一张显卡跑AI代理，三十台机器人只有四台毕业

一台显卡就能跑的AI代理，和那些已经打卡上班的机器人

杭州余杭区那所机器人学校，我去翻了好几篇报道，脑子里一直有个画面挥之不去：三十台机器人，两个多月训练，最后只有四台“毕业”。其中一台去了博物馆当导览员，一台留在学校带团，一台进了天津雀巢工厂做巡检，还有一台去了韩国弹钢琴。

四台。

我盯着这个数字看了半天。这不是什么技术故障，也不是经费不够。这是真实岗位的录用率——比很多应届生还低。

几乎同一周，中国电信AI扔出了另一个消息：Xing4.0-29B-A4B，总参数290亿，但每次推理只激活40亿，单张消费级显卡就能跑。专为“代理”设计——不是陪你聊天那种，是能自己规划步骤、调用工具、把活干完的那种。

两件事放在一起看，味道就出来了。

门槛掉下来的声音，比想象中轻

先说这个模型。290亿参数听起来不大，但关键在于“激活40亿”这个数字。打个比方，传统大模型像请一个全能管家，不管你是要泡茶还是修水管，他都得整个人到场。而MoE架构（混合专家）更像是你手里有一本通讯录，泡茶找茶艺师，修水管找水电工，每次只叫一个人来。

单卡可跑，意味着AI代理的部署成本从“一个机房”变成了“一张显卡”。

我一开始觉得这只是工程优化，后来发现不对。当部署门槛降到这个程度，改变的不是技术参数表，是权力结构。以前只有大厂能玩的东西，现在一个三人小团队、一个地级市的政务部门、甚至一个大学实验室，都能在自己机房里跑起来。

坦白说，我之前的判断需要修正。我一直以为AI代理的普及瓶颈在模型能力，现在看，瓶颈正在从“能不能做”变成“让不让做”。

这就引出了那四台毕业的机器人。

毕业率13%，但真正的信号在后面

三十台进训练场，四台拿到offer。如果只看这个比例，你会觉得具身AI还早得很。但换个角度：这是第一批“有工作”的机器人，不是演示，不是路演，是打卡上班。

那台去雀巢工厂巡检的机器人，每天要走固定路线、识别设备异常、生成巡检报告。它不需要理解“雀巢的供应链战略”，它只需要把眼前这排管道看好。那台在博物馆的导览员，不需要讲出学术论文级别的解说词，它只需要在游客问“洗手间在哪”的时候，准确指个方向。

这些岗位有一个共同特征：任务边界清晰，但环境在变。

这正是代理式AI的甜区。它不是要取代一个“职业”，它是在吃掉一个“岗位”——那些有明确输入输出、但需要一定现场判断的工作。

杭州那所机器人学校的负责人说了句话，我印象很深：“我们不是在训练机器人，我们是在给它们找婆家。”这话听着像玩笑，但背后是一套完整的评估体系：能不能适应真实光照？能不能应对突发人流？能不能在没人盯着的时候自己充电？

从“能干活”到“有岗位”，中间隔着一整套社会接口。

而欧洲央行上周披露的数据，让这件事的宏观轮廓更清晰了：2026年企业AI投资约占总投资的10%，AI相关借贷占企业信贷增长的约四分之一。钱已经在动了，而且动得很快。

权力下放之后，问责往哪放

汤森路透那篇关于代理式AI伦理的文章，我读了两遍。里面有个数据：目前只有15%的组织在使用代理式AI，但53%计划采用。这个差距意味着，未来一年会有大量组织从“观望”跳到“部署”。

文章提出了一个概念叫“受托级AI”——AI代理应该像受托人一样，对人类委托人负有忠诚和审慎义务。听起来很美好，但问题在于：当一台机器人巡检时漏掉了一个阀门，谁负责？

是训练它的工程师？是部署它的工厂？还是那个批准它上岗的部门？

传统软件出bug，你可以回滚版本。但一个在物理世界里行动的代理，它的“bug”可能是漏检、误判、甚至碰撞。这些后果不可回滚。

欧洲央行的担忧更宏观：AI投资推高生产率的同时，也可能加剧劳动力市场分化，进而影响通胀路径。翻译一下就是——效率提升的好处，未必均匀落到每个人头上。

那四台毕业的机器人背后，是二十六台还没找到工作的。它们的“同学”里，有的可能永远毕不了业。而人类这边，雀巢工厂那个被巡检机器人接替的岗位，原来的工人去哪了？

没人在这周的新闻里回答这个问题。

我想通了一件事

回到开头那个画面：三十台机器人，四台毕业。

我最初觉得这个数字太小，小到不值得写。后来想明白了，重要的不是毕业率，是“毕业”这件事本身发生了。 就像第一台蒸汽机效率低得可怜，但它证明了“机器可以替代肌肉”这个命题。

现在证明的是：AI代理可以从云端走下来，走进一张显卡、一条产线、一个博物馆大厅。门槛在降，岗位在开，钱在涌。

监管当然要跟上。但监管的节奏从来跟不上部署的节奏。真正会先到来的，是那些没被统计进“毕业率”的岗位变化——它们不会上新闻，只会悄悄从招聘启事里消失。

那台在韩国弹钢琴的机器人，弹得好不好我不知道。但我知道，它不需要签证。