本文来自腾讯科技对李开复的访谈。李开复在对话中探讨了美国主导的 AGI（通用人工智能）可能带来的霸权问题，特别是 OpenAI 及其 CEO Sam Altman 的垄断野心。他认为，中国应通过建立一个良性生态系统来抵抗 AGI 垄断。核心策略是降低推理成本（推理成本每年将下降 10 到 50 倍，从而推动应用的普及），使得更多应用能够快速落地，形成广泛的应用生态。虽然中国在 AGI 研发上可能落后，但在应用落地和成本控制方面具有优势，中国可以通过快速发展应用来抵抗 AGI 垄断。
良性的生态
一个良性生态，应该是芯片赚最少的钱，平台赚蛮多的钱，应用赚最多的钱；平台本身比任何一个应用都赚钱；但所有应用加起来比平台赚更多的钱。PC、互联网、移动互联网是这样，云也是这样。AI是不是？绝对不是。
今天 AI 生态是芯片 GPU 占 750 亿美金＞云厂商 100 亿＞应用商 ChatGPT 这类只有 50 亿——是一个倒三角。如果持续是倒三角，AI-first 的应用不会雨后春笋冒出来。用户不会得到福利，大家做应用不会那么快 PMF（Product Market Fit，产品市场契合度）、赚到钱、融到资，不能达到良性生态系统的正向循环。
AI 应用为什么没爆发
AI 应用为什么不爆发？是因为推理成本太贵了。
前一阵有一篇文章《Situational Awareness: the Decade Ahead》（《态势感知：未来十年》，OpenAI 前员工撰写），大胆说 AGI 三年会发生，有些假设值得商榷。我觉得 Epoch AI（一家非营利研究组织）说得更靠谱，他们在今年 8 月一篇文章《Can AI Scaling Continue Through 2030?》（《人工智能的规模定律能否持续到 2030 年？》）中，分析了四件事：
- 数据还能多快增加？
- 世界生产 GPU 的能力，还有 HBM（高带宽存储器），就是内存的能力，能多快增加？
- 计算的耗损能多快增加？你作为一个神经网络，它的 forward backward 训练（前向传播和反向传播训练），使它不是 GPU 问题，而是传输问题。如果是一张变成两张传输还好，如果是 100 万张变成 200 万张，传输就会成为瓶颈。
- 还有一个，世界上有多少电？
——最后它计算的结果大概是 2030 年。
他的说法是说从 GPT-2 到 4，从 2019 年到 2023 年，4 年时间提升的 level，和从 GPT-4 到 AGI 大概是一样的 level。也就是从幼儿园到高中生，从高中生到天才，是类似提升。如果第一个提升（幼儿园到高中生）花了 4 年；第二个提升（高中生到天才）需要 7 年，就表示有 diminishing return（边际效益递减）。
我们可以期待 Scaling Law（规模定律）继续往下走，但它不会像以前那么快，而且非常、非常贵。
做到 AGI 要花多少钱？它说了一个超级天文数字。不见得一个公司做得起。
OpenAI 的技术储备
OpenAI 手中还有很多牌没出
OpenAI 还藏了很多好东西没有放出来，我们千万不要低估它。
它手中还有很多牌，不急着出这些牌。因为它每次出一张牌，全球技术公司包括中国的，就会看它出了什么牌、去猜、去做。就算不能打平，也能做到八九成。所以，它并不想把牌打光。它想留到最后 AGI 有望的时候，再比较有信心地打出来。
所以，这是一个技术实力非常强大的公司。我觉得它跟 Google 的距离，不是 Google 在拉近，而是差得越来越远。当一个公司有这么多技术储备，可以战略性决定什么时候放出技术。比如，需要融资、需要 show muscle（显示实力）的时候。
GPT-5 与 o1
GPT-5 训练得不是很顺利，但是，为了融资，就丢了一个 o1 出来。
但是，GPT-5 训练碰到挑战，意味着 3 年达到 AGI 的预测可能过度乐观。本来 GPT-5 应该现在已经出来。现在看，即便出来，最快也是半年后了。不过，o1 能递补上来，把这次融资完成。
o1 本身并没有带来那么大推理和理解提升，但它把快思考、慢思考做成两套东西，以后相辅相成。对一个做技术的人来说，1 年半前把全部精力放在 pretrain（预训练），因为这个难度大，没人做过，只有一两家公司做过。现在，很多公司学会了。之后就发现，一个很难的硬骨头是要把 post train（后训练），尤其强化学习做好。今天强化学习做得好的公司非常少。
这次又抛出了第三个，是推理时的 Scaling Law。o1 最厉害的就是推理时的 Scaling-Law，推理花越多时间思考做得越好，这是之前 ChatGPT 没有的。开阔了很多人的思考。
标准硅谷共识
现在一个“标准硅谷共识”就是 Sequoia（红杉美国）那篇文章《Generative AI’s Act o1: The Agentic Reasoning Era Begins》(生成式 AI 的 o1 行动：代理推理时代的开启)。它以 o1 为 title，但要读到最后，投资逻辑写得很清楚。国内创业者朋友可以看一看。这符合我跟硅谷创业者、投资人的沟通。
英伟达、Meta、微软、OpenAI、xAI、Google 等巨头的动作
英伟达
英伟达肯定是现在最大获利者。之后它可能面临，随着大部分 GPU 不再做训练，而是做推理，优势能不能持续？这是它面临的一个问题。也许会持续，我不知道。
Meta
Meta 是最大搅局者——它什么事情赢不了，就开源，用开源来做卡位。
我蛮佩服他们放一大批人做广告。他们能靠广告赚一笔钱，然后开源来做一个卡位。他们技术比不上 OpenAI，但开源卡位，很多人用它的开源模型，以后看有什么机会再推进。虽然我觉得 Mark（扎克伯格）对 AI 不是很懂，但他就这么一招——打不过人家就开源——已经两次成功了。第一次是 TensorFlow 跟 PyTorch，这次也好像蛮成功。Meta 位置是 OK 的。
微软
微软是位置最好的。它一方面靠 AI 赚很多钱，虽然投资养着 OpenAI，但占了很多股，是可攻可守的一个位置。
它的挑战是自己的模型一直没做好。OpenAI 跟微软是合作，但这个蜜月期可能会结束。OpenAI 肯定做了 Plan B，微软如果没有 Plan B，到时候比较麻烦。但现在它处于非常好的短中期情况。长期如果做不出模型，跟 OpenAI 闹掰了，有挑战。现在微软和英伟达是最大获利者。
OpenAI
OpenAI 是特别强大、垄断型的公司，Sam Altman（OpenAI CEO）可能会是有史以来最大的垄断者。
我讲这个不是贬义，是陈述事实。他今天还没成为垄断者，但他的谋略，他的野心，他把一二三步棋都想清楚，这些我很佩服他。但从一个从业者的角度，也很担忧他。
xAI
xAI 执行力非常强，来自 Elon Musk（马斯克）管公司就跟中国公司一样。他公司一些小将我都认识，非常能干，玩命帮他干。他今天得到的成就是，复刻了 OpenAI 跟 Google 早期的一些技术，他能这么快复刻，在美国比较罕见。要看他以后能不能结合特斯拉的具身和自动驾驶，加上 xAI。无论如何，不能低估 Elon Musk，他现在是一匹黑马。
Google 是比较伤感的。
理论上它应该最强——最厉害的大模型论文是 Google 做的，最厉害的 Reinforcement Learning（强化学习）是 DeepMind（Google 旗下）做的，这两个并在一起，没有产生很大杀伤力。
而它现在面临的是，搜索处于四面挑战的局面。
一方面大模型让一些用户有问题不先去搜索引擎，而先去 ChatGPT，带走了一些量。更严重的是，最近很多用户买东西直接去 Amazon。在中国大家觉得本来就这样，买东西去淘宝或拼多多，其他搜索去百度。但现在同样的情况在美国发生。很多人要做 commercial search（商品搜索）不在 Google 做了，直接在 Amazon 做。所以，它这两面受敌。
再加上它的两难是，到底放不放大模型到搜索里去？放的话，有三种方法：
- 第一种是，取代你的搜索，就把所有广告业务都拆没了，公司可以关门了；
- 第二种是，不放进去，做成两个入口，是掩耳盗铃嘛。明明是一件事，为什么放两边？
- 第三种是，两者并存，就是你做一个 Google 搜索，看到有一个 Gemini Overview，再放搜索结果在旁边。这样你既会少收广告，用户体验也不极致，因为你给那么一点点 overview，不解决问题。我问一个问题，我要一个答案，你给我一个 overview 干什么？于是，它就是变成“四不像”——又有搜索结果，一大堆链接，又有广告，还给 overview，就不给我答案。这是它现在选择的做法。
另外有很多奇怪的事，比如 Google 的 Gemini 不能问大选的事，怎么会这样？还有之前碰到各种问题，什么吃胶水啊、吃石头啊，很多问题存在，理由是什么？我不太知道。
Google 短期不看好。但 Google 有很强技术积淀，能不能触底反弹？就不知道了。
Perplexity 是个很好的产品
Perplexity 是很好的产品。倒不是说 Google 做不出 Perplexity，Google 分分钟就可以做一个 Perplexity，可是基于刚才的考量——它不能做。
Perplexity 可以少赚钱甚至赔钱去弄一堆用户。Google 每个搜索产生的收入是 1.6 美分。今天 Perplexity Pro 的用户收 20 块钱，但搜索成本很高，不能 cover 所带来的搜索，它用 GPT-4o 嘛。但 Perplexity 不在乎啊，它说我就赔钱——免费用户我当然赔钱，付费用户我也赔一些钱——只要烧出用户来，我就基于用户成长得到投资。Google 呢？它不太能反击——这是 Perplexity 最大的优势，它产品做得不错，但没什么特别了不起的。
Perplexity 做得很好的是，把可信的问题，部分让用户以为化解了，其实并没有。它用 citation（引用）的模式，让你觉得这篇回答里有这么多 citation，我可以一个个点开，看是哪来的，大部分靠谱，就觉得你没有幻觉了。其实绝对不是——我们衡量过 Perplexity 的幻觉，还挺高的——但用户觉得有 citation，看到了放心。这是很有意思、很值得学习的一个用户体验的 trick（把戏）吧。
还有使用场景，你如果要做 research（研究）、得到 insight（洞察），Perplexity 的 UI 是正确的——它出各种图、视频、点击、文章、延伸、citation，像一个图书馆。Perplexity 自称，公司愿景是做一个“瑞士刀”。有一把小刀，你搬出来什么都有。开瓶的、剪刀、小刀、开信封的，一个工具可以做比如 12 样事。
但我更相信 Larry Page（Google 创始人之一）曾经说的。一次，我在 Google 早期一个会上，Larry Page 说：我们的搜索打几个字，出一堆链接是不对的；正确搜索形态应该是问一个问题，得到一个正确答案。
我们现在的技术更能贴近一个问题、一个答案，反而做非常复杂的 research tool（研究工具），未必是每个人需要的。但对分析师、研究员、教授、学生、记者，是好工具。
所以，Perplexity 我是认可的。但说它取代 Google，还是很困难。
但它也被内容生产商告，《纽约时报》最近告它了。这在美国是很严重的问题，《纽约时报》会一家、一家去告的。
模应一体，AI 时代技术专家是最优的总负责人
在 AI 2.0 时代，我们与时俱进地实践“模应一体”——模型和应用一体共创。在 AI-first 时代，一个应用的好与否，80% 看模型，20% 看其他点缀或用户体验的东西。所以，80% 要一个有一定用户理解的模型工程专家或 research 专家，来 drive（驱动）。现在我们设计的几个产品，都是核心技术人做总负责人。