7 万亿美元之问

AI 行业的关键转折点:创新极限、资本压力,以及重塑未来的战略分野

Muhammed Gider
阅读需 1 分钟 • 

7 万亿美元之问

在光鲜的头条背后,AI 行业正面临一系列根本性问题,涉及创新动能、资本的可持续性,以及模型开发者与应用开发者日益分化的发展路径。

行业悄然迎来的转折点

过去三年,人工智能以前所未有的速度发展。自 ChatGPT 发布以来,消费者采用速度屡破纪录,从 OpenAI 到 Google,各大巨头接连发布模型,财富 500 强企业也已将 AI 置于业务流程的核心。然而今天,在光鲜的头条背后,整个行业正面临一个截然不同的根本性问题:

真正的创新是否仍在强劲推进,还是我们正在目睹一台庞大的机器触及无形的极限?

要准确回答这个问题,我们需要从两个不同的视角审视这一生态系统:

一级市场:开发 GPT-4、Claude 和 Gemini 等基础模型的公司:OpenAI、Anthropic、Google DeepMind、Meta。

二级市场:利用这些模型,为用户的实际问题构建解决方案的公司:Perplexity、Cursor、Notion AI、Replit。

虽然这两个市场属于同一行业,但它们的运行机制、成本结构、风险特征和增长预期存在根本差异。我们今天看到的紧张局面,恰恰源于这种分化。

模型发展的自然极限正在显现

过去五年,四个基本因素塑造了大语言模型的演进:

  • 模型规模(参数数量)
  • 训练数据(质量与多样性)
  • 计算能力(GPU/TPU 算力)
  • 训练技术(transformer 架构、注意力机制)

从 2018 年到 2023 年,这四个因素同步扩展,带来了巨大的飞跃。正是如此,我们才从 GPT-2 发展到 GPT-4,从 BERT 发展到 PaLM。然而,这条曲线不会无限延续。如今,训练数据已成为整个行业最关键的瓶颈。

高质量、多样化的人类原创数据资源有限。用 Wikipedia 训练,用 arXiv 训练,用 GitHub 训练,然后呢?版权问题、数据所有权协议和访问限制,正使这一领域的成本呈指数级增长。你得与 Reddit 达成协议,与 Stack Overflow 谈判,还要面对 The New York Times 的诉讼。继续扩大模型规模在技术上仍然可行,但数据层面形成了一个天然上限。

因此,行业的重心已从模型规模转向效率。思维链推理、基于人类反馈的强化学习(RLHF)、更有效的采样技术、混合专家(MoE)架构,都是这场转变的一部分。

这些进展意义重大,但仅靠它们无法持续发展,因为效率提升到一定阶段也会趋于饱和。行业开始意识到,基础模型创新已进入一个进展更慢、成本更高的阶段。

资本流动压力与日益加剧的脆弱性

随着技术极限变得切实可感,资本层面的增长也面临更大的风险。

基础模型公司正在建设庞大的算力基础设施,并在人才争夺战中开出极具竞争力的条件。而在这些支出发生时,它们尚未建立稳固的收入基础。OpenAI 的年度算力成本高达数十亿美元。Anthropic 获得了 Microsoft 数十亿美元的投资。Google 则为 DeepMind 单独拨出预算。

投入数据中心的数十亿美元、多年期 GPU 合同,以及支付给 Ilya Sutskever 等人的天价薪酬,都大幅推高了公司的支出。

这一局面表明,一级市场建立在一种经济上极其脆弱的规模扩张模式之上。模型创新的成本结构远远超出了收入的增长速度。

应用层的悄然崛起

一级市场承压的同时,二级市场正沿着相对健康的增长曲线发展。这些公司将基础模型转化为实际应用场景。

  • Perplexity:重塑搜索体验
  • Cursor & Replit:变革编程流程
  • Notion AI:让生产力工具具备智能
  • Dvina:连接 120+ 个应用,通过单一智能层管理整个数字生活

这些公司的优势在于离用户最近。真正的价值直接体现在用户体验中。搜索、编程、内容创作、生产力、信息处理,这些领域都有可扩展且易于理解的收入模式。

因此,许多基础模型开发商已开始向应用层转移。OpenAI 将 ChatGPT 打造成产品,Anthropic 将 Claude 转化为面向消费者的产品,Google 则整合了 Gemini。垂直整合战略迅速普及。

但这一战略也带来了副作用:收购成本飙升,二级市场估值膨胀。二级市场是唯一能够创造收入的领域,而它变得如此昂贵,进一步放大了整个行业的资本风险。

历史周期与当下的不同之处

人工智能过去经历过两次重大低潮:1970 年代末和 1990 年代初。这两个时期的共同点是:预期高涨、创新缓慢、投资意愿消退。

如今的情况有所不同。技术创新仍在继续,但取得突破的速度正在放缓。与此同时,资本流动却以前所未有的规模增长。Sam Altman 谈及一项 $7 万亿的算力基金,Elon Musk 则向 xAI 投入数十亿美元。

因此,我们正在经历的并不是典型的“AI 寒冬”,而更像是一个由资本配置引发的脆弱期:估值不断膨胀,成本加速上升,创新速度却未能达到预期。

新时代:胜出的不是更大的模型,而是更明智的方法

当下最关键的区别在于:重要的已不再是通过增加参数来构建更庞大的模型。

真正的变革将发生在以下领域:

  • 提高参数效率
  • 用更小的模型实现更高质量
  • 开发新的训练技术
  • 更有策略、更有效地利用数据
  • 大幅降低训练成本

近期最引人注目的例子之一是 DeepSeek。这家中国初创公司开发出了一款性能达到 GPT-4 水平的模型,但训练成本低得多。混合专家架构、参数优化、注重效率的训练技术。市场对此反应强烈。

DeepSeek 发布消息后,NVIDIA 的市值在一天内缩水了 600 十亿美元。这表明,投资者如今关注的不只是构建更大模型的竞赛,还有提升效率与创新架构的竞赛。

但这仍然不够。这个行业要实现真正的飞跃,就需要新的架构范式,需要超越 transformer 架构的东西。也许是神经形态计算,也许是混合模型,也可能是一套完全不同的学习框架。

这类根本性的变革通常并不来自大公司。规模压力、基础设施成本和企业风险管理,让它们行事谨慎。真正的突破往往来自规模小、锐意进取、敢于冒险且雄心勃勃的初创公司。

今天的 AI 生态系统,很可能正在等待这样一次颠覆。

结论:决定胜负的不是资源,而是方法

如今,AI 行业在两股拉力之间摇摆:一边是逐渐逼近极限的模型规模扩张策略;另一边是日益增加的资本风险,以及价值快速攀升的应用市场。

这一局面表明,如今的根本问题在于方法,而不是容量。未来的赢家不会是构建更大模型的人,而是开发更聪明方法的人。效率、新的架构设计和经过优化的训练技术,正成为这个行业真正的分水岭。

未来起决定作用的将是方法的质量,而不是资源实力。而引领这场方法转变的,很可能是有远见的初创公司,而非大公司。

加入 Dvina

免费注册,将你的所有工具整合到一个简洁的工作空间。

探索更多