会画图不等于会造机器，AI竞争滑向可靠性验证

“你猜这个CAD模型，它到底能不能转起来？”

朋友把屏幕转过来。一个齿轮箱的三维图，线条干净，装配关系看着都合理。他上周让一个AI智能体生成的，视觉检查全过。然后他把模型丢进仿真，齿轮咬合到第三圈，卡死了。

看起来对，和真的能动，中间隔着一整个工程学。

这事让我想起刚看到的三份材料，凑在一起有种奇妙的共振。它们讲的其实是同一件事：AI的竞争，正在从“能不能做”滑向“做出来的东西靠不靠得住”。

会画图，不等于会造机器

alphaXiv上那篇FunCADBench的论文，标题就很不客气——Can It Actually Work?（它真能用吗？）。研究团队搭了个基准，覆盖46个机制家族，还有多步相互依赖的操作，专门考LLM智能体生成功能性CAD机构的能力。关键发现在那个叫FunCAD-Harness的评测工具上：它能暴露视觉检查根本看不出来的机械故障，加上这层检验，功能成功率才显著提上去。

我第一反应是，这不就是给我朋友那种翻车现场写的注脚吗。

AI生成一个“看着像那么回事”的零件太容易了。曲面平滑，倒角规整，渲染图能直接放产品手册。但机械这东西的残酷在于，它只认物理。齿轮会不会干涉、连杆死点过不过得去、公差累积到末端还转不转——这些问题在像素层面是隐形的。智能体缺的不是造型能力，是对自己产出的物理后果负责的能力。

从“意图”到“可工作机制”，中间那道坎，恰恰是过去两年被生成能力的狂飙掩盖掉的部分。

Nature那篇讲智能体扰动响应的论文，是同一个病的另一张病历。任务执行到一半，环境突然变了，智能体还能不能稳住？这问题在实验室里是基准分数，在产线上就是停线损失。

85%这个数字，比任何demo都实在

再说Google Cloud那个llm-d 1.0。

坦白说，基础设施的发布通常最无聊，一堆吞吐、延迟、架构名词。但这次有个数字让我停了一下：在Ironwood TPU上跑智能体编码负载，前缀感知路由加主机内存卸载，中位首token时间降低85%以上，总吞吐比普通Kubernetes Service高2.4倍。

为什么这个数字值得单独拎出来？因为智能体这东西的使用体验，跟聊天机器人完全不是一回事。你跟它聊一句，等三秒无所谓。但一个编码智能体在后台连着调二十次工具、读十几个文件、反复自我修正，每一次调用的延迟都在叠加。首token时间从“能忍”变成“无感”，决定的不是它聪不聪明，而是你愿不愿意把它放进真实的工作流里。

我一开始以为这类优化只是云厂商秀肌肉。后来想明白了，它解决的是可靠性竞赛里最朴素的一环：让不确定性变得可预测。分布式推理最难的不是把算力堆上去，是让请求在几十个节点之间调度时，延迟不抖、故障能优雅降级、升级不中断服务。这些听着像运维琐事，但智能体要真进生产环境，卡住它的往往就是这些琐事。

能力决定上限，可靠性决定它能不能落地。

新手39%，专家65%

最后说Berkeley那个分享，John DeNero讲的。

他引了2026年Anthropic的一项研究：Claude Code的会话成功率，新手39%，专家65%。同一个模型，同一套工具，差了26个百分点。

这个数据让我有点意外，又不太意外。意外的是差距这么大，不意外的是——工具越强，使用者的判断力越成为瓶颈。新手让AI写代码，AI给了个能跑的版本就收工；专家会追问边界条件、会看出“这段逻辑在并发下会炸”、会让AI重写第三遍。模型没变，变的是那个人脑子里有没有一张验收清单。

我在Berkeley那篇里读到一句很戳的话：AI目前无法替代人类能力建设。这话从一个计算机教授嘴里说出来，分量不太一样。他不是在护自己的饭碗，他是在说，当生成变得廉价，鉴别力就成了稀缺品。

这跟CAD那个事是同一个逻辑。视觉检查过不了的关，得有懂机械的人知道该去仿真里验什么。新手看不出齿轮会卡，不是眼睛的问题，是脑子里没有那套物理直觉。

驯服不确定性的人

三件事拼起来，我看到一条线。

过去两年，大家在比谁的模型更会生成。接下来，比的是谁能让生成的东西在真实世界里不出事。CAD要过物理仿真，智能体要过扰动测试，推理栈要过延迟抖动，人自己要过判断力这一关。每一关考的都是同一件事：你能不能把不确定性收进一个可控的框里。

我承认，写到这里我有点想收回前面那句“能力决定上限”。能力当然重要，但能力竞赛的赢家，往往是先学会给自己上枷锁的那个。

齿轮转不转得动，不取决于画得多漂亮。取决于有没有人愿意在按下渲染键之前，先问一句：它真的能动吗？