2026年6月28日 16 个节点 #tech#ai#finance
共享层,系统性风险
对一层隐形基底的集中——一套共用的招聘模型、一个内存市场、一块 CPU 缓存——如何把局部的效率,变成系统性的脆弱。
完整简报
供应商的招聘模型、内存市场的产能、CPU 的缓存——单单一层共享基底,就悄然为其上构建的一切设下天花板。本图追溯:对一层隐形基底的集中,如何把局部的效率,变成系统性的脆弱。
算法单一栽培
同一个模型,被每一家雇主共用
当多数公司都用同一家供应商的 AI 来筛简历,这个模型便不再是众多过滤器中的一个,而成了那个过滤器。斯坦福 HAI 发现这已不再是理论:共享的打分,会制造出全市场范围内彼此关联的排除。
一家供应商,每一道门
层层连锁的拒绝
被一个共享模型打了低分的求职者,会在所有使用它的雇主那里被一并筛掉——这种多米诺效应,在各公司独立判断时并不存在。斯坦福 HAI 已对照《财富》500 强的招聘岗位,验证了这一连锁。
open_in_new startupxo.com/ko/news/2026/06/ai-hiring-tools-bias-risk差别性影响
模型悄悄淘汰的是谁
在 340 万名申请者中,亚裔在 5.3%、黑人在 10.6% 的情形里处于不利;按申请计,约 15% 与约 26% 的岗位在简历阶段就把他们筛掉。约 90% 的美国公司,已经在用 AI 做筛选。
不透明 + 触及面 + 利害
三种危险的特质
HAI 主张,招聘 AI 集齐了一个社会系统不该有的一切:它被广泛部署、足以改写人生,且对它所评判的人不透明。这三种特质,彼此放大。
供给集中
产能,偏向利润最高的产品
内存厂商正把晶圆产能倾注于 HBM 与高端服务器 DRAM,令通用产品断粮。投入端市场的集中,行为很像单一栽培:对赢家高效,对下游所有人脆弱。
HBM 蚕食通用 DRAM
价格的地板,被抬到更高
联想(ISC 2026)预计,即便 2028 年新厂投产,DRAM/NAND 五年以上也回不到旧日水位。AI 服务器用的 HBM 与高端 DRAM,正吸走那份曾让通用内存便宜的产能。
open_in_new startupxo.com/ko/news/2026/06/dram-price-permanent-shift稀缺之下,设计随之转向
从堆满内存,转向 GPU 算力
当内存不再便宜,系统设计随之改变:与其把容量堆到顶,不如倚重 GPU 加速的算力。需要 1TB 以上的 16 通道服务器,把这份成本压力变得具体可感。
集中即脆弱
经济版的单一栽培
一个偏向单一产品的产能市场,正是算法单一栽培的镜像:局部理性,全局脆弱。下游玩家,继承了一个自己并未选择的单点故障。
共享层为何主宰一切
基底,设下天花板
性能与公平,与其说由看得见的顶层左右,不如说由其下的基底左右。让缓存访问主宰 CPU 吞吐的那套逻辑,也让一层共享的决策层主宰社会的结果。
隐形基底,设下天花板
缓存,就是那个典型案例
CPU 的真实吞吐,由内存访问模式左右,而非指令条数——随机访问可能比顺序访问慢约 12 倍。同样的结构性真相会向上放大:你看不见的那一层,决定着你看得见的结果。
局部高效,全局买单
一再重演的交易
每个参与者都只优化自己那一块——某供应商的准确率、某晶圆厂的利润、某个循环的速度——而共享层上,积起一笔无人认领的成本。系统性风险,正是局部优化甩出的外部性。
审计那不可见之物
对不透明共享系统的回应
若一层隐形基底在大规模上决定结果,对策便是独立的度量:偏见审计、供应商多样性打分、差别性影响测试。不透明正是那道漏洞;而审计,是把它撬开的方式。
公平性审计,成为一种职业
风险亲手造出的工作
为 AI 招聘系统审计偏见与单一栽培暴露,正成长为一门专门职业,糅合了 AI 安全、公平性机器学习与雇佣法合规。一张危害地图,同时也是一张招聘地图。
open_in_new reputo.net/ko/jobs/ai-security-engineer/specializations/ai-hiring-fairness-audit审计即服务
把对策,做成产品
如果每一家雇主都在租用同一个不透明的模型,就有人能把审计卖出去:差别性影响测试、供应商多样性打分、面向求职者的透明与申诉。制造风险的那份不透明,也正好定义了产品。
open_in_new startupxo.com/ko/ideas/2026/06/ai-hiring-fairness-audit-saas监管,正在追上来
LL144、EEOC、欧盟 AI 法案
纽约市第 144 号地方法,强制对自动化招聘工具做偏见审计;EEOC 的指引与欧盟 AI 法案,也朝同一方向施压。规则,把自愿的审计,变成合规的底线。