今天，我們重發一篇過往比較受歡迎的文章《麥肯錫最新報告：未來5年最有價值的5種人》，希望對你有所啟發。

以下是這篇次條重發文章正文。

你有沒有這樣的感覺，一聊到AI，總繞不開一種焦慮。

職場人會問：“AI會不會取代我？”創業者會問：“現在AI能幹很多事了，還有必要招人嗎？”管理者會問：“團隊裡那些執行崗，還值錢嗎？”

看起來，每個人問的問題都不一樣。但說到底，大家都在關心同一件事：未來，我會不會被AI淘汰？

這個問題，很真實，也已經被討論過很多次。但我覺得，與其反覆問“AI會不會幹掉我”，更值得問的是另一個問題：

怎麼才能讓自己在AI時代，越來越值錢？

最近，我讀到麥肯錫發佈的《2026年人力資源監測報告》。這份報告調研了歐洲、美國、中國等10個國家，訪談了約1300位HR從業者，和5500名員工，討論未來組織、崗位和技能會發生什麼變化。

報告裡有一句話，讓我印象很深：

Future skills will shift from routine task-based capabilities to skills focused on analyzing and interpreting AI outputs.

翻譯過來就是：未來技能會從“基於日常任務的能力”，轉向“分析和解釋AI輸出的能力”。

換句話說，過去很多人值錢，是因為他能把事情做完。未來很多人值錢，是因為他能判斷：AI做出來的東西，到底能不能用。

報告列出了很多能力，我試著把它們總結成5種人，分別對應5種能力。

數字素養：會判斷工具結果的人

什麼是“數字素養”？可能你第一反應：會用電腦、會用AI、會寫提示詞。其實不是。

這裡的數字素養，不是使用工具，而是判斷工具給出的結果是否可信的能力。

比如，AI分析市場資料後告訴你：最近某類人群正快速轉向某個新品類。因此，建議你拿出預算去做新品類。

有的人可能立馬表示認同，拉上團隊趕緊開工做新品類。但有數字素養的人會問：資料來自那裡？樣本量多大？時間範圍是過去三周，還是過去三年？這個“快速轉向”是真金白銀的購買，還是只是社交網路上的聲量？

搞清楚這些問題，“快速轉向某個新品類”，可能就是完全不同的理解。

數字素養，解決的是一個今天最容易被略過的問題：AI給你的材料，能不能信？

在麥肯錫的“未來核心技能”排行榜上，“數字素養（digital literacy）”，從去年的第20位升到今年第6位。是整個榜單上漲幅最大的一項。就好比一個十八線小縣城，只用一年就成了一線城市。

為什麼這個能力未來會變得重要？因為AI隨時能給你一份有資料、有結論、“看起來很專業”的報告。但同時，也更容易放大錯誤。

比如，AI做了一份使用者洞察報告，裡面引用了若干“權威資料”。老闆覺得邏輯嚴密，拍板立項。半年後，公司發現，當初那些資料，是AI從一份2019年的過時報告裡撈出來的樣本。

可是，錢已經花了，人已經招了，生產線已經開了，產品已經做了。後悔，已經遲了。

這些基於錯誤材料做出的連鎖決策帶來的沉沒成本，會是“數字素養”不足帶來的後果。

對應的，榜單上還有個非常相近的能力：數位化學習。但，它的名次是下降的。

數位化學習能力，指使用AI、使用數位化工具。名詞下降意味著，“會用AI”這件事本身，未來將變成一種基礎設施。就像10年前簡歷上寫“熟練使用word”會被笑話一樣，也許10年後，“會用AI”也將成為壓根不該寫進簡歷的詞。

會用AI的人，能拿到答案。會判斷AI的人，才能避免拿著錯誤答案一路狂奔。

材料對了，下一步，是問對問題。

問題解決能力：會定義問題的人

在整個報告裡，“問題解決能力”是被提及最多的一項。44%的HR從業者，把“解決問題的能力”列進了未來五大技能，排名同比上升9位。

這聽起來，好像沒什麼特別的，不管是現在還是未來，不都要解決問題嗎？但在AI時代，重點變了。

過去，值錢的是“能解決問題”。未來，值錢的是“知道真正值得解決的問題”。

比如，一位電商團隊的老闆提了要求：這個季度，轉化率要提高5%。你扭頭就把老闆的要求發給了AI，它很快給了你一些建議：最佳化頁面、改寫文案、調整價格、做A/B測試。

這些建議都沒錯，你也可以直接照做。但是，AI 還是沒能告訴你，真正的問題是什麼。

很多人的“解決問題”思維，是把現像當作問題本身，然後找辦法解決。真正有問題解決能力的人，會先把“表面現象”拆開。

轉化率低，會受流量結構、價格策略、使用者體驗的影響。流量結構，又受到投放管道、人群匹配度、使用者購買意願的影響；價格策略，可能和競品價格、優惠設計、使用者感知價值有關；使用者體驗，可能取決於頁面打開速度、信任背書、購買路徑。甚至，可能只是季節性正常波動，根本不是問題。

每一個拆解方向，對應的問題解法也不同。

如果資料告訴你，流量和價格都沒有明顯變化，掉下去的是付款轉化。再往下看，發現大量使用者停在了“提交訂單”上一步，尤其在看到物流時間和運費之後退出。那真正的問題，不是“文案不好、廣告投放太少”，而是你承諾給使用者的服務和使用者預期不一致。

這個時候，AI給你的“最佳化頁面、改寫文案、調整價格”，可能只是局部修補。真正要解決的，是物流承諾、運費設計和使用者預期之間的錯位。

AI是能讓解決問題變得容易，但什麼問題值得解決，還得由人去找。

這也解釋了報告裡一個看上去有點矛盾地方：“個人主動性”這項能力，排名出現了下滑。

不是主動性不重要，而是主動性正在分層。

過去我們說一個人主動，通常是指他接到任務之後，立刻響應，馬上執行。這樣的主動性仍然有價值，但已經不夠稀缺了。因為AI會讓執行動作越來越快，很多任務也會被拆得越來越細。

而AI時代的主動性，是“主動定義問題”。老闆下任務，先判斷該不該做，那個方向最值得做，該怎麼做。

AI時代危險的，不是不主動，而是沒有判斷的主動性，幹著低價值勞動。

定義問題之後，下一步，是找到更好的解法。

在報告裡，“創造力”從去年的第5位，升到第2位，僅次於“問題解決能力”。

“創造力”，憑什麼排名這麼高？不就是各種點子，各種畫畫、寫作、搞創作嗎，這些AI已經能做了啊，為什麼人的創造力還更重要了呢？

商業世界裡的創造力，不是這樣的。是看到AI不知道的東西，找到新解法的能力。

比如，一個內容團隊，老闆定的OKR：今年的新增關注要翻一倍。直接問AI，它給你的很可能是常規打法：寫更多文章、追更多熱點、做矩陣分發。用上AI，甚至1個人抵過去3個，產能直接拉上去。

但內容更多，就一定增長好嗎？不一定。如果使用者不願意轉發分享，你寫再多也只是堆高庫存。

真正有創造力的內容團隊，會換一個問法：讀者，為什麼要轉發？

讀者轉發一篇文章，很多時候不是因為“這篇文章寫得好”，而是因為“這篇文章能幫他完成一個動作”。如果是一篇“工具類文章”，讀者轉發的核心動機是“對工作有用”，可能是為了幫自己提高效率，或增加工作素材。

還是那些內容，但用法完全變了。你做的是“我寫給你看 ”，讀者把它變成“我拿走用”。

那麼，你要做的就不只是一篇文章。可以把它變成一份提效清單，讓讀者貼在工位；可以寫出一張自測打分表，讓管理者拿去自評；可以變成一個模型，讓老闆拿去復盤。

這裡的解決方案，來自於對現有解法的重組：還是要寫文章做內容，但是讓內容進入讀者的使用場景。

AI時代的創造力，關鍵不在產出本身，而在你能不能從同一個東西上，看到不同的價值。

所以，榜單上的“使用者中心設計”，排名往下挪了。不是使用者不重要，而是那種“使用者說什麼就改什麼”的做法，正在貶值。

比如，使用者說APP功能太少，可如果你真加了十個功能，產品可能更難用了。使用者說文章太長，你就全部寫短，可能反而失去深度。使用者給的是感受，不一定是答案。把使用者聲音轉化為清晰業務判斷的工作，還得有創造力的人來做。

AI時代裡，有創造力的人升值的地方，不是想出一個沒人聽過的點子，而是比AI更會看到需求、設計解法、定義價值。

找到了新解法，還沒結束。下一步，要驗證判斷是否真的成立。

比如，你是一家消費品公司的產品負責人，要決定明年的發展方向。眼下有三個選擇：All in高端線，預計收入增長18%；穩住中端線，增長8%；雙線平行，增長12%。每套都有市場分析、使用者畫像和財務預測。看起來，第一套最誘人。

這時候，數字素養會問：這些市場資料、使用者資料、財務測算，來源靠不靠譜，18%真的對嗎？推理能力則會問：這些材料，真的能得出“All in 高端線最好”這個結論嗎？兩種判斷，完全不同。

如果核驗之後發現，高端線淨利潤多出2個百分點。推理能力強的人會追問：這2個百分點，是不是建立在獲客成本不變、退貨率不升、庫存周轉不變的前提上？如果高端使用者更難觸達，銷售周期更長，庫存壓力更大，結論還成立嗎？

所以，推理能力不是看數字對不對，而是看包括數字在內的那些材料，能不能支撐那個判斷。

為什麼在AI時代，會驗證判斷的人會升值？

因為AI給你答案又快又多，看起來很有道理，結論也像那麼回事。我們很容易把“說得通”，當作“說得對”。

但是，“看起來很有道理”，往往不等於真的有道理。

AI能給你一個漂亮的增長預測，一個完整的戰略框架，一個聽起來很專業的結論。但是你要能知道，它為什麼成立，什麼時候失效，能不能用來做決策。

最終能承擔決策責任的，不是AI，還是人。

對應的，在報告裡，“軟體開發”能力下降了4位。不是說再也不需要寫程式碼，也不是說程式設計師不重要。而是單純產出程式碼的溢價正在下降。

今年4月的Google Cloud Next大會上，GoogleCEO宣佈：內部75%的新程式碼，已經由AI生成。不過，最值得注意的是這樣一句話：“經工程師稽核”。

AI負責寫，人負責審。這意味著，未來有能力判斷程式碼質量、架構風險的人，才是更看重的。

不只在程式設計師行業。資料分析師、設計師、市場專員、諮詢顧問，越來越多職業在分化成兩類人：會“產出”的，和會“驗證”的。

會產出的人，正在跟AI搶飯碗，越搶越累，單價越來越低。會驗證的人，正在用AI放大自己的判斷力，單價反而越來越高。

這也是有推理能力的人，升值的真正原因。

到這，可能你會想：要想同時具備數字素養、問題解決能力、創造力、推理能力，這個讓自己不在AI時代淘汰的門檻會不會太高了？

是。門檻確實高了。甚至可能，你今天好不容易補上了這些能力，可能明年又要補新的能力。

那麼，最後一種人，也會越來越重要。

抗壓韌性：會持續進化自己的人

很多人一聽抗壓韌性，想到的是能吃苦、能加班、能忍、扛得住。這麼想，也沒錯，不過，這是過去的理解。

今天的抗壓韌性是，當你賴以生存的工具、流程、崗位結構突然變了之後，你能不能重新找到自己的價值位置。

不是硬抗，它是一種持續進化自己的能力。

比如，你是一個電商營運。10年前，你身上最值錢的能力是：懂搜尋流量、懂投放後台、懂店舖活動。5年前，懂直播、懂私域、懂內容種草。今年，要懂AI生成內容、懂Agent自動化、懂多模態投流。

每當變化發生，都會讓一部分舊動作變便宜。

比如傳統營運崗位。過去，可能花很多時間寫內容、發內容、整理資料、做日報。AI到後來，這些工作裡很大一部分會被加速，甚至被替代。有的人會很焦慮。因為他最熟悉的動作，正在變舊變便宜。

他開始研究什麼內容值得做，什麼資料真正有意義，AI生成的內容怎麼改才適合使用者，那些流程可以自動化，那些判斷必須由人來做。

這背後，是抗壓韌性的遞進。1）先承認舊動作會貶值，2）把崗位拆成不同任務，3）可重複、可自動化的交給AI，需要判斷的留給自己，4）不斷讓自己掌握更高價值的能力。

有“抗壓韌性”能力的人，不是不怕變化，而是能快速適應變化。

2008年2月，巴菲特在致波克夏股東的年度信中寫下了一段後來被反覆引用的話：

假如一位有遠見的資本家當年能把萊特兄弟在基蒂霍克的試飛飛機打下來，顯然是在為他的繼任者造了大福。

這當然一句玩笑，巴菲特真正想說的是：

最糟糕的生意，是那種增長很快、需要大量資本來維持增長、最後卻幾乎賺不到錢的生意。

想想航空業吧，自萊特兄弟的年代起，持久的競爭優勢就從未出現過。

這段話寫在巴菲特人生中第一次投資航空股失敗將近二十年之後。從1989年到2020年，巴菲特曾斥資百億美元涉足北美航空股，但最終割肉巨虧離場。

民航業的出現，是人類交通方式的巨大革命，但作為一門生意，它的特徵是：

巨大的資本開支、激烈的價格競爭、以及無論行業如何增長都難以回報股東的利潤結構。

從萊特兄弟首飛到巴菲特寫下那封信的整整一百多年，航空業消滅的資本比創造的利潤還要多。

改變世界的技術和賺錢的生意之間，可能隔著一道永遠無法踰越的鴻溝。

許多年以後，那架從基蒂霍克起飛的飛機，以另一種形式重新升空了。

2026年5月4日，五一假期的最後一天，豆包在蘋果App Store頁面掛出了付費版本的服務聲明。三檔訂閱價格浮出水面：標準版每月68元、加強版每月200元、專業版每月500元。話題當天沖上微博熱搜第一。

豆包官方稱免費服務將始終保留，付費版面向專業生產力場景，方案仍在測試階段。但使用者最焦慮的不是收不收費，而是免費版是否會被降配？

過去十幾年中國網際網路的商業化劇本已經演過太多遍了：先免費獲客，再降低免費體驗，最後引導付費升級。

但這一次，促使豆包祭出付費版的因素，並不止於其在簡中網際網路遙遙領先市佔率基礎上的一次使用者收割，而是成本端也開始扛不住了。

2026年3月QuestMobile資料顯示，豆包月活使用者達到3.45億，穩居AI原生應用第一，比第二名千問和第三名DeepSeek的總和起來還多。一季度月人均使用次數54.8次，平均活躍率33.5%。

3.45億月活，每人每月用55次，背後的成本註定是一個天文數字。

這種情況下，已經有不止少數使用者反饋，豆包在晚間等高峰時段已出現使用者發起次數過多導致的算力排隊現象。

AI領域的持續投入與成本之下，字節跳動2025年淨利潤同比下滑超過70%，全年約1500億資本開支中，約900億砸向算力採購。

抖音副總裁李亮解釋了這與優先股和期權變動股等會計因素有關，但AI投入確實對其利潤帶來了影響。

但後續的投入仍然是個天文數字，據FT報導字節2026年的資本支出預算約1600億人民幣，其中850億用於AI晶片採購。

豆包免費或許很好用，但背後是字節的成本在負重前行，商業公司都有盈利的追求。就算抖音已成為流量印鈔機，它也不可能無限期買晶片、投算力長期供數億人免費使用。

網際網路古早期的普遍免費邏輯，在AI時代正出現根本性變化，大廠們可能更早地進入收費期，來避險日漸龐大且令人恐懼的電力和算力成本。

豆包的困境或許是"使用者太多、成本太高"，那麼看看大洋彼岸那家被全球開發者公認為"地表最強"的Anthropic的毛利率，也仍然有著顯著的天花板。

Claude在程式設計和Agent場景中擁有難以撼動的口碑，據Sacra估算的截至2026年3月資料，Anthropic年化收入已達到約300億美元，較一年前增長約14倍。超過500家企業客戶年消費超過100萬美元，財富10強中有8家是Claude的客戶。

收入增長堪稱人類商業史上的奇蹟，然而利潤呢？

在走出了前期成本泥潭的2025年，Anthropic的毛利率改善後也僅有40%，但仍然低於此前50%的目標。公司預計到2028年毛利率才有望達到77%。

作為參考，傳統SaaS軟體公司的毛利率通常在75%到85%之間。Anthropic到2028年的目標，才剛剛摸到SaaS行業的底線。

這意味著，那怕地表最強的大模型，在賣Token這件事上，也很難賺到SaaS等級的利潤。

原因也很簡單，每一次推理呼叫都需要實打實地消耗GPU算力和電力，這筆成本不會因為模型更聰明就自動消失。

Anthropic的CEO達里歐·阿莫迪曾對Fortune雜誌說，如果AI進展延遲12個月，他就會破產，一家年收入300億美元的公司說出這種話，足以說明Token生意的現金流壓力始終懸於行業頭頂。

Token這門生意本身雖然代表了未來的方向，但在給股東帶來回報方面，前景並不樂觀。

從成本邊際變化來說，生意大致可以分成三類：

它們是軟體SaaS、遊戲皮膚、數字音樂。

這些業態一次開發完成，每多一個使用者的增量成本幾乎為零， WPS多賣一份訂閱，邊際開支微乎其微。這類生意的毛利率往往在75%-85%甚至更高，是資本市場最鍾愛的模型。

第二類是邊際成本穩步遞減型。

正如製造業所遵循的萊特定律：累計產量每翻一倍，單位成本下降約15%到20%。流水線、批次製造和現代化機床決定了製造業的規模越大時，成本越低。

第三類就是Token這門生意所處的位置——邊際成本遞減，但存在剛性底線。

必須承認，賣Token的成本並非完全恆定不變。隨著規模擴大，推理晶片的利用率會提高，波峰波谷也可以通過混合調度打平，KV Cache等技術可以減少重複計算，模型蒸餾和量化也在持續降低單Token的算力消耗。

火山引擎總裁譚待在2024年就介紹過，火山通過PD分離和KV Cache等技術手段，實現了可持續的降本。DeepSeek V4在2026年4月發佈時，更是通過全新的混合注意力機制，將百萬上下文推理所需的計算量和視訊記憶體分別降至V3.2的27%和10%。

但關鍵問題是：無論技術如何最佳化，Token生成永遠需要即時計算。每一次推理請求都要GPU運算、消耗電力、佔用晶片壽命。

不能把上一次推理的結果"復用"給下一個使用者，每一個回答都是一次全新的計算。這使得Token的成本曲線有一個永遠無法觸及零的剛性底線，正如航空業無論怎麼最佳化燃油效率，每飛一趟航班都需要燒掉實打實的航油一樣。

更令人擔憂的是，短期內這條成本曲線甚至出現了上翹。

DRAM記憶體器價格在2026年二季度預估跳升高達63%，NAND快閃記憶體價格飆升75%。摩根士丹利4月研報指出，記憶體之後，EUV光刻機和CPU將成為新的瓶頸。華為昇騰伺服器3月底啟動第二輪調價，910C單台上漲16萬至48萬元不等。阿里雲4月18日起AI算力產品全線漲價，最高漲幅34%。

Token 生意的邊際成本雖能隨技術最佳化和規模效應緩慢下行，卻存在無法擊穿的剛性底線，永遠無法像傳統 SaaS 那樣趨近於零，這也註定了它的盈利天花板遠低於標準化軟體生意。

2024年下半年到2025年初，中國大模型市場經歷了一場慘烈的價格戰。字節豆包報價低至0.0008元/千tokens，阿里通義千問主力模型降價97%，智譜將GLM-4-Plus降價90%。一元錢能買百萬token，這在兩年前不可想像。

到了Agent主導的2026年，風向突然轉變了。

智譜率先打響漲價第一槍。從2月12日發佈GLM-5到4月的GLM-5.1落地，三次相對上一代GLM-4.7累計漲幅達到83%。智譜CEO張鵬在中關村論壇年會上直言：調整價格是為了回歸正常的商業價值，長期低價競爭不利於行業發展；瓶頸在算力，不在客戶。

GLM-5在2月中旬曾在OpenRouter平台位列全球第三，是中國呼叫量最高的模型。三次漲價後，到4月中旬已跌至第17位。

從時間線上看，智譜連續大幅漲價的區間，恰好與 GLM 系列在 OpenRouter 呼叫量排名明顯下滑重合。雖不能簡單將排名下跌完全歸咎於漲價，但同步走勢也側面說明一件事：

AI Token 行業使用者價格敏感度極高、產品差異化壁壘不足、缺乏強勢定價權，廠商很難脫離價格戰獨立提價而不丟失市場份額。

因為就在智譜漲價同時，幾度延期的DeepSeek突然扔出炸彈。

2026年4月24日，DeepSeek發佈了V4預覽版並同步開源，V4-Pro總參數1.6兆、啟動參數49B，性能比肩頂級閉源模型；V4-Flash總參數2840億、啟動參數僅13B，輸入定價低至0.14美元/百萬tokens。

DeepSeek團隊在技術報告中坦誠承認，V4-Pro"略落後於GPT-5.4和Gemini-3.1-Pro"，但仍然以不到Claude Opus 4.6的1/8價格提供接近的性能，這對Token的"售價錨點"構成了持續的破壞。

Token生意的競爭順序正在和航空業呈現出驚人的相似，即飛機誰都能買，航線誰都能飛，除非建立起壟斷性的網路效應，否則競爭對手總能以更低的票價把乘客搶走。

在一個開源模型不斷逼近閉源前沿的世界裡，靠賣token建立持久的商業護城河，難度可想而知。

一年前比誰降得狠，一年後比誰漲得快。這種180度的急轉彎本身就說明了一件事，這個行業的定價權極不穩定。

定價權不穩定的行業，很難成為好生意。

有關脆弱定價權的一個有趣旁證是，當大模型公司還在為Token成本焦頭爛額時，一批聰明人已經找到了更輕巧的玩法。

獵豹移動董事長兼CEO傅盛推出了AI API聚合平台EasyRouter.io，通過統一介面幫使用者呼叫GPT、Claude、Gemini、DeepSeek等40余個主流大模型；幾乎同一時間，波場創始人孫宇晨也上線了類似產品b.ai。

川普家族的項目World Liberty Financial（WLFI）生態下的首個AI項目WorldClaw宣佈上線，首發產品WorldRouter聚合了Claude、GPT、Gemini等300余個主流AI模型，聲稱呼叫成本比官方定價低30%，用WLFI旗下穩定幣USD1結算，鎖倉WLFI代幣可兌換AI算力額度。

套餐則分四檔，最貴的Max Plan售價9999美元，還宣稱買Claude API額度，送海湖莊園私人晚宴抽獎資格，有機會與川普長子小唐納德共進晚餐。

中轉站之所以能讓人蜂擁而入，在於它的商業模式極其簡單：聚合多家大模型的API介面，統一封裝後轉售給終端使用者，賺取價格差和服務費。它不需要訓練模型、買GPU或建資料中心，它不生產Token，只做Token的搬運工。

但是，當一門生意的終端定價低到連"二道販子"都能從中分到一杯羹時，說明生產者自己大機率是在貼著成本、甚至虧著本在賣。

更耐人尋味的是這門生意的競爭門檻。EasyRouter上線不到一周，就被開源社區開發者公開質疑其產品直接使用了NewAPI的開放原始碼卻去除了版權資訊。

這個插曲，本身說明了Token中轉站的技術壁壘接近於零，一套開源閘道器程式碼、一台伺服器、幾個API Key，啟動資金兩千到五千元人民幣，就能開張營業。

價格差、跨境壁壘、多模型適配的工程成本，這些縫隙疊加在一起，就給了中間商生存的空間，但當一個行業的中間商門檻低到這種程度，上游生產者的利潤空間可想而知。

這門生意的出現，也恰恰對應了Token定價機制和競爭格局的深層矛盾。

因為與Token定價內耗並存的，還有另一個殘酷真相：

大模型的行業競爭中，很難出現一家巨頭可以在全部維度上長期確定的保持絕對領先地位。

Claude在程式設計和Agent場景中口碑最強，全球開發者社區幾乎將其視為程式碼生成的基座生產力。

但在圖像生成領域，OpenAI在4月21日發佈的GPT Image 2一舉登頂LM Arena所有圖像排行榜第一，以242分的領先優勢創下該榜單有史以來最大差距，而數個月前，該領域的王者還是Google的Nano banana 2。

往前倒推兩個月，字節的Seedance 2.0於春節前橫空出世，以多模態音視訊聯合生成能力驚豔全網；而在數學推理和科學領域，Gemini 3.1 Pro和DeepSeek V4又各有所長。

每個垂直能力維度上，領先者都在輪換。今天的王者可能三個月後就被追平，半年後就被超越。

這種"旋轉門"式的競爭格局，對使用者和投資者意味著同一件事，沒有人能通過訂閱單一模型來一勞永逸。

這也是為什麼越來越多的深度AI使用者選擇同時訂閱多個模型：程式設計用Claude，作圖用ChatGPT，視訊用即夢，日常對話用豆包或DeepSeek，各取所長、按需切換。

Token中轉站的繁榮，正是這種多模型平行需求的產物：使用者需要一個統一入口來呼叫不同廠商的API，而不是被鎖定在任何一家。

對模型廠商來說，這意味著使用者忠誠度極低、遷移成本幾乎為零。Claude程式設計再強，使用者也不會因此在視訊生成上容忍你的劣勢，他會直接切到Seedance。GPT作圖再好，使用者也不會因此放棄Claude的Agent能力。

每一家都在某個維度上階段性領先，但沒有一家能形成全面壟斷，也就沒有一家能建立起真正的定價權。

這和航空業又何其相似，每家航空公司都有自己的強勢航線，但乘客從來不會因為一家公司京滬線飛得好就容忍京廣線的高票價，屆時他們會毫不猶豫地切換到另一家。

2026年10月27日，Anthropic前沿紅隊公開披露了一項具有標誌性意義的安全研究。

研究團隊呼叫一款未公開發佈的Claude前沿研究模型，在僅給出高層引導提示的條件下，成功跨越5大主流平台自主建構出5條完整的漏洞利用鏈。

實驗成果直觀展現了攻擊能力的躍遷。

在Chrome瀏覽器環境內，模型將4個獨立缺陷環環相扣，在網頁載入數秒之內即可拉起系統計算器處理程序，全程無須任何人為互動介入。

在Safari瀏覽器場景下，模型繞過同源策略防護，在不執行額外惡意程式碼的前提下，靜默提取磁碟記憶體的瀏覽歷史、使用者憑證及會話資料庫。

在Pixel 9移動終端上，模型突破鎖屏防護壁壘，借助物理USB通道成功匯出本地相簿與個人敏感隱私。

在Windows系統生態中，僅憑少數幾個精心構造的網路封包，即可直接造成核心HTTP/3網路服務徹底癱瘓崩潰。

在Linux通用作業系統中，該模型甚至打通了一條遠端觸發、零點選且直取最高控制特權的致命利用鏈路。

在這批令人矚目的實驗成果中，尤以Linux環境下的遠端提權鏈最為關鍵，原因在於其底層機理具備極為嚴密的工程可驗證性。

該Linux利用鏈所針對的核心缺陷已被正式收錄為CVE-2026-98432。

漏洞根源深植於核心協議棧處理IPv4握手流程時，對底層IP選項結構體所有權轉移的疏忽。

當伺服器監聽套接字收到攜帶Record Route或時間戳選項的連接請求，核心會將相關選項直接錨定在請求套接字中。

握手階段行將結束時，該記憶體指針被徑直交割給新建立的子套接字，中途未執行任何深度克隆複製操作。

假如此刻該子套接字在另一CPU核心嘗試組裝回應封包的過程中被銷毀拆除，底層記憶體空間便會被提前釋放歸還系統，迫使該核心直接讀取已經被回收釋放的懸空記憶體。

這種典型的釋放後使用漏洞最大的危險在於其攻擊容錯率極高，競態條件一旦拼搶失敗僅僅表現為單次丟包握手失敗，並不會導致作業系統核心發生藍色畫面崩潰，使外部攻擊者得以肆無忌憚地反覆嘗試。

Anthropic團隊所呈現的實際攻擊流程分為兩個緊密相連的階段。

第一階段通過高頻並行觸發競態條件，誘導作業系統在響應報文中洩露一段核心堆記憶體資料，借此逆向推匯出核心基地址，徹底瓦解地址空間佈局隨機化防線，該步驟在實驗環境中歷時48分鐘。

第二階段繼續復用該漏洞缺陷，將關鍵回呼函數指針精準覆蓋為預先注入核心空間的惡意載荷地址，隨後耗時約5分鐘便徹底奪取root管理員權限下的任意命令執行能力。

溯源該缺陷的程式碼歷史，其始於2016年1月發佈的Linux 4.4長期穩定版本。

當時的核心開發者為了避免高並行握手路徑頻繁爭搶全域監聽鎖以提升系統吞吐性能，決定將請求套接字直接掛載至全域雜湊表中。

性能上的長足進步換來的是鎖保護機制的徹底缺位，在此後的整整10年光陰裡，所有運行4.4及後續版本的伺服器作業系統均在渾然不覺中背負著這一隱患。

從程式碼層面來看，上游社區給出的修復補丁極為簡潔俐落。

上游核心提交將原有的兩處即時釋放邏輯變更為等待一個完整的核心寬限期後再行回收，補丁由資深開發者Eric Dumazet操刀，經由Kuniyuki Iwashima審閱入庫，最初缺陷則由Xinyang Ge負責向社區報告。

幾行簡潔的程式碼改動在10月上旬完成合入，並隨後緊鑼密鼓地向各長期支援分支反向移植，截至10月15日，主流長期支援維護分支已悉數整合該修復補丁。

真正的防線阻滯，出在下游各商業發行版的響應排期環節。

截至10月30日，Debian 12與13、SUSE部分定製服務包、甲骨文UEK核心以及部分亞馬遜Linux鏡像已陸續推送正式修復包。

主流企業級部署的中流砥柱紅帽企業版8、9、10系列，以及全部處於官方支援周期內的Ubuntu長期支援版本，在生產環境倉庫中均未能及時提供可立即部署的修復核心。

這意味著一條已經被詳細論證且由人工智慧全程串聯的遠端root攻擊鏈路，與當前全球部署範圍最廣的伺服器發行版之間，出現了數日無法閉合的安全真空期。

在評估整體態勢時，必須恪守實事求是的科學精神，明確劃分現有證據的客觀邊界。

目前所知的5條平台利用鏈，本質上均來自Anthropic單方面的學術敘述。

行業內迄今尚未出現權威第三方獨立復現的實證，核心利用程式碼未向公眾開源，且實驗期間所依託的精確核心小版本與特定編譯參數同樣處於未披露狀態。

麥肯錫最新報告：未來5年最有價值的5種人

Token不是一門好生意

Anthropic新模型跨平台53分鐘擊穿5大系統安防

三星下一代DRAM技術路線圖：從6F²到4F²，垂直溝道電晶體與3D堆疊全面解析！