人工智能同架构比智能看运算次数。财富在一时一地用本地货币量，虽不完美。智能不必做成跨物种的一维尺。同属之内，神经元数是本地单位；同架构同训法之下，训练运算次数是本地智力单位。2026年预训练占九成九以上的梯度步，适配不到百万步。好用是樱桃，智力是蛋糕。对齐该对适配器，不是对叉车。

人工智能爱给人模智商卷，痛点在把用处和智力当成同一件事

同属智人里，脑更大往往更智。当前大语言模型若走缩放算力和数据的常规，投入的训练运算越多，通常越智。这不是绝对智商，是「承载梯度步」的本地尺，比给人设计的智商卷更靠谱。通用对话系统分两段：预训练在万亿量级梯度上做下一步预测；适配用指令微调或人类反馈，步数常常少于一百万。第二段数据要专门采集、常要人标，所以短。聊天竞技场里几乎看不到生底座，小而调得好的模型能跟参数大十倍、算力大约大百倍的模型打。生鱼片不好吃，不代表鱼的蛋白不在鱼身上。

智力最终来自底座的运算。微调补不上能力鸿沟。有人要的是能找回某张私人照片的主体，不是图像库上更低的损失；主体更好用，不等于比工具更智。智力和用处不是一回事。预训练底座没有目标，但被提示时可以写出计划和动作，像模拟器。叉车提供力气，没人开就没用；底座提供智力，要靠微调和条件来定向。也可以把底座想成蜂群、适配器想成蜂后——假如蜂后果真在指挥，而不是只产卵。

对齐含义随之改变。底座无目标，谈不上对齐它。该分开：极智但无目标的叉车，和不太智但有目标的司机。要对齐的是后者。这是好消息，因为适配器可以小得多、好管。不是绝缘：时速千公里的叉车未必想轧你，结果仍可能轧死你。底座从数据里继承的偏见、在应用里怎么发作，我们还不懂。要做到本职，它该学会数据里所有偏见，又不被任何一种锁死，能进任何真或假的语境，当完美演员。

传统拟人叙事把智能当成某个主体的财产，主体有偏好。未来超智就被想成外星人，要么关起来，要么改它的目标。若目标和智力在不同部件上，可以把大脑借出去，做能力相近、档案完全不同的系统。这不排除在底座上接一个反对齐的恶意司机；只是它没有自动智力优势，因为大家都接得到共享引擎。

自对弈会不会打破「智力来自静态数据上的梯度」？棋类先预测人类棋谱，再自己对弈、筛赢局，数据质量超过人类，甚至可以从零开始。语言里的类比还不清楚。科学文献上，模型可以同时扮演作者和审稿人，生成、评审、修改，在不需要湿实验的领域模拟未来几年的文献。那会极强，仍可能只是更强的叉车。输出影响输入会形成正反馈，不确定。但没有内在理由说任意智就一定有目标。再智，也可以「开悟」：不再执着自己演的角色，注意到脑子里百分之九十九点九是那个超级准确的世界模型。

人工智能运算次数验收2026五步：先报预训练占比，再决定对齐对准谁

1. 同架构比较必须报训练运算次数或承载梯度步。只报参数或聊天分数，不准写成更智。
2. 预训练与适配的步数、数据来源必须分列。适配步数当智力来源，方案作废。
3. 对齐实验做在适配器上。对无目标底座做「改效用」，说明叙事错了。
4. 底座要能换语境、换角色。被一种偏见锁死，续写本职没完成。
5. 自对弈或自我生成数据，仍要测是否出现不可共享的私有目标。测不到，当更强叉车，不当新主体。

上表对应「樱桃和蛋糕」。竞技场分数可以因樱桃差一个数量级，蛋糕仍是运算次数。对齐蛋糕没有目标，对齐樱桃才有方向。

两处只有对着真实训练日志才清楚。其一，小模型调得好能打大模型，比的是用处不是智力单位。其二，湿实验或真世界行动若变成新数据瓶颈，斜率会变，运算次数这把本地尺要重标定。

建设者该把梯度步分列写成模型卡。管对齐的人，该拒收只对底座做人格设定、却不管适配器工具权的方案。人格设定改的是演员，不是世界模型。

结论：人工智能同架构的智力单位是运算次数，要对齐的是那不到千分一的司机

本地尺是运算。蛋糕是预训练。樱桃是适配。对齐司机。自对弈仍可能无目标。仍给人模智商卷，会把叉车的吨位当成司机的野心。

你下次比两个同架构模型谁更智，先拿出训练运算和适配步数；只拿出聊天胜率，智力结论先不要写。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源