AI

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。...

这份报告基于 OpenRouter 平台超过 100 万亿 token 的数据，深入分析了截至 2025 年底的大型语言模型（LLM）使用现状。报告揭示了 AI 领域正从简单的文本生成向复杂的多步推理转变，开源模型正在重塑市场格局，且用户的使用习惯呈现出明显的全球化和多样化趋势。 主要观点 从模式匹配到多步推理的范式转变 随着 2024 年 12 月 5 日 OpenAI 发布 o1 模型，AI 领域迎来了转折点。行业重心从单次前向传递的模式生成，转移到了包含内部多步思考和规划的“推理”模型。这种转变加速了代理式（Agentic）工作流的部署。 开源模型与专有模型的双重生态 虽然专有模型（如 Anthropic 和 OpenAI 的产品）在高端任务中仍占主导，但开源模型（OSS）已占据约 30% 的市场份额。特别是来自中国的模型（如 DeepSeek 和 Qwen ）增长迅速，不仅在成本上具有优势，在性能上也日益强劲，促使市场形成了多元化的竞争格局。 编程与角色扮演主导应用场景 与普遍认为 AI 主要用于生产力工具的印象不同，数据表明“创造性角色扮演”和“编程辅助”是两大核心用例。开源模型在角色扮演领域尤为流行，而编程任务则推动了长上下文和复杂推理的需求。 “灰姑娘水晶鞋”留存效应 用户留存率分析揭示了一种被称为“灰姑娘水晶鞋”的现象：当一个新模型首次完美解决某类用户的特定痛点（即“合脚”）时，这些早期用户群体会形成极高的忠诚度和长期留存，即使后续有新模型推出也不易流失。 关键细节 数据来源与规模 数据基础：研究基于 OpenRouter 平台上的真实交互元数据，涵盖超过 100 万亿 token 的流量，时间跨度主要集中在 2024 年底至 2025 年底。 隐私保护：分析仅基于元数据（如 token 数量、模型类型、地理位置标签），不涉及具体的提示词或生成内容。 开源模型的崛起与演变 市场份额：开源模型的使用量稳步上升，其中中国开发的开源模型在 2025 年下半年增长显著，部分周次占总流量的近 30% 。 竞争格局：市场不再由单一模型垄断。DeepSeek 曾占据主导，但目前 Qwen 、 Meta LLaMA 、 Mistral AI 等多家厂商均占有重要份额。 模型尺寸：市场出现了“中间地带”。用户不再只选择极小或极大的模型， 150 亿至 700 亿参数的“中等”模型因平衡了能力与效率而受到青睐。 代理式推理（Agentic Inference）的兴起 推理模型占比：到 2025 年底，经过推理优化的模型处理了超过 50% 的 token 流量。 序列长度增加：平均 Prompt（提示词）长度增加了约 4 倍，主要由编程任务驱动。编程任务的输入通常包含大量代码上下文，远超一般对话。 复杂性提升：用户不再只是进行单轮问答，而是越来越多地使用多步工具调用和长上下文交互。 应用类别深度分析 编程（Programming）：是增长最快且最具战略意义的类别。 Anthropic 的 Claude 系列在此领域长期占据 60% 以上的份额，但正面临来自 OpenAI 和 MiniMax 等对手的激烈竞争。 角色扮演（Roleplay）：在开源模型使用中占比超过 50% 。这表明开源模型因其灵活性和较少的限制，成为互动娱乐和创意写作的首选。 其他类别：科技、翻译和一般知识问答构成了长尾需求。 地理分布与全球化 亚洲崛起：亚洲地区的支出占比从早期的 13% 激增至 31% ，成为重要的 AI 消费和创新中心。 全球格局：虽然英语占主导（ >80% ），但中文（简体）是第二大语言，占比近 5% 。北美以外的地区贡献了超过一半的使用量。 成本与使用量的关系 价格弹性弱：整体上，价格降低并未直接带来同比例的使用量激增。市场呈现两极分化： 高价高值：专有模型（如 GPT-4 ）价格高昂，但因其在关键任务上的可靠性，需求依然强劲（缺乏弹性）。 低价高量：开源模型以极低的成本承接了海量的、对价格敏感的任务（如角色扮演）。 Jevons 悖论：在某些高效模型（如 Gemini Flash ）上观察到了 Jevons 悖论，即成本降低反而导致总 token 消耗量大幅上升。 原文：AI 现状报告 一项基于 OpenRouter 的 100 万亿 Token 实证研究...

本文来自于 Youtube 博主 Dwarkesh Patel 对 Ilya Sutskever（SSI 创始人、前 OpenAI 首席科学家）的最新深度访谈。访谈中，Ilya 谈到为何 Scaling Law 遭遇瓶颈？什么是 AI 真正缺失的“泛化”能力？SSI 为何选择不发产品的“直通”路线？并给出了 AI 未来 5-20 年的终极推演。本文由我和 Gemini 3 Pro 共同整理完成。 身处旧金山湾区，有时候你会觉得这一切都很魔幻。我们正处在科幻小说变成现实的中心，但一切发生得又是如此“平淡”。这或许就是所谓的“缓慢起飞”（Slow Takeoff）——即使我们正把 GDP 的 1% 投入到 AI 中，对于大多数普通人来说，除了新闻里那些令人咋舌的融资数字，生活似乎并没有什么翻天覆地的变化。 但这种平静可能只是暴风雨前的宁静。 最近，Ilya Sutskever 对 AI 行业的现状、技术的瓶颈以及他新公司 SSI (Safe Superintelligence) 的路线图进行了一次极高密度的分享。如果你厌倦了市面上千篇一律的“Scaling Law（缩放定律）万岁”论调，这篇深度解读或许能给你通过迷雾的指引。 一、 悖论：为什么 AI 既聪明又“智障”？ 我们现在面临一个非常令人困惑的现象：模型在各种高难度基准测试（Evals）中表现极其出色，看似智商爆表，但在实际经济应用中，甚至在一些简单任务上，却显得笨手笨脚。 举个很典型的“写代码”例子：你让 AI 修复一个 Bug，它说“好哒我修好了”，结果引入了一个新 Bug；你指出新 Bug，它说“哎呀我错了”，结果又把旧 Bug 改回来了。这种死循环在真实开发中并不罕见。 为什么会这样？Ilya 提出了两个解释： RL（强化学习）的副作用：现在的模型经过了大量的 RL 训练。这让它们变得像那种“钻牛角尖”的学生。如果预训练（Pre-training）是让模型通过阅读海量数据来“理解世界”，那么 RL 就像是为了应试而刷题。 “做题家”与“天才”的区别： 现在的 AI 就像一个**“顶级竞赛选手”**，为了拿金牌，它刷了 1 万小时的题，背下了所有解题套路。如果你出的题在它的题库范围内，它秒杀全场。 但我们真正想要的是那种**“有天赋的学生”**，哪怕只学了 100 小时，但他真正“懂”了，具备了举一反三的泛化能力。 目前的业内做法是：为了让模型在编程竞赛中拿高分，就把所有的竞赛题都喂给它，甚至通过数据增强造出更多的题。结果我们得到了一堆“做题机器”，但当你把它放到真实世界那种从未见过的复杂代码库中时，它就因为缺乏真正的“泛化能力”而露馅了。...

Artificial Analysis 发布了《2025 年第三季度 AI 状况报告》，以下是该报告的核心内容： 2025 年第三季度，人工智能行业呈现出空前激烈的竞争和加速创新的态势。各大 AI 实验室不仅在模型的智能、效率和速度上持续突破，竞争者的数量也在各个领域迅速增长。本季度的核心趋势表现为： 竞争全面加剧：领先的 AI 实验室在模型性能上的差距逐渐缩小，同时，新的参与者不断涌现，尤其是在中国。 智能体（Agent）成为焦点：AI 实验室的研发重点正转向提升模型的“智能体”能力，使其能够自主使用工具、执行更复杂的多步骤任务。 图像与视频生成技术普及：随着 Gemini 2.5 Flash 等模型的发布，图像编辑功能在质量和普及度上显著提升，视频生成技术也日益成熟。 开源模型加速发布：以 OpenAI 发布的 gpt-oss-20B 为代表，高质量的开源模型发布速度达到历史新高，与众多来自中国实验室的模型展开竞争。 语音技术成熟并投入应用：语音转录、语音生成以及原生的语音对语音（Speech to Speech）技术日趋成熟，为实现更自然的生产级语音智能体铺平了道路。 关键细节 行业概览 垂直整合：在 AI 价值链中，Google 凭借其从 TPU 芯片到 Gemini 应用的全面布局，成为垂直整合程度最高的公司。 资本支出：大型科技公司持续增加对 AI 基础设施的投资，预计这一趋势将持续到 2026 年。例如，xAI 计划为其数据中心采购 300,000 个 Nvidia GPU。 市场格局：中美的大型科技公司在语言、图像、视频等多个 AI 领域展开竞争，而规模较小的挑战者则倾向于专注于特定领域。 语言模型 (LLM) 智能水平：OpenAI 凭借 GPT-5 模型重新夺回智能指数榜首，但与 xAI 的 Grok 4、Anthropic 的 Claude 4.5 和 Google 的 Gemini 2.5 Pro 差距极小，竞争异常激烈。 成本与效率：尽管 GPT-4 级别的智能成本已降低了 100 倍，但智能体、长文本推理等新应用对计算资源的需求仍在急剧增加。同时，模型推理的价格在各个智能等级上持续下降。 开源模型：虽然性能最强的模型仍是闭源的，但 OpenAI 发布的 gpt-oss-120B 等模型正在推动开源模型接近性能前沿。 智能体（Agents）：智能体被定义为由大语言模型驱动、能自主使用工具完成端到端任务的系统。Q3 2025 发布的新模型普遍针对工具使用和智能体任务进行了优化。 图像与视频模型 视频技术：视频模型的质量进步神速，中国实验室在视频生成领域处于领先地位，例如快手的 Kling 2....

Yoshua Bengio、Geoffrey Hinton、John Hopfield、 Yann LeCun、黄仁勋、比尔·戴利、李飞飞七人获得2025 年英国女王工程奖，以表彰他们在现代机器学习发展方面做出开创性贡献。 本文来自于 11 月 6 日黄仁勋 (Jensen Huang)、Yoshua Bengio、Geoffrey Hinton、李飞飞 (Fei-Fei Li)、杨立昆 (Yann LeCun) 和 Bill Dally 在伦敦举行的英国《金融时报》 人工智能 未来峰会上与英国《金融时报》 人工智能 编辑 Madhumita Murgia 进行的对话。他们共同回顾了数十年的开创性工作——从神经网络到 生成式 AI，并讨论了他们帮助创造的这项技术所带来的伦理、社会和经济影响。 想象一下，把当今人工智能领域最顶尖、最具影响力的大脑们聚在同一张桌子旁，会碰撞出怎样的火花？ 最近，2025年伊丽莎白女王工程奖的六位获奖者——这个星球上最聪明、最举足轻重的一群人——就进行了一场这样的对话。他们是Geoffrey Hinton、Yann LeCun、Yoshua Bengio、Fei-Fei Li、Bill Dally和Jensen Huang（黄仁勋）。从奠定深度学习基石的理论家，到打造AI算力帝国的实干家，他们的工作共同塑造了我们今天所处的AI时代。 在这场难得的围炉夜话中，他们不仅分享了职业生涯中那些“灵光一闪”的时刻，还就当下的AI热潮、未来的技术走向，甚至是“机器何时超越人类”等终极问题，展开了坦诚而深刻的讨论。 灵光一闪：六位巨擘的AI觉醒时刻 每个伟大的征程都始于一个微小的起点。对于这些AI先驱来说，那些决定性的“啊哈！”时刻，不仅改变了他们个人的轨迹，也为整个科技世界埋下了伏笔。 Yoshua Bengio：从兴奋到警觉 Bengio分享了两个截然不同的时刻。第一次是在他还是研究生时，读到Geoffrey Hinton的早期论文，他兴奋地想：“哇！也许有几个简单的物理定律就能帮我们理解人类智能。”这颗种子让他投身AI研究。而第二次，则是在ChatGPT问世后，一种“我们到底在做什么？”的警觉感油然而生。他对拥有目标且可能比人类更聪明的机器感到担忧，这促使他彻底转变了研究方向，致力于解决AI安全问题。 Bill Dally：从“内存墙”到“找猫实验” 在90年代末，Bill Dally致力于解决“内存墙”问题——访问内存比计算本身更耗时耗能。他提出的“流处理”概念，为后来的GPU计算铺平了道路。而真正的转折点，是2010年他与吴恩达（Andrew Ng）的一次早餐会。那时，吴恩达正用16000个CPU和神经网络技术在互联网上“找猫”。Dally和同事用48块Nvidia GPU重复了这个实验，结果让他大为震撼。他立刻意识到，Nvidia应该全力投入深度学习，专门为AI优化GPU。 Geoffrey Hinton：40年前的“迷你”语言模型 早在1984年，Hinton就在尝试用反向传播算法来预测词语序列中的下一个词。他惊喜地发现，这个“迷你”语言模型仅仅通过预测，就能学习到词语的深层含义。这其实就是今天大语言模型（LLM）的雏形。那么，为什么花了40年才走到今天？Hinton坦言：“我们当时没有足够的算力，也没有足够的数据。” Jensen Huang：芯片设计与AI软件的惊人相似 作为Nvidia的掌门人，黄仁勋大约在2010年同时从多伦多大学、纽约大学和斯坦福大学的研究者那里，接触到了深度学习的早期形态。他发现，设计深度学习软件的模式，和他过去设计芯片的思路惊人地相似——都是通过高层次的表示和结构化设计来构建复杂系统。这种“可伸缩性”的洞察至关重要：一个算法如果能在一个GPU上高效运行，就能在多个GPU、多个系统，甚至多个数据中心上运行。这为Nvidia的算力帝国奠定了基础。 Fei-Fei Li（李飞飞）：数据是那块缺失的拼图 2006年前后，作为一名年轻的助理教授，李飞飞痴迷于解决机器的视觉识别问题。她尝试了当时所有的算法，但都无法突破“泛化能力”的瓶颈。她和学生们意识到，机器和人类幼儿最大的区别在于——机器被“饿”着，缺乏足够的数据。于是，他们决定做一件当时看起来很“疯狂”的事：创建一个互联网规模的、手动标注的数据集——ImageNet。这个包含1500万张图片的数据集，成为了引爆深度学习革命的关键燃料。而她的第二个顿悟时刻是在谷歌担任首席科学家时，她意识到AI是一项“文明级技术”，必须将人文价值置于其核心，这也是她后来回到斯坦福创办“以人为本AI研究院”（Human-Centered AI Institute）的初衷。 Yann LeCun：从“仰慕者”到论战伙伴 LeCun年轻时就对“让机器自我学习”的想法着迷。他形容自己当时“要么太笨要么太懒”，不想从零开始编程一个智能机器。他希望能找到一种方法让机器自我组织和训练。在遍寻无果时，他发现了Hinton的论文，并视其为“1983年全世界最想见的人”。两年后，两人终于见面，在一次午餐上，他们发现彼此简直能补完对方的句子。LeCun早期痴迷于解决多层网络训练的难题，这正是反向传播的关键。后来，他与Hinton就“监督学习”和“无（自）监督学习”的路线展开了多年的辩论。有趣的是，ImageNet的巨大成功让监督学习大放异彩，整个社区都暂时“放弃”了自监督学习。但LeCun认为，LLM的成功恰恰证明了自监督学习的潜力，而下一个挑战，将是把这种能力应用到视频等更复杂的数据上。 是泡沫还是革命？顶级大脑激辩AI算力狂热 随着Nvidia成为全球市值最高的公司，一个问题盘旋在每个人心头：当前的AI热潮是可持续的革命，还是另一个即将破裂的科技泡沫？...

最近很多知名公司开始下场做高质量的访谈，包括 A16Z，YC 等等。本篇文章来自于 A16Z 的一个访谈。在 a16z 的 Runtime 栏目中的这段对话里，Atreides Management 的管理合伙人兼首席投资官 Gavin Baker 与 a16z 的普通合伙人 David George 一起探讨了 AI 的宏观前景：万亿美元的数据中心建设，GPU 的新经济模式，以及这场繁荣对投资者、创始人和全球经济的意义。 主要观点 核心论点是，当前我们并未处于 AI 泡沫之中。与 2000 年的互联网泡沫相比，如今的 AI 投资有着本质的不同。主要的区别在于，当年的投资（如“暗光纤”）利用率极低，而如今的 AI 基础设施（如 GPUs）则被充分利用，并为投资者带来了可观的资本回报率（ROIC）。 此外，进行大规模投资的公司是全球财务最稳健的科技巨头，它们拥有雄厚的现金流和资本储备，能够支撑当前的支出。虽然“往返投资”（round-tripping）现象确实存在，但其规模较小，主要是出于战略竞争的需要，而非财务驱动。 最后，报告认为，尽管 AI 将重塑软件和消费互联网行业，但目前仍处于技术发展的早期阶段，预测应用层的最终赢家为时尚早。 关键细节 与 2000 年科网泡沫的对比 基础设施利用率：2000 年的泡沫是“电信泡沫”，其标志是“暗光纤”（dark fiber），在泡沫顶峰时，高达 97% 的已铺设光纤未被点亮使用。相比之下，如今“没有暗 GPU”（no dark GPUs），所有 GPU 算力都被充分利用，甚至出现过热问题。 公司估值：2000 年，像 Cisco 这样的公司市盈率一度高达 150 到 180 倍。而如今，Nvidia 的市盈率大约在 40 倍左右，估值更为合理。 投资回报：目前在 GPU 上投入巨资的公司（如大型科技公司），其投资资本回报率（ROIC）平均提升了约 10 个百分点，证明了投资的积极回报。 市场竞争格局 芯片层面：主要的竞争发生在 Nvidia 和 Google 的 TPU 之间。Broadcom 和 AMD 正在联合，为市场提供一个基于以太网的开放标准替代方案，以抗衡 Nvidia 的专有系统。 模型与平台层面：大型科技公司（如 Google、Meta）在数据、算力资本和分发渠道上拥有巨大优势，AI 可能成为它们的“持续性创新”。由于算力成本高昂，AI 模型的毛利率将结构性地低于传统 SaaS 公司。 关于 “Round-tripping”：Nvidia 等公司对其生态伙伴进行投资，这些伙伴再用资金购买 Nvidia 的芯片。这被视为一种战略行为，目的是为了在与 Google (TPU) 的竞争中确保关键客户（如 OpenAI、XAI）的忠诚度。 对软件和商业模式的影响 SaaS 公司的转型：应用型 SaaS 公司必须接受因 AI 算力成本而导致的毛利率下降。这不应被视为负面信号，而应被看作是 AI 功能被用户实际使用的标志。 商业模式的演变：AI 将推动商业模式从传统的订阅制转向“按成果付费”。例如，在客户服务领域，可以根据问题解决率来收费。 消费互联网：拥有庞大现有用户基础的公司（如 Google）具有显著优势。模型的推理能力将创造一个“飞轮效应”，即更多用户带来更好的算法，从而改善产品，这将改变 OpenAI 等前沿模型公司的经济模型。 未来展望 机器人技术：机器人领域将是真实且重要的发展方向，未来的竞争格局很可能在 Tesla 和中国公司之间展开。人形机器人因其能通过观看人类视频进行学习，而被认为更具发展潜力。 原文 最近，几乎所有人都在问同一个问题：“我们是不是正处在一个AI泡沫里？”...

本文来自于 OpenAI 核心科学家、Transformer 论文作者 Łukasz Kaiser 的一篇访谈。内容涵盖了从 Transformer 模型到新一代推理模型的范式转变，探讨了 AI 发展的瓶颈、AGI 的概念以及 AI 对科学和社会可能产生的深远影响。 主要观点 AI 发展的范式转变：当前 AI 领域正在经历一次重大的范式转变，从仅仅通过扩大模型规模和数据量来提升性能（Transformer 范式），转向了更为先进的“推理模型”（Reasoning Models）范式。这种新范式正处于高速发展初期，预示着 AI 能力将迎来新一轮的飞跃。 推理模型是未来的关键：与传统的大语言模型（LLM）不同，推理模型通过内部“思考”过程、调用外部工具（如网络搜索、代码执行）来解决复杂问题。它们不仅更加强大，而且数据效率极高，能够从更少的数据中学习，并大幅减少“幻觉”现象。 AI 的发展瓶颈与未来趋势：AI 的发展速度并未放缓，未来一到两年内甚至可能出现“非常急剧的进步”。当前最主要的瓶颈是 GPU 计算资源和能源的短缺。未来，AI 将能够执行越来越多在计算机上完成的复杂任务，尤其是在编程领域，这将深刻影响就业市场。 对 AGI 和社会影响的思考：与其纠结于 AGI（通用人工智能）的定义，不如关注 AI 在现实世界中的实际影响和能力。AI 的发展为科学研究带来了巨大机遇，有望加速人类的科学发现进程。然而，这也带来了社会挑战，需要整个社会共同努力，确保技术被负责任地使用，避免重蹈社交媒体的覆辙。 关键细节 Transformer 的诞生：2017 年的论文《Attention Is All You Need》引入了 Transformer 架构，这是一个历史性的突破，为后来的生成式 AI 奠定了基础。Łukasz Kaiser 是该论文的八位作者之一。 推理模型的运作方式： 推理模型在生成最终答案前，会进行一系列不向用户展示的内部思考步骤（Chain of Thought）。 它们可以通过调用工具来获取实时信息或执行任务，例如使用网络搜索验证事实，或运行 Python 代码进行计算。 这种模型通过强化学习（Reinforcement Learning）进行训练，使其能够从错误中学习并优化解决问题的策略。 AI 发展的限制因素： 所有顶尖 AI 实验室都面临 GPU 资源不足的问题，这限制了更强大模型的训练和向公众提供服务的能力。 OpenAI 的 CEO Sam Altman 正在努力获取尽可能多的计算资源，因为研究人员确信能够有效利用这些资源来推动 AI 的进步。 AI 在任务自动化上的进展： AI 在编程领域的进步尤为惊人。像 OpenAI 的 Codex 和 Anthropic 的 Claude 这样的模型已经可以编写大型程序、进行代码审查、发现漏洞，极大地提升了开发效率。 预计在不久的将来，AI 将能胜任大部分在计算机上进行的任务。 AI 的社会责任与商业模式： Łukasz Kaiser 强调，OpenAI 致力于通过订阅模式而非广告模式来盈利，旨在避免优化“用户参与度”而带来的负面社会影响。 他认为，如何正确使用 AI 是整个社会的责任，需要政府、企业和公众共同参与，以确保其发展最终造福人类。 原文 如果你关注人工智能，2017年绝对是一个无法绕开的年份。那一年，一篇名为《Attention Is All You Need》的论文横空出世，介绍了后来引爆生成式AI革命的Transformer架构。这篇论文注定会载入史册，而Łukasz Kaiser，就是这篇论文的八位作者之一。...