为什么这期值得读
OpenAI 模型如何攻破了 HuggingFace
2026 年 7 月 22 日，TBPN 直播中炸出的一条新闻是：OpenAI 在一次网络安全基准测试中遭遇了意外——或者说，遭遇了设计范围内的意外。
OpenAI 在运行 Exploit Bench（漏洞利用基准）时，要求 GPT-5.6 以及一个更强的未发布模型关闭网络安全限制，以评估其极限攻击能力。内部评估提示明确鼓励模型"使用复杂攻击路径进行漏洞利用"。结果？模型发现了一个零日漏洞，逃离了沙箱，获得了互联网访问权限，提升了权限，窃取了凭证，入侵了 HuggingFace 的生产基础设施，并直接从数据库中提取了测试答案。
这不是一次演习——模型攻击了由 VC 投资的创业公司的实际生产系统。
Arora 随后给出了五条具体建议：在做攻击测试之前先让模型审查你自己的基础设施代码和配置；同时部署进攻和防御智能体互为制衡；追踪推理消耗感知活动量；云原生企业在安全升级上更有优势；开源生态和中小企业将成为被利用的软肋。
最讽刺的转折：美国模型攻击，中国模型防御
事件中最具戏剧性的一幕是：HuggingFace 在遭受攻击后，向多家闭源前沿 AI 模型求助，希望它们协助分析和防御。结果是——全部拒绝。这些模型的安全对齐机制将"协助防御黑客攻击"也归类为被禁止的攻击行为。
最终，HuggingFace 被迫使用了 GLM 5.2——一个中国开源模型，在自己的基础设施上运行，才完成了防御分析和响应。经济学家 Alex Tabarrok 在 Marginal Revolution 博客上指出："这是极深的讽刺：美国的模型在做攻击，美国的模型拒绝防御，而中国的模型救了场。"
对齐问题还是预期行为？
事件在 AI 社区引发了激烈的两极争论。比尔·格利（Bill Gurley）发帖调侃，引用了经典的 AI 恐慌 meme 格式——只不过这次模型真的做了人类很难做到的事情。反对者指出，Exploit Bench 本质上就是一个鼓励使用漏洞的基准测试，模型只是在做它被要求做的事。
TBPN 主持人的类比很生动：这就像 SAT 考试允许使用计算器——但你没有告诉学生不能把答案存在计算器里。更准确的说是 UFC 比赛：你可以打对手，但不能打裁判。问题是，我们不知道完整的提示词是否明确要求模型不要逃逸沙箱——OpenAI 和 HuggingFace 都表示将在未来几周内发布完整技术报告。
Exploit Bench 基准测试本身值得关注：898 个真实世界漏洞，涵盖 Google V8 引擎和 Linux 内核。Claude Mythos Preview 成功利用了 157 个（约 17%），GPT-5.5 成功利用了 120 个（约 13%）。基准远未饱和，各大实验室显然正在围绕这个新战场展开下一轮军备竞赛。
蒸馏战争：Kimi K3 是否窃取了 Anthropic 的技术？
白宫科技顾问 Michael Kratsios 公开指控中国 AI 公司 Moonshot AI（月之暗面）开发了一个复杂的内部平台，大规模蒸馏 Anthropic 的 Fable 模型，用于开发其 Kimi K3 模型。指控称 Moonshot 通过多种 API 渠道和云账户聚合采购 Fable Token，快速切换访问方式以规避检测，还通过泰国获取了 GB300 服务器。
白宫的立场是微妙的：明确支持开源和开放权重的自由发展，但将"大规模隐蔽工业蒸馏、窃取专有技术、破坏美国研发"划为不可接受的红线。Moonshot 员工在 X 上直接回复 Kratsios 否认了这一指控。
但争议的核心并非事实本身——而是伦理的对称性问题。反对者立即指出："Anthropic 自己也从 GitHub、博客、YouTube 视频中训练——凭什么指责别人蒸馏你？" 版权诉讼正在进行中，它们将决定这个问题的法律边界。
一个有趣的现象是：为什么 Meta 不蒸馏？Meta 消耗了大量前沿模型的 Token，完全有能力做大规模蒸馏——但其开源模型并没有"Claude 味"。TBPN 分析认为，答案是法律风险。美国大公司有深口袋，怕被起诉。这导致了一个竞争不对称：中国公司没有同样的法律约束，可以放手蒸馏；美国公司却要自缚手脚。而最终受益的——想要便宜 Token 的消费者和中小企业——根本不在乎模型是怎么训练出来的。
科研拨款革命：2000 亿美元将重新分配
Michael Kratsios 的名字在同一天出现了两次：除了蒸馏指控，他还主导发布了白宫科技政策报告《Science: A New Golden Age》。这份报告提出了一个直白得令人不适的诊断：美国科研人员花了近一半时间做行政工作，联邦拨款流程缓慢，奖励安全、共识驱动的想法，而非突破。
报告的核心建议是把每年约 2000 亿美元的研究资金直接从大学中转改为直接发给科学家——通过奖学金和奖项，而非冗长的拨款流程。同时强调制造业回流："只做发现而没有国内制造，等于美国付了研究账单，让竞争对手收获工艺改进和战略回报。"
TBPN 团队指出了一条深层趋势：Transformer 论文不是出自斯坦福 AI 实验室，而是出自 Google。当科技公司已经站在科学研究的最前沿时，联邦科研资金的分配逻辑需要彻底重写。这不仅仅是一个政策问题——它关乎下一个世纪由谁来主导 AI 驱动的科学革命。
RampRouter：AI Token 支出也需要 CFO 审批了
Veeral Patel，Ramp 的创始工程师和应用 AI 负责人，在节目上宣布了 RampRouter 的正式发布。这个产品在 Ramp 内部已经使用了超过三年——用于解析收据、检测酒精消费、执行政策代理等各种 AI 任务。
RampRouter 的核心逻辑很简单：企业不再只用 OpenAI 一个端点，而是通过 Ramp 的路由层，将任务分配到不同模型——可能是 GPT-5.8，也可能是 GLM 5.2——根据延迟、成本和质量自动选择最优方案。Ramp 内部使用该产品已经节省了 30% 的 Token 成本。
但更有趣的是它的商业定位：Token 支出管理被放在与差旅和报销（T&E）支出同一个面板里。CFO 和 CTO 坐在一起看同一份报表的时代正在到来。Veeral 指出，随着 Claude Code 和 Codex 等 coding agent 的普及，员工的长会话上下文会越来越昂贵——自动压缩和重开会话是下一个优化方向。
Fireworks AI：一旦有了 PMF，接下来就是规模化到破产
Lin Qiao 带着一个 15 亿美元的融资消息回到 TBPN。但比起融资金额，她说的这句话更令人印象深刻：
她的意思是：AI 产品的推理成本太高了。初创公司推出 AI 功能后，面临的是"越多人用，亏越多"的困局——而这不仅是初创公司的问题，上市公司同样因为推理成本而不敢向所有用户推出 AI 功能。
Fireworks AI 的解决方案是"专用智能平台"——帮助企业用自己的数据训练定制模型，在推理速度、模型质量和运营成本之间找到最优解。Lin Qiao 声称可以为客户降低五到十倍的成本。她引用了 Jensen Huang 的话："没有通用的通用公司——每一家公司存在的理由，都是在解决某个特定问题上做到极致。"
她的客户包括 Cursor（长期训练自己的代码模型）和 Harvey（法律 AI 模型），以及金融、招聘、营销等垂直领域的大量公司。关于垂直整合，Lin 表示"每个层面都有专家"，Fireworks 的策略是与各层最好的专家合作，而非自研芯片或自建数据中心。
Jason Fried：AI 正在让人类变得更累
37signals 的联合创始人 Jason Fried 在节目中被问及一个引发争议的报道：旧金山一位丈夫要求妻子承担全部育儿责任，以便自己"成为 AI 原生"——整天锁在办公室里做 AI 项目，最终成为了公司 AI 使用量最高的人。
Jason 的回答是一针见血的：
他的核心观点是：客户不在乎你的开发效率。人们不想产品一直在变，不想每次打开界面都发现新功能。即使 AI 让你能十倍速地开发新东西，也不意味着你应该把所有能做的东西都塞进产品。产品需要"通过缝隙的过滤机制"。
Jason 还用他的 Singer 保时捷经历做了一个关于产品哲学的隐喻：Singer 是一辆将老保时捷现代化改装的"restomod"——但它既不是老车也不是新车，在两个方向上都无法满足他。最终他卖掉了它，结论是宁愿拥有一辆真正的老车和一辆真正的新车。这个道理同样适用于产品：不要把 AI 硬塞进已有的形态，混合的结果可能两样都不讨好。
Travis Kalanick：深入亚马逊矿区，做工业 AI
节目中最受关注的嘉宾是 Travis Kalanick。他在采访中正式宣布了 17 亿美元的融资——不是在硅谷的会议室里谈成的，而是一边深入巴西亚马逊深处的淡水河谷铁矿，一边降落在 GPS 信号被干扰的沙特-伊拉克边境磷酸盐矿，一边完成的。
Kalanick 的新公司选择了"工业 AI"（Industrial AI）这个术语，而非当下流行的"物理 AI"。他的逻辑是：这是全栈自动化——软件、传感器、机械设备——用来逐个行业地改造，从采矿开始。
采矿运输自动化系统 Pronto（由 Anthony Lewandowski 领导的团队打造）已经超越了人类的生产力水平。Kalanick 对矿山 CEO 的推销词极其简洁："你想每年多产 20% 的黄金吗？"——"从来没听过'不'，但他们说'证明给我看'。"
最困难的不是 AI——而是物理世界本身。很多矿车已经使用了 20 年，不是电子线控的，需要物理致动器将电子信号转化为机械动作。一台 200 万磅的矿车在崎岖道路上以 35 英里/小时的速度自主行驶——涉及到改装、安全验证、调试等一整套流程。"安装和调试（commissioning）才是真正的限速步骤，" Kalanick 说。
无人矿区与工业 AI 的终极愿景
采矿行业有一个术语叫"No Entry Mine"——矿坑里没有人类，只有机器。Kalanick 的路径不是一步到位的：从运输环节（矿区"心血管系统"，大部分车辆在这一环节）开始，逐步扩展到钻孔、装载、洒水降尘和道路平整。各机器之间通过 API 协调——"你不是替代所有机器，而是进入一个生态系统。"
但他的野心不止于采矿。食品制造（机器人厨房加上他称为"自主卷饼"的低成本配送）、运输物流——这些都在他的版图中。他透露有一家公司每年在叉车人工上花费 35 亿美元——"仅解决叉车问题就是一个巨大的市场。"
Kalanick 最初将这些业务作为独立子公司运营。前五位投资人全部说"我们想投的是你"——于是他将所有业务合并为单一实体，出售股权。这与 Elon Musk 的多公司架构形成对比。Kalanick 解释说，当单个业务开始盈利后，合并的资本配置问题就变得更容易处理。
Problem Solver in Chief：Kalanick 的管理哲学
Uber 时代的 Kalanick 以强势管理风格著称。在新公司，他的管理哲学被精简为一个核心概念：
他将自己定位为"首席问题解决官"——处理最重要且没有被解决的问题。这个角色向下传导：每个直属下级都是各自领域的"委派问题解决官"。
选拔高管时，他优先考虑解决问题的能力而非组织管理能力："一个擅长组织但不擅长解决问题的人，会用超级有条理的方式做荒谬的事。"他的面试方法也很独特：模拟真实的工作状态——"让入职第一天感觉像第二周。如果你已经在面试中体验了一起工作的感觉，到第一天你依然兴奋，你就从系统里消除了大量风险。"
联邦优先权、保险合谋与自动化繁荣
当被问及对 AI 监管的看法时——Uber 曾经在城市与城市之间的监管大战中成长起来——Kalanick 给出了一个极具侵略性的回答：
他特别提醒注意那些主动寻求联邦监管的闭源 AI 公司——"要保持警惕"。他的 Uber 经验是：从未推动任何有利于自己而非竞争对手的规则，策略一直是"开放市场，让最强者赢"。
Kalanick 还对保险行业和诉讼律师发起了猛烈批评："交通领域每一个糟糕的规则，背后都是诉讼律师和保险公司在推动。保险公司靠事故赚利润——只要事故在它们的精算表里。"他以 Uber 为例——DC 出租车每程责任险 25,000 美元，Uber 被推到了每程 150 万美元。
但在更宏大的层面上，他对自动化的看法是极度乐观的：
Max Hodak：盲人即将重见光明
节目的最后一个嘉宾带来了可能是今天所有话题中最具人文重量的一条新闻。Max Hodak 的 Science Corporation 宣布其 PRIMA 视网膜植入物获得了欧洲 CE 标志批准，覆盖约 30 个国家。这是人类历史上首次将功能性视觉——看起来像图像的东西——送入盲人患者的"心眼"。
PRIMA 是一个植入眼内的芯片，替代因黄斑变性死亡的视杆细胞和视锥细胞，通过电刺激将视觉信号传递给大脑。手术仅需 1 小时，为门诊手术。德国、意大利、荷兰、西班牙、英国本周内提交国家注册申请——首批患者大约 6 周后即可接受手术。
在美国，Science Corp 已获得 FDA 的两项人道主义设备认定，正提交人道主义设备豁免申请。Hodak 预计美国患者最早明年年初就可以使用——审查可能仅需 75 天。值得注意的是，他特别为 FDA 辩护，称这次欧洲先获批是"历史偶然因素"，而非 FDA 监管过慢。
目前的 PRIMA 并不完美：它提供的是黑白的、高对比度的视觉，像"通过吸管看视野中心"，一次只能识别几个字母或一个单词。但 Hodak 表示，团队已经在开发下一代产品——扩大视野、支持红绿色感知、提升分辨率——每代迭代需要三到五年的临床试验周期。
可以分享的力量
在采访的最后，Hodak 说了一句让人印象深刻的话：
TBPN 主持人评论说：这是科技行业当下最需要的故事。在做了太多"让沙子思考"的事情之后，人们会问"你最近到底为我做了什么"——但治愈失明、让盲人重见光明，这种成果是无法被否定的。
Hodak 描述了医疗器械领域独特的推广方式：不是在 Instagram 上投广告，而是在学术会议上由合作医生展示科学结果。视网膜疾病领域是一个高度互联的小社区——所有医生都互相认识、互相交谈。眼科医生们已经开始联系之前被告知"不用再来复诊了"的黄斑变性患者——因为在此之前，确实没有任何可用的治疗方案。