KeyFrame內部研究專用

AI的決斷?人類還是話事人嗎?

乾坤門五術·8月2日週日·71 min中文

三句話摘要

AI時代如何重塑全球政治經濟格局——從大模型開源引發的地緣政治連鎖反應。 當開源大模型讓發展中國家也能擁有頂級 AI,地緣政治的權力中心必然從西方轉移;西方國家因能源成本高企與制度僵化陷入衰退,其國際信用也隨之瓦解。 AI 成為戰爭的力量倍增器 — Kimi 3 出現後,伊朗/俄羅斯不再依賴"火網覆蓋"式轟炸,而能透過 AI 處理低端衛星照片實現精確打擊。這不是數量提升,而是質變:從無差別轟炸變成有針對性打擊,讓中東局勢從"伊朗不會贏、美國不會輸"變成"雙方都能互相造成傷害",打破了過去的戰略均衡。

重點整理

重點
  • 1

    AI 成為戰爭的力量倍增器 — Kimi 3 出現後,伊朗/俄羅斯不再依賴"火網覆蓋"式轟炸,而能透過 AI 處理低端衛星照片實現精確打擊。這不是數量提升,而是質變:從無差別轟炸變成有針對性打擊,讓中東局勢從"伊朗不會贏、美國不會輸"變成"雙方都能互相造成傷害",打破了過去的戰略均衡。

  • 2

    西方信用體系正式破產 — 英國強行國有化符合 BIT(雙邊投資條約)條款的中資敬業集團鋼鐵廠,違反國際投資協議精神,預示著資本主義國家開始用行政手段掠奪而非商業規則競爭。未來亞洲企業對西方投資會極度謹慎,英國經濟被孤立化。

  • 3

    高能源成本是無法逆轉的結構問題 — 英國電價是法國的 125%、中國的 2.6 倍,原因不在技術而在制度:電網公司私有化導致成本外部化到使用者。中國能對沖高成本(用國有電網補貼民用電、企業電交叉補貼),英國的資本市場公司必須每年對股東交代,無法長期虧損承擔基礎設施維護,所以電費只能居高不下。

  • 4

    開源 AI 打破地緣政治壟斷 — Kimi 3、Deepseek 等開源模型讓任何有幾千萬人民幣的國家都能建立自己的 AI 機房,中國數百萬理工科學生能操縱 AI 進行研發。發展中國家獲得了與發達國家相同的"工具製造工具"能力,徹底改變遊戲規則。

實用技巧與重點

乾貨
  • 地緣政治
  • 日本單月外匯干預規模:11.73 萬億日圓(726 億美元)
  • 美日利息差:150-263 個基點
  • 伊朗革命衛隊每日營運虧損:70 萬英鎊(未國有化前)
  • 能源成本
  • 歐洲電價:法國 47€/MWh、德國 52€/MWh、英國 59€/MWh
  • 日本電價:亞洲最高
  • 中國使用者月電費參考:浙江 30 平米套房、24 小時冷氣 + 電腦 = 310 元人民幣/月
  • 英國鋼鐵案
  • 敬業集團投入:3.77 億英鎊
  • 累計虧損:超 6 億英鎊(2025 年 4 月~2026 年 6 月)
  • 英國電網接入費漲幅(2019-2023):+70%(德國 +29%、法國 +16%)
  • AI 能力對標
  • Claude(Anthropic)程式碼編寫:95-97%
  • Kimi 3:93%(SWE benchmark)
  • Deepseek:79%
  • OpenAI Astra:攻克 10 道數學難題
  • 中國技術人力
  • 理工科研究者規模:數百萬級(本科及以上學歷)
  • 建立 AI 機房成本:約 1000 億人民幣(對標發達國家)

結論

結論

當開源大模型讓發展中國家也能擁有頂級 AI,地緣政治的權力中心必然從西方轉移;西方國家因能源成本高企與制度僵化陷入衰退,其國際信用也隨之瓦解。

完整解析

詳細

講者以伊朗-美國衝突切入,指出 Kimi 3 問世是改變中東局勢的轉折點。過去伊朗能力有限,只能用"火網覆蓋"式的海量火箭彈對抗以色列的鐵穹防護罩;美軍雖然最強但遠道而來會疲兵,雙方形成僵持。但 Kimi 3 推出後,伊朗能用 AI 處理衛星照片資料,大幅提升精確打擊能力,科威特和美軍基地的傷亡數字證明了這一點。這不僅是技術進步,更是戰略態勢的質變。

隨後轉向英國鋼鐵國有化事件。中資敬業集團 2025 年 4 月接管英國鋼鐵廠後,因能源價格高企每天虧損 70 萬英鎊,投入 3.77 億英鎊試圖轉型電弧爐以降本。但英國政府在 7 月 16 日突然強行國有化,違反 BIT 條款。這看似收回資產,實則暴露了西方國家信用破產的本質:當制度優勢不再、經濟衰退在即時,就用行政手段掠奪。這會讓未來外資對英國、乃至整個西方投資決策產生根本性改變。

能源成本是導火索。英國電價 59€/MWh,而法國只要 47€,這不是市場競爭的結果,而是制度問題。中國透過國有電網加交叉補貼機制,雖然企業承擔部分成本但百姓電費廉價;英國電網私有化,公司必須對股東交代,無法長期補貼基礎設施,所以電網接入費 2019-2023 年漲了 70%。電價高導致工業競爭力下滑,陷入惡性迴圈。

日本情況類似但更危險。人口老齡化、出生率僅 1.2-1.5、能源成本亞洲最高、還要靠進口能源。想靠核電救場需要 15-20 年環評,百姓對福島事件的恐懼無法消除。半導體是最後的支柱,但 5 年後中國 AI 驅動的晶片自給自足能力會成熟,日本失去優勢。

真正的權力轉移在 AI 領域。Kimi 3、Deepseek 等開源模型讓任何有幾千萬人民幣的發展中國家都能建立自己的 AI 機房,不用付高額 Token 費,機密不外洩。中國有數百萬理工科學生掌握 AI,用"工具製造工具"的方式加速研發。這打破了美國 Anthropic、OpenAI 對先進 AI 的壟斷。講者直言:過去中國與西方差 5%-15%時還不能質變,但一旦 Kimi 3 等模型達到相近水平(相差 2-3%),就形成了"死亡交叉"——雙方都有能力進行完全的技術競爭,西方的壟斷優勢消失。

英國、日本之所以衰退,根本原因是制度僵化。滿清為例,過度強調階級森嚴導致資訊流通不暢、科技停滯、最終積弱不堪;日本的企業和社會層級制度同樣森嚴,導致電動車時代反應遲緩,混合動力技術再強也是死路。當上層因為過去的輝煌而抗拒變革,國家就只能緩慢衰退。相比之下,中國雖然各有問題,但能透過 AI 和制度紅利實現加速趕超。

講者最後強調,這些預測都有資料支撐,不是危言聳聽。世界的發展脈絡是可循的,理解因果關係就能預見未來。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。