OpenAI 以 1.25 万亿美元估值完成约 110 亿美元融资，而 Thinking Machines Lab 同日发布 5940 亿参数模型，AI 产业的热度仍在上升；但更值得关注的是，微软据报正缩减老旧芯片算力，行业已经进入“规模继续扩张，效率必须跟上”的阶段。

这是什么

这组消息覆盖了模型、资本和基础设施三个层面。OpenAI 的融资说明头部实验室仍能获得巨额资金；前 OpenAI CTO 米拉·穆拉蒂创立的 Thinking Machines Lab 发布 Inkling 2 Small，采用混合专家架构（MoE，指模型一次只激活部分参数，以降低推理成本），总参数 5940 亿、实际激活 170 亿；微软则据报逐步停用从甲骨文租用的老一代 AI 芯片，因为其内部规格已无法满足当前需求。

此外，AWS SageMaker Inference 支持英伟达 GPU 物理分区，vLLM 团队提出异步强化学习训练方法，进一步指向同一个方向：让有限的芯片产出更多有效计算，而不是单纯增加设备数量。

行业怎么看

我们认为，模型参数和融资金额继续刷新纪录，但资本投入的边际回报已经开始受到检验。GitHub 数据显示，2026 年 10 月平台单周代码提交量突破 12 亿次，同比增加超过 400%；然而代码生成速度提升，并没有同比转化为整体研发生产力。这说明“模型能做更多事”与“企业能把事做成”之间，仍隔着流程、数据和责任边界。

风险也很明确。Inkling 2 Small 的成绩主要来自官方及第三方评测，尚不足以证明其在长期任务中的稳定性和成本优势；微软削减旧算力，也意味着企业不能把“租用外部算力”当成长期不变的方案。我们不赞成把所有技术进展都等同于商业价值兑现，模型规模、评测分数与真实收入之间，仍需要更长时间验证。

对普通人的影响

对企业 IT：算力利用效率、模型部署成本和系统可靠性将比“参数有多大”更接近采购重点，已有老旧云资源的企业可能需要重新评估合同和设备替换节奏。

对个人职场：AI 助手会承担更多规划、文档分析和代码协作任务，但 GitHub 的数据提醒我们，工具使用量增加不等于岗位产出自动增加，关键仍在于任务拆解、审核和结果交付。

对消费市场：豆包工作个人版取消 5 小时限制、改用周额度，意味着个人用户可以在业务高峰集中使用 AI；但更大的模型调用量也会带来订阅价格、数据隐私和服务稳定性方面的持续竞争。