顶层设计决定的，是智能如何被组织
真正应该比较的不是“谁的模型更强”，而是每家公司把规范、判断、控制、反馈、泛化与禁区放在哪一层解决。
S = (G, R, H, F, A, B)一个 AI 系统的顶层设计，可以压缩为六个相互制约的变量。
TOP-LEVEL DESIGN为什么行动 → 依据什么 → 听谁的 → 错了怎么修 → 未知中如何判断 → 边界在哪里
阅读基线：页面只整理附件对各家公开材料的描述。公开文档的性质、完整度与更新时间不同；未公开对应层级的完整治理文档，不等于不存在内部治理体系。
五家公司，并不在设计同一种系统
把五家强行排成一条高低顺序会误导分析。它们公开材料所突出的问题，分别落在价值、权限、风险、效率和行动五个不同方向。
Anthropic
原则内化型认知系统系统内部如何从一般原则生成具体判断？
OpenAI
分层权限型控制系统复杂指令冲突时，谁拥有最终控制权？
能力跨过危险阈值时，怎样评估与制动？
DeepSeek
高效开放智能引擎单位计算资源可以产生多少智能能力？
Kimi
行动导向型智能体系统智能怎样从“回答”进化为“完成任务”？
比较时先确认“控制点在哪一层”，再比较具体机制；否则容易把模型规范、平台权限、实验室治理、计算架构和智能体能力混成同一指标。
切换五个控制中心，看系统如何作出决定
同一个“安全与可控”目标，可以通过不同控制点实现：原则、权限、能力阈值、优化目标或任务执行回路。
原则内化
认知宪法Principle → Reasoning → Action附件把 Constitutional AI 的关键抽象为：不穷举所有情境，而是让模型理解原则背后的理由，并把判断推广到新状态。
- 机制
- 生成规则的规则系统
- 目标
- Generalized Judgment
权限分层
平台控制架构Root > System > Developer > User > Guideline > Untrusted附件把 Model Spec 抽象为高度工程化的权力拓扑：重点不是让每个节点共享同一哲学，而是明确指令冲突时谁说了算。
- 机制
- Authority Resolution
- 目标
- AI Platform Governance
风险阈值
实验室治理State → Threshold → Evaluation → Mitigation → Restriction附件认为 Google 的公开框架更关注模型能力发展到何种程度后，实验室应触发评估、缓解与部署限制。
- 对象
- AI Capability
- 目标
- Control Dangerous Capability
计算效率
开放智能引擎η = Capability / Compute附件中的公开材料重点落在架构、训练与推理效率：在给定计算资源下，尽可能提高智能生产效率。
- 机制
- Architecture + Training + Inference
- 目标
- Maximize Intelligence under C
智能体行动
任务完成系统Goal → Plan → Tool → Observe → Replan → Complete附件把 Kimi 的公开技术重点概括为工具调用、长链执行和智能体训练：系统目标从生成答案转向完成任务。
- 机制
- Agentic Execution Loop
- 目标
- Action Capability
可使用方向键切换公司；页面不会发送任何数据。
三个闭源体系，把控制点放在三个层级
Anthropic、OpenAI 与 Google 的公开文件并不是三个同层方案。它们分别控制模型怎样判断、平台怎样分配权力，以及实验室何时必须制动。
控制对象是实验室与模型能力阈值。
Capability → Threshold → MitigationOpenAI
权限与冲突解决控制对象是模型、工具、开发者和用户组成的平台网络。
Authority → Priority → ActionAnthropic
原则与判断泛化控制对象是模型内部的价值解释与具体判断。
Principle → Judgment → Action模型应该怎样判断？
把复杂性从规则数量转移到价值解释与原则冲突。
Action = f(Context, Principles)谁有权决定行为？
把复杂性组织成可操作、可配置但有根边界的权限拓扑。
Action = arg max Priority(Ii)开放权重改变的，是安全责任的系统边界
“开放还是闭源”不只是分发方式。模型能否离开原厂控制环境，会改变平台、部署者与下游治理之间的责任分配。
模型与平台不可分离
Safety = Model + Platform + Policy + Monitoring厂商能够把模型、权限、策略、工具和监控放在同一个受控环境中。
- 控制边界更集中
- 持续策略更新
- 平台级访问控制
模型进入不同部署环境
Safety = Model + Downstream Governance行为边界在更大程度上由部署者、工具权限、数据环境与下游监督共同决定。
- 系统边界更开放
- 部署情境更多样
- 责任向下游迁移
DeepSeek：资源约束优化
Given Compute = C, maximize Intelligence公开技术哲学集中在单位资源的智能产出。
Kimi：任务执行优化
Answering → Planning → Acting公开技术哲学更强调工具协同与任务完成。
重要限定：“没有公开同层级文档”与“没有安全或治理体系”不是同一命题。本页只比较附件呈现出的公开设计重点。
从结构模型到网络化行动系统
大模型已经不再是单一网络。模型、路由器、工具、智能体、用户、记忆与外部系统组成新的计算网络，不同公司在这条演化链的不同位置下注。
- 01STRUCTURE
结构系统
MoE、Dense、Transformer 与专家网络回答“系统由什么构成”。
DeepSeek / Kimi 公开较多 - 02INFORMATION
信息系统
Attention、多模态 token 与上下文回答“信息如何编码传递”。
多模态体系的重要战场 - 03CONTROL
控制系统
权限层级决定复杂网络中谁能覆盖谁的指令。
OpenAI 的公开重点 - 04SELF-ORGANIZATION
自组织系统
系统从一般原则出发，在未知情境中生成具体判断。
Anthropic 的公开重点 - 05COMPLEX ADAPTATION
复杂适应系统
策略根据人类、模型、工具与环境反馈持续更新。
所有厂商都已进入 - 06NETWORK + COMPUTE
网络与计算复杂性
Models + Routers + Tools + Agents + Users + Memory 形成智能基础设施。
当前共同前沿
G = (V, E)控制问题从“单个模型怎样回答”扩展为“智能网络怎样分配价值、权限、风险、资源与行动能力”。
五条路线构成状态空间，不是一维排行榜
“更先进”必须先说明评价维度。价值泛化、权限组织、风险治理、计算效率和行动能力之间存在协同，也存在无法回避的张力。
AI = f(Intelligence, Alignment, Control, Efficiency, Agency)Intelligence
推理、表征与泛化能力
Alignment
原则、价值与行为边界
Control
权限、监督与冲突解决
Efficiency
单位计算资源的能力产出
Agency
规划、工具使用与任务完成
| 体系 | 核心控制点 | 主要系统问题 | 抽象类型 |
|---|---|---|---|
| Anthropic | Principles / Values | 系统内部如何形成可泛化判断？ | Agent with Constitution |
| OpenAI | Authority Hierarchy | 复杂 AI 网络的控制权如何组织？ | General Intelligence Platform |
| Capability Threshold | 能力越过危险阈值时如何制动？ | Risk-governed AI Infrastructure | |
| DeepSeek | Optimization | 智能如何以更低资源成本产生？ | Efficient Intelligence Engine |
| Kimi | Task Execution | 智能如何从回答进化为行动？ | Action-oriented Agent |
成熟系统最终需要重新整合这些专长
未来未必会证明某一家哲学完全正确。更可能的结果，是分化后的原则、权限、风险、效率和行动能力重新组合为更高阶系统。
Reasoning
理解情境、形成模型并处理未知。
Values
有原则地判断，而非只查规则表。
Authority
清楚谁拥有最终控制权。
Risk Control
知道何时能力已经危险并需要制动。
Efficiency
把有限算力高效转化为能力。
Agency
使用工具、规划步骤并完成任务。
FINAL SYSTEMAI 顶层设计的终局，不是某一项局部指标胜出，而是原则判断、权限治理、风险阈值、计算效率与智能体行动在同一系统中保持可解释的动态平衡。
阅读边界：厂商文档、模型结构和产品策略会持续变化。本页呈现的是附件中的系统论抽象，不构成对当前模型能力、安全水平或商业选择的实时结论。