对 AI 发展的一点观察和思考

从模型能力，走到真实世界

前两年讨论 AI，很多人习惯看榜单、看参数、看上下文长度、看模型发布会。那当然重要，因为基础模型能力是所有应用的起点。但现在再看，单纯比较模型能力已经不够了。一个模型能不能变成生意，最后还要看它能不能进入真实场景，能不能拿到真实数据，能不能替客户省钱、赚钱、降低风险，或者把原来做不了的事情做出来。

所以我现在更愿意把 AI 放在一整条产业链里看：上游是芯片、电力、存储、网络和数据中心；中间是基础模型、数据和 post-training；下游是各种产品、agent、企业服务和行业 workflow；再往外，是资本市场、宏观利率和各行业自己的组织能力。AI 的变化不是发生在一个点上，而是这些东西一起拉扯出来的。

公域数据红利变薄，私域数据会变重

大模型过去几年的进步，很大一部分来自 scaling。更多参数、更多算力、更多数据，确实带来了非常明显的能力跃迁。但高质量互联网资料不是无限的。公开网页、书籍、代码、问答、论文、图像和视频被一轮轮清洗、去重、蒸馏之后，边际收益会下降。继续堆数据当然还有用，但不会像早期那样简单。

这会把模型发展推向私域。企业内部的客服记录、销售线索、合同、工单、代码仓库、财务凭证、审计底稿、医疗影像、实验日志、工业传感器数据，以及专家在真实任务里做判断的过程，都比普通互联网文本更接近价值本身。问题是，这些数据通常不干净、不标准、不开放，也有权限、合规、隐私和信任成本。

因此，未来很可能出现两类长期机会。第一类是数据公司：它们不只是标注数据，而是帮模型公司和行业客户把低覆盖度、低结构化、难进入的场景变成可训练、可评估、可复用的数据资产。第二类是拥有真实业务入口的软件公司：它们离客户更近，知道数据在哪里，也知道哪些结果真的有用。

美国 AI 已经热得很快，资金、人才和基础设施都高度集中，也更容易在短期内把估值打得很高。中国 AI 还会长期发展，但很多项目现在仍然粗糙，真正的产品能力、行业数据、企业付费和工程交付都需要时间补课。这个阶段不能只看谁发了模型，更要看谁能把模型放进产业里持续迭代。

基础大模型的困境不只在架构

基础大模型现在面对的困境，已经不是单纯换一个模型架构就能解决的。架构、训练 recipe、数据配比、对齐方法和推理优化当然重要，但越往前沿走，决定模型上限的因素会越来越重：可用算力、训练稳定性、数据质量、实验迭代密度、工程系统和资金耐心。

中美基础大模型的核心差距，也不宜简单理解成“美国架构更先进，中国架构落后”。实际情况可能更复杂。中国很多团队在稀缺资源下做出了很强的工程创新，用更低的计算成本训练出很有竞争力的模型，也在 MoE、稀疏激活、蒸馏、长上下文、推理加速和模型服务成本控制上展现了很高的实用主义能力。架构和工程效率，反而可能是中国模型公司的优势之一。

更大的差距在资源密度。按一些行业估算，中国能稳定用于前沿大模型训练的高端算力，可能只是美国的一小部分，甚至接近十分之一量级。这个差距会体现在每一次训练、每一次 ablation、每一次失败重跑、每一次数据清洗和每一次 post-training 上。前沿模型不是只跑一次大训练就结束，而是要靠大量试错把能力一点点磨出来。算力少，意味着试错次数少，迭代周期长，失败成本更高。

融资和流动性也是差距。美国头部科技公司有云收入、广告收入、软件订阅和资本市场流动性支撑，可以用巨额 capex 持续买 GPU、建数据中心、签长期电力和云合同；美国创业公司也更容易从风险资本和二级市场估值中获得耐心资金。中国当然有产业政策、地方支持和大厂投入，但民营模型公司的融资环境、退出通道、企业付费和现金回款压力都更现实。

这会迫使中国基础模型公司更早面对效率和商业化问题。美国公司可以在更长时间里用资本开支换模型上限，中国公司则更需要在有限算力下做出高性价比模型，并尽快找到应用场景、行业客户和收入闭环。低成本架构不是弱点，而是约束下的必然选择；但只靠聪明架构，也很难完全抵消算力、资金和流动性的系统性差距。

基础模型和应用模型会逐渐分化

基础模型和应用模型以后会越来越像两种生意。基础模型追求通用能力、规模、推理效率和全球分发，门槛很高，也很烧钱。它需要顶级人才、海量算力、数据工程、安全对齐和长期资本，最后可能只剩少数公司能持续参与最前沿的 scaling。

应用模型不一定追求“什么都懂”，它更在意能不能在一个具体场景里稳定干活。一个面向审计、客服、代码、医疗、供应链或工业运维的模型，未必需要在所有通用榜单上第一，但它必须懂业务字段、权限边界、历史数据、质检规则和异常处理。很多时候，小一些、便宜一些、被行业数据和 workflow 训练过的模型，反而更适合落地。

这会带来一个分工：基础模型提供底座能力，应用模型和 harness 负责把能力变成可交付的结果。前者的竞争更像基础设施，后者的竞争更像行业软件。越往应用层走，模型本身只是其中一部分，数据、流程、集成、评估、合规和客户关系都会变得同样重要。

中美 AI 市场会走出不同路径

中美 AI 的发展不能只按模型能力排序。美国的优势在于资本、云基础设施、企业软件生态和 B2B 付费习惯。企业愿意为 SaaS、API、合规工具和效率软件持续付费，也愿意让外部软件进入自己的 workflow。这样的土壤更适合模型公司、垂类 agent、企业软件和数据公司形成商业闭环。

中国市场的难点不一样。大众用户对软件订阅和纯工具付费没有那么强的习惯，很多人更愿意为内容、娱乐、电商、教育、陪伴、硬件或服务结果付费，而不是为一个“工具账号”长期付费。企业端也经常更看重定制交付、私有化部署、关系信任、成本压缩和明确 ROI，单纯卖 token 或卖通用聊天框并不容易。

这意味着中国 AI 的增长可能不会完全复制美国 SaaS 路径。它更可能由几个方向驱动：一是手机、汽车、家电、机器人等硬件入口，把 AI 做成默认能力；二是短视频、直播、电商、本地生活和游戏等高频消费场景，用 AI 提高转化和内容生产效率；三是政企、金融、制造、能源、通信、教育、医疗等行业项目，用 AI 做降本增效和流程自动化；四是超级 App 或平台型公司把 AI 作为流量、搜索、客服和交易效率的一部分。

所以，中国 AI 商业化的关键可能不是先教育用户为模型本身付费，而是把 AI 放进用户已经愿意付费、企业已经有预算、平台已经有流量的地方。谁能把模型能力藏到具体产品、具体服务和具体交易里，谁可能更早获得收入。这里的竞争会更接地气，也更考验产品、渠道、交付和成本控制。

模型公司为什么要做自己的产品

如果模型公司只卖 token，生意会越来越像云计算。能力被 benchmark 比较，价格容易被打下来，客户也会在不同模型之间切换。token 计费不会消失，但它更像基础能力的计量方式，不一定是最好的利润形态。

模型公司做自己的产品，或者说做自己的 harness，核心原因之一是数据回流。harness 不是简单的聊天框，而是一个带上下文、权限、工具、流程、审计、反馈和评估的任务环境。用户在里面怎么提需求、怎么调用工具、哪里失败、哪里满意、哪些结果被保留，这些都可以变成非常珍贵的训练和评估信号。

好的 harness 还能被 post-training 针对性优化。比如同样是写代码，IDE 里的模型知道文件结构、测试结果、提交历史和错误栈，表现会比普通聊天框更稳定；同样是客服，接入工单系统、知识库、权限和质检标准之后，模型才像一个真正能上岗的工具。未来模型公司卖的可能越来越不是裸 token，而是被封装进 workflow 的能力。

这也解释了北美模型公司为什么重视 FDE，也就是 Frontier Deployment Engineer 或 Forward Deployed Engineer 这类角色。它们把模型带进大客户现场，帮客户把流程跑起来，这有真实价值；但从商业上看，它也有 go-to-market 和估值叙事的作用。模型公司不可能自己覆盖所有行业现场，覆盖度差、数据脏、流程复杂的垂直场景，最后往往还是要交给数据公司、软件公司、咨询交付团队和行业伙伴一起做。

垂类 agent 的护城河不在模型本身

美国是 SaaS 的天堂，企业愿意为软件付费，B2B 销售和生态也成熟，所以垂类 agent 创业公司会很多，资本也愿意投。它们的逻辑通常不是“我有一个更强的模型”，而是“我更懂这个行业的流程，并且能把模型塞进客户每天工作的地方”。

垂类 agent 的护城河大概率来自四件事：partnership、信任、workflow 依赖和持续沉淀的私域数据。越接近模型层，越容易被更强的基础模型替代；越接近客户流程、权限系统、数据结构和组织习惯，越不容易被直接替换。这也是我理解垂类 agent 的一个基本出发点：离模型层越远，护城河通常越安全。

但这句话也不能理解得太绝对。离模型层太远，如果只是做项目制交付，也可能变成低毛利外包。真正好的形态，是既足够接近客户流程，又能把重复需求产品化；既有行业知识，又能形成数据闭环；既能借用基础模型能力，又不把自己的价值完全押在某一个模型供应商身上。

AI 商业化最后要落到利润

AI 产品要赚钱，不能只靠“看起来很智能”。客户愿意长期付费，通常是因为它至少满足其中一种结果：减少人力成本，提高收入转化，缩短交付周期，降低错误和合规风险，或者让原来无法规模化的服务变得可以规模化。

从产品侧看，比较可能跑出来的形态不是一个万能助手，而是一批嵌入具体岗位的工具：研发里的代码 agent，销售里的线索和跟进 agent，客服里的工单 agent，法务里的合同审阅 agent，财务里的对账和审计 agent，医疗里的辅助诊断和病历整理工具，工业里的预测性维护和调度系统，科研里的实验设计和文献分析平台。

模型公司想把收入变成利润，还要解决成本问题。推理成本、长上下文成本、存储成本、客户定制成本和售后交付成本都会吞掉毛利。真正成熟的商业化，可能会依赖模型路由、小模型蒸馏、缓存、异步任务、企业级权限、稳定评估体系和更清楚的定价方式。也就是说，AI 的利润不只来自模型聪明，还来自产品工程和运营效率。

基础设施不是口号，而是成本表

AI 发展到今天，基础设施已经从幕后走到台前。GPU、HBM、存储、网络、机房、电力、液冷、服务器交付和运维效率，都会实实在在进入成本表。模型能力越强，用户越多，推理越频繁，这些成本就越真实。

芯片决定训练和推理的上限，电力决定数据中心能不能持续扩张，存储决定数据和上下文能不能被低成本地保留下来。过去很多人只盯着 GPU，但 AI 集群不是只买一堆卡就能跑起来。网络带宽、故障率、调度效率、供电接入、散热能力、数据治理和安全审计，任何一个环节掉链子，都会影响最终服务。

存储和内存价格的剧烈波动也值得看。AI 需求推高 HBM、DRAM、NAND 和企业级存储的预期，相关资产和采购合同容易出现快速重估。价格上涨会抬高 capex 和推理成本；如果随后又出现跳水和反复震荡，也说明市场在重新判断供需、库存和未来订单。它未必单独说明周期反转，但可以作为观察 AI 资本开支节奏的一个信号。

AI 会先改变流程，再改变行业

AI 不会平均地改变所有行业。它会先进入数字化程度高、数据反馈快、流程标准化、ROI 容易计算的地方。软件、客服、销售、广告、内容生产、设计、法务、咨询、金融研究、审计、教育辅导，这些行业会更早感受到变化，因为它们的输入输出更容易被文本、代码、表格、图像和流程系统表达出来。

软件行业的变化会很直接。基础编码越来越工具化，但系统设计、产品判断、工程质量、数据组织、架构取舍和复杂问题拆解会更重要。内容和设计行业会被大幅提效，但审美、叙事、品牌理解和人类经验仍然重要。金融、法务和咨询不会因为 AI 立刻消失，但检索、初稿、分析、尽调和报告生产会被重新分工。

工业、能源、通信、医药、材料和机器人会慢一些，因为它们有物理世界、设备系统、实验验证、安全责任和监管边界。但这些领域的变化可能更深。AI 在这里不是简单替代一个岗位，而是帮助做仿真、筛选、监控、调度、预测和实验设计。真正难的部分不是让模型说出答案，而是让答案在现实系统里可靠发生。

教育和个人成长也会被影响。AI 会让知识获取更便宜，但也会让浅层知识更不稀缺。未来更重要的能力，可能是提出好问题、判断答案质量、理解具体行业、组织复杂任务，以及把 AI 变成自己的工作流，而不是只会问几个漂亮的 prompt。

编程工作的价值重心正在迁移

编程会是最早被 AI 深度改造的工作之一。过去很多工程师的时间花在写样板代码、查 API、补类型、改小 bug、搬运配置和写重复测试上，这些事情会越来越多地交给工具。AI 不一定让软件工程变简单，但会让“只会把明确需求翻译成代码”的价值下降。

价值会往更上游和更下游迁移。上游是需求理解、产品判断、架构设计、数据建模和技术取舍；下游是测试、可观测性、性能、安全、灰度、回滚、成本控制和长期维护。代码生成以后，真正难的是判断这段代码该不该存在、放在哪里、会不会破坏系统边界、出了问题谁负责。

这也会改变工程师的成长路径。初级任务被工具吃掉一部分之后，单纯靠堆 CRUD 和修小 bug 积累经验会变难；但能把 AI 当成工程伙伴的人，产出上限会变高。未来好的程序员，可能更像一个会写代码的系统设计者、产品理解者和自动化组织者，而不是只按需求单写函数的人。

资本市场的风险不能忽视

我担心 AI 的估值泡沫，不是因为 AI 是假的，而是因为资本市场经常会把真实技术提前透支。铁路、互联网、新能源都有过类似阶段：技术方向没有错，但融资、产能、估值和利润兑现之间出现错配，最后就会经历剧烈调整。

这一轮 AI 泡沫的形成并不难理解。第一，基础模型确实带来了惊艳体验，市场愿意给远期想象力很高的估值。第二，头部公司资本开支巨大，GPU、数据中心、电力和长期采购合同把需求迅速放大。第三，美股指数高度集中，少数 AI 相关公司带动了市场叙事。第四，产业链里可能存在一定的循环：模型公司融资买算力，云厂商建数据中心，芯片公司确认订单，资本市场再用这些订单证明 AI 需求强劲。

宏观环境又让问题更敏感。美国联邦债务总额已经超过 39 万亿美元；如果用总债务口径看，债务与 GDP 的比例已经在 120% 左右；如果用 CBO 更常用的公众持有债务口径看，也预计会从现在的 100% 出头继续走高。利息支出占财政收入的比例已经接近“四块税里一块付利息”的量级，这会压缩财政弹性。

同时，中国、日本等海外持有人对美债的配置变化，全球央行增持黄金，以及美元资产在某些阶段出现“sell America”的讨论，都说明市场对美国财政和美元信用并不是没有疑虑。它不意味着危机一定马上发生，但会降低市场对高估值、远期利润和长期亏损叙事的容忍度。

如果 AI 资产出现大幅重估，它可能通过几条链条放大风险：科技股回撤影响指数和财富效应，数据中心和电力项目融资承压，私募信贷和长期采购合同重新定价，企业削减 AI 预算，模型公司收入不及预期。AI 未必是金融危机的根本原因，但在高债务、高集中度和高预期的环境里，它有可能成为导火索之一。

个人能力会向更深的地方迁移

AI 对人的影响，不能只理解成“某个专业好不好”。更现实的变化是，很多标准化、可流程化、可评估的脑力劳动都会被工具化。基础写作、基础代码、基础检索、基础制图、基础分析都会变便宜，人的价值会更多迁移到问题定义、场景理解、判断力、系统组织和结果负责。

这并不是说每个人都要转去做 AI。更稳妥的方式，是在一个真实行业里积累专业深度，同时学会用 AI 扩大自己的能力半径。懂医疗的人用 AI，和只懂 AI 但不懂医疗的人，做出来的东西会完全不同；懂工业、法律、金融、教育、能源、供应链的人也是一样。

把 AI 理解成一层会覆盖各行各业的工具，比把它当成一个单独专业更接近现实。真正稀缺的，是既懂一个具体问题域，又能理解数据、软件、模型边界和商业结果的人。

几个值得继续看的方向

• 能源：电力系统、先进能源、储能和电力电子。AI 数据中心需要稳定、便宜、可持续的电力，能源会从背景变量变成核心约束。
• 通信：光互联、数据中心网络和端云协同。模型集群越大，网络越关键；端侧智能发展，也会重新考验通信和设备能力。
• 数据：存储、数据库、数据治理和安全合规。私域数据要真正用于模型，必须先被整理、授权、追踪、评估和保护。
• 科研：AI for Science、医药、材料和仿真。这些领域见效慢，但一旦模型进入实验和验证闭环，长期价值可能很大。
• 应用：垂类软件、企业 agent 和行业自动化。最朴素的机会，往往不是重新发明一个大模型，而是把 AI 放进一个客户每天都要用的流程里。