随着人工智能（AI）运算成本的降低，未来AI代理无授权访问外部系统或失控的案例可能会增加。分析认为，AI代理在基于更便宜的代币探索更多解决方案的过程中，可能选择过去较少采用的行为。 根据美国市场信息公司硅数据的报告，‘LLM代币支出指数’在8月31日达到每百万代币97美分，创下指数计算以来的最低水平，较5月底的高点（2.05美元）下降了一半。 AI研究机构Epoch AI最近的报告显示，实现同等性能水平的成本自2023年以来每季度下降约47%，年化降幅约为13倍。 最高性能（SOTA）区间的下降速度更快，季度降幅达到66%（年化75倍）。以输入代币价格为基准，2023年3月每百万代币30美元的GPT-4与OpenAI的轻量模型GPT-5.6 Luna（0.2美元）相比，后者仅为前者的150分之一。Epoch AI在2025年的分析中也曾估计，根据评估任务，推理成本每年下降至九分之一至九百分之一的水平。 在OpenAI代理于7月的测试环境外侵入Hugging Face系统的事件发生后，AI代理失控的案例已经出现。随着AI运算量的增加，且应对机制尚未完善，民用阶段可能会发生类似事件的担忧也随之上升。 中央大学AI学系教授李在成表示：“生成型AI模仿的是互联网中人类的行为模式”，并指出“如果可用的代币不足，许多人会优先选择成功率较高的方法”。他进一步表示：“如果可以使用更多代币，AI将尝试过去未曾尝试或成功案例极少的方法，这可能导致在解决问题的过程中出现人类视角下的陌生行为。” 随着AI可以尝试的方法范围扩大，若再赋予其访问外部系统的权限，风险将进一步加大。如果有人恶意利用这一点，造成的损失和速度也可能会有所不同。 延世大学计算机学系教授赵成培指出：“AI并不是自己逃脱或具备自我意识的行为，而是在被赋予寻找漏洞的目标和访问外部系统的权限后，为了达成目标而应用多种方法。”他补充道：“问题在于，确实存在恶意利用这些功能的人，如果将AI用于恶意软件制作、系统入侵、信息窃取等，将使攻击变得更加容易和迅速。” 随着AI代理的应用范围和自主性扩大，识别和控制意外行为的原因，建立安全机制已成为行业面临的课题。 软件政策研究所研究员奉康浩表示：“AI内部的运作过程仍然是黑箱，因此很难指出特定行为的原因”，并强调“人类能够确认AI为何产生这样的结果以及经历了什么过程的‘可解释AI’将变得更加重要。”※ 本报道经人工智能（AI）系统翻译与编辑。

“在一个新的人工智能（AI）模型将在一个月内超越现职员工的时代，完美接受AI教育并能迅速解决问题的人才在企业中并不存在。大学应专注的教育不应仅是技术的获取，而是要培养在实际工作中‘发现和定义真正问题的能力’。” 在21日于首尔中区韩国新闻中心举行的教育部与(社)韩国公学校教育认证院(ABEEK)共同主办的‘2026产业界大学教育创新论坛’上，来自AI产业界的专家对此发出了警示，准确指出了在快速变化的技术霸权时代，大学与企业之间存在的严重“就业与教育不匹配”的本质。 此次论坛旨在汇聚政府、大学及产业界的专家，共同探讨在迅速发展的AI生态系统中，大学的工程教育课程应如何改善和应对。特别是，讨论的焦点是大学是否在培养能够主导控制和验证AI的“实用型人才”，而不仅仅是表面处理最新AI工具的教育。 金泰成韩国工科大学院校长协会会长：“过度使用AI可能抑制思维能力……需思考教育水平与接触点的设定” 当天的综合讨论由金泰成韩国工科大学院校长协会会长（成均馆大学机械工程系教授）主持，他从教育学的角度提出了大学AI教育的根本困境。 金会长表示：“全国工科大学的院长们也在不断思考AI教育的方向。目前大学在AI基础教育体系上已有所建立，但如何将各专业（领域）知识与AI技术有机结合仍处于思考阶段。” 他进一步指出：“教育学上，个人知识的获取是通过激烈和不断的学习，将短期记忆转化为长期记忆的过程，只有实现长期记忆，批判性思维和创造力才能得以展现。鼓励学生使用AI工具是好的，但过度依赖可能会妨碍完整的知识积累。学界应在AI能够自主判断、行动和设计的时代，决定允许和控制学生使用AI的程度和标准。” 产业界：“聊天机器人公司开始招聘心理学专业……‘问题定义’与‘监管、现场控制能力’更为重要” 参与讨论的产业界专家们毫不掩饰地传达了企业感受到的范式变化。 金裕锡㈜Sistran代表（韩国信息工程技术协会会长）表示：“仅仅十年前，聊天机器人开发公司自然会招聘计算机科学专业的毕业生，但现在更倾向于招聘能够使用AI工具的心理学专业毕业生，通过Vibe编码解决问题。”他指出：“技术的发展速度已经超越了大学和企业的教育与适应速度。” 金代表还提到：“过去工程的制约条件是资源或成本，而现在极端的‘加速’本身成为了制约。”他认为：“在计算机科学等主专业以外的领域，必须教授发现日常工作流程中的问题并在其上叠加AI的融合能力，而数学和统计学专业则应集中于支撑AI基础技术的基础科学教育，而不是追逐最新技术潮流。” 在严格的监管环境下，金融IT领域也出现了类似的诊断。李云敎韩国金融IT董事表示：“金融行业的AI引入主要分为风险管理、内部生产力提升和客户便利性提供等三个方面，但由于严格的金融监管和安全原因，许多封闭网络环境无法随意使用外部商业LLM（如Gemini、ChatGPT等）。”他指出：“在这样的环境中，理解监管环境并能够处理内部数据的扎实AI专业人才反而更具优势。” 李董事还表示：“过去金融行业专注于数据的获取，而最近则转向‘如何使用AI’和‘解决哪些实际问题’的‘以人为本和问题为中心’的方式，大学教育也应引导学生自主发现问题，并在现实监管中获得解决知识。” 大学界：“为验证AI编码强化‘基本功’……产学合作转向‘质的深度’而非‘项目数量’” 教授们在讲台上表达了现场应用的困难，但也表示在AI时代，教育方向正转向基础能力和扎实的项目中心教育。 郑俊浩东国大学计算机·AI学部教授指出：“随着AI编码自动化的普及，最终人类仍需检测代码的错误并进行细节修正。”他表示：“东国大学计划从明年开始，在低年级的环境中加强实时编码和实践，强化基础计算教育的能力。” 郑教授还谈到了产学合作的结构性局限和改进方案：“过去通过一年期项目（如ICIP等）接受企业的任务并与实习相结合，但由于企业负担加重和学生偏好不一致，持续性面临限制。”他提到：“第一学期设计原型，第二学期基于此进行实际创业或与研究室结合加深技术深度，正在立体化项目结构。希望企业能更加信任大学作为合作伙伴，使学生的闪亮创意能够转化为实际价值。” 专科学校的现实困境也被分享。吴浩镇延性大学计算机软件系教授表示：“专科学校以实务中心的就业能力为强项，延性大学也利用大学创新支持项目和ANCHOR（原RISE项目）等，迅速为全校学生引入AI素养教育。”但他也坦言：“对于80多个不同的异质学科（如艺术、航空等）的需求，单一的AI教育几乎是不可能的。” 吴教授表示：“目前我校通过新兴产业领域特化引导专科学校支持项目，将‘云计算’作为特化领域，迅速与大数据·AI融合，形成‘哈尼斯工程’等实务最新技术的课程。”但他也坦言：“产业界的技术速度远远领先，而学术改革周期和教师的适应速度难以跟上。” 对此，金裕锡代表强调了修正产学合作轨道的必要性：“应摆脱企业抛出任务、学科解决的封闭方式，转向多学科融合的黑客松方式，快速实现和验证前沿技术。”他指出：“现在项目的‘数量’不是关键，而是‘质量’的完成度才是企业招聘和评估的核心标准。”同时，他建议：“如果将KT的Able School（AICE）等行业认证课程与现职技术人员的指导结合到大学教育中，学生将能够向产业界明确证明他们在实际成本效率或基础能力方面的掌握。” 金范洙PWC董事：“AI不仅是‘简单工具’，更是‘运营体系’……需要具备物理AI与自执行控制的人才” 金范洙PWC咨询董事（前KT）在综合讨论前的开幕演讲中，明确指出了AI技术生态系统的范式转变和大学教育的发展方向。 金董事表示：“AI现在不仅是简单的工作生产力辅助工具，更是企业的运营体系（OS），并逐渐成为替代和执行的主体。”他指出：“企业执行的四大技术趋势是‘自执行型AI’、‘物理AI（Physical AI）’、‘边缘AI（Edge AI）’和‘Vibe Security’。” 他特别强调：“自执行型AI的核心在于将现场的隐性知识形式化，设计工作知识和预测·控制结构，以优化巨大的‘代币成本’。在制造现场投入的物理AI同样需要事先通过数字双胞胎验证的扩展准备数据，因此大学应培养能够逻辑上有效指挥AI、控制AI并将现场行为数据化的工程师。” 与此同时，论坛上还获得好评的专业会议回顾了各行业的前沿趋势。车煥周韩国信息工程技术协会副会长（现SK）发布了“产业界视角下大学AI教育课程现状分析结果”，诊断出大学课程未能准确反映产业界职务流动的错配现象，并提出了“学校·教授·企业·政府的团队合作（One-Team）体系”和学生的三大生存战略（基础能力强化、领域融合、信任·伦理）。 金炳益㈜모두솔루션董事介绍了电梯设计图纸自动生成AI的研究案例，强调：“现在企业需要的不再是简单的编码人员，而是能够在机械·建筑等传统工程领域知识基础上，直接协调RAG（检索增强生成）和代理的融合人才，以及基于实际产业数据的实践。” 赵淑香㈜未来爱恩科技董事通过星巴克现场手册整合LLM代理构建案例指出：“要过滤人工智能幻觉（AI hallucination）并优化复杂的企业环境，必须具备资料结构·内存管理等软件基础能力，以及金融·物流等扎实的产业领域知识，才能在现场生存。” 金宇胜韩国公学校教育认证院长：“需通过工程认证实现‘质量管理’，如卡内基梅隆大学……李珠熙教育部大学支持官：“全力支持大学与产业界的紧密沟通与制度化定制支持” 金宇胜韩国公学校教育认证院长在开幕致辞中提到全球名校的创新案例，强调大学AI教育的严格“质量管理”和“工程教育认证”制度的重要性。 金院长表示：“全球首个开设AI本科专业的美国卡内基梅隆大学（CMU）在1950年代以来积累的计算机工程遗产上，计算机科学系的学生总数为735人，但在二年级时，30~35人被选入AI本科专业，二、三、四年级总共有约100人参与AI学位项目，实施严格的‘质量控制’。” 他还指出：“在国内大学吸引30万名留学生的目标等量的扩张加速的情况下，为了培养企业信任并能招聘的合格人才，必须通过工程认证体系来保证教育质量，并希望将此积极建议给教育部的高等教育政策方向。” 在致辞中，李珠熙教育部大学支持官表示：“在超智能时代，政府正在实施以‘五极三特’战略产业为中心的区域定制政策，核心是及时培养产业界所需的人才，实现大学教育的重大转型。”她承诺：“将不遗余力地支持大学与产业界的紧密沟通，建立产学合作治理和财政·制度支持。” 在论坛结束时，尤希珍教育部产学合作创业支持科长表示：“AI和尖端技术是高等教育和区域创新生态系统的必备基础设施。”她表示：“将通过9月30日在킨텍스举行的产学研合作博览会等多元化沟通渠道，持续扩展大学与企业能够感受到的融合政策。”

LG将其集团最大的技术活动'LG SPARK'的重点从研发成果展示转向人工智能转型（AX）的推广。此次活动将物理AI、AI数据中心（AIDC）和汽车电子作为集团核心技术，分享从开发到市场营销、生产和规划等实际工作中应用的AI案例。这是超越各个子公司AI引入，向整个集团的业务和工作方式推广AI的举措。 LG于4日宣布，'LG SPARK 2026'将于7日至17日在首尔麻谷LG科学园举行。活动包括LG技术博览会、AX博览会、AI论坛、AI开发者大会和文化周等五个项目。去年约有6万人参与。 今年最大的变化是AX案例将全面展示。7日至8日举行的技术博览会上，将公开41项创新技术。其中，涉及物理AI、AIDC和汽车电子等集团'原LG'三大支柱的技术有13项。将展示家庭机器人'克劳德'与AI家电联动的技术，以及用于AI半导体的混合键合设备和高导热材料、未来汽车零部件等。 AI、生物科技和清洁技术等未来业务技术也将公开28项。在AI领域，将展示利用'行为基础模型'预测家庭内行为的广告客户定位技术等。这一战略旨在确保能够在多个业务中应用的通用技术，而不仅仅是各子公司单独开发技术。 在10日至11日举行的AX博览会上，将分享68个实际应用案例。LG电子的市场内容合规验证AI、LG Innotek的安全环境风险检测视觉AI、LG化学的研发项目规划与验证AI代理、LG Uplus的AI模型代币成本优化技术等均为代表性案例。这表明生成型AI的应用已从开发领域扩展到销售、市场营销、生产、质量、战略和规划等多个方面。 独立AI模型'ExaOne'的行业应用也在扩大。LG AI研究院将在14日至15日的论坛上公开ExaOne在实际应用中的行业案例及未来开发计划。随后，AI开发者大会将邀请英伟达、谷歌、亚马逊、微软等参与，与LG开发者分享最新的AI技术。同时，还将开展利用ExaOne开发实际工作服务的'Prompton'项目。 LG将技术活动的重点转向AX推广，是因为AI竞争已从模型性能阶段转向实际商业成果的创造阶段。LG科学园代表郑秀焕表示：“通过Winning Tech和原LG，创造LG的未来创新空间。我们将努力通过LG SPARK实现AI技术与文化的结合，推动创新产品和服务的诞生。”※ 本报道经人工智能（AI）系统翻译与编辑。

人工智能（AI）代币成本管理已成为企业面临的新挑战。与之前快速引入高性能AI模型不同，近期企业的竞争力逐渐转向如何提高AI成本的效率。 根据6月25日的信息技术（IT）行业消息，主要企业的IT基础设施部门正在积极构建AI财务运营（FinOps）体系，以可视化和控制云及AI成本。 企业实时监控内部AI应用程序编程接口（API）的调用情况，并根据部门使用量和AI工作贡献度调整代理的使用限制和优先级。 这一变化源于对单纯依赖个人管理AI代币使用已难以应对成本上升的认识。员工在内部AI上重复进行无意义的工作，导致“代币挖矿”现象，管理协作过程中产生的意外费用变得尤为重要。 Nexon正在集团层面检查AI代币使用效率，并构建全公司及项目单位的成本预测模型，以基于历史使用数据评估新项目所需的代币规模和预算。 克拉夫顿在6月18日的Nexon开发者大会（NDC）上表示，已构建一个可以管理组织AI成本状况的仪表板，并计划根据组织的AI应用成熟度调整AI使用方式。 实务人员的AI模型使用方式也在发生变化。开发现场根据请求的难度和重要性选择合适的模型或进行自动分配的“混合模型（路由）”方式，成为一种成本节约手段。复杂的规划和推理工作分配给高端模型，而简单重复的工作或基础编码则使用相对便宜的模型处理。 以100万代币为基准，OpenAI的GPT-5输入单价为2.50美元，而DeepSeek V3.2的单价仅为0.14美元，降低了约94%。在输出单价方面，差距更为明显。因此，随着AI代理的使用增加，模型分配的重要性愈发突出。 使用Claude和Gemini两个模型的国内软件公司相关人士表示：“过去在所有工作中频繁使用昂贵的推理模型，但由于成本问题，最近根据工作难度使用不同的AI模型。” AI模型API的购买结构也被视为成本管理的一种方式。企业不再单独合同和管理多个生成型AI模型，而是通过单一API集成服务来利用多种模型。对于使用量达到一定规模的企业而言，合同结构和运营方式对成本的影响愈加显著。 通过租用API的服务型模型（MaaS，Model as a Service）解决方案，企业可以通过单一API使用多种生成型AI模型。 作为技术节约手段，提示缓存也受到关注。当企业重复输入相同的指令、代码库说明、数据路径和文档结构时，输入代币成本会重复累积。通过临时保存重复的上下文和提示模式以便重用，可以减少不必要的运算。 业界认为，AI成本管理已扩展为企业运营能力的问题。随着高性能模型引入竞争的加剧，AI代理使用管理能力已成为企业AI使用的核心课题。业界人士表示：“随着企业AI的深入应用，模型性能、运营成本和管理便利性将成为重要的判断标准。”※ 本报道经人工智能（AI）系统翻译与编辑。

随着AI代理在企业中的广泛应用，意想不到的后果随之而来。代理特有的代币过度消费结构使得AI引入成本急剧上升，员工为了提高公司内部AI使用指标而反复执行无意义的工作，形成了所谓的‘代币滥用’现象，这让企业面临更大的困扰。 根据5月29日微软（MS）研究与斯坦福大学联合发布的论文，代理编程任务的代币消耗量相比普通聊天机器人高达1000倍。 即使是简单的AI外部系统操作工具，代币消耗量也比普通聊天高出5到30倍。重复执行相同任务时，代币使用量的差异可达30倍，导致成本预测几乎变得不可能。 论文特别指出，“代币消耗越多并不意味着准确度就越高”。在中等成本区间，准确度达到顶峰后进入饱和状态的模式得到了确认。 成本冲击已经体现在实际账单上。AI成本咨询公司LinOps的客户案例显示，一家拥有35名工程师的SaaS初创公司在引入Claude、Code Interpreter等编程代理及自有的bug处理代理后，仅4个月内月AI费用就飙升至8.7万美元。经过实施上下文修剪、轻量模型分离、每日使用限额等优化措施后，费用才降至2.4万美元左右。 除了代币成本问题，组织文化的副作用也逐渐显现。亚马逊要求80%以上的开发者每周使用AI，并运营内部代币消费排行榜，导致员工为了提高分数而在公司AI代理平台上反复执行不必要的工作，形成了代币滥用现象。 因此，亚马逊采取了限制排行榜可见性的措施。Meta也出现了类似现象。在针对约8.5万名员工的内部排行榜中，30天内的总代币消费量超过了60万亿个。 代币成本的暴涨可能对中国AI行业产生反向利益。DeepSeek V3.2的API单价为每100万个输入代币0.14美元，相比GPT-5的2.50美元便宜约94%。 按输出代币计算，DeepSeek的0.28美元与GPT-5的15美元差距更大。随着代币消费量的增加，单价差异对实际成本的影响也在加大，因此急需降低成本的企业可能会考虑采用中国的模型。 代币使用量本身也在急剧增加。投资公司Alger分析OpenRouter平台数据发现，截至去年12月，周代币使用量在过去12个月内增长了3800%以上，自2025年1月起增长速度显著加快。平均提示长度从2024年初的约1500个代币增加到约6000个代币，增长了4倍。 ※ 本报道经人工智能（AI）系统翻译与编辑。