辑），不如在危险转化环节设置护栏，例如 DNA 合成订单的自动筛查。这类措施已高度自动化、高效且不拖慢科研，更具可操作性与低言论风险。

“我们已经越过了卢比恐核，那些开源模型已经完全可用……你没法阻止这种能力。”

“马已经跑出马厩了，很明显是这样。”

AI 国有化叙事：Bernie 的主权基金提案与政治反噬

Bernie Sanders 提出的《美国 AI 主权财富基金法案》主张对最大 AI 公司（OpenAI、Anthropic、ZI 等）征收一次性 50% 股票税，并将股份注入政府基金，使公众获得投票权与董事会席位。其核心逻辑是：AI 的训练数据源于全人类集体智慧，而当前 AI 公司一边承认“将导致大规模失业”，一边拒绝与公众分享成果——这构成了强烈的政治反噬。Sachs 指出，尽管该提案近乎“没收”，但其根源在于 AI 高管反复渲染“失业末日”，却未提供公众可参与的共享机制。

有趣的是，该提案意外统一了左右翼阵营：Trump 喜欢主权财富基金的“国家持股”逻辑，Bernie 则强调知识公有；而 Sachs 本人虽反对没收路径，却支持以自愿方式让公众参与，甚至提议将 Social Security Trust Fund 改造为基于账户的股票型主权基金，投资优质美国企业——包括 AI 公司。

Social Security 应该转型为主权财富基金

当前的 Social Security Trust Fund（社会保障信托基金）本质上是一张仅限持有国债的债券，总额约 四万亿美元。作者主张彻底改革这一制度：应允许其投资于优质美国股票，并转型为基于账户的体系——每位公民拥有独立账户，而非仅依赖模糊的福利承诺。更进一步，应建立一个美国主权财富基金，由政府主动管理，将信托基金资本投入AI等前沿产业，使全民成为技术红利的共同所有者。

“Social Security 应该改革成一个主权财富基金，它应该主动管理，它应该投资AI公司，让每个人都用这种方式参与进来。”

这一构想并非激进征收，而是通过股权配置实现财富共享：公民账户持有AI公司股票凭证，从而在技术进步中直接获益。作者强调，这与Sachs、Bernie等人的部分主张形成呼应，但更强调市场化投资逻辑而非强制再分配。他特别指出，加拿大和澳大利亚已成功运行类似体系，具备现实可行性。

AI非失业引擎，而是生产率跃升核心

作者反复驳斥“AI导致大规模失业”的叙事，称其为卢德主义谬误，并以一线观察为证：在数十家公司（包括自身企业）中，AI正显著提升收入端能力——工程师效率可提升百倍甚至千倍，使企业能开发更多产品（从农业种子到企业软件），从而扩大收入基础、创造新岗位。他举例称，其团队正计划新增15个工程岗位，因AI释放出此前无法实现的新机会。

“AI不会造成失业……我在一线看到的情况……都是这样：一家公司有两面，一面是收入，一面是成本……AI真正的机会在收入这边。”

作者进一步指出，当前就业数据已持续证伪悲观预测：Dario的400亿美元业务增长并非源于裁员，而源于新产品创造。他批评部分企业将自身问题归咎于AI，实为虚伪叙事——既鼓吹AI危险，又积极部署递归自我改进（如Anthropic聘请Andrew J. Carpathy负责该方向）。他援引Ben Thompson观点，认为此类“暂停AI发展”的呼吁，实为掩盖其反竞争行为（如限制Fable使用）。

AI经济本质：高边际成本下的基础设施博弈

与互联网（新增用户边际成本趋近于零）不同，AI的编辑生产成本极高：每新增用户即消耗GPU、电力与内存资源，构成显著的固定成本+可变成本结构。这意味着，AI实验室极度依赖国家层面的关键基础设施（如电网、芯片制造）与政策支持，否则无法规模化运营。

“如果你要去拿这些公司的一部分股份，你手里的筹码非常强……运行AI的增量成本非常高，这和AI之前的增量成本形成了鲜明对比。”

作者据此提出政策推演：若政府以基础设施出资方身份参与，可合理主张高比例股权（如75%），并以此构建主权财富基金的初始资产池——包括Intel、Micron、AMD、SpaceX、Tesla等关键企业。他强调，真正的挑战不在模型开源与否，而在电力供给能力（需达吉瓦级），否则一切讨论皆为空谈。他理想中的开源AI公司，应聚焦本地化模型部署，降低对中心化算力的依赖。

万亿独角兽的资本逻辑

Thomas LaFong 关于风险投资周期的演讲，因其扎实的数据支撑而令人印象深刻。他提出的核心观察是：在上一个周期中，一家公司从一千亿美元估值再涨十倍（即达到一万亿）的概率，高于从一百亿涨到一千亿的概率。具体数据为：独角兽（$1B+）跃升为十角兽（$10B+）的概率为8%；十角兽再跃升为百角兽（$100B+）的概率升至13%；而百角兽迈向一万亿市值（Trillion Coin）的概率高达31%。这表明，随着企业规模扩大，其进一步扩张的相对概率反而上升——一个反直觉但数据确凿的趋势。

“独角兽变成十角兽的概率是百分之八，十角兽变成百角兽的概率差不多翻倍，是百分之十三，然后从百角兽走到一万亿美元市值的概率是百分之三十一。”

“你只要拿下一家 Trillion Coin 的百分之十，就能还掉我们国债的百分之二。其实这买卖不错，我们只需要拿下三十家 Trillion Coins 的百分之十，债就全还清了。”

这一逻辑若持续外推，未来一万亿市值公司迈向十万亿美元的可能性可能达60%甚至接近100%。这类公司被业内戏称为“Trillion Coins”，其财富效应已远超传统认知——掌控少量股权即可撬动国家级财政平衡。但需注意，这并非自然增长的必然结果，而是高度依赖资本配置效率与宏观环境稳定性的结构性现象。

通胀升温与政策困局

五月CPI同比上涨4.2%（2023年4月以来最高），PPI同比上涨6.5%（2022年底以来最高），显示通胀正强劲反弹。Polymarket数据显示，2026年通胀达5%的概率为21%；而美联储今年加息的概率已升至49%——较伊朗冲突爆发前的不足10%大幅跃升。欧洲央行亦于周四加息25基点，终结自2023年9月以来的零加息周期。

通胀根源被归结为双重压力：短期是地缘冲突带来的能源冲击，长期则是财政失控导致的结构性问题。当政府支出持续透支未来收入，利率上行便成为必然反应。有观点预测，在Kevin Wallis主导的美联储下，隔夜利率可能突破5.5%甚至触及6%。

“这个国家财富不平等的核心问题，通胀的核心问题，所有这些核心问题根源都是政府过度支出。句号。”

尽管油价目前受中国全球能源平滑策略影响维持在100美元/桶以下，但若中国储备耗尽、重新大规模采购现货（如每日增购300万桶），油价可能飙升至150–200美元/桶，进而通过全球供应链传导至CPI。此外，加州等地的能源政策转向（如太阳能等低审批门槛项目）为通胀提供了缓冲，但其可持续性仍存疑。市场今日 Nasdaq 上涨2.5%，反映投资者押注冲突将快速收场——但“再看吧”仍是主调。

洛杉矶选举：从投票到任命的系统性转变

洛杉矶市长初选计票引发巨大争议。数据显示：选举日当天现场投票中，Spencer Pratt以35%领先；但选举日后收到的邮寄选票中，其得票率骤降至19%，而Nithy Ramon从26%升至37%——增量选票高度集中于Skid Row等特定区域。这种分布与人口结构、投票行为模式存在显著偏差，统计上难以用随机行为解释。

问题根源在于加州近年一系列选举法改革：1921号法案合法化无上限的ballot harvesting（选票收集）；2020年后全州邮寄选票常态化；登记投票无需公民身份证明（如健身房会员卡即可）；投票时无需身份核验；收集并代投数百张选票被允许。这些法律单独看旨在提升参与度，但组合后形成了一套系统性漏洞——它不构成传统意义上的“欺诈”，而是法律本身的设计导向了非典型结果。

“这不是欺诈，这是法律本身就是这么设计的，不是欺诈，法律就是这么设计的。”

批评者指出，这套机制已使选举实质上演变为任命制：谁更擅长组织选票收集网络、动员特定选民群体，谁就更可能胜出。这并非技术性舞弊，而是制度性逆向选择——系统为作恶者提供激励，为守法者设置障碍。当“一人一票”原则被稀释，民主的根基便悄然松动。

选举争议与制度漏洞

本段聚焦于加州总检察长选举中围绕 Nita Ramon 与 Karen Bass 的票数异常波动问题。主播强烈质疑选举结果的合法性，指出 统计数字本身已发出明确警示信号，并呼吁联邦与州级总检察长介入调查——尤其强调 已有证据显示 Nick Shirley 等人曾现场参与可疑操作。他进一步指出，加州州长 Newsom 刚签署的法案反而 人为抬高了审计门槛，削弱了联邦政府监督能力，但 Trump 仍可动用 DOJ 权力展开独立调查。主播反复强调：若真存在舞弊，司法系统必须回应；若无，也应通过透明调查还人清白。

如果他们抓到有人干这种事儿，而且他们已经抓到过一个人，Nick Shirley也去了现场，你会看到Skid Row上的人听着。

从统计上看，到底发生了什么？所以，Trump，总统Trump，谢谢你，总统Trump，去做吧，去做吧。

媒体失职与认知极化

主播批评主流媒体在选举争议中 集体失声甚至主动掩盖，拒绝追问“为何选举日之后票数剧烈摆动”等关键问题。他指出，媒体并非不知情，而是出于 政治站队逻辑：一旦质疑选举诚信，便被自动归入“亲Trump阵营”，哪怕讨论本身仅限于统计学合理性。这种 非黑即白的标签化机制，使得理性辩论空间被彻底压缩。他进一步质疑：若事件真实发生，其统计概率仅为万亿分之一——这是否意味着“奇迹”真的降临？他坚持要求对方提供一个 steelman（强辩版）解释，而非简单斥为阴谋论。

最好的解释是什么？帮我stimulate一下媒体为什么会有这种差异？最好的解释是什么？

你质疑选举诚信，他们就说：“哦，你是玛咖的人，这跟玛咖没关系。”他只是围绕一个具体话题进行简单讨论，但如果这件事和另一个阵营相反，那你就一定属于那个坏阵营。

操作机制与制度性风险

主播推测，此次争议背后可能涉及 系统性票仓动员策略：Karen Bass 凭借更成熟的基层组织能力（即所谓“选举机器”），在 Skid Row 等区域高效收集选票；而 Spencer Pratt 作为非传统候选人，缺乏同等动员能力，导致其支持者延迟投票、最终被“策略性分流”至 Ramon 名下——后者被部分选民视为“更可能击败 Pratt 的民主党人”。主播特别点出 ballot harvesting（选票收集）的合法性与可疑性并存：虽属合法行为，但若由第三方代填代投，则极易滋生舞弊。他呼吁 DOJ 重点追查此类操作链条，并重申：当前虽无确凿证据，但统计异常已构成合理怀疑基础。

Ballot harvesting 是合法的，但它很可疑。也许如果真有这些收票的人，我觉得 Trump 和 Department of Justice 能抓到他们。