从“炫技”到“干活”： 十月的三场硬仗，和一朵云的答卷

过去十天，AI 圈的消息密度高得反常。10 月 13 日，谷歌把 Gemini 4 系列首发模型 Argon 推向全球，顺手给了 API 五折；10 月 15 日，Meta 把 816B 参数的开放权重模型放了出来，同一天，国内首套 1024 卡昇腾 Atlas 950 液冷超节点在机柜里点亮；10 月 17 日和 19 日，DeepSeek 与 MiniMax 相隔 48 小时各自刷新了 Flash 版本；10 月 22 日，科大讯飞开源了跑在全国产万卡集群上的星火 X2.6。

把这些新闻并排放在一起，会看到一条很清晰的主线：大模型竞赛正式从“谁的跑分高”切换到“谁把活干完了”。而支撑这个切换的，是三个非常具体、也非常残酷的问题——模型还能不能更便宜？算力还能不能更稳？智能体还能不能真正交付？

这篇文章想做的，是把这三个问题拆开，看看它们各自被回答到了什么程度，以及一朵云在其中站在什么位置。

图 12026 年 10 月 13 日至 22 日，AI 产业的关键动作几乎全部落在“降本、稳算力、能交付”三件事上。

PART 01三声发令枪：一场关于“交付”的集体转向

先看模型侧。Gemini 4 Argon 发布时，谷歌罕见地没有强调参数规模，而是把定位写成了三件事：软件工程、企业知识工作、网络防御。同一天，Anthropic 的三季度数据流出——单季营收约 168 亿美元，环比增长 45%，连续第二个季度实现调整后盈利与正向现金流。

这两个信号放在一起很有意思：一边是“模型不再比大小”，一边是“模型公司开始有真实现金流”。它们共同说明，AI 的需求已经跨过了“尝鲜”阶段，进入了按效果付费的采购阶段。但与此同时，Anthropic 的增速从上一季度的 145% 回落到 46%，关于“泡沫”的讨论立刻升温。

这就是 2026 年 10 月的真实语境：需求是真的，但对“能否持续交付”的怀疑也是真的。谁能把成本压下来、把算力稳住、把场景跑通，谁就能在这轮怀疑里活下来。

PART 02第一问：模型还能再便宜多少？

十月最热闹的战场不在旗舰模型，而在 Flash 层。所谓 Flash，指的是“用极低算力消耗完成复杂任务”的轻量化高性价比版本。它决定了 AI 能不能从“少数人的工具”变成“每个业务流程里的水电”。

10 月 19 日，MiniMax 发布 M3.1 Flash：线上推理速度提升近 3 倍，日常输出可达 200+ TPS，中位数稳定在 170+ TPS；在评估智能体端到端投行工作流的 BankerToolBench 上拿到 76.2 分；API 定价降到每百万 tokens 输入 1 元、输出 4 元、缓存读取 0.1 元，输入输出单价较上一代下降 50% 以上，缓存单价降幅超过 70%。两天前，DeepSeek 的 V4.1 Flash-1017 走的则是另一条路——不直接降价，而是缩短任务运行时间、压缩输出长度，同时把 Search 与 Fetch 两个检索工具开放给智能体调用。

图 2价格腰斩与速度提升同时发生，说明这一轮降价不是补贴，而是单位任务成本的实质性下降。

把这两家的动作叠加起来，会得到一个对企业选型非常关键的结论：降价的本质不是“每百万 tokens 更便宜”，而是“每完成一个任务更便宜”。推理提速 3 倍意味着同样的并发只需要三分之一的算力时长；输出长度压缩意味着同样的结果少付 token；缓存单价降 70% 意味着重复的上下文几乎不花钱。三者叠加，才是真正的成本曲线下移。

企业做模型选型时，最该算的不是“每百万 tokens 多少钱”，而是“跑通一个业务闭环要花多少钱、成功率多少、返工几次”。单价只是分子，成功率才是分母。

—— 一个被反复验证的采购经验

这也解释了为什么华为云在模型层一直坚持“多模型接入”而不是“只卖自家模型”。盘古大模型在能源、制造、矿山、政务、金融等 30 多个行业、400 多个场景里沉淀了行业 Know-how，适合做“懂业务的底座”；而在通用推理、代码、长文本这些标准化能力上，第三方模型的性价比迭代速度极快。企业真正需要的不是绑定某一个模型，而是一套能按任务动态调度、按成本择优路由的模型服务层——同一个应用里，简单分类走小模型，复杂规划走大模型，长文档走缓存命中率高的那一个。

PART 03第二问：算力够不够稳？

10 月 15 日点亮的这套系统，值得单独拆开讲。首套 1024 卡昇腾 Atlas 950 SuperPoD 液冷超节点，用 1024 张昇腾 950 通过灵衢高速互联组成一台逻辑上的超级计算机，单集群提供 1 EFLOPS FP8、2 EFLOPS FP4 算力，最大可扩展至 8192 卡，计算柜与互联柜全部采用液冷散热。

图 3相比峰值算力，千卡 MTBF 超过 300 小时才是这次点亮真正的分水岭——它决定了万卡训练能不能跑完。

但真正值得关注的数字不是 1 EFLOPS，而是 千卡 MTBF 超过 300 小时。

做过大模型训练的人都知道，峰值算力是最容易宣传的指标，也是最没用的指标。真正决定一次训练能不能跑完的，是有效算力 = 峰值算力 × 可用率。千卡集群里，任何一张卡、任意一条互联链路出问题，整个作业就得回滚到上一个 checkpoint。MTBF 300 小时意味着平均可以连续跑 12 天以上不出故障——这是“能训练万亿参数模型”和“能在 PPT 上训练万亿参数模型”之间的分界线。

与之配套的是 0Day 适配。阶跃星辰的 Step 5 Preview 在超节点点亮的同一天完成适配，这件事的技术含义比看起来更重：过去国产算力平台的迁移周期动辄以季度计，现在新硬件和新模型可以同日上线，说明软件栈、编译器、算子库的成熟度已经到了能跟上模型迭代节奏的程度。

在云这一侧，这些能力被封装成了更朴素的东西。昇腾 AI 云服务把超节点的算力切成 Token 对外供给，企业不需要自建机房、不需要自己调拓扑，按需取用。数据也印证了这条路走通了：昇腾 AI 云服务的客户从一年前的 321 家增长到 1805 家，截至 2025 年底，使用华为云智算云服务的全球客户超过 1800 家；到 2026 年 9 月底，昇腾 910C 超节点已部署超过 1000 套，昇腾 950 超节点进入规模商用。

当然也要保持清醒。英伟达仍在推进下一代平台，单卡性能与 CUDA 生态的积累依然是它的护城河；昇腾在先进制程、软件生态成熟度和单位算力成本上还有差距要补。但对中国市场而言，需求侧的惯性已经转向：运营商集采明确指向国产生态，大模型公司把昇腾列入默认选项，高校竞赛开始基于昇腾平台出题。这种转向一旦形成，很难再掉头。

PART 04第三问：智能体怎么才算真的落地？

10 月 15 日，在济南举行的 2026 人工智能产业大会上，中国人工智能产业发展联盟发布了“2026 年人工智能三十大先锋实践”，华为云魔坊 ModelArts 模型训推平台从近 500 个案例中入选。

一个“训推平台”能拿到产业侧的先锋实践，本身就说明了一件事：智能体的瓶颈不在模型能力，而在工程链路。把一个大模型接进企业系统，Demo 阶段可能只要三天，但要让它稳定跑在业务流程里，需要解决数据工程、工具调用、权限隔离、效果评测、成本可观测、故障回滚这一长串问题。ModelArts 被认可的价值，正在于它把这条链路标准化了——从数据准备、模型微调到推理部署、服务治理，形成可复用的流水线。

这也是华为云今年 AI 战略的主轴。3 月，华为云提出 AI 战略升级，核心是“以行业智能体为中心”；6 月，进一步提出 Agentic Infra 新范式，并上线“行业 AI 梦工厂”的智慧医疗、具身智能、智能制造、科学计算四大专区；7 月又开启了智慧金融专区的共建。这个路径的逻辑很清楚：不做通用的“万能助手”，而是把行业数据、行业工具、行业评测集预先装进基础设施里，让企业从“从零搭智能体”变成“在专区里组装智能体”。

图 4Agentic Infra 的本质是把行业知识、工具与评测前置到基础设施层，让智能体从“搭”变成“装”。

但我们必须承认，智能体落地最难的从来不是技术，而是责任边界。一个能自动改代码、自动下单、自动给客户发邮件的智能体，出错了谁负责？这决定了企业会先在哪些场景用起来——通常是那些“错了也能兜住”的环节：内部知识检索、工单预分类、代码补全、报表生成、质检初筛。这些场景不性感，但它们是真正在产生 ROI 的地方。

PART 05给企业的一份落地清单

如果要把这十天的新闻浓缩成可执行的建议，大概是这五条：

• 先算“每任务成本”，再谈 token 单价。把一次业务闭环的模型调用、重试、人工兜底全部折算进去。很多场景里，贵 30% 的模型因为一次成功率更高，总成本反而更低。
• 把评测集建在自己的业务上。公开榜单只能筛掉明显不合格的选项，真正的排序必须用你自己的 200 条真实样本跑出来。这件事越早做越省事。
• 算力按“有效算力”规划，不按峰值。先问三个问题：故障恢复要多久？checkpoint 多密？拓扑感知调度做没做？这三个答案决定了你的钱有多少是白花的。
• 智能体从“窄而深”的单场景切入。别一上来做“企业大脑”。选一个边界清晰、有明确成功标准、出错可回滚的流程，跑通再复制。
• 国产化不是二选一，而是双栈并行。用抽象层隔离算力与模型供应商，保证迁移成本可控。技术选型的自由度，本身就是一种风险对冲。

PART 06结语：硅基黑土地，种子已经种下

在 9 月的华为全联接大会上，华为轮值董事长汪涛把 AI 基础设施比作“智能世界的硅基黑土地”。这个比喻放在十月的新闻里看，格外贴切。

土地的价值从来不在于它自己有多耀眼，而在于它能长出什么。模型会一代代迭代，榜单会一轮轮刷新，今天的第一明天可能就是第三。但一层稳定的、可负担的、自主可控的算力底座，一套能把行业知识沉淀下来的工具链，一批真正在业务里跑出效果的智能体——这些东西一旦建成，会持续复利。