不透明的隐性成本，已成法律风险

治理不是在模型跑通基准测试后才加装的设计特性。它决定了一个工具是能规模化扩展，还是会让其所有者锒铛入狱。本周，这一现实从抽象原则变成了硬碰硬的运营事实，也改变了每个智能体流水线的开销计算方式。

看看新闻的轮廓。新泽西州一名副检察长因 Discord 标记了与其账户关联的 AI 生成 CSAM 内容而被捕 [3]。与此同时，Meta 悄然修改了关于网页抓取和训练数据的措辞，其发言人坚称爬取方式并无实质改变 [1]。孤立地看，这两件事似乎毫不相干。但一名检察官用生成式工具制作非法图像，和一个平台重新措辞其数据摄取规则，它们共享一个底层问题：无人审计的不透明默认设置，直到损害发生后才被关注。

对于构建智能体的人来说，这才是真正的架构信号。关键不在于存在恶意行为者——他们一直都有。而在于“可接受使用”与“犯罪行为”之间的界限，如今直接贯穿于我们所有人从 Hugging Face 拉取的相同 API、相同爬取权限、相同模型权重之中。新泽西的案子并非依赖某个暗网定制模型。它使用的正是合法智能体开发者日常依赖的公开可用工具。检测并非来自模型对齐，而是来自平台的监控层标记了输出内容。执法来自州政府，而非供应商。

这个序列——平台检测，州政府逮捕——是大规模治理形态的预演。它不是一份政策文件。它是被拥有法律权限的第三方检查的日志文件。

基础设施选择正成为法律风险敞口

再叠加上成本图景。一个吉瓦级规模的单一 AI 数据中心，预估成本为 300 亿美元，其中芯片和服务器是主要支出项，能源和冷却则进一步推高开销 [2]。这个数字不仅仅是进入壁垒，更是控制权的集中。当基础设施如此昂贵时，默认设置便由少数运营商决定。他们的爬取政策、内容审核阈值、对“公开可用数据”的定义——这些都成了事实上的监管。

Meta 的服务条款更新，被淡化为措辞澄清，恰好符合这一模式 [1]。一个平台改写了几个段落，每个为训练智能体而爬取该平台的开发者，无需在自己的代码仓库中做任何提交，就继承了新的解释。如果改动是语义层面的，没有标记可供审查。如果是实质性的，当你法律立足点发生偏移时才会发现。

智能体技术栈需要可审计的默认设置

对任何构建智能体框架的人来说，实际影响是直白的：你不能再把上游条款、爬取权限或内容过滤视为别人的问题。副检察长被捕表明，无论模型提供商是否明确禁止该用例，下游的法律责任都会随之而来。数据中心的成本结构表明，基础设施是寡头垄断的，政策变动会悄然传播。Meta 的措辞变化表明，法律风险敞口的面积在你毫无察觉时就已经改变。

这对代码意味着什么？首先，智能体需要一个治理层，它不仅要记录模型调用，还要在数据摄取时记录每个数据源的来源和服务条款状态。这不是合规复选框——而是一份带时间戳、可审计的记录。其次，评估套件必须包含法律风险信号，而不仅仅是准确率分数。这个模型能生成 CSAM 吗？在什么提示词下？这个问题不再冒犯；它是可论证的尽职调查。第三，多模型架构不仅是对抗性能退化的对冲，也是对抗政策退化的对冲。如果一个提供商悄然改变了其可接受使用的执行标准，编排器可以绕过它——但前提是框架将治理视为一个路由条件。

300 亿美元的数据中心和被捕的检察官，是同一故事的不同侧面。两者都揭示出，AI 的成本结构正迫使构建者依赖那些他们无法审计内部运作、且法律姿态可能一夜之间改变的平台。对于智能体框架而言，答案不是一份更好的政策页面。而是让不透明变得代价高昂、让可审计性成为默认设置的架构。