AI

2022年 11 月 30 日 ChatGPT 横空出世已经过去 3 年了，2023 年 OpenAI 再次给世界一震撼，重磅发布了 GPT-4，而2024 年 OpenAI 仍然一枝独秀，给 AI 的发展带来了两个新的方向，一个是视频生成，一个是推理范式，前者的代表是 Sora，后者的代表是 o1。时间来到 2025 年，OpenAI 终于不再一枝独秀，迎来众多挑战者，全球 AI 可以说是呈现百花齐放的状态，有 Google 和 Anthropic 等闭源模型的兴起，有 DeepSeek、Qwen、Kimi、GLM、Minimax、Mistral 等开源模型的觉醒，当然也有 Llama 4 开源模型的落寞。 本文将按照时间顺序带你一起回顾一下 2025 年 AI 圈每一个核心大事件、技术突破及社会影响。 DeepSeek R1 火爆全球 2024 年 12 月 6日，OpenAI 重磅发布 o1 系列推理模型，把大模型的发展从仅使用系统 1 思维（快速、自动、直观、容易出错）发展到系统 2 思维（缓慢、深思熟虑、有意识、可靠）。而就在 2025 年 1 月 20 日，中国 AI 创业公司 DeepSeek（深度求索）发布了其最新一代开源模型 DeepSeek R1，该模型也是一个推理模型，在基准测试中其表现与 OpenAI 的 o1 模型相当，但价格却显著低于 o1（大概是其 1/30）。这一事件迅速在全球科技界引发了海啸般的反应，被西方媒体和战略分析师称为 AI 领域的“斯普特尼克时刻”（Sputnik Moment）。R1 不仅在性能上紧追 OpenAI 的顶尖闭源模型，更重要的是，它打破了关于大模型训练成本的固有认知。...

本文翻译自 Andrej Karpathy 发布在 X 上的对于 2025 年 LLM 的年度回顾：2025 LLM Year in Review. 2025 年是 LLM（大型语言模型）取得长足进步且充满大事的一年。以下是一份我个人认为值得注意且略显意外的“范式转变”清单——这些事物改变了格局，并在概念上令我印象深刻。 1. 基于可验证奖励的强化学习 (RLVR) 在 2025 年初，各大实验室的 LLM 生产技术栈看起来大概是这样的： 预训练 (Pretraining, 约 2020 年的 GPT-2/3) 监督微调 (Supervised Finetuning, 约 2022 年的 InstructGPT) 基于人类反馈的强化学习 (RLHF, 约 2022 年) 在很长一段时间里，这是训练生产级 LLM 的稳定且行之有效的配方。在 2025 年，基于可验证奖励的强化学习 (RLVR) 崛起，成为了这一组合中事实上的新增主要阶段。通过在多个环境（例如数学/代码谜题）中针对可自动验证的奖励来训练 LLM，LLM 自发地发展出了在人类看来像是“推理”的策略——它们学会了将解决问题的过程分解为中间计算步骤，并学会了多种反复推敲以弄清问题的解题策略（参见 DeepSeek R1 论文中的例子）。这些策略在以前的范式中很难实现，因为对于 LLM 来说，最佳的推理轨迹和纠错方式是什么并不明确——它必须通过针对奖励的优化，自己找到行之有效的方法。 与 SFT 和 RLHF 阶段（这两个阶段相对较薄/较短，计算上只是微小的微调）不同，RLVR 涉及针对客观（不可被操纵）奖励函数的训练，这允许进行更长时间的优化。事实证明，运行 RLVR 提供了极高的能力/成本比，它吞噬了原本用于预训练的计算资源。因此，2025 年的大部分能力进步都是由 LLM 实验室消化这一新阶段的“剩余红利”所定义的，总体而言，我们看到了体量相似的 LLM，但 RL 运行时间要长得多。此外，这一新阶段独有的是，我们获得了一个全新的旋钮（以及相关的缩放定律），可以通过生成更长的推理轨迹和增加“思考时间”来控制作为测试时计算量函数的能力。OpenAI o1（2024 年末）是 RLVR 模型的首次演示，但 o3 的发布（2025 年初）是一个明显的拐点，你能直观地感受到这种差异。...

本文翻译自 Notion 创始人 Ivan Zhao 在 X 上发表的文章：Steam, Steel, and Infinite Minds。 每个时代都由其奇迹材料所塑造。钢铁锻造了镀金时代。半导体开启了数字时代。如今，AI 作为无限思维已经到来。如果历史教会了我们什么，那就是掌握这种材料的人将定义这个时代。 [左图：少年时期的安德鲁·卡内基和他的弟弟。右图：镀金时代的匹兹堡钢铁厂。] 19 世纪 50 年代，安德鲁·卡内基作为一名电报员，奔跑在匹兹堡泥泞的街道上。当时十分之六的美国人是农民。在两代人的时间里，卡内基和他的同辈们锻造了现代世界。马匹被铁路取代，烛光被电力取代，铁被钢取代。 从那以后，工作从工厂转移到了办公室。如今，我在旧金山经营一家软件公司，为数百万知识工作者打造工具。在这个行业重镇，每个人都在谈论通用人工智能（AGI），但二十亿案头工作者中的大多数尚未感受到它的存在。知识工作很快会变成什么样子？当组织架构吸收了永不休眠的思维时，会发生什么？ [早期的电影看起来通常像舞台剧，只有一台摄像机对着舞台拍摄。] 这种未来往往难以预测，因为它总是伪装成过去的样子。早期的电话像电报一样简练。早期的电影看起来像是被拍摄下来的戏剧。（这就是马歇尔·麦克卢汉所说的“通过后视镜驶向未来”。） [今天最流行的 AI 形式看起来就像过去的谷歌搜索。引用马歇尔·麦克卢汉的话：“我们总是通过后视镜驶向未来。”] 今天，我们看到的是模仿谷歌搜索框的 AI 聊天机器人。我们正深陷于每一次新技术变革都会出现的那个令人不安的过渡阶段。 我没有关于接下来会发生什么的全部答案。但我喜欢用几个历史隐喻来思考 AI 如何在不同层面上发挥作用，从个人到组织，再到整个经济体。 最初的端倪可以在知识工作的高级祭司——程序员身上找到。 我的联合创始人 Simon 就是我们所说的“10 倍程序员”，但他现在很少写代码了。走过他的办公桌，你会看到他同时指挥着三四个 AI 编程智能体（Agent），它们不仅打字更快，而且会思考，这让他变成了“30-40 倍工程师”。他在午餐或睡前排好任务，让它们在他离开时工作。他已经成为无限思维的管理者。 [20 世纪 70 年代《科学美国人》的一项关于移动效率的研究激发了史蒂夫·乔布斯著名的“大脑的自行车”隐喻。只不过从那以后，我们一直在信息高速公路上费力地踩着踏板。] 20 世纪 80 年代，史蒂夫·乔布斯称个人电脑为“大脑的自行车”。十年后，我们铺设了互联网这条“信息高速公路”。但今天，大多数知识工作仍然是人力驱动的。这就像我们在高速公路上骑自行车一样。 有了 AI 智能体，像 Simon 这样的人已经从骑自行车毕业，转而驾驶汽车了。 其他类型的知识工作者什么时候才能开上车？必须解决两个问题。 [与编程智能体相比，为什么 AI 更难帮助知识工作？因为知识工作更加碎片化，且更难以验证。] 首先是上下文碎片化。对于编程，工具和上下文往往存在于一个地方：IDE、代码库、终端。但一般的知识工作分散在数十个工具中。想象一个 AI 智能体试图起草一份产品简介：它需要从 Slack 讨论串、战略文档、仪表盘中的上季度指标以及仅存在于某人脑海中的组织记忆中提取信息。今天，人类是胶水，通过复制粘贴和在浏览器标签页之间切换将所有这些缝合在一起。在上下文整合之前，智能体将仍然受困于狭窄的用例中。 第二个缺失的要素是可验证性。代码具有一种神奇的属性：你可以通过测试和报错来验证它。模型制造者利用这一点来训练 AI 更好地编程（例如强化学习）。但是，你如何验证一个项目是否管理得当，或者一份战略备忘录是否优秀？我们尚未找到改进一般知识工作模型的方法。因此，人类仍然需要在回路中进行监督、指导，并展示什么是好的结果。 [1865 年的《红旗法案》要求车辆在街道上行驶时，必须有一名旗手在车前行走（该法案于 1896 年废除）。这是一个不受欢迎的“人在回路中”的例子。] 今年的编程智能体教会了我们，“人在回路中（human-in-the-loop）”并不总是可取的。这就像让专人检查工厂流水线上的每一颗螺栓，或者走在汽车前面开路（参见：1865 年的《红旗法案》）。我们希望人类站在杠杆点上监督回路，而不是身处其中。一旦上下文得到整合且工作可验证，数十亿工人将从骑自行车转变为开车，进而从开车转变为自动驾驶。...

本文整理自 Moonshots 播客特别节目: 2026 Predictions on AI, the State of the Economy, Humanoid Robots, and Space Exploration | EP #217。这次的讨论非常硬核，Peter Diamandis 和他的“Moonshot Mates”（包括 Emad, Salim, Alex 和 Dave）对 2026年 做出了 10 个极其大胆的预测。 这不是那种模糊的“未来会更好”的空话，而是关于技术奇点、商业模式重构和甚至人类寿命突破的具体推演。 系好安全带，我们要起飞了。 2026年十大预测：奇点临近，未来已来 如果说 2025 年让你觉得世界变化很快，那只是热身。根据 Moonshots 团队的最新推演，2026 年将是“感觉像未来”的一年。无论是在太空竞赛、AI 算力爆发，还是人类寿命的延长上，这一年都将成为历史的转折点。 以下是五位顶尖科技思想家对 2026 年的 10 个核心预测： 1. 太空竞赛易主：贝佐斯将在月球上击败马斯克 (预测者: Peter Diamandis) 这听起来可能有点反直觉，毕竟 SpaceX 现在的发射频率高得吓人。但 Peter 预测，在 2026 年，杰夫·贝佐斯（Jeff Bezos）的 Blue Origin 将率先在月球南极的 Shackleton 陨石坑着陆。 与此同时，埃隆·马斯克（Elon Musk）在忙什么？他会在这一年全力完善 Starship 的在轨加油技术，为 2027 年的火星发射窗口做准备。但这不仅是两个亿万富翁的游戏，中国也在这一赛道上紧追不舍。2026 年，以前那种科幻剧集里的“太空争霸”将真实上演。...

本文整理自 Youtube 知名博主 Alex Kantrowitz 对 Sam Altman 的最新访谈。访谈中 Sam Altman 深度解析了 ChatGPT 的下一步：从应对 DeepSeek 和 Gemini 的“红色代码”时刻，到 1.4 万亿美元的基础设施算账逻辑。为何他认为目前的模型能力被严重低估？未来的 AI 硬件为何可能没有屏幕？本文为你详细解读 OpenAI 赢得这场 AI 军备竞赛的底层逻辑。以下内容由我和 Gemini 3 Pro 共同整理完成。 OpenAI 已经十岁了，而 ChatGPT 也走过了三个年头。在这个不仅被谷歌 Gemini 紧追不舍，还被 DeepSeek 点击软肋的时刻，外界都在问：OpenAI 还能保持领先吗？ 最近，OpenAI CEO Sam Altman 在一档深度访谈中，非常坦诚地聊了聊现在的局势、那个让人咋舌的 1.4 万亿美元基建计划，以及他对未来 AI 形态的真实想法。 与其说这是一次商业访谈，不如说是一次对未来几年的预演。如果你关心 AI 的走向，这篇深度解读不容错过。 不要浪费一次好的“危机” 还记得前段时间 DeepSeek 带来的冲击吗？或者谷歌发布的 Gemini 3？Altman 并不避讳这些竞争对手的存在。 实际上，OpenAI 内部有过所谓的“红色代码（Code Red）”时刻。但这并不是外界想象中的那种恐慌性崩溃。对 Altman 来说，这种状态通常只会持续 6 到 8 周。这是一种健康的“偏执”——当 DeepSeek 展现出某种优势，或者竞争对手不仅在模仿还在超越时，这对 OpenAI 来说反而是好事。它暴露了产品策略中的弱点，迫使团队快速修补。...

本文整理自诺贝尔奖得主 Geoffrey Hinton 与 Google 首席科学家 Jeff Dean 进行的深度对谈。对谈中他们回顾了 AI 的历史，从 AlexNet 的卧室显卡训练，到赌场竞拍出售公司，再到 ChatGPT 引爆的 AI 时代。他们还畅谈了算力觉醒、TPU 往事及 AI 对人类未来的终极预测。以下内容由我和 Gemini 3 Pro 共同整理完成。 想象一下这个场景：加州圣地亚哥的NeurIPS大会，聚光灯下坐着两个人。一位是刚刚获得诺贝尔奖、被尊称为“AI教父”的Jeffrey Hinton（杰弗里·辛顿），另一位是Google的首席科学家、Gemini项目的联合负责人Jeff Dean（杰夫·迪恩）。 这是一场“双Jeff”的对话。他们不仅仅是在聊技术，更是在复盘过去几十年里，现代AI是如何从在一个留学生的卧室里跑数据，一路狂奔到如今足以改变人类文明进程的庞然大物。 即便你是AI圈的老炮，这场对话里也藏着不少你没听过的内幕——比如当年那场在赌场里进行的疯狂竞拍，或者早在ChatGPT数年前，Google内部其实已经有8万员工在用聊天机器人了。 算力觉醒：一个迟到了几十年的领悟 故事得从很久以前说起。Geoffrey Hinton早在80年代中期就搞出了反向传播算法（Backprop），而Jeff Dean在1990年写本科论文时，就已经在尝试并行训练神经网络了。 只要稍微懂点行的人都会问：既然算法有了，并行计算的想法也有了，为什么AI爆发得这么晚？ Jeff Dean回忆起他的本科论文，当时他在32个处理器的机器上跑神经网络，结果发现效果并不好。但他犯了一个现在看来很“可爱”的错误：在增加处理器的时候，他没有增加模型的大小。 Hinton也坦承，自己在很长一段时间里都忽视了“算力”的重要性。早在80年代末，其实就已经有人证明了用并行计算跑语音模型比传统方法强，但大家（包括Hinton）都觉得那是大力出奇迹的笨办法，不如搞更精妙的算法。 直到2014年左右，Hinton才真正彻底“悟”了。AI的秘密其实简单得令人发指：模型更大、数据更多、算力更强，效果就会更好。 这是一个看似笨拙却无比有效的“缩放定律”（Scaling Law）。 传奇的开端：显卡、卧室和赌场 AI历史的转折点发生在2012年的AlexNet。这背后的故事比电影还精彩。 当时，Hinton的学生Alex因为不想写博士资格考试的文献综述，被Hinton逼着做ImageNet竞赛：每提高1%的准确率，就可以晚一点处理那个枯燥的考试。 于是，Alex买了两块GPU显卡，插在他父母家卧室的电脑上日夜训练。Hinton开玩笑说：“显卡钱是我们出的，但电费是他爸妈出的，我这是在帮学校省钱。”就这样，在卧室里诞生的AlexNet横扫了ImageNet，震惊了世界。 紧接着，高潮来了。那年冬天，为了收购Hinton和他的两个学生（Alex和Ilya）刚成立的空壳公司，几大科技巨头在NeurIPS大会期间的一个赌场酒店里展开了竞拍。 楼下是老虎机和赌桌，每当有人赢钱，铃声就大作；楼上，科技巨头们正以一百万美元为单位不断加价。虽然当时百度等公司也在竞价，但Hinton和学生们其实心里早有定数——他们想去Google，因为那是Jeff Dean在的地方，那是做研究最开心的地方。 最后，当价格高到一个疯狂的数字时，他们叫停了拍卖，选择了Google。 那个被黑莓错过的时代 在加入Google之前，其实还有一个让人唏嘘的插曲。Hinton的学生曾经把最新的语音识别技术推荐给了加拿大的国民企业——Research In Motion（黑莓手机的制造商）。 Hinton对他们说：“我们有比现在好得多的语音识别方案，免费教你们怎么做。” 结果黑莓傲慢地回复：“我们不需要语音识别，我们有全键盘。” 这个故事大概是那个时代最讽刺的注脚。后来，这项技术在Google落地，彻底改变了语音搜索的体验。 Google的秘密武器：TPU与被雪藏的聊天机器人 Jeff Dean在2013年做过一个简单的算术题：如果Google一定要把语音识别推给所有安卓用户，假设每人每天只用3分钟，Google当时的CPU算力得翻倍才撑得住。这意味着要买现在的两倍数量的服务器，这在财务上是不可接受的。 这个危机感直接催生了TPU（张量处理单元）的诞生。Jeff Dean在走廊里拦住CFO，硬是要了5000万美元预算，在连具体怎么用都还没完全想好的情况下，就把硬件搞出来了。现在回看，如果Google没有自研TPU，根本无法支撑如今庞大的AI训练需求。 至于大家最关心的——为什么Google起了大早却赶了晚集，让ChatGPT抢了先？ 其实，早在ChatGPT发布之前，Google内部就已经有一个拥有8万日活用户的聊天机器人了（基于Meena/LaMDA技术）。员工们用它写代码、写信、甚至写论文摘要。但是，因为偶尔出现的“幻觉”问题（胡说八道），Google觉得这不符合“搜索公司”对准确性的严苛要求，所以迟迟不敢对公众发布。 直到OpenAI发布ChatGPT，引发了著名的“红色预警（Code Red）”，Google才意识到：哪怕有瑕疵，用户也疯狂需要这样的工具。随后，分散在DeepMind和Brain的团队迅速合并，全力打造现在的Gemini。 “从此幸福生活，或者我们全部完蛋” 对于未来20年，这两位顶级大脑怎么看？ Geoffrey Hinton依然保持着他那种极度锋利且略带悲观的坦诚。当被问及AI将如何重塑世界时，他说了一句足以做书名的话： “如果有人真的把超级AI造出来了，结局只有两个：要么我们从此过上幸福快乐的生活，要么我们全部完蛋。” 但他随后补充了更具体的影响：...

本文整理自Werner Vogels 在 AWS re:Invent 的最后一次主题演讲。在 Gemini 3 Pro 的帮助下，我把本次演讲中最核心的内容转成了一篇精彩的文章，以下为文章内容。 如果要用一个词来形容今年的 AWS re:Invent，那一定是“转折”。 这不仅仅是因为 AI 正在重塑我们的行业，更因为那个穿了 12 年 T 恤、在台上跑来跑去的亚马逊 CTO —— Werner Vogels 宣布，这是他最后一次在 re:Invent 发表主题演讲了。 别慌，他不是要离开亚马逊。他只是觉得，在这个风起云涌的时代，该把舞台留给更多年轻、鲜活的声音了。 但在这最后的谢幕演讲中，Werner 没有煽情，而是非常硬核地回答了那个悬在所有程序员头顶的达摩克利斯之剑：“AI 会抢走我的饭碗吗？” 答案是：绝不。前提是，你得进化。 我们正在步入一个新的“文艺复兴”时期，作为开发者，我们需要一套全新的生存哲学。 房间里的大象：AI 与我们的未来 我们先来聊聊那个“房间里的大象”。无论是在非洲、拉美还是亚洲，Werner 到访每一个城市时，大家都在问同一个问题：AI 会让我失业吗？ 让我们换个角度问：AI 会让我变得过时（Obsolete）吗？ 回想一下历史。当你还在学校里学 Pascal 和 COBOL 的时候，编译器出现了，汇编语言似乎不再那么重要了；后来有了结构化编程，有了面向对象，有了 Cloud……每一次工具的进化，都伴随着开发者角色的转变。 现在，即使有了像 Cursor 或 AWS 自家的 Q 这样的 AI 编程助手，它们依然无法拿走只有你才能做的事情。 这是你的工作，不是工具的工作。 我们正处于一个像历史上“文艺复兴”一样的时刻——艺术、科学、工程正在以前所未有的速度融合。为了在这个新时代生存并从一个单纯的“码农”进化为不可替代的构建者，Werner 提出了一个全新的框架：“文艺复兴式开发者”（The Renaissance Developer）。 这个框架包含五个核心特质。 1. 永不满足的好奇心 (Be Curious) 你是怎么学会编程的？是不是通过写出满是 Bug 的代码，然后盯着报错信息抓耳挠腮学会的？ 学习新东西最快的方法，就是失败。 就像 Da Vinci 设计过永远飞不起来的飞机模型一样，只有愿意失败，才能真正学习。Werner 提到他在学外语时的体会：你背再多语法书也没用，真正的学习发生在当你跌跌撞撞地开口说话，然后被别人温和地纠正时。...

本文整理自蔡崇信在香港大学的演讲。在 Gemini 3 Pro 的帮助下，我把本次演讲中最核心的内容转成了一篇精彩的文章，以下为文章内容。 这几天香港大学最热闹的地方非陆佑堂莫属。不是因为有什么明星演唱会，而是阿里巴巴现任主席、也是曾经的“幕后英雄”蔡崇信（Joe Tsai）来了。 这是港大“陈坤耀杰出学人讲座”的现场，在这个有着历史沉淀的礼堂里，Joe 并没有照本宣科地念稿子，而是和港大经管学院副院长邓希炜教授来了一场非常实诚的“炉边谈话”。从NBA聊到阿里发家史，再到那个甚至有点敏感的话题——中美AI竞赛，中国到底能不能赢？ 整场对话干货很多，逻辑很硬。我把其中最核心的观点嚼碎了整理出来，咱们聊聊这位顶级商界大脑是怎么看未来的。 一、 篮球：不只是生意，是最好的外交 咱们先不说冷冰冰的商业。大家都知道 Joe 是布鲁克林篮网队的老板，前阵子他还把球队带到了澳门打比赛。 对此 Joe 的态度特别坦诚：NBA 想回中国，中国也需要 NBA。这确实是一门好生意，毕竟中国有全球最大的篮球迷群体。但更重要的是，体育是一种不需要翻译的语言。 他特别提到了自己正在做的一个公益项目：每年挑选几位中国初二的学生，全额资助他们去美国读高中、打篮球。这不仅是为了培养下一个姚明，更是为了让美国的孩子看到真实的中国同龄人，也让中国孩子去体验外面的世界。这种“人与人”的连接，在这个地缘政治紧张的时代，比什么公关都管用。 二、 阿里“变形记”：活下来的秘密只有一条 回想 1999 年，中国的人均 GDP 只有 800 美元，现在是 13,000 美元。蔡崇信说他很幸运，刚好站在了中国制造业崛起和互联网爆发的交汇点上。 有人问阿里的“秘方”是什么？怎么能从一个简单的 B2B 网站，变出淘宝、支付宝，再变成现在的阿里云和 AI 巨头？ Joe 的回答简单得让人意外：不要为了收购而收购，要为了解决客户痛点去就要自己造。 淘宝是为了解决什么？ 是为了帮那些刚加入 WTO 的中国工厂和商家把货卖出去。 支付宝是怎么来的？ 买家怕付了钱不发货，卖家怕发了货不给钱。为了解决“信任”危机，阿里才搞了个担保交易，这就是支付宝的前身。 为什么要搞云计算？ 这是一个“逼上梁山”的故事。16 年前没人在乎云，但阿里数据量太大了。当时的 CTO 算了一笔账：如果不自己搞技术，继续买 Oracle、IBM 的设备，以后阿里赚的钱全得进这些美国公司的口袋。所以，阿里云最初是为了“自救”，是为了技术自主。 他说了一个给创业者的建议：凡是核心能力，尽量自己从内部长出来（Organic Growth），别总想着靠买别人的公司来拼凑。 自己的团队，才有那个 DNA。 三、 别被“产能过剩”忽悠了，这是中国的王牌 聊到宏观经济，Joe 的观点非常犀利。 现在外面有很多声音批评中国“产能过剩”（Overcapacity），试图向全球倾销。Joe 觉得这说法挺双标的。德国汽车出口全世界的时候，有人说德国产能过剩吗？没有。 所谓的“过剩”，本质上就是国内吃不下，通过出口换取外汇，再反哺国内经济。这不但不是坏事，反而是国家变富的必经之路。中国在新五年的规划里明确了要继续做强制造业，只不过这次不是做衬衫鞋子，而是电动车、电池、太阳能板。通过高端制造积累财富，老百姓腰包鼓了，消费自然就上来了。 他甚至给了一个惊人的数据：在淘宝上，年消费超过 6000 美元（约 4 万多人民币）的用户已经有 5600 万人。这个基数已经很大了，消费潜力就在那里。...

本文整理自2025 年底张小珺对朱啸虎（金沙江创投主管合伙人）的最新访谈。朱啸虎是一个非常有意思的投资人，每次访谈中抛出的观点都非常的犀利且具有前瞻性。对于 AI 我们既要仰望星空，也要脚踏实地，如果说萨姆奥特曼和梁文锋是在仰望星空，目标是实现 AGI，而朱啸虎就是那个最佳脚踏实地的人。在 Gemini 3 Pro 的帮助下，我把本次采访中最核心的内容转成了一篇精彩的文章，以下为文章内容。 最近很多人都在问同一个问题：站在2025年的门槛上，AI是不是已经有泡沫了？ 对此，我的回答很干脆：至少三年内，我看不到泡沫。 当菜市场的大妈都在聊泡沫的时候，泡沫肯定还没破；当大家都还是像现在这样将信将疑、甚至二级市场还在故意回调吓唬人的时候，这反而是进场的好时机。 为什么这么笃定？看数据。现在不仅是OpenAI，中国很多并不知名的创业公司，每天的Token消耗量都在几百亿的级别。这种十几倍的爆发式增长，说明应用端是真的有人在用，而且用的量极大。 这就是为什么这甚至不能被称为泡沫，我们现在的算力、GPU卡甚至电力都已经跟不上需求的爆发了。 在这场近46分钟的深度复盘中，我想和大家分享一下这一年来我的观察，以及在这个“如果不搞现实主义就要饿死”的当下，创业者该如何在巨头的夹缝中求生。 一、 Sam Altman 变现实了：AGI是梦，DAU才是命 今年最大的变化，就是大家越来越“现实”了。 你看OpenAI的Sam Altman，今年几乎不怎么提AGI（通用人工智能）那种宏大叙事了。为什么？因为AGI太难了，那个饼画得太远。现在的OpenAI像极了一个成熟的VC投资人做出来的公司——务实。 ChatGPT最近的动作非常清晰：做Search（搜索）、做Canvas（浏览器）、甚至推出了群聊功能。这一连串动作背后的逻辑只有一个：从周活（WAU）向日活（DAU）转型。 纯粹的AI对话很容易变成一种“周活”甚至“月活”工具（这也是为什么像Kimi这类产品其实很难防守），只有切入高频场景，哪怕是做个群聊里的“点赞氛围组”，也是在争夺流量入口。 OpenAI现在的野心不是取代人类，而是想成为下一个超级入口（Super App）。一旦群聊生态建立，它下一步就是要重构社交关系链。这才是Meta（Facebook）最害怕的事情。 所以，这不再是模型之争，而是类似当年移动互联网时代的微信、WhatsApp之争。 二、 中国市场的“六小龙”与“扫地僧” 回到国内，格局还处于早期，但我非常看好字节跳动（豆包）。他们的流量优势太明显，产品体验打磨得也极好。阿里的通义千问虽然动作稍微慢了点，在“既要电商又要AI”的双线作战中有点纠结，但底子很厚，模型能力绝对处于第一梯队。 这里必须要特别提一下DeepSeek（深度求索）。 如果在2024年初你问我，我也许还看不准，但现在回看，DeepSeek简直是中国AI界的“功臣”。如果没有他们的开源，人类的AI技术很可能就被几家美国私有公司垄断了。DeepSeek的存在，不仅让中国建立了独立的开源生态，也倒逼了模型价格的快速下降。 虽然这对做模型的商业化公司来说是个噩耗——当Token价格被大厂（如字节火山引擎、阿里云）打到地板价，甚至“送”的时候，创业公司靠卖API基本没戏了。 但对做应用的人来说，这简直是黄金时代。 三、 投资逻辑：偏离“共识”15度 现在的VC圈很卷，美国和中国的投资人都在盯着同样的几个赛道（比如人形机器人）。当一个赛道所有人都看明白、都想投的时候，我就不碰了。 我的策略是**“偏离共识15度”**。你要找那些大厂看不上、不想干、或者还没反应过来的“脏活累活”。 这一年我投了十几家公司，有些非常有意思： 不投人形机器人，投“牛马机器人”：大家都在卷那个双足行走的人形机器人，太贵且没场景。我投什么？海里洗船的机器人。这活儿人类干着危险，海水浑浊又腐蚀，但需求是刚性的；我还投了按摩机器人，不仅能按得舒服，还能一边按一边陪你聊天，甚至给你推销办卡，性价比极高。 AI陪伴与玩具：这是一个被严重低估的市场。成年人，特别是男性，其实非常需要情绪价值。我们投的一家AI陪伴公司，不到半年数据就爆了，用户粘性和付费意愿高得吓人。 垂直SaaS出海：不需要一定要做大模型，拿一个开源的7B或30B小模型，做私有化部署，去解决一个极度垂直的问题。比如我们投的给第三方做智能穿戴解决方案的公司，生意好得不得了。 四、 给创业者的忠告：活在夹缝里 如果你是创业者，现在不要再跟我讲什么“中国版OpenAI”或者“千亿美金”的故事了。讲这种宏大叙事的，我一般聊10分钟就结束了。 现在的机会在“夹缝”里。 当年的移动互联网，大厂看不上打车（滴滴）、看不上送外卖（美团/饿了么），所以给了创业者几年“猥琐发育”的时间。 但AI时代不同，大厂太焦虑了，反应速度极快。你做一个功能，如果是纯工具（比如修图、润色），大厂的模型升级一次你就没了。 生存法则： 离大厂三条马路：不要做大厂主业延伸线上的东西，要做大厂觉得苦、脏、累，或者数据极其封闭垂直的领域。 不要迷信SOTA（State Of The Art）：现在的创业公司去刷榜、去搞模型排名没有任何意义。你花几千万美金训练出来的模型，可能也就领先大厂一个月。对于绝大多数应用场景，一个低成本的、响应快的开源小模型完全够用。 一定要有商业化能力：不要想着先烧钱再赚钱。今天的资本市场环境，如果你不能证明你的造血能力，不管是港股上市还是后续融资，都会非常困难。 五、 未来推演：2026年，中国有机会 如果不确定性是唯一的确定性，那么只有把时间拉长来看才清晰。 短期看，美国在模型层面的确还领先3-6个月。但是限制美国AI发展的最大瓶颈即将到来——电力和基础设施。 美国的电网建设、核电站审批极其缓慢。而中国在光伏、核电以及数据中心建设上的执行力是惊人的。未来拼的不是谁的模型参数大，而是谁能更便宜、更稳定地提供大规模算力。 我相信，凭借中国的开源生态和基础设施优势，三五年后，中国的AI应用完全有机会反超美国。 所以，别管那个所谓“泡沫”的争论了。对于中国创业者来说，现在的策略应该非常简单直接： 别想大故事，找到那个缝隙，全速前进。这是属于实干家的时代。

本文整理自 9 年前也就是 2016 年萨姆奥特曼（当时还是 YC 的总裁）对埃隆·马斯克（Elon Musk）的一次非常经典的访谈，时至今日来看这次访谈依然不过时，且非常具有前瞻性。马斯克在采访中不仅谈到了年轻人该如何选择人生方向，还深入剖析了他对AI、火星殖民以及克服恐惧的底层逻辑。在 Gemini 3 Pro 的辅助下，我把本次采访的内容转成了一篇精彩的文章，以下为文章内容。 埃隆·马斯克给年轻人的建议：别总以此为目标去“改变世界” 如果你现在22岁，正站在人生的十字路口，马斯克并没有建议你上来就去挑战“改变世界”这种宏大叙事。 1. 重新定义“有用” 马斯克认为，判断一件事是否有价值，核心在于它是否对社会有用。这不一定非得是惊天动地的大事。哪怕你只是开发了一个小游戏，或者改进了照片分享的功能，只要它能给很多人带来一点点快乐或便利，这就是有价值的。 他提出了一个很有趣的计算方式：实用性的增量（Utility Delta） × 受众数量。 做一件对少数人有巨大改变的事是极好的。 做一件对无数人有微小改变的事，同样伟大。 两者的“曲线下面积”其实是相当的。所以，不要因为事情看起来微不足道就觉得没意义。 2. 只有这三件事值得现在的年轻人全力以赴 虽然马斯克年轻时有五个想解决的问题（多行星生存、可持续能源、互联网、以及接下来的两项），但他认为如果你现在入局，有三个领域最能影响人类未来： 人工智能（AI）：这是近期内对人类影响最大的单一变量。现在的关键是确保它的发展方向是良性的。 基因工程：如果我们能通过基因重编程解决遗传疾病、治愈老年痴呆或失智症，那将是人类的福音。 脑机接口（高带宽人脑接口）：这是马斯克非常看重的一点。他认为人类其实已经是“半机器人”了——我们的手机、电脑、邮件就是我们的“数字延伸”。但问题在于带宽。我们的大脑（皮层）和数字设备之间的连接太慢了（想想你用手指打字的速度）。解决这个“输入输出瓶颈”，是未来的关键。 3. 关于读博的建议 想要变得有用，非得读个博士吗？马斯克的回答很干脆：大多数情况下，不需要。 除非你研究的技术正处于爆发的临界点（inflection point），否则很多时候，在这个快速变迁的时代，学术研究可能会让你与实际应用脱节。 直面恐惧与“熵增”定律 很多人觉得马斯克是无所畏惧的，毕竟只有疯子才会同时搞火箭和电动车。但他在采访中坦白：“我其实经常感到恐惧，而且是很强烈的恐惧。” 即使只有10%的成功率，也要去做 不管是SpaceX还是Tesla，马斯克在起步时给自己估算的成功率都不到10%。他甚至已经做好了“最后会失去一切”的心理准备。 那为什么还要做？这时候**“宿命论”**反而帮了大忙。既然已经接受了大概率会失败的结果，恐惧感就减轻了。他的想法很简单：只要能把球往前推一点点，就算公司倒闭了，也许后来者能接过接力棒继续跑，那也是有意义的。 技术不会自动进步 这是一个非常深刻的历史观。马斯克提醒我们，“熵”也是站在我们对立面的。 很多人误以为技术会随着时间推移自动变好。大错特错。 古埃及人曾建造了金字塔，後來忘记了怎么建，甚至忘记了怎么读象形文字。 古罗马人曾拥有惊人的水道和道路系统，後來也都遗失了。 1969年我们能登月，后来只能飞近地轨道，航天飞机退役后，美国甚至一度无法载人上天。 如果没有一群聪明人发疯似地（work like crazy）去维护和创新，技术实际上是会倒退的。 火星殖民与AI的终局 火星：从“不可能”到“十年内” 几年前，马斯克自己都不确定火星殖民是否只是个幻想。但现在，他非常确定这是可行的。他预测在未来大概10年（甚至9年）内，我们有望把足够多的人送上火星。 有趣的小知识：去火星的“网速”会有延迟。地球到火星光速大概需要4到20分钟（取决于两者的位置），所以你在火星上跟地球视频通话会有明显的滞后。 AI的最佳结局：民主化与人机共生 关于AI的未来，马斯克最担心的不是AI这技术本身产生自我意识，而是权力的集中。如果超级AI掌握在某个独裁者、某个国家的情报机构或极少数人手中，那是极其危险的。 他提出的解决方案是：AI技术的民主化。 这也是OpenAI成立的初衷（尽管当时才成立六个月）——让技术尽可能普及，而不是被垄断。 更进一步，人类如何不被淘汰？答案还是回到脑机接口。 人类的大脑分两部分： 边缘系统（Limbic System）：原始大脑，负责本能、情绪。 大脑皮层（Cortex）：负责理性思考。 目前这两者在我们脑子里配合得还不错。未来的方向是将AI变成我们的“第三层大脑”。通过高带宽接口，让人类与AI共生。既然我们就是AI，就不存在“AI控制人类”的问题了。 真实的马斯克：我不是个“生意人” 很多外界的年轻人想成为“下一个埃隆·马斯克”，往往是看到了光鲜亮丽的一面。在采访的最后，马斯克透露了他真实的工作状态。 他根本不觉得自己在做传统意义上的“商业（Business）”。 在SpaceX，虽然他是CEO，但他把法务、财务、销售都交给了Gwynne Shotwell。 他80%的时间都花在了工程和设计上。 并不是坐在办公室签文件 如果你去SpaceX或Tesla找他，你大概率会在设计室或工厂产线上看到他。...