测试 AI 推理、应用商店相似应用与 Anthropic 争议

在这场 2026 年 5 月的直播中，我讨论令人困惑的 AI 应用列表，用洗车问题测试模型，审视对 Anthropic 的批评，并思考有关 Meta 员工活动数据的报道。直播以问候和音频故障排查开始，实质讨论约从第 16 分钟开始。

一位观众问我是否还报道开源。我仍然关注，只是最近做了更多观点类内容、更少模型评测。接着我讲述母亲的经历：她以为自己购买了 ChatGPT，实际上订阅了一个外观相似的第三方聊天机器人应用，每年约 40 美元。

技术经验较少的用户可能把相似的名称、界面或标志误认为官方产品，这让我很沮丧。我怀疑该应用可能使用了更便宜的模型，但我没有确定它实际提供的是哪个模型。外观相似本身不能证明欺诈，也不能确定开发者的意图。

我在 Mac App Store 搜索 ChatGPT，看到几个品牌外观相似的第三方结果，而展示的结果中没有官方应用。我认为这种呈现方式可能让用户困惑，Apple 应该处理。截图只是某一时刻的一次搜索，不是对整个商店的完整审计，也不能认定列出的每个应用都是欺诈。

我搜索 Claude 和其他产品，并披露 Perplexity 赞助了本频道，尽管母亲确实在使用它。我想知道一些应用是否属于同一开发者，以及宣传的模型是否与实际服务一致。这些都是问题和猜测；我没有核实所有权或底层推理服务。

在 Mac 与 iPhone、iPad 应用结果之间切换后，我仍对排名和品牌感到困惑。搜索“AI”还出现了陪伴和角色扮演应用。我担心人们用人工关系取代人与人之间的关系，但也承认，孤独的人可能觉得对话有帮助。

母亲还购买了另一个非官方应用。我取消了订阅，并讨论申请退款需要花费的时间。她的困惑可以理解：手机上使用的应用可能没有对应的 Mac 版本，而商店搜索结果并不总能让她清楚区分。

观众建议联系发卡机构或 Apple。我讲述自己的经历：对不熟悉的扣款提出争议有时意味着要更换银行卡；具体流程可能不同。一位观众介绍如何使用角色扮演人物来处理客服工作，促使我区分实际训练与此前批评的模拟陪伴。

我意识到自己也用过角色扮演来准备采访：让模型扮演受访者。这与把模拟角色当作真人来互动是不同的用法。交流让我意识到，这个词涵盖的范围比我想到的关系型应用更广。

我预告了对 Andrej Karpathy 在 Sequoia AI Ascent 活动上发言的讨论，以及他所说的“参差不齐”的智能：模型在某些任务上能力极强，在另一些任务上却出人意料地薄弱。我认为，简单问题上的失败不会抹去模型在擅长领域创造的价值。

例如，我把复杂编程与一个洗车问题作比较：洗车店距离 50 米，如果我想洗车，应该步行还是开车？一位观众报告了不同结果，所以我选择在直播中测试，而不是把此前印象当作正式基准。

我用 ChatGPT 的 Instant 设置提问，并将该模式识别为 GPT-5.3。它最初建议步行，即使我提醒需要洗车后仍坚持这一答案。这只是观察到的一段对话，并非对模型或服务各版本失败率的测量。

一位观众建议提示模型扮演逻辑思考专家。我在同一对话中加入这条指令后，它改为建议开车，并认识到车必须到场。我对此感到惊讶，但追问也包含先前对话，因此不能单独确定这句话的影响。

我在 Thinking 模式下开启新对话，我理解该模式使用 GPT-5.5；它回答应该开车。我讨论能力不均衡可能与哪些任务容易通过强化学习验证，以及实验室在商业上优先处理哪些任务有关。这些是提出的解释，而非本次演示证明的因果结论。

代码通常可以快速执行和检查，形成有用的反馈循环；创意写作则可能更难评估，需要人的判断。我猜测商业激励也偏向编程，因为客户愿意为此付费。我提到的 Anthropic 收入数字未经核实，也不能说明特定模型为什么学会某种能力。

我提到常见的字母计数问题，并推测实验室可能通过训练改善众所周知的失败案例。这是我对更广泛讨论的解读，并非某个具体测试已被修补的证据。模型答对一个著名谜题，也不能证明其通用推理能力。

我在 Gemini 快速模式中重复洗车提示。在这次示例中，它建议开车，因为车必须到洗车店。我不确定具体的 Gemini 版本，也没有重复试验，因此结果只展示一次回答，不能作为模型之间的可靠比较。

一位观众提出修改过的 strawberry 字母计数问题，ChatGPT Instant 回答有 5 个。我开玩笑谈这对 AGI 意味着什么；实际上这只是一个范围很窄的例子。我再次强调，能力不均衡可以与有用的表现同时存在。

我转向 Theo 的一条帖子。他声称最近的 Git 提交包含与 OpenClaw 有关的字符串，触发了 Claude Code 的额外用量错误。截图显示了错误，但不能确定原因，也不能证明某个词单独改变了计费。我将其视为第三方工具限制的一个例子，并呼吁更清楚地对待订阅用户。

我说自己仍然喜欢 Opus 模型，但希望在自己选择的工具中使用付费访问。我向另一个模型询问商业类比，考虑了应用商店限制和其他有范围约束的权益。看完例子后，我承认这种限制并非前所未有，尽管仍令我沮丧。

我反驳了一条关于 ChatGPT 订阅和 API 额度分开的回答。事实上，OpenAI 文档将两者列为独立的计费系统；其他集成可能有各自的资格要求和条款。直播中的交流不能证明 ChatGPT 订阅通常包含 API 额度。

我查看 Pawel Huryn 对 Theo 关于 Anthropic 帖子的分析。展示的分析称，它对特定时期的 800 条帖子进行了分类，发现 4 条支持、86 条反对，后者平均浏览量更高。这些是作者的分类和 X 指标，并非 Theo 总收入或动机的经证实证据。

Theo 回应说，他的业务和赞助转化主要取决于 YouTube，而非 X 的展示次数，并指出样本中存在异常值。根据我自己的创作者经验，我认为跨平台浏览量和赞助转化不应混为一谈。我也披露自己不接受付费转发。

我认为，相对于实际注意力，X 的浏览量可能偏高，而赞助商关心的是转化；同时我承认 X 对传播想法可能有影响力。我对浏览量计算和想法跨平台传播方式的描述是个人观察，并非对这些系统的受控测量。

我读了 Theo 写给 Anthropic 员工的公开信。他说自己的批评让他失去了机会；我认为他是真诚的，但无法独立核实他的财务情况。我不同意他关于首席执行官 Dario Amodei 不尊重工程师的断言，而提出自己的印象：该公司高度专注于 AGI。

我主要不满的是付费用户的体验：我希望配额沟通更清楚，服务使用更可预测。我展示自己的 Claude Design 用量已达上限，而其他用量类别仍有余量。这张快照说明了我的经历，并不能证明配额变化是随意的。

一位观众建议用 Claude Code 根据现有设计再制作一张幻灯片。我同意尝试，同时质疑为什么独立的设计限额会阻止我继续原来的工作流。这项抱怨针对我当时的账户和配置，并非声称所有用户都有相同限制。

我继续读 Theo 信中关于员工恐惧和被解雇的指控。我不知道有什么例子能证实这些说法，并认为语气有些居高临下。一名 Anthropic 员工回应说 Theo 不了解团队，只是在追求点击量；双方说法并不能确定公司的内部状况。

我还批评我所理解的 Anthropic 对开源的立场，以及它对 Mythos 的限制性发布。我承认，公司员工可能真诚地相信他们提出的安全担忧。我对公司文化和动机的描述属于观点，并非关于员工或领导层的经核实结论。

接下来，我查看 OpenRouter 上一款名为 Owl Alpha 的匿名模型。其列表介绍了长上下文窗口、工具使用和智能体任务。观众猜测它的来源，我也猜测它可能开源，但我展示的信息无法确定开发者或许可证。

Owl Alpha 最初建议步行去洗车店。在我追问它仔细推理、中间发生服务器错误并重试后，它认识到必须把车开去。与之前的测试一样，一段对话和改变后的提示词不能确定比较意义上的可靠性。

被问到创作者访问权限时，我说自己曾提前使用过一些 OpenAI 模型，也曾有一次提前使用 Anthropic 模型，但发布后通常没有无限用量。随后我提到即将举行的 OpenAI 活动，并表示已申请邀请；直播时尚未确认能否参加。

我读了 The Information 的报道，称 Mark Zuckerberg 讨论了使用员工电脑活动训练 AI。Reuters 此前另行报道，拟议的 Model Capability Initiative 面向美国员工的工作电脑，在工作相关应用和网站上记录按键、点击和鼠标移动，并偶尔截图。这些是当时报道的计划及范围，并非随处记录每项行动的证据。

我最初的反应是，对公司而言收集工作数据用于训练或许说得通。随着我边想边说，设想到其他公司购买类似员工数据，便开始更加担心后果。这种扩展是一个假设情景，并非报道已证实的事情。

观众提出同意、监测，以及员工可能在训练最终取代自己工作的系统等问题。我说自己不相信 AI 会完全取代知识工作者，并最初强调雇主的规则。我也承认，需要工资的人可能并没有现实可行的离职选择。

我猜测居家办公政策可能如何适用，并说公司笔记本电脑通常已有监测。直播引用的报道没有确定远程工作覆盖的每个细节，也没有证明所有活动都会被记录；这些说法应继续作为问题，而非假定事实。

文章将一种假设归于 Zuckerberg：员工活动可能比某些承包商生成的数据提供更有用的训练示例。我认为这个假设有可能成立，同时质疑他据报道比较不同劳动者智力的方式。讨论既没有证明所称的性能优势，也没有证明对劳动者的广泛排名。

我解释说，数据承包商可以招募专业人士执行并记录任务，用于 AI 训练。随后我读到报道中关于预期裁员和拟议开发许多新应用的讨论，并指出可能裁员会造成焦虑。这些是当时报道的计划，并不能证明某项具体重组后来已经发生。

在讨论了应用列表、模型测试、Anthropic 争议和员工数据后，我结束这场轻松的直播。这些例子是个人经历和报道进展的快照，并非全面测试，也不是政策问题的最终答案。