AI War：一场输不起的军备竞赛
当前全球AI竞争已远超商业范畴，更像一场国家战略层面的军备竞赛——正如核武器之于国防，AI已成为大国与科技巨头不可退让的核心战略资产。在此背景下，所谓“AI泡沫”的说法并不准确，更贴切的描述是 AI War：各方都在押上全部资源，砸光最后一分钱也不愿轻易下牌桌。这种态势源于AI颠覆性极强的商业与地缘政治潜力：在商业端，模型正逐步取代云平台成为应用开发的默认入口，云厂商面临“白牌化”风险；在C端，AI Agent若成为流量入口，将直接短路现有Super App的信息分发逻辑，动摇Uber、携程等信息中介平台的盈利根基。而在国家战略层面，中美都将AI视为再重视都不为过的核心赛道，输掉意味着系统性落后。
“不能称作是 AI Bubble，更像是 AI War……AI可能就是得看作这是新的国防或核武器一样的东西，所以很多人可能就会砸光最后一分钱，也不会轻易下牌桌吧。”
“你举一个现实的例子，商业上就是说，你你看现在每个开发者或者企业，过去都是首选AWS或者Azure去做应用开发部署，对吧？现在是首选用哪个模型，GPT Cloud Gemini，那云厂商就被白牌化了，就像当年惠普Dell一样，其实就被藏到后面去了。”
OpenAI的现金流困局与潜在营收图景
OpenAI提出的1.4万亿美元算力承诺（约30 GW电力）引发市场对其长期商业模式的质疑：按GPU六年摊销计算，其年均烧钱超2000亿美元，而其2030年预测营收仅约2000亿美元，短期现金流确难支撑。但需注意两点：一是该投入主要集中在2028年及之后；二是OpenAI当前估值已达800亿美元，近期又融资100亿美元，短期资金无忧。从收入结构看，其看得清的收入路径已较清晰：订阅（对标Office的4亿付费用户×200美元/年≈800亿美元）、广告（周活20亿×20美元ARPU≈400亿美元）、API（500–1000亿美元），合计可达2000–3000亿美元/年，接近Meta当前体量。而更关键的增量空间在于：Agent若真正替代白领工作（全球约10亿白领×1000–10000美元/年），潜在营收可达1–10万亿美元；其中软件开发市场（当前1500亿美元）仅AI coding渗透率不足10%，未来有望提升至30%–40%；此外，AI驱动的高价值科学发现（如室温超导、疾病治愈）则属于“星辰大海”级的长期想象空间。
“Agent真的开始work了，对吧？真的端到端替代劳动力了，赚到这个工资的预算不再只是一个工具……全球白领有十个亿，OpenAI就这个靠输出十亿白领的价值，这个自动化白领的工作，那每个Agent白领这个工资，比如说一千美金或者到一万美金之间，对吧？那就是一个T到十个T的营收，这个这就很大了。”
阵营分化与“棋子逻辑”
当前AI格局正加速形成两大技术联盟：英伟达GPU生态与Google TPU生态，后者通过模型-芯片-云-终端的全栈整合，展现出类似“AI时代苹果”的垂直整合能力。在商业与地缘博弈下，巨头间形成微妙制衡：任何一家（如Google或OpenAI）若一家独大，都将威胁其他方利益，因此微软、亚马逊、英伟达等持续支持OpenAI与Anthropic，使其成为关键“棋子”——既制衡Google，又避免技术断层。Anthropic的崛起正是这一逻辑的体现。至于中国公司，虽具备较强独立研发能力（如阿里、腾讯），但在模型能力与生态影响力上尚未形成对巨头的显著制衡，其“棋子价值”尚待验证。未来胜负手在于：AI是否足够便宜（电费+算力效率）以替代白领，而这一拐点将由模型泛化能力、Online Learning等范式突破决定。
“所以那我们就说巨头每个都不会放弃，都会投光自己有的最后一分钱，对吧？那个其实我觉得这个一定程度上是超越了商业回报。输了就有被颠覆的风险，嗯，正因为这个太重要，所以大家不会让 Google 一家独大，也不会让 Open 一家独大……”
AI战争的两大阵营与生态格局
当前全球AI竞赛已演变为一场“输不起的战争”，其核心驱动力来自硬件与模型两个层面的激烈博弈。从硬件视角看，英伟达的GPU生态与Google的TPU生态构成了当前主线格局——前者以开放生态支撑OpenAI、Anthropic等领先模型团队，后者则以芯片、模型、云服务、终端产品端到端集成的方式，展现出类似“AI时代苹果”的垂直整合能力。值得注意的是，英伟达在生态中的位置更接近“AI时代的安卓”，其CUDA生态已形成强大网络效应；而Google虽在SOTA模型（如Gemini）上率先突破，但在人才密度与产品迭代节奏上仍略逊于OpenAI与Anthropic。
从投资逻辑看，当前GPU需求远超供给，台积电6nm产能已被英伟达提前锁定，Rubin新一代GPU有望实现对TPU V8的代际领先。因此，交替领先是未来一年的核心特征：哪一方暂时落后，反而可能是逆向加仓的信号。正如播客中所言：
“哪一边跌了，其实都是加仓的时候，其实是应该有一些逆向的这个思考。”
“AGI这个事儿不能只在极少数的一家或两家公司手中，也不能只在美国手中，这样世界才会更平衡一些。”
模型层：交替领先下的战略分化
当前全球大模型格局呈现典型的“三强鼎立、交替领先”态势：OpenAI（GPT）、Anthropic（Claude）、Google（Gemini）三家合计占据全球AI native营收的80%~90%，年化收入约360亿美元，远超其他玩家（如xAI的Grok仅3~10亿美元）。这种集中度源于技术与品牌的显著溢价——即便领先幅度仅3%~5%，也能通过网络效应放大商业回报，正如体育界C罗、梅西的收入远超普通顶尖选手。
尽管模型能力在通用任务上难分伯仲，但战略分化正成为关键差异点： - Gemini聚焦多模态断档式领先，将文本与Coding能力后置； - Claude（Anthropic）专注To B场景，以最强Coding与Agent能力构建护城河，其Opus 4.5在长任务、可靠性与token效率上仍被严重低估； - ChatGPT则牢牢占据To C市场，日活达4.85亿，是Gemini的5~6倍，长期目标是打造10~20亿日活的个人助理。
这种分化本质是在现有范式（预训练+强化学习）下难以拉开技术代差的必然结果——人才流动、知识共享使“甩开”变得困难，唯有通过以终为始的战略聚焦（如Anthropic放弃To C、All in B端）才能突围。正如播客所指出：
“模型分化”与“交替领先”并非替代关系，而是递进关系：过去半年的分化验证了战略定位的重要性，而交替领先则是技术均势下的动态平衡常态。
范式跃迁与投资启示
当前SOTA模型的竞争已超越Benchmark分数，真正关键的指标是营收、客户数与输出Token量——即真实商业价值的体现。Meta虽投入1200亿美元年Capex，但仅靠一个SOTA模型远不足以支撑其野心，需依赖爆款产品（如类ChatGPT量级的消费级应用）。与此同时，基础模型正复刻十年前综合电商平台的路径：通过垂直场景（如GPT做Coding、Excel分析）拉通全栈数据 pipeline，实现数据规模效应，进而横向扩展能力边界。
对创业者与投资者而言，核心问题在于：你是做“垂直电商”还是“小红书”？即，是在基础模型之上构建高价值内容资产（如Perplexity、Cursor），还是仅做功能叠加？后者虽可盈利，但天花板有限；前者则可能复制小红书在电商生态之上构建消费心智的成功路径。
此外，下一代范式（如Online Learning、Continual Learning）的探索已进入深水区。伊利亚·萨特斯基弗（Ilya Sutskever）与Mira Murati的Thinking Machines Lab，显然意在绕过当前范式瓶颈，直接布局AGI的下一程。OpenAI在此方向仍具领先优势，这也是其被资本市场低估的核心原因——短期亏损可承受，但长期范式创新的胜率更高。
“OpenAI可能是过去二十年里唯一一家有机会挑战Google的公司。微软其实都没有真的挑战到谷歌。”
估值扩张与竞争格局：ChatGPT的流量统治力与Google的生态反扑
OpenAI 的估值从 18–19 倍 PE 上升至 28–29 倍 PE，背后是明显的估值扩张逻辑。模型层面，GPT 与 Gemini 已进入交替领先状态，难有压倒性优势；但产品与品牌上，ChatGPT 显著领先——其过去三年 MAU 增长远超微信：微信三年达 4.5 亿 MAU，ChatGPT 三年达 14 亿 MAU；当前日活约 4.8–5 亿，而 Gemini 仅 9000 万，差距维持在 5–6 倍。尽管最终比例尚难断言（可能 7:3 至 5:5），但 ChatGPT 仍被视作长期第一，有望成长为 10–20 亿日活的产品。
不过，Google 的“王者归来”仍会压制 OpenAI 的规模上限与回报率。更深远的变量在于：ChatGPT 是否会融合传统搜索，并最终吃掉其广告份额；与此同时，传统搜索也会反向集成 Chatbot。有迹象表明，ChatGPT 正在构建一套全新的、更快且高度个性化的搜索引擎，其生成内容还可被反复利用——这意味着其终局是信息分发与生成融合的超级产品。
“ChatGPT 现在日活四点八到五个亿，Gemini 只有九千万，它日活大概还是一个五到六倍的关系。”
“ChatGPT 已经不再是边缘流量了，已经变成一个主流的流量平台。”
产品心智与地域分化：生活助理 vs 牛马工具
ChatGPT 在移动端的统治力极强——用户常将其置于手机首屏，是真正意义上的生活助手，周末也在高频使用；而 Gemini 更偏向工作场景的生产力工具（如前端开发、PPT、数据分析），使用时段集中于工作日，DAU/MAU 仅 10%，远低于 ChatGPT 的 25%，反映其使用频次低、粘性弱。
从地域看，ChatGPT 主攻北美、欧洲等高付费意愿市场，商业根基稳固；Gemini 则走“农村包围城市”路线，在巴西、印度、越南等安卓主导的新兴市场渗透率高（MAU 达 ChatGPT 的 1/3 左右）。整体上，ChatGPT 已从年初占 Google 搜索流量的 95%→85%，反超传统搜索成为主流流量入口。
尽管 Gemini 3 带来SOTA 模型突破与 PR 叙事反转（从“AI loser”到“winner”），但其对 DAU 的拉动甚至不及早期 Nano Banana 产品。长期来看，Agent 对搜索与广告的冲击仍不确定：要么 ChatGPT 持续侵蚀搜索份额；要么 Google 通过深度集成 AI 重掌 AI 时代主导权——二者路径需持续观察。
“很多人是把 ChatGPT 放在手机的首屏上了……Gemini 很大程度上是周一到周五的工作时间的，叫叫牛马工具。”
范式跃迁：从预训练、RL 到 Online Learning 的下一程
当前大模型发展已历经两个范式：预训练（Pre-training） 接近尾声（约 70–80% 进度），受限于有限的化石燃料式数据（50–60TB 已近极限）；强化学习（RL） 处于 30–50% 阶段，依赖高成本的专家蒸馏数据，催生了如 Serge、Mercer 等专业数据外包公司。
而真正可能带来范式级跃迁的是 Online Learning（持续学习）——即模型在推理与交互中实时学习，实现从人类经验中自主进化。这将打破当前大模型“静态冰冻”状态，使其具备泛化能力，真正吸收人类智能。若突破，AI 将进入“硅基时代”，类比核聚变之于能源：一旦实现，即为无敌。
目前，OpenAI 仍最领先，SSI（Sam Altman 新公司）、Thinking Machines（原 ChatGPT Post-Train 团队）紧随其后；Google 尚未形成 top-down 的 Online Learning 战略，更多是研究员自发探索。预计 2026 年中前后将出现关键突破信号。
“Online Learning 有一个比喻，就是叫核聚变，这是核能还没有突破，但如果突破了，就是无敌的，人类就进入硅基时代了。”
“Online learning 可能才是唯一重要的真问题，就是模型的自主学习，学习效率比较高。只有这个突破了，其他的问题才是本质上的解决。”
数据即模型：从模型产品到专家知识蒸馏
当前大模型能力跃升的核心驱动力，已从单纯的模型架构迭代转向高质量数据的系统性构建。无论是打印店店员操作 Photoshop、 Salesforce 销售使用 CRM，还是皮肤科医生诊断、银行柜员处理系统——这些金牌级别专家的操作行为与决策逻辑，正被大规模采集、标注并用于训练，从而让模型习得可泛化的模式。这一过程与自动驾驶高度相似：长尾场景数据量巨大，且解决长尾问题所需时间远超预期。
因此，“模型即产品”之后，更关键的命题是“数据即模型”：模型的上限，本质上由其训练数据的广度、深度与真实性决定。例如，Sora 的强传播性源于对高光视频片段的精准建模；Anthropic 的 coding 能力来自高质量代码语料；Google Gemini 的创作者体验优化，则根植于创作者行为数据的深度挖掘。创业公司若想构建差异化模型能力，关键在于构建专属的数据壁垒——即‘多少人工、多少智能、多少金牌专家参与标注’。
‘模型即产品’，但后面还有句话叫‘数据即模型’
‘AIGC要处理的长尾数据量很大，而且解决长尾问题需要的时间很久’
AGI预期拉长：局部L3/L4落地加速，通用Agent存疑
随着对数据构建复杂性的认知加深，AGI实现的时间预期被显著拉长。Sam Altman 近期已在内部建议“先忘掉AGI”，转而聚焦于模型公司如何更高效地构建数据闭环。相比之下，知识工作者场景下的局部L3/L4体验已具高确定性：Coding Agent、Office PPT/Excel Agent、投研Agent等正快速落地，尤其在编程领域，已展现出对人类效率的显著超越。
然而，通用Agent或“万能插件式”系统可能是个伪命题——各前沿实验室正走向深度垂直分化：ChatGPT聚焦“朋友型”交互，Anthropic深耕“协同 coder”，Gemini强化多模态生产力支持。真正的价值不在通用能力本身，而在通用能力基础上的场景化向下优化。即便不依赖下一代范式，仅靠现有预训练+人工标注范式，AI系统也已具备超越多数白领的知识处理效率，具备可观经济价值；但能否真正替代人力预算、大规模承接高价值任务，仍取决于落地节奏与成本结构。
‘在知识工作者这个群体局部的实现L三或者L四的体验，是能看得到的’
‘所谓的通用的插包、通用的 agent，它是可能是一个伪命题’
投资范式迁移：平台为核、算力为骨、溢出为翼
AI投资策略正从技术热点追逐转向结构性主线聚焦：
- 平台层：应优先配置全球最领先的2–3家模型公司（如OpenAI、Google、字节），其地位类似电商时代的亚马逊/京东——不存在小而美的垂直模型平台；
- 基础设施层：核心押注模型所需的算力与硅基底座，如英伟达、台积电，其价值常被市场低估；
- 技术溢出层：关注从大模型生态中快速崛起的“夹缝冠军”，如Propensity Cursor、Marker等，以及潜在的“拼多多级”基础设施红利——当AI基础设施（数据、工具链、交互范式）走向成熟，将催生新一代平台型应用。
当前投资组合可参考：25% OpenAI、25% 字节、10% Google、10% Anthropic、各加10% 英伟达与台积电。技术迭代极快，单一押注风险极高，宜构建“交替领先”下的组合策略。同时，平台能力的边界决定其天花板：需深入理解各平台能做什么、不能做什么——这往往是被忽视的“简单题”。
‘AI的投资就是拜趟技术成长最陡峭的地方，啊，围绕主线嘛’
‘眼睛的逻辑的平台能做好啥？平台做不好啥？那个，我觉得这几个大的公司再涨个三五倍概率是更大的，而且是简单题’
未来关键变量：Online Learning、Agentic Web与新实验室浪潮
2026年最值得期待的突破点，首推Online Learning（在线学习）范式——若实现，AI将具备“边交互边学习、越用越聪明”的能力，用户交互中沉淀个性化记忆与经验，大幅降低重复推理成本。这将催生更主动、更拟人的Agent形态，并倒逼交互硬件与UI范式革新。
更深远的影响来自Agentic Web：当Agent成为新一代流量入口，将重构Google Search、Super App、手机厂商的流量分配权。例如，一个能7×24小时代用户处理行程、比价、决策的Agent，将直接冲击携程、Uber等传统平台。这不仅是技术升级，更是流量终局之战——为创业公司提供“掀桌子”的机会。
与此同时，硅谷新实验室正加速探索下一代范式：SSI（伊利亚团队）专注模型自主学习；Thinking Machines Lab 探索更长逻辑链；Periodic Labs（前OpenAI Post-Train负责人牵头）聚焦材料大模型；Isara 研究多智能体协同；Reflection 致力打造美国版开源模型以对冲供应链风险。此外，机器人领域也迎来创业潮：Pai、Sunday、Generalist 等团队已陆续发布原型，硬件端 One X、飞歌同步推进。
‘Agentic Web，我觉得这才是真正的 Web 三，这个终于有了这样一个 power，让创业公司或者新公司有掀桌子的机会’
‘你花时间在硅谷比较多啊，能不能给我们讲讲最近弯曲的一些重要的趋势？……一横一纵，就是横向的在蒸馏人类专家的知识，纵向的呢又在搞下一代范式’
机器人领域：数据为王，硬件为基
当前机器人领域正经历一轮创业热潮，尤其在 OpenAI 推动大模型热潮之后，大量团队涌入该赛道，如 派（Panda AI）、Sunday 和 Generalist 等，均在近半年密集发布成果；硬件方面，One X、飞歌 等公司也在加速布局。整体来看，硅谷公司更关注能力上限的突破，而中国公司则更务实，聚焦可落地的场景与工程化能力。
数据仍是机器人发展的核心瓶颈与差异化所在：Google 与派依赖遥操作真机数据；Sunday 采用手套+众包方式采集家庭场景数据；Generalist 则通过手套采集了 27 万条真机数据，宣称是目前最大的真机数据集。此外，世界模型 和 YouTube 视频数据 也逐渐成为训练数据的重要补充，而跨设备数据的通用化也初现端倪。
在应用场景上，目前仍以叠衣服和冲咖啡为主，尚未形成大规模泛化能力。更值得注意的是，硬件正被越来越多地视为成功的关键要素，甚至有研究员认为硬件贡献了 70%~80% 的成功率，因此不少算法公司开始自研硬件，以实现软硬协同优化。
“今天可能处于一个 GPT 零点五到 GPT 一的时刻，可能未来两三年到 GPT 二到 GPT 三的时刻。”
“机器人是一上来都是分化的，因为机器人不像语言模型，还没有一个统一的基础，也没有统一的硬件。”
头部玩家盘点：大厂与创业公司的双轨路径
在机器人赛道中，Google 与 Tesla 被视为大厂中的佼佼者：Google 擅长“大脑”（多模态模型与算法），Tesla 则强于“本体硬件”（如 Optimus 人形机器人）。创业公司中，派、Generalist 和 Sunday 被重点提及：
- 派：团队背景强大，长期愿景明确，致力于打造“机器人领域的大脑”，其最新发布的 Recap 强化学习框架 引入了 value function 和 credit assignment 机制，使模型能像下棋一样评估每一步对任务成败的影响，显著提升任务执行的鲁棒性；
- Generalist：由 Google 前成员创立，宣称发现机器人领域的 scaling law：当模型参数超过 10B 时，增加高质量数据可带来显著性能提升，且效果可预测；
- Sunday：创新性地改造了手套数据采集方式，实现低成本、大规模的家庭场景数据收集，目标直指家庭服务机器人。
此外，丹娜等公司则选择更务实路径，专注叠衣服、叠纸巾等单一场景的工程化落地，虽在 AI Research 上不显山露水，但运营能力突出。
“越头部的公司越便宜，越头部的公司越没有 bubble。”
中美AI叙事与创业生态：资本、人才与创新氛围的再思考
中美AI发展路径呈现显著差异：美国以资本驱动为主，聚焦前沿突破（frontier model），但伴随严重的产业空心化问题——制造业外迁、贫富分化加剧；而中国则更强调产业化落地与规模化应用，在电动车、智能手机、3D 打印机等领域实现了从“零到一”发明到“一到N”量产的跨越。
在资本层面，头部 AI 公司的 ARR（年度经常性收入）呈现明显梯队：OpenAI（200–210 亿美金）、Anthropic（90–100 亿）、Cloud Code（超10亿）、Cursor（超10亿）、Search AI & Mocer（均超10亿）；Midjourney（7–8 亿）、ElevenLabs（近3亿）、Lovable（2亿+）等紧随其后；而多数中腰部公司 ARR 低于 3 亿，越靠后的公司反而泡沫感越强。
国内方面，豆包 DAU 已超 1 亿，超预期，但当前模型尚未体现其真实技术实力——其人才密度高，2026 年有望推出新一代 frontier model，成为 C 端 Chatbot 竞争的关键胜负手。腾讯、阿里等大厂也将持续加码流量入口争夺。
对于华人创业者，建议聚焦三点：1）坚定全球化，尤其瞄准高付费能力的美国市场（贡献 60% 收入、70–80% 利润）；2）善用中国工程师红利与产业优势；3）淡化地缘身份，以产品力为核心竞争力。
“自强则万强，把产品做好，拿产品说话。”
创业生态与风险资本的缺位
当前中国在AI领域虽展现出强大的人才储备——尤其是95后、97后、98后这批年轻一代，整体素质非常优秀，但真正能从零到一完成高风险创新突破的创业项目仍显稀少。这背后的核心制约因素之一，是风险资本（VC）的严重不足。创新本身具有极高的失败率，而VC的本质正是承担风险的资本形式；许多颠覆性技术往往诞生于边缘市场，更需要早期资本的耐心支持。相比之下，这一比例远低于互联网时代，令人惋惜。因此，亟需更多VC资本的充裕供给，以激发年轻人的想象力与创造力，推动真正具有突破性的技术创业落地。
“我我觉得肯定是希望中国能有比今天多个几十倍甚至几百倍的V C的资本支持各种的创新。”
“这个这样，年轻人的想象力才能被激发出来吧。”
华人团队能否引领全球AI？
关于华人团队能否在三到五年内主导全球最领先的AI公司，判断概率已从此前的0%–5%显著提升至约20%。这一变化的核心驱动力在于：华人人才基础扎实且持续增强，但仅靠人才仍不足够——还需配套的资本、算力资源、开放的创新环境，以及对“领先”定义的共识。若以营收规模、人才竞争力与全球化能力为综合指标，华人背景团队完全具备赶超潜力。尤其值得注意的是，中国公司若能同时深耕本土市场与拓展全球业务，将形成独特优势：相比Google、Meta等美国巨头无法进入中国市场，中国头部企业有机会实现“中国+全球”双市场协同，构建更完整的商业闭环。
“中国公司，你们把中国也做好，全球也做好，那肯定是最好的。”
期待中的中国AI巨头图景
长远来看，我们期待中国诞生至少十家具备全球竞争力的AI企业，其营收、技术实力与人才储备全面比肩甚至超越美国“Meg Seven”（即Google、Meta等科技巨头）。尤其在当前全球AI格局尚未固化之际，中国若能在政策、资本与产业协同层面持续优化叙事与估值体系，将有助于提升国际市场的接受度与定价权。这不仅是技术问题，更是系统性生态建设的成果。