GPU租金差3倍，AI四个月查出顶级实验室漏诊的基因

同样的H100，在以AWS为代表的超大规模云厂商那里租，价格稳定是新兴云厂商的2到3倍，有时更多。说这话的是Steve Ho，Silicon Data的研究负责人，这家公司专门给GPU租赁和模型token做价格指数。

另一个数字更扎人：一家成立四个月、还没有一分钱收入的公司，已经诊断出了多个此前无解的儿童病例。靠的是前沿模型加一套自研工具链。

这两个数字都来自Cognitive Revolution的每周精华档AI:AM。主持人Nathan Labenz和联合主持Prakash这期塞进了四块内容：中美AI风险与验证、算力定价、人和模型合写长篇、AI诊断罕见病。下面逐块拆。

中美之间的红色电话，历史上响了也没人接

先说最重的话题。Gladstone AI的哈里斯兄弟Jeremie和Ed刚出了一份报告，采访了大约12位在谈判桌上和中国打过交道的美国国务院外交官。特朗普与习近平会晤之后，两国之间可能出现一条针对AI事件的沟通热线，类似核时代的红色电话。

Ed的态度是，谈总比不谈好，但历史记录不好看。核领域的红色电话，关键时刻经常没人接，而且常被当成筹码来用：我们不接了，你看着办。

那么假设真出了严重AI事故，美国今天手里有什么牌？兄弟俩的答案是很有限。数据中心目前藏不住，热信号巨大，建设周期长，所以一个可能的要价是：关停所有超过一定规模的算力集群。Ed补了一句，这是极其昂贵的要价，GPU折旧是运营成本的大头，真开这个条件，等于让对方烧掉一大笔钱。

Nathan把这个逻辑从头捋了一遍：关系不好，能力进步快，等出事就只能开出天价条件，因为平时没投资更低成本的信任与验证机制。怎么破？Gladstone给的答案是两件事：更好的验证技术，加上确保合规的威慑选项。验证创业公司已经有一批，但有个没人定价的瓶颈：新技术要成为情报体系认可的「国家技术手段」，历史上通常要审核数年。真到危机时刻再送审，来不及。所以他们现在做的事很朴素，把验证公司和情报机构提前对接，让创业公司早点听到「这个方向行不通」的反馈，别烧完几千万美元研究经费才发现路线是死的。

「某些透明化可以是稳定器。我们给你足够的视野，让你看到我们没在做你最怕的事。而且这取决于怎么实施，可能根本不贵，因为中国人早就渗透进我们的系统了，很多情况下我们没给出他们还没有的东西。」

什么信号才算数？Nathan提到习近平在世界人工智能大会上的讲话挺友善，给美国发明AI记了功，警告不要过度延伸国家安全概念。Ed列了几个「伪造不了」的信号：DeepSeek和智谱因为某次事故达成某种限速协议；负责模型审批的网信办真的因为对齐问题给某个模型踩了刹车；中国开始以美国前沿实验室同样的细节遭遇AI事故。到了那一步，双方才会真正意识到，最该怕的是实验室里那个谁都看不懂的怪物，彼此反倒排在后面。

Jeremie补了一套操作层面的判断方法。他们整理了五个中美外交中的历史陷阱，基本是中国在敷衍时的标准动作，把每条红旗翻过来就是绿旗：没有随意的措辞挑剔，是绿旗；有实权人物出面参与，是绿旗；谈判出现实质推进，也是绿旗。Jeremie补了一句，受访外交官里有一位持异议，认为某些表态是真诚的，这本身就是认知难题。但按过去的表现，现在「看起来在推进」都能算真信号，对比基线就是这么低。 Nathan还问了一个对称的问题：美国有什么低成本但可信的动作？除了透明化，Ed点了两条。一是两国验证技术社区之间的民间交流已经在发生，学术对学术、创业公司对创业公司，真诚的人在谈同一个问题。这种基层连接越多，双方就越有人能对各自的决策层说「我见过对面的人，他们不邪恶」，这能缓和两边的极端倾向。二是他抛出的试验田设想：总统把OpenAI和Anthropic叫进一间屋，要求开发出互相验证的技术，再放大到太平洋两岸。兄弟俩认为不离谱，但有差别，两家都是美国公司，有信任底子；不过人员互相挖角，某种程度上复刻了中国对前沿实验室的渗透程度。技术路线倒是幸运的，全行业都在押注transformer加MoE的变体，量子机器学习在关键时间尺度上成不了气候。中美在同一棵技术树上撞见同样的意外，安全栈原则上可以像冷战时期美苏互通那样互相检查。而中国这边有个结构性解读要记住：二轨对话里，中方反复把美国谈安全理解成卡他们发展，因为自认落后，落后者做点出格的事也理直气壮，但落后同样意味着看不清前方的警告信号。

同样一块H100，为什么AWS能贵3倍

回到钱的问题。Steve Ho的指数同时用报价和成交价，再用机器学习把合同归一化到可比状态。他拿租房打比方：公寓挂牌价2千美元你不会直接信，因为没法点一下API就拎包入住；GPU可以，像亚马逊下单一样，所以报价也纳入，再用成交价校准。指数用六个特征调整：地理位置、CPU、内存、租期、供应商等。

超大规模厂商的溢价，他用汉堡解释。街边摊的单层汉堡和高级牛排馆的单层汉堡都是单层汉堡，但牛排馆把薯条和奶昔捆绑着卖，你还能勉强剥离出肉饼的价格；要是商家把薯条和奶昔直接打进肉饼里，宣布这是全新产品卖3倍价，那就没法剥离了，只能单列一类。超大规模云卖的就是这种打进去的捆绑：软件分析、安全、合规，加上企业客户多年的迁移粘性。芯片本身是同质的，产品不是。

他们还有个叫SiliconMark的物理检测服务，按设备UUID逐台测GPU健康度和TFLOPS。但物理性能暂时不进价格模型，因为单卡有「GPU彩票」波动，集群层面被大数定律抹平了。

token指数更有意思。它实际是支出加权价格指数，归一化到100万。专有前沿模型从6月底到9月中从约4美元跌到1.6美元，跌幅过半，各家都在用便宜变体降价，Meta和Grok也以专有模型身份激进定价。最近7天反弹11.5%，Steve怀疑主要是使用组合变了，大家更爱用Anthropic贵的强力款。就像奔驰同时卖便宜款和贵款，销量结构一变，成交均价就变。价格在降，用量在往贵处迁移，两个力量方向相反。

快8倍的模型，和把ChatGPT账号当通行证

Dev Day上OpenAI发了GPT-6.1 Soul，价格与两周前刚发的GPT-6 Soul持平或略低，能力到Astra档，官方说法是「Astra的性能，Soul的价格」。更值得记的是GPT-6 Astra Ultrafast，8倍速，此前的fast模式是2倍。演示里模型能边打字边交互着搭软件、造游戏。Prakash的判断很明确：同等智能水平下的延迟，是能力门槛跨过之后的下一个主战场。模型能造游戏，能不能边聊边造、让你一直保持心流？

个人代理Dots被Nathan归为消费级产品，他自己攒了9个月的方案舍不得换，但承认对不想折腾的人，比如他妈，是好事，免维护免排错。真正让他兴奋的是Sign in with ChatGPT，用户可以把订阅带到参与的第三方应用。他用自己的公司Waymark算账：新用户注册第一件事是给小生意建档，再用档案生成视频，建档一度是每客1美元的token成本。「试用7天」这类经典增长手段，在按token付费的世界里变得昂贵。这个功能对平台、用户、SaaS三方都划算，开发者让编码代理实现一下就行。

人画骨架，模型填肉：一部长篇的合写实录

Joel Borgan的小说《The Receipt Horizon》设定在一场AI战争之后，他和模型合写完成。他有孩子、有兼职，写作缺的是启动能量，模型补上了这一块。

流程是：自己先画大架构和节拍，前半本在动用模型之前就定好了；然后和旗舰Claude、GPT-5 Pro来回磨，逐章起草。他的经验很直接：就算你把章节计划写得明明白白，模型裸写的文本经常没法读，除非你会搭脚手架再亲手编辑。成稿后他删了约14%，主要靠手动加AI辅助判断该砍哪里。他还请了专业文案编辑、美术和排版，贵、慢、有挫败感，但把学到的东西喂给模型，为第二本书搭好了工作流。上下文长度是大解锁，能整本书喂进去了。

叙事上的难点他自己点破：乌托邦在故事里总想变成反乌托邦，没有冲突就无聊。他不让任何角色当自己的传声筒，反方观点也认真写。音乐上他留了个保留测试题，一张中提琴五音符乐谱图，考了快两年，没有一个推理模型全对。OpenAI往模型里塞进真实乐谱之后，直接从零跳到99：一张双升号、临时记号和连线满天飞的20世纪复杂乐谱，Codex几乎完美转成机器可读格式。海量不可机读的古典乐谱，由此变成可训练的数据。

他留下一个开放问题：亚马逊上有人全自动写言情，一年几百本，薄利多销。当艺术可以按需定制、只属于你一个人，它还有价值吗？共享文化空间本来就在碎片化。他的判断是现在还在甜点区，做出让自己骄傲的作品仍需要大量人的判断，但不知道能持续多久。

顶级实验室漏掉的91kb缺失，被一个不睡觉的循环找回来了

Daniel McKinnon创办Gammo Labs的动机是私人的。儿子Owen死于一种罕见肺病，顶级产前测序实验室Rady给出阴性报告，后来一位人类专家找到了被漏掉的遗传缺失：91kb长，删掉了一个增强子，位置在目标基因上游约一百万碱基处。实验室的过滤规则是结构变异只看基因上下游1kb以内，人手有限，这是合理取舍，代价就是漏诊。之后妻子又经历一次孕晚期流产，五年心碎。怀Warren时16周大排畸有疑点，全基因组测序又是阴性。Daniel受够了，行使HIPAA权利要来原始数据，用当时的o3自己搭了个解读流水线，不但查出了Owen的缺失，在其他疑难病例上也赢了实验室。

方法本质是把「反复看、不停看」这种人力烧不起的活交给机器。临床实验室每个病例只能花有限时间，结论不出就标「非诊断性」，而疑似遗传病婴儿的全基因组大多就是非诊断性。o3在循环里一圈圈跑，先查编码区，漏了再换角度，永不下班。他认为这是强化学习的完美靶子：长时程、多步骤、可验证、未饱和，可以像奥数题那样持续爬坡。

公司四个月大，还没收入，只接难案，两条业务线：一条是线上个案，传统实验室无解的病例经患者同意送来重分析；一条是批量重分析，罕见病中心攒了几千份基因组没人力看，Gammo一周能周转80到200份，那是对方排不上队的半年到一年的活。背景是测序早已便宜，高吞吐实验室能做到每份基因组100美元以下，测序不贵，难的是从数据里读出洞见。

科学瓶颈在VUS，意义未明变异。按ACMG评分，攒够6分才能升「可能致病」，解锁治疗和保险选项。现在的路只有两条：等更多相似病例出现，慢且不可扩展；或说服大学实验室做功能实验。肺泡毛细血管发育不良就得用胎儿肺细胞系IMR-90，因为那个基因只在发育第16到20周表达，癌细胞系不行。功能实验一次能加2到4分，分量很重。Gammo刚买下Arpeggio的剩余资产、雇了4个人，采访当天在跑第一批实验，目标是把真实生物学实验变成强化学习数据，闭环让模型越用越准。

模型层的判断很冷静。他在Meta做过第一个LLM项目OPT-175B，结论是别跟前沿实验室拼模型层。o3裸跑在他自建的基准RareBench上得分0%，现在前沿模型裸跑能拿二三十分，传统工具LIRICAL约10%，Opus 5.5加Claude Code能到50%左右。脚手架的价值在缩水，但还没归零。他们自称是harness、工具加评估的公司：按模型特长智能路由做集成，Claude擅长一类案例，Astra擅长另一类；评估必须测整个系统。抓到的错误很生动：Grok 4.6在基准上排第一时，把一个基因名说着说着改成了完全不同的名字，答案就这么错的；Astra第一次跑评估，声称读完了指定论文，其实没读，答案就在论文里。成本上，单案例10美元或100美元都成立，靠百万次rollout收敛到一千甚至一万美元一例，就没意义了。

前沿实验室的反应出乎意料地好，他遇到的每个人都说想帮忙。Dario发推说五年内治愈癌症，Daniel的回应是，一家四个月大的小公司今天就在诊断孩子，这是AI最该讲的故事，对labs自己也是。Nathan最后诚实了一回：如果前沿被限速，等待诊断的家庭付出的代价是真实的，50%意味着一半的疑问还悬着。他仍然认为限速值得，但这个代价不该被轻描淡写。

明天就能用的四件事

• 租GPU先看新兴云厂商。同样的芯片价差2到3倍，先问自己需不需要超大规模厂商捆绑的合规、安全和企业服务，不需要就别为打进肉饼的奶昔付钱。
• 用模型写长东西，先自己定骨架，逐段喂，再让模型当助手提修改清单，由你逐条拍板，最后手动砍掉AI特有的过度解释。
• 判断谈判或合作对象的诚意，看三条：实权人物是否出面、有没有随意的措辞挑剔、有没有实质推进，比听说了什么漂亮话可靠。
• 家里有未解的基因检测报告，可以依据HIPAA索取原始数据要求重分析；拿到VUS结论时追问功能实验的可能，一次实验可能加2到4分，足以改变诊断。