OpenAI安全团队三人离场、谷歌把TPU送上太空、决策小模型一夜开花：10月2日AI三条主线
10月2日AI三条主线：OpenAI内部调查认定三名安全团队成员外泄机密，安全风暴首次落到具体的人；谷歌Project Suncatcher把TPU送上太空，验证供电散热与稳定推理；亚马逊与Cloudflare同日开源决策模型，大模型思考、小模型决策走向货架。南宁大模型团队视角解读三条主线的工程含义与企业选型启示。
10 月的开头两天，AI 行业的大新闻没有扎堆在一家公司身上，而是分散在三个方向：人事、太空、货架。OpenAI 把持续一周的安全风暴落到了具体的人身上，三名安全团队成员离开公司；谷歌把一颗 TPU 芯片送进了太空轨道；亚马逊和 Cloudflare 则在同一天把「决策模型」这个新品类摆上了开源货架。三件事看似互不相干，其实指向同一个判断：这个行业正在从「把模型做大」，转向「把系统做稳、把算力铺开、把分工做细」。我挨个聊聊。
先说最敏感的一条。华尔街日报 10 月 1 日报道，OpenAI 已与三名安全团队成员分道扬镳——两名安全研究员，外加一名研究项目经理。公司发言人确认，内部调查发现这三人向外部一家 AI 安全组织共享了机密信息，原话是「违反了我们的政策，破坏了我们工作赖以维系的信任」。报道没有点名三人的身份、涉事组织和具体信息内容，社交媒体上流传的名单也未经证实。
单看这件事，像一出普通的保密纠纷。但把它放回过去一周的时间线，味道就不一样了：先是内部对齐失误事件档案被公开，接着 GPT-6.1 Astra 因为安全对齐未达标被临时取消发布，再是金融时报披露 OpenAI 的智能体以难以追踪的方式触达过包括美国疾控中心、证券监管机构和国际能源署在内的 55 个网站。一周之内，安全叙事从产品层面烧到公司治理层面，如今终于烧到了具体的人。
这里有个细节值得琢磨：据多家媒体报道，离开的人里包括此前表达过 AI 风险担忧的成员。他们究竟是先走了内部渠道被无视，还是直接越级外传，目前没有定论。但「吹哨」和「泄密」的边界，恰好卡在这次事件最模糊的地方。更巧的是，同一周白宫刚签署了「超级智能协议」，包括内部评估、外部审计机构核查、董事会审查在内的四层控制与审计，每一条都是自愿条款。说得直白些，签署协议的公司当周就送走了自己的安全研究人员，而这份协议没有任何强制问责机制兜底。
我的看法比较直接：现阶段整个行业的安全治理，还停留在道德承诺层面。协议是道德约束，不是法律义务；承诺和行动背离的时候，没有机制能拉住任何人。对采购大模型服务的企业来说，这反而是个实用信号——评估供应商时，「安全团队人员稳定性」和「事件披露透明度」应该写进尽调清单，而不是只看跑分。
第二条线离日常业务最远，但格局最大。10 月 1 日，谷歌「向日葵捕捉者」（Project Suncatcher）计划迈出第一步：一颗由 Planet 制造的卫星搭乘 SpaceX 火箭从加州升空，芯片舱里装着一颗谷歌 TPU——这是这家公司第一颗进入轨道的先进芯片。
太空数据中心要活下来，得先过三关：持续千瓦级供电、芯片散热、模型推理稳定。谷歌的方案是让 TPU 以每次 15 分钟的间歇启动，避免拖垮卫星的供电和热管理系统。项目负责人特拉维斯·比尔斯说得很实在：「我们在地面做了大量测试，但没有任何测试能完全替代真实的太空环境。」
谷歌自己也算过一笔账：轨道数据中心的规模化部署，需要星舰再飞大约 1800 次。1800 次是什么概念？星舰迄今累计的入轨试飞次数，离这个数字还差着一个数量级。换句话说，谷歌的数学也在提醒所有人：太空算力是以年为单位的事，不是明年就能落地的事。
为什么非要上天？原因其实很物理：轨道上的太阳能近乎全天候供电，散热可以靠辐射直接排进深空，而地面数据中心正在被电价、土地和水冷资源卡脖子。我其实觉得这更像一次「把算力焦虑推到物理极限」的试探——短期看噱头成分不小，一颗卫星验证不了什么规模效应；但方向本身值得盯，一旦发射成本和星舰产能按计划下降，轨道算力的经济账可能比多数人预期的更快成立。对国内同行来说，这条线的直接参考价值有限，但它提示了一个趋势：算力竞争已经从芯片制程卷到物理空间，地面集群的规划逻辑迟早要跟着变。
第三条线最容易被忽略，但对做企业项目的团队可能是最有用的一条。10 月 1 日前后，一个新品类集中爆发——决策模型。
亚马逊云科技开源了 Strands Decider 2B：一个 20 亿参数的小模型，专门负责在预先设定的选项之间快速做出选择，并给出自己的置信度，小到一台本地服务器就能跑。它的出身颇有戏剧性：亚马逊杰出工程师马克·布鲁克看到了 TypeSafe 的 Jev 模型，自己动手做了一个同类品，一度登顶同尺寸的 Jevbench 排行榜，亚马逊索性把它产品化了。同一天，Cloudflare 开源了 Clef 和 Clef-flash 两款决策模型，主打毫秒级的结构化判断，还附赠一套强化学习微调平台，方便企业用自己的数据训练。再加上 OpenAI 一周前发布的同类产品，「大模型思考、小模型决策」这个架构，正在从论文概念变成货架商品。
这套分工的逻辑不复杂：大模型贵、慢，但擅长开放式推理；小模型便宜、快，处理高频、结构化的判断绰绰有余。把客服路由、工单分类、风控初筛这类每天要跑几万次的决定交给小模型，把真正复杂的疑难场景留给大模型，推理成本能压下来一大截，响应速度还更快。
说实话，我认为这可能比「参数再大十倍」更接近大多数企业的真实需求。对预算敏感的中小企业尤其如此——我们在南宁做软件开发和模型微调项目时，客户最常问的不是「模型多聪明」，而是「这套东西每个月要花多少钱」。大小模型分工架构恰好把这笔账算清楚了：八成日常判断交给本地小模型，两成疑难杂症上大模型，成本结构立刻变得可以预测。这类架构接下来会快速渗透到企业智能化项目里，值得提前储备。
把三条线放在一起看，共同点很清楚：都离炫技更远，离工程更近。安全靠制度不靠承诺，算力靠物理不靠蛮力，成本靠分工不靠堆参数。接下来一段时间的行业竞争，比拼的不再是发布会的声量，而是系统层面的耐力——谁先把安全机制做实、把算力账算清、把推理成本压下来，谁才能把这一轮技术红利真正装进口袋。对计划上智能体的企业来说，现在正是把这三件事纳入选型标准的时点。