大模型的能力边界每几个月就被刷新一次，但安全与效率之间的张力并未因此消解，反而在加速扩张中变得更加尖锐。从技术层面看，效率追求天然倾向于“放权”——让模型更快响应、更自由地调用工具、更少人工干预；而安全则要求“约束”——增加对齐训练、引入中间审查、限制行为边界。这两者并不总是兼容的。
当前行业的一个典型矛盾体现在智能体架构中。为了提升任务完成效率，模型被赋予调用外部工具、执行代码、访问网络的能力，但每多一个自由度，就多一个潜在的攻击面。白帽黑客通过AI漏洞成功入侵星舰系统的案例，正是这种“能力扩展快于安全防御”的缩影。效率提升带来的收益是即时的、可量化的，而安全隐患往往是滞后的、概率性的，这种不对称使得企业在资源分配时容易倾向效率一侧。
平衡的关键在于，不能把安全当作效率之后才考虑的事情。更可行的做法是将安全机制嵌入效率提升的路径中，而非对立起来。例如，NSA这类新注意力架构的设计，如果能在底层引入可审计的注意力路径，就比事后加一层过滤要有效得多。同样，阿里云DataWorks接入DeepSeek双模型的做法，也提供了一种分层思路——用不同模型处理不同风险等级的任务，在保障安全的同时不拖慢整体管线。
另一个值得关注的维度是算力预算的分配逻辑。华策影视规划10亿元算力预算，这笔钱如果只用来跑更大的模型、更长的上下文，安全投入就会被挤压。合理的做法是在预算规划阶段就把安全开销——包括红队测试、对抗训练、推理时监控——作为硬性成本计入，而不是事后从利润里扣。
说到底，安全与效率不是二选一的战略取舍，而是系统设计的一体两面。当一家公司把安全当作效率的“刹车”，它就会倾向于踩油门；而如果它把安全看作效率的“路基”，才会真正愿意投入。目前行业更缺的不是安全技术，而是把安全前置到架构设计和预算规划中的组织习惯。这个习惯的形成速度，将决定大模型扩张的下一个阶段是稳健增长还是风险频发。