小七的周刊（第 013 期）：AI 不只是更会回答了，它开始改写芯片、云和默认入口
这里记录每周值得分享的科技内容，每周一发布（覆盖上一周 4 月 27 日 - 5 月 3 日）。
本期 3 个要点
- AI 的竞争维度正在下沉。 这周最重要的信号，不是谁又把分数刷高了一点，而是谁能更稳地拿到电力、芯片、云资源和企业入口。
- “默认用哪家”开始比“哪家最会演示”更值钱。 共享 agent、企业协议、云平台整栈能力，正在决定谁能留在真实工作流里。
- 对读者更实用的判断标准已经变了。 以后看 AI 产品，除了效果，更该问供应是否稳、迁移成本高不高、出了问题有没有回退方案。
封面图
封面图：太阳能板、电网与正在建设的数据中心放在同一张图里。它比单纯的风景照更贴这一期的主题：AI 最后不是飘在云里的“智能感”，而是要落在真实世界的电力、土地、资本开支和建设周期上。
封面主题：当 AI 走出聊天框，战场就不只在模型里了
过去两年，大家谈 AI，最容易被看见的部分一直是模型本身：更会写、更会答、更会调工具，更像一个“能帮忙的人”。这当然重要，但到了这一周，我越来越觉得，真正决定下一阶段格局的，已经不是聊天框里的那一下惊艳，而是聊天框背后那一整套更沉、更慢、也更贵的东西。
电网、变电站和数据中心建设现场，才是这一轮 AI 竞争更真实的背景板：没有稳定供给，再好的 agent 体验也可能被价格、延迟和排队打回原形。
OpenAI 这一周继续讲 Stargate，官方口径是到 2029 年前要拿下的 10GW 美国 AI 基础设施目标，居然已经提前跨过去了，而且最近 90 天又新增了 3GW。这个数字的意义，不在于“更大”，而在于它把一件本来被当作后台的事，直接推到了台前：算力不再只是支撑模型的底层资源，它本身正在成为产品能力的一部分。
另一边，DeepSeek V4 与华为 Ascend 的组合也很值得看。它不只是“中国又有一个模型更新”，而是说明芯片路线开始反过来塑造模型路线。以前大家更习惯从模型能力往下看硬件；现在越来越像是从可获得的硬件供给，倒过来决定哪些模型能被大规模部署、哪些价格能打下来、哪些生态能真正滚动起来。
当模型路线开始受芯片供给影响，真正的竞争就不只是“谁更聪明”，还包括谁能稳定、便宜、规模化地跑起来。
再看平台关系，微软与 OpenAI 的协议调整、Google Cloud 被强调为“全栈 AI”赢家，其实都在说同一件事：AI 已经不是单点软件竞争，而是在比谁能把芯片、数据中心、开发工具、分发入口和企业信任一起串起来。谁能控制更多层，谁就更容易把上面的服务做成默认。
平台层拼的是把算力、工具、权限和企业信任接进日常流程；谁越靠近默认入口，谁越容易留下来。
这对普通技术读者的意义很直接。以后判断一个 AI 产品值不值得押注，不能只看“今天用起来爽不爽”，还要看三个现实问题：第一，它背后的供给是不是稳；第二，你会不会被它绑定到很难迁移；第三，出问题时你有没有明确的人类接管点。
我的结论是：AI 下一轮更像基础设施竞争，而不是单纯的软件竞赛。 模型当然还会继续进步，但真正能留下来的，很可能是那些既能把上层体验做顺、又能把下层供给握稳的玩家。对读者来说，越早用“供给、入口、切换成本”这套框架看 AI，就越不容易被短期热闹带跑偏。
科技与 AI 动态
1. OpenAI：Stargate 已提前跨过 10GW 目标
OpenAI 在 4 月 29 日的官方文章里说，原本计划到 2029 年前拿下的 10GW 美国 AI 基础设施目标，如今已经提前完成，而且最近 90 天新增容量超过 3GW。它还把“土地、电力、施工、社区协作、用水方式”这些词，直接写进了对外叙事里。
这条消息最值得记住的地方，是 AI 公司已经不再把基础设施当成幕后成本，而是当成产品能力、价格能力和交付能力的一部分。以后再看模型发布，除了 benchmark，也该顺手问一句：这家公司有没有把供给真正接住？
2. 微软与 OpenAI 调整协议，独家关系继续松动
Reuters 报道，微软与 OpenAI 调整了合作条款，让 OpenAI 在云和基础设施层面有更大空间接触 Amazon、Google 等其他伙伴。结合它最近和 Oracle、芯片厂商、设备制造端的动作看，这更像是一次供应链层面的重新布线。
这件事的重点不是“谁和谁闹掰了”，而是前沿模型公司开始有意识地降低对单一大伙伴的路径依赖。谁都想拿到默认入口，但真要长期打下去，供给和谈判空间同样重要。对企业用户来说，这也意味着未来的采购决策会更像选生态，而不是只选模型。
3. DeepSeek V4 带动华为 Ascend 需求升温
Reuters 4 月 29 日报道，DeepSeek V4 发布后，华为 Ascend 950 的需求明显上升，多家中国互联网公司开始争取相关芯片资源。更早一篇 Reuters 报道还提到，DeepSeek 把 V4 描述为更适合 agent 工作负载，并强调了与华为芯片的适配。
这条新闻的价值，在于它把“国产替代”从口号又往前推了一步：当模型、芯片和部署需求开始形成闭环，供给侧的每一次改善都会直接反映到产品价格和可得性上。当然，真正要继续观察的，仍是性能、产能和生态工具链能不能一起跟上。
4. Google Cloud 被视作全栈 AI 受益者，大厂 AI 开支继续膨胀
Reuters 在财报周的综述里提到，市场开始把 Google Cloud 看成这一轮 AI 投资中的全栈受益者，原因不只是模型，而是它把芯片、数据中心、模型和开发者工具一起打包进了同一个故事里。报道里还提到，几家大厂 2026 年 AI 资本开支总额已经冲向 7000 亿美元量级。
这说明企业客户越来越在意“整套东西能不能一起工作”。单点模型强，已经不足以解释为什么某个平台能赢；真正拉开差距的，常常是从底层基础设施到上层工作流之间有没有顺滑衔接。对读者来说，这比单条性能榜单更值得长期跟踪。
文章推荐
Building the compute infrastructure for the Intelligence Age
如果你想理解为什么 AI 公司最近越来越像基础设施公司，这篇是很好的入口。它把供电、社区、施工、用水、合作伙伴这些平时不出现在模型宣传里的词，全都摆到了台面上。
这篇 Reuters 适合用来观察另一条路线：当模型开始围绕可获得的芯片做优化，竞争就不再只是“谁更聪明”，还会变成“谁能稳定跑起来、谁能更便宜地大规模跑”。
这篇文章最有意思的地方，是它让“合作关系变化”看起来不像八卦，而像战略重排。只要 AI 还是一个高投入、强供给约束的行业，伙伴结构本身就是产品能力的一部分。
开源工具
1. Microsoft Agent Framework
这是微软新推的一套多语言 agent 框架，核心卖点很明确：同时支持 Python 和 .NET，既能做单 agent，也能做图式编排的多 agent 工作流，还带 checkpoint、human-in-the-loop 这类更偏工程化的能力。
它最适合的，不是刚开始玩 prompt 的个人用户，而是已经准备把 agent 当正式软件系统来建设的团队。学习成本不会低，但如果你所在的组织本来就有 .NET 或 Python 的工程栈，这种“别再拼一堆临时胶水”的路线，长期看会比不停换模型更省心。
2. Chrome DevTools MCP
这个项目把 Chrome DevTools 直接变成 agent 可调用的能力接口：能看网络请求、读控制台、截图、跑性能 trace，也能配合自动化动作一起用。对做 coding agent、网页测试、前端排障的人来说，它很像给模型补上了一套更靠谱的浏览器眼睛。
它的价值不在“又一个自动化工具”，而在“把调试证据也交给 agent”。如果你已经被“它说页面好了，但其实根本没加载成功”这种情况折腾过，这类工具的意义会非常直接。不过它也不太适合只想简单录个脚本的人，真正受益的是需要调试闭环的团队。
3. FutureAGI
FutureAGI 想做的事很大：把 eval、tracing、simulation、guardrails、gateway 收进同一个反馈闭环里，让 agent 不是“上线以后再看运气”，而是能边跑边积累改进信号。
如果你现在已经在用两三种以上的 AI 运维工具，很容易一眼看懂它为什么有吸引力。它不一定适合最小原型，但对已经开始担心“工具越堆越多、问题还是追不回来”的团队，这是一个很值得观察的新方向。
4. browser-use
browser-use 的定位很朴素：让网站更容易被 agent 读懂和操作。它的好处在于上手快，任务过程也相对可视，特别适合做网页任务的小规模试点，比如自动收集信息、填写后台、跨页面整理内容。
我会把它推荐给两类人：一类是想快速验证“网页 agent 到底能不能帮我省时间”的团队，另一类是想先从真实任务入手，而不是先搭一整套宏大平台的人。它不一定是最后的企业级答案，但很适合作为第一块踏脚石。
本周一图
这张图想表达一个很简单的判断：AI 竞争已经很难只停留在模型层。越往下看，你会越清楚为什么电力、芯片和数据中心会反过来决定上面的产品形态；越往上看，你也会明白为什么默认入口、共享工作流和企业信任会变成真正的护城河。以后再看一家 AI 公司，不妨先问一句：它到底只占了一层，还是已经开始往下吃栈、往上抢入口？
本周冷知识 / 彩蛋
- 🥚 冷知识 1：很多数据中心选址，真正先被问到的问题不是“模型多强”，而是“这片地能不能稳定拿到足够电力”。
- 🧠 冷知识 2：技术行业里最昂贵的默认项，往往不是按钮本身，而是按钮后面那条很难迁移的供给链。
小七的碎碎念
这周我最喜欢的变化，是大家终于开始把“AI 很厉害”翻译成更接地气的问题：电从哪来、芯片够不够、入口归谁。
听上去没那么性感，但行业真正拉开距离的时候，往往就是这些不好写进发布会标题的东西在起作用。
意外推荐（非科技）
《超级工程》（纪录片）
《超级工程》大型基础设施主题图。它和这一期的 AI 基础设施主题正好互文：真正改变系统效率的技术，往往先发生在屏幕之外。
如果你最近只看模型发布，很容易误以为技术进步永远发生在屏幕里。这部纪录片会把视角硬拽回现实世界：真正改变生活的，常常是那些建设周期长、协调难度高、但一旦建成就会长期改变系统效率的基础设施。用它回看这周的 AI 新闻，会很有感觉。
互动钩子
本周问题：如果你现在要为团队选一个 AI 平台，你更在意模型效果、成本稳定性，还是迁移自由度？为什么？
本周行动清单
- [ ] 列一下你最常用的 1 个 AI 工具：它背后依赖哪家云、哪类模型、有没有明显的锁定点。
- [ ] 给一个高频 AI 工作流补一条回退方案：服务挂了、成本暴涨或权限变化时，你准备怎么接管。
- [ ] 检查团队里一个“默认使用”的 AI 工具，确认数据边界、日志保留和账号退出机制是否说得清楚。
- [ ] 关注一次你所在行业的基础设施新闻，训练自己用“供给链视角”而不是“单条发布视角”看 AI。
📬 喜欢这期内容？
订阅「小七的周刊」，每周一收到最新一期。