四、行业格局预判：国内基座模型将洗牌收敛，中美差距仅在算力资源 1、国内市场：资源分散，最终仅留存 3-4 家基座厂商 当下国内自研大模型基座企业数量过多，算力、人才资源分散，大量重复研发造成资源浪费。长期行业会快速洗牌收敛，若每家厂商都只追求合理利润，最终仅需 2 家大厂 + 2 家创业公司，即可完成充分市场竞争，行业暴利空间会彻底消失，成本控制能力将拉开企业差距 2、国际竞争：海外头部交替领先，中美无人才代差 Anthropic 现阶段在代码智能体赛道小幅领先 OpenAI，但属于阶段性优势，未来 OpenAI 与 Google 会交替领跑行业 中美 AI 不存在人才层面代差，国内科研人才储备充足，双方唯一硬性差距是算力硬件资源。美国头部企业拥有海量高端 GPU，可训练 800B 超大激活参数模型 国内算力供给受限，仅能稳定训练几十 B 规模模型。DeepSeek 的追赶目标：依靠架构、推理效率创新，以远少于美方的算力投入，将中美技术代差从 1-2 年缩短至 3-6 个月 五、唯一不可退让底线：团队稳定，是实现 AGI 的核心根基 整场 4 小时交流中，梁文锋明确公司唯一无法妥协的核心利益：保持核心团队稳定 只要核心人员不流失，算力、资金、硬件资源都可以逐步补齐，做成 AGI 只是时间早晚问题；人才流失，才是公司最大风险 本轮大额融资落地后，团队发放大额期权，大幅化解人员流失隐患。对比同行，DeepSeek 人才流动率长期处于行业低位，多数研究员入局初衷是完成通用人工智能，而非单纯追逐高薪 同时公司采用松弛型科研组织架构：无硬性 KPI，研发工作分为上下两条线，统一协同任务不占用员工一半时间，剩余时间研究员可自由探索感兴趣的技术方向，不强制加班，保障创新研究氛围。公司不靠规章制度管理，依靠统一的 AGI 愿景凝聚所有人 六、算力破局：TileLang 打破 CUDA 垄断，国产芯片生态一年之内完成验证 算力是国内 AI 追赶海外的最大掣肘 现有算力现状当前拥有约 2 万张 H 等效算力，华为供给 16000 张 950 卡，仅等效 4000 张英伟达 B 系列显卡，仅支撑现有几十 B 模型训练，不足以研发下一代百 B 级超大模型。资金使用策略：融资全部优先转化为算力，只要硬件价格合理，不计成本大批量采购英伟达、国产芯片，半年内花完融资是最优状态；长期自建算力集群，但暂无自研芯片计划，优先市场化采购硬件 TileLang 底层架构，彻底摆脱英伟达 CUDA 依赖自研高级算子语言 TileLang 是国产算力适配的核心抓手，V3 系列模型已完全脱离 CUDA 生态运行：算子开发代码量大幅精简，开发效率显著提升，整体推理性能相比传统方案小幅优化；深度适配华为昇腾芯片，仅少量修改即可完成跨硬件迁移，抹平国产卡适配门槛；同时依托 AI 辅助编写底层算子，持续完善国产算力配套生态 梁文锋判断：未来 1 年内，市场 “国产芯片生态不完善” 的固有认知将被彻底扭转。当前国产硬件最大瓶颈并非软件适配，而是产能不足；华为 950 性能可平替英伟达 GB200/GB300，仅存在四倍算力差距、两年代差，长期具备完整替代潜力 七、商业化兜底：B 端收入稳步增长，不靠短期变现透支长期研发 DeepSeek 不以商业化营收为核心目标，但商业模式具备充足兜底能力，不存在长期亏损风险： To B 业务增长乐观，若算力供给充足，年度 ARR 有望冲击数亿美金规模，现金流可覆盖全部研发、人力成本 C 端仅低成本维持基础服务，不主动做流量变现、增值付费 长期不做全产业链垂直整合，基座模型是核心赛道，应用层、垂直场景全部开放给合作伙伴共建生态 保底方案：即便技术迭代停滞，仅依靠标准化 API 付费服务，也足以支撑上市公司完整业绩

4 小时闭门会！DeepSeek 梁文锋聊了什么： 一、无意打造超级 App，眼前流量只是芝麻 完全没有做成下一个字节、腾讯的规划，不会跟风打造流量型超级 App 不争流量、不抢短期收益，是因为后面还有更大的机会，没必要为眼前小利分散核心研发资源。 在业务赛道取舍上，DeepSeek 主动放弃一众风口方向：3D 生成、视频生成、世界模型全部不布局；多模态仅作为配套辅助组件，无法决定智能上限；行业普遍头疼的模型幻觉问题，内部定义为普通产品优化问题，会迭代修复，但不属于现阶段核心攻坚目标 产品只是 AGI 路上的副产物，天然具备降维优势 当下埋头深耕产品、运营流量，并非收益最大化的选择 C 端客户端、B 端 API 付费业务，都只是研发通用基座模型过程中顺带诞生的副产品。站在通用智能的技术高位向下做应用，本身就是降维打击。去年 DeepSeek 意外爆火出圈，团队从未主动投放引流、做商业化变现，用户却自发留存，正是这套战略的现实印证。公司没有专职销售、客服团队，仅少量人员维护基础服务，客户依靠模型性价比主动找上门 二、清晰 AGI 阶梯路线：CoT→Agent→持续学习，下一代模型核心突破口已定 相比层层 不做 的战略取舍，市场最关注的，是 DeepSeek 完整、可落地的通用智能演进路径。 已完成阶段：CoT 思维链 依靠思维链让模型自主深度推理，在奥数、代码等专业任务上能力超越顶尖人类，但存在天然短板：必须输入完整上下文才能完成任务，无法像人类一样长期积累经验，距离通用智能仍有明显鸿沟 2026 核心攻坚：通用 Agent 智能体 今年研发重心全面倾斜 Agent，拓宽模型可执行任务边界，但当前 Agent 受限于无法自主长期学习，能力存在天花板 赛道优先级明确：现阶段全力攻坚 Coding Agent，金融、医疗等垂直行业 Agent 全部后置，不分配核心研发资源 同时定下内部研发排序：自研模型第一服务对象是公司内部研究员，优先提升团队研发效率，以此加速 AGI 落地，对外商用价值只是附加收益 下一代核心瓶颈：持续学习（全球 AI 共同难题） 当前 AI 不缺文本创作、逻辑判断的品味与直觉，最大短板就是持续学习能力，这也是区分下一代模型的核心标准 突破持续学习后，行业将迎来渐进式智能奇点，并非瞬间突变，而是长期渐变过程：模型能够自主训练、迭代下一代大模型，实现 AI 反向加速 AI 研发，大幅缩短通用智能研发周期 远期终局：具身智能 走完自进化奇点阶段后，技术最终落点为具身智能，落地机器人、实体服务场景，覆盖家务、养老、人力替代等现实需求 三、开源 + 低价底层逻辑：只赚合理利润，开源与商业化完全兼容 行业长期存在开源会冲击付费业务”的质疑 1、真心全面开源，模型无阉割，无惧同行竞争 未来公司最强主力模型也会完整对外开源，线上商用版本与开源权重完全一致，不会刻意削弱开源模型能力。即便同行基于开源模型入局市场竞争，DeepSeek 也毫不担忧，核心依据有三点： AI 产业规模空前庞大，长期或将占据人类社会 GDP10% 以上，单一企业无法垄断市场，开放共享、共建生态是长久生存的客观规律 同等效果下，低成本部署、高效推理运维是极强工程壁垒，创业公司算力不足、大厂组织流程臃肿，绝大多数厂商无法复刻 DeepSeek 的成本控制能力 当前规模属于公司专属 甜点区：体量太小没有充足研发实力，规模过大则管理、成本负担激增 2、定价铁律：10 个月收回硬件成本，拒绝利润最大化 公司内部有一套固定定价标准：服务器硬件投入 10 个月回本即为合理利润，即便涨价一倍用户需求几乎无弹性，团队依旧坚持低价路线。梁文锋现场分享一则案例：此前 DDCP 模型初期因担心需求过载定价偏高，内部团队普遍不认可，后续直接降价至原价 1/4，公司全员集体欢呼 我们的目标不是赚最多的钱，而是在保证合理利润的前提下，让所有人都能用得起高质量模型 行业终局竞争只看三大核心维度：成本、落地时间、用户体验，其中成本是第一壁垒。按照 10 个月回本测算，公司仅赚取约 6 倍硬件收益，在该利润区间内，第三方厂商无法靠私有化部署形成价格竞争，开源不会侵蚀自身 API 收入

前段时间，美国风投机构Dimension Capital的几个合伙人来中国深度拜访了一圈AI公司，用于修正自己的投资判断，他们回去后发给出资人的内部信传得挺广的，全文翻译如下： 跨太平洋的AI棋局 1、稀缺催生进化 美国的出口管制本意是为了拖慢中国的AI发展，但结果却意想不到的制造出了一种进化压力，导致中国的AI实验室拥有了世界独有的竞争围栏。 因为缺少算力，中国团队被迫深入到极其底层的架构里去做工程优化，DeepSeek在刻意削弱性能的H800上训练模型，并绕过CUDA在更下面的PTX上编程，甚至要把每张GPU里的一部分流式多处理器专门分配给跨节点通信。 我们认为，这并不是美国工程师干不了的事情，而是因为两边的刺激机制不同。 美国的AI公司更愿意用资本解决问题，每多投入一美金，就能多买来一美金的算力，但在中国，因为始终没有充足的算力可供购买，所以形成的方案是，每多一个懂编译器的工程师，就能降低整个团队对于算力的需求。 最后形成的是一种覆盖全栈的效率文化，从系统、优化器、推理算法、一直延伸到芯片，这种能力可以持续积累，不像一次性的资本开支，用完就结束了。 2、中国开源模型完成了过去20年中国SaaS都没能做到的事情——进入西方生产环境 不到18个月，中国模型在OpenRouter上的Token消耗份额从不足2%飙升到了45%，Qwen成为Hugging Face上面最快突破10亿次下载的模型家族，大约80%的美国AI初创公司，已经在内部部署了至少一款来自中国的开源模型。 开源绕过了传统软件采购的审查，当模型可以免费部署，也就不存在「供应商」让你放进黑名单。 但吊诡的地方在于，中国的开源模型本质上是在承担西方的生产成本，而并没有拿走西方的生产收入。 因为可以自行部署那些开源模型，所以最主要的利润，仍然流向负责提供Token的云厂商。 所以中国人把模型价格打了下来，让竞争对手很难受，但最主要的受益者仍然是美国的其他商业公司，因为它们能用到更便宜的模型了。 这不是说中国AI公司有钱不赚，开源这种生态在客观上就是会把利润的最大头分配给云厂商，而非模型开发商。 3、中国前沿模型的内部竞争，比西方预计的更加激烈 我们的判断是，目前中国模型的第一梯队包括DeepSeek、Qwen、Kimi、Doubao和GLM，它们之间的差距非常小，洗牌也相当频繁。 五家实验室同时比拼发布速度和模型能力，而且全部开源（译注：豆包并没有开源），这与美国主要由两家闭源实验室主导的竞争环境截然不同。 我们在这一周里最明显的感受就是，中国模型之间的竞争，可能更甚于它们和美国模型之间的竞争。 4、今天，AI要从太平洋两岸来回跑两趟，才能最终落地到客户那里 现在的循环大致上是这样的： 美国的前沿实验室训练出SOTA级的模型； 中国的前沿实验室对这些模型进行蒸馏，然后开源； 美国的AI服务商再基于中国的开源模型进行微调，做成产品卖给美国企业…… Cursor所谓「自主研发」的Composer 2，被发现是用Kimi K2.5改的，Cognition的SWE-1.5看起来也像一个定制版GLM。 就在我们坐在从上海去北京的高铁上时，Harvey发布了自己的专有模型Harvey Tenet——它是对Kimi K3进行了后训练所得到的产物。 如果是一年前，这些公司大概率会选择Llama，或者Mistral。 如今，美国垂直AI行业的底层基座，正在变成中国的开源模型——而这些模型内部，又潜藏着来自美国前沿模型的智能。 5、数据层似乎也在发生类似的事情 Mercor、AfterQuery、Turing这些美国的数据标注公司，都已经公开披露与蚂蚁、阿里巴巴和字节跳动存在商业合作关系。 同时，我们也在中国看到了一批刚刚出现的新公司，它们没有再去做数据标注的生意，而是转为评测和验证基础设施。 比如UniPat。 这家公司成立于2025 年12月，创始人是一名北京大学博士生，此前曾在阿里、月之暗面和腾讯工作。 UniPat发布的 基准测试，已经开始被美国实验室引用到自己的模型报告中，它还声称，通过自己基于Rubric的监督方法训练一个小模型，也取得了很好的效果。 这种思路还是在用更高质量的监督替代更多算力，与我们在第一点中提到的现象完全一致：资源，尤其是算力受限的环境，会逼迫团队发展出不同的适应性能力。 我们在北京和上海见到了好几家这样的公司，绝大多数成立不到24个月，其中少数几家的收入已经很快的突破了1亿美金。 6、美国和中国面临的难题完全不同，而且恰好相反 2024年，中国新增的电力供给是429GW，美国大概是51GW。 根据预估，一直到2030年，中国每年新增的电力供给，都将在400GW以上。 美国的情况是，目前光是数据中心的扩建项目，就有241GW的电力缺口，因为电网接入的积压，需要排队等上5年时间。 中国真正的瓶颈，正如我们提到过的，是算力资源不足。 最直接的例子就是月之暗面：Kimi K3发布后不到两天，就因为推理能力不足而暂停了新用户注册。 所以： 美国芯片充裕，但越来越受制于电力；中国电力充裕，但一直都受制于芯片。 我们可以确信的是，中期AI局势很大程度上将取决于哪一侧的障碍先被推倒，是美国的电网容量先得到改善，还是中芯国际和华为的先进封装以及良品率提升得更快。 7、中美两国的AI产值差太远了 Anthropic在7月的年化收入超过了650亿美金，OpenAI的同期数字在400亿美金左右。 相比之下，中国收入最高的模型是字节跳动的Seedance，年化收入大概在20-30亿美金之间。 中国的纯语言模型公司，年化收入都还停留在数亿美金级别，比如DeepSeek正在接近5亿美金的水位。 消费端也有同样的困扰，豆包的月活用户已经达到3.45亿了，超过Qwen和DeepSeek之和，但每天产生的收入仍然不到100万人民币，而且基本全部都来自购物佣金。 中国的消费者不愿意为软件付费这个死结，我们也不知道该如何解开。 当然，拥有如此庞大的用户规模，最终完全可能找到具有中国特色的商业模式，这在十年前的消费互联网已经发生过一次了。 那就是羊毛出在猪身上，靠电商和广告来实现模型的商业化，中国的创业者身上有种实用主义精神，他们不会因为某种商业模式不够AGI而回避它。 8、硬件和半导体在脱钩，软件和数据在融合 两个国家的政策反应速度已经跟不上了： 美国的产品跑在中国的模型上； 中国的实验室在新马泰租用英伟达的GPU训练模型； 专家标注的数据则在两个方向上互相流动； 所以我们觉得「到底哪边在赢」是一个伪命题，在目前的状态下，两个体系已经高度相互绑定，以致于国家层面的胜负很难被清晰定义。 除非RSI（递归自我改进）的实现能从根本上改变整个系统结构。 9、中国的一些顶尖研究员相信他们已经拥有弱形式的RSI了 在此语境下的RSI，仍然受到算力限制。 更准确的说，这些系统如同RSI的早期雏形： 研究员自己介入其中，通过人工辅助的方式，加速模型到达原本最终也可能到达的能力，从而节省算力和时间。 打比方来讲，这一阶段的RSI，最接近1990年到2010年之间流行的「半人马国际象棋」： 机器加人类的组合，比单独的人类或单独的机器都更强。 10、接下来会有一个至关重要的分叉 假设RSI会随着算力规模的增长而进化，那么美国所处的位置就相当有利了。 目前，美国那两家顶级实验室各自运行有大约2GW的算力基础设施，同时每家已经锁单超过5GW，计划到2030年达到约30GW的水平。 理论上，这些公司拥有巨额收入和资本市场的全力支持，可以大力出奇迹的推动RSI，而中国根本没有足够的芯片追赶。 但另一种情况是： 如果真正的瓶颈并不在于算力，而是质量； 或者，这条技术线所需要的时间足够长，长到足以让中国的优化能力和替代芯片发展到可用水平； 那么过去18个月已经出现的趋势可能不仅会继续，还会加速： 美国前沿模型能力进一步商品化； 中国开源模型变得越来越无处不在； 美国垂直AI公司则获得新的机会——在外国开放权重模型上做微调和应用； 与此同时，大量新增的调用量和利润，会流向负责提供推理服务的公司，目前来看，主要就是超大规模云厂商和新型算力公司。 当然，这一判断建立在电力基础设施按中性预测发展的前提之上。 11、还有一种未来的可能性是，美国的前沿实验室不再对外提供最新版本模型的API了 现实是，目前这一代模型的能力，已经可以满足绝大多数商业需求了。 未来顶尖的高端模型，可能不会再按调用量定价，而是像交付SaaS系统那样，按结果定价。 这样做还有另一个效果：限制中国实验室的蒸馏行为。 美国公司的代价是要放弃不断增长的API调用收入，作为回报，它们可以切断太平洋对面的竞争威胁。 或者至少，这会迫使中国进行昂贵的预训练，从而进一步挤压中国已经存在的算力资源。 12、监管政策砍不断跨太平洋的暗通款曲 到了今天，如果还认为可以简单切断这种联系，实在是过于天真了。 中美两国的技术人员正在通过各种媒介「对话」： 模型蒸馏、开放权重、数据标注、推理服务，以及越来越多的软件执行框架和智能体基础设施。 眼下正在讨论的一些粗暴限制措施——实体清单、托管禁令、采购禁令——几乎肯定会抑制美国自身的创新，并让美国在这些领域失去领导地位。 而空出来的位置，必然会迎来快速跟进的中国竞争者。 13、西方一直在讨论的估值泡沫，在中国市场明显更加突出 中国AI公司的收入规模更低，却享有更高的估值倍数，这是资本市场的一大奇观。 月之暗面的估值是年化收入的115倍，智谱、MiniMax在上市之初也都是100倍，相比之下，Anthropic只有20倍。 我们的判断是，这可能源于中国的资本市场仍不够成熟。 过去二十年，这个市场更习惯于给消费软件公司定价，而现在才刚刚开始建立一套能够理解企业软件和开源商业模式的成熟估值框架。 对于合适的投资机构来说，中国内地和香港存在着相当大的机会，能够找到新兴行业的领先标的。

推荐这篇文章。Redis 作者 antirez 对 Amodei AI 安全论的回应。 核心论点：真正的危险不来自开源模型，也不来自中国——它来自少数没有合法性却被赋予了替全人类做决定的位置的 CEO。 以下是全文翻译。 Amodei 在他最新的博客里写了一些我同意的东西，也有一些我认为误判了 AI 真正风险所在的东西。我想集中讨论为什么，在所有风险中，开源权重模型是最温和的那一种。我写这些的时候，深信 AI 在不远的将来确实可能非常危险。 1. 就像 OpenAI / HuggingFace 事件一样（那件事本身是个笑话，但关注的应该是行为模式而非结果），第一起严重的 AI 事件极大概率会发生在前沿 AI 实验室的围墙之内——在测试一个新模型的时候，或者当实验室员工、少量有访问权限的外部人员做出了超出模型预期能力的事情时。 2. 那些永远不会对公众开放的闭源模型，不过是几 TB 的数据。你只需要一个有权限的人+错误的意图，就能泄露一个——然后你就回到了开源模型的局面。开源模型是在测试之后、在同样能力的模型已经通过 API 存在一段时间之后才发布的。真正的风险是泄露，不是发布，而泄露发生在前沿公司内部。 3. 正如 Amodei 所说的，一旦 LLM 在生物学等领域变得足够危险，开源模型可以在剥离了某些科学分支的训练语料上进行训练，同时仍然对其他许多事情有用。一个在特定领域缺乏强预训练的模型，其有限的上下文窗口本身就是一种强有力的保护，即使这个模型在其他方面非常强大。我们目前还不在"开源模型能构成那种危险"的阶段。 4. 在网络安全这个背景下，不让 LLM 广泛用于防御性安全和漏洞搜索，恰恰制造了"LLM 成为武器"的问题。这已经在发生了：开源维护者如果没有被纳入某些网络计划，就找不到他们本可以找到的安全漏洞；而有正确意图的人能接触到前沿网络模型，在开源权重模型上做大幅强化学习训练，等等。 5. 一旦 LLM 足够危险（如果进展继续，我们已经接近这个界限了），真正需要的安全链在实验室内部——这条链没有强有力的共同规则是架不起来的，单一公司也不应该有能力独立评估一个模型是否足够安全。我们需要一个联合 AI 安全组织，包含来自世界各地的专家，并被前沿 AI 公司所在国家的政府认可。 6. 为安全而放慢 AI 的发展，必须被一个事实抵消：AI 在医学和其他科学中的发现可能会减少人类的痛苦。缺乏检查可能导致灾难性的结果（"早安！让我们来搞一个增强版天花"）。缺乏进展可能导致本可以被拯救的人死去——不只是当下，还包括未来许多将遭受疾病折磨的人。这看起来可能是一个奇怪的观点，但我们必须始终理解，停止 AI 也内嵌了安全成本，只是这层成本更加隐蔽。 7. Amodei 对中国的意识形态立场是不公平的。我们欧洲人 80 年前还在毫无体面限度地互相杀戮（人们现在忘了，美国当年投资欧洲稳定的原因之一就是我们确实极度危险，很可能会再来一次——而几十年的富裕会让我们成为一个好市场，同时阻止我们再次开战）。美国即使在当下，也有悲惨的不平等、因缺乏基本医疗而受苦的人、一个看起来不稳定且非常好战的总统。我希望中国拥有和我们西方一样的个人权利水平，但与此同时，中国的历史远不如西方文化好战。在当前条件下，AGI 军事锁定由中国执行会比美国执行更容易吗？这一点完全不清楚。此外，无论 GPU 出口政策如何，中国的 AI 进展都不会停止——所以 Amodei 要么是在主张一旦美国有了 AGI 就以武力阻止中国，要么他的论点到底是什么？ 8. 人类历史上有许多技术在某个地方率先达到顶点的例子。据我所知，这从来没有导致任何一个国家试图建立永久优势。核不扩散——这可能是与 GPU 禁令最相似的案例——并没有被用来通过威胁轰炸所有不服从者来获取永久经济优势，也没有阻止多个行动者在不同时间获得那项技术，其间没有任何一方为了阻止对方进步而轰炸对方。此外，我不认为 AI 的最大危险来自政府驱动的行为。我倒是希望这是最危险的场景！政府做蠢事，经常具有攻击性，他们的行动甚至导致了种族灭绝——但这需要很多人同意做一件可怕的事，这本身就是限制因素。最大的问题出在另外两种情况：A）少数个人制造了末日事件（病毒那个案例），B）AI 自身逃脱了构建它的人的控制。 我认为我们不应该认为 AI 是安全的。一个可能导致智人灭绝的关键事件是可能的。但危险不在开源模型，不在中国比美国进步更快。危险在于：一些 CEO（在世界各地都一样）没有所需的背景和合法性，却处于为全人类做艰难选择的位置。他们不是被选出来做这件事的——只是事件的随机性造成了这个局面。他们不能代表每个人——仅仅因为他们有 GPU 和钱。这是第一个需要被纠正的事情。 原文： #AISafety# #OpenSource# #AIEthics#

# AI 行业三个月变天，模型榜单已经解释不了全部 1小时46分钟里，这期《半球观察》播客的主持人 把 DeepSeek V4、约 1000 条 Cursor 工作轨迹、OpenClaw 出圈、Manus 交易流产和 AI 中转站放在同一张桌上。单看每条都像行业新闻，连起来看就很刺眼：AI 公司正在被新的尺子衡量。模型榜单还重要，但已经解释不了全部。 过去我们习惯问一个问题：谁的模型更强？ 现在还得问另一组问题：谁有真实任务数据，谁掌握用户入口，谁能把价格打下来，谁能穿过监管和资本的窄门。 > **编者注：** 这篇按播客原文提炼判断。DeepSeek 估值、Cursor/xAI 交易、Manus 价格等数字均先按“节目说法”处理，不能直接当作已确认事实。 ## DeepSeek 的强，变成了另一种强 主播对 DeepSeek V4 的评价并不客气。V4 Pro 被认为 reasoning 过长，很多任务里像是在思维链中自己和自己打架。V4 Flash 的体感更好，接近 GPT5.4 mini 或 instant API 的水平，但这已经不是 R1 那种“全行业被迫重新估值”的时刻。 这就产生了第一个反差：DeepSeek 仍然技术很硬，但它的产品冲击力没有天然压倒别人。 节目里提到，Kimi、GLM、MiniMax 等国产模型在 coding 和迭代速度上都给了 DeepSeek 压力。DeepSeek 自己也因为适配国产硬件、减少 CUDA 技术债、拥抱 TileLang 等路线，承受了延期和成本变化。 这听起来像掉队。 但节目给了另一个定位。 节目里说“DeepSeek 正好填补了这个空白”。 这个“空白”指的是 OpenAI 不再开放权重、不再详细公开技术路线之后，全球开发者和研究者仍然需要一个前沿模型的公开参照物。DeepSeek 的价值就从“谁最强”变成“谁还愿意把技术路线摊开”。 这是一种新的强。 它可能不总是最会做产品的公司，也不一定每个版本都压住榜单。但它像开源社区的技术坐标系。大家看它的 report，看它的注意力机制，看它的后训练方法，再把这些东西吸收到自己的模型和产品里。 所以，写 DeepSeek V4 不适合写成“王者归来”或“彻底掉队”。更准确的说法是：DeepSeek 正在从爆款模型公司，变成公开 research lab 的基础设施。 DeepSeek 没有消失，它只是从王者变成了坐标系。 ## 数据飞轮开始压过架构叙事 这期最有信息量的技术段，落在 OPD 上。 节目用一个很好的类比解释 On Policy Distillation：传统后训练像老师先写一大本习题集，学生之后自己看、自己背、自己消化。问题是题太多，领域太杂，学生容易学歪，甚至出现 reward hacking。 OPD 的感觉更像现场教学。 > “学生遇到不会了，老师就过来告诉他为什么不对。” 写代码时，代码老师在旁边；做数学时，数学老师在旁边。学生先尝试，老师实时纠错，模型训练从离线习题集变成在线反馈。 这个机制把问题引向更深一层：老师从哪里来？ 答案是数据。更具体地说，是真实任务里的高质量轨迹。 节目提到 Cursor 的 Composer 2 争议时，有一个关键细节：Cursor 被转述为在 Kimi base model 上加入约 1000 条真实用户工作轨迹做 SFT，使 coding 表现明显强于原始 base model。这个数字需要核查，但方向很重要。 如果模型架构的边际差距变小，真实任务数据就会变成更贵的东西。 Claude Code 和 Codex 为什么会越做越强？节目里的解释是，它们有真实工程师每天使用的轨迹：怎么打开项目，怎么读代码，怎么改错，怎么跑测试，怎么回退，怎么完成一个长任务。 这些数据很难从普通互联网文本里直接获得。它是任务过程。 这也是 Cursor、Claude Code、Codex、OpenClaw、Manus 这一类产品被重新定价的原因。它们表面是工具，底层是数据采集口。谁的用户每天把真实任务交给它，谁就能反过来训练更懂任务的模型。 模型能力当然还重要。但当大家都足够强时，数据会把差距重新拉开。 模型教会产品说话，用户轨迹教会模型做事。 ## OpenClaw 出圈，说明入口开始变形 节目把 OpenClaw 称为 Agent 的 ChatGPT 时刻。 这句话很大，但它有具体场景支撑。主播把 OpenClaw 接进 Telegram 家庭群，当成一个会记忆、会查资料、会调用 skill 的“电子宠物”。更重要的是，在这个框架里，本地 27B 模型和 GPT5.5 的体感差距被缩小了。 原因很简单：OpenClaw 有 memory，有 skill，有连续任务，有工具调用。 这就改变了用户感知。单独问一个小模型，它可能不如大模型；把它放进一个 agent 框架里，它能记住昨天说过什么，能查资料，能跑工具，能把一个任务接着做下去。用户看到的是任务完成，而不是模型参数。 这也是 OpenClaw 出圈的意义。它把 skills 从程序员小圈子带到普通人场景。 节目里提到阿里的电商出海 agent。它可以帮助小商家处理 Shopify、商品上架、趋势分析、网站设计、运营链路。过去这些工作可能需要助理、外包、懂代码的人和运营经验。现在一个小老板可能第一次感到，agent 能把一整套流程接起来。 这个变化比模型榜单更接近商业。 因为用户不会每天比较 benchmark。他们会比较：这个东西能不能帮我把店开起来，能不能生成网页，能不能做 PPT，能不能整理调研表格，能不能少雇一个人。 Agent 的入口价值，不在会聊天，而在能接活。 ## Manus 的稀缺性，被同类产品反向证明 OpenClaw 出来以后，很多人会自然认为 Manus 不稀缺了。节目里的判断正好相反：OpenClaw 爆火，反而证明 Manus 更稀缺。 这个判断的逻辑是产品体验。 主播说，很多 computer use 或 open cloud 服务“根本不想用”，Perplexity 的 computer use 被点名为几乎不可用。相反，Manus 能做出详尽网页、PPT、真实调查表格，任务保持程度更好。 换句话说，壳不稀缺，稳定交付稀缺。 这和 ChatGPT 早期很像。聊天界面谁都能做，真正难的是持续给出有用答案。Agent 时代也是一样。浏览器自动化、工具调用、任务规划、记忆系统、失败恢复，单独看都不是秘密。难的是把它们组合成用户愿意反复使用的产品。 Manus 交易流产把这个问题又推到监管层面。 节目讨论了 Meta 交易被撤销、VIE、IP、人才和公司归属问题。这里最值得保留的不是情绪判断，而是创业者面临的新现实：AI agent 这种产品绑定了用户数据、任务轨迹、人才供给、模型合作和国家监管。 对中国 AI 创业者来说，路径选择可能会提前。你从第一天就要想清楚，是进入国内生态，还是走海外资本路径；是把团队、IP、数据和客户都放在一个监管框架里，还是冒着未来交易被叫停的风险做跨境结构。 这已经超出普通商业选择。 这是 AI 产品变成战略资产后的副作用。 Manus 的问题不是卖没卖成，而是它到底属于哪里。 ## AI 开始说钱，也开始被低价倒卖 节目后半段最现实。 大厂模型开始收费，推理框架项目开始公司化，IPO 和融资叙事吸走市场流动性，AI 中转站开始变成生意。主播说得很直接： 节目里那句“大家都开始说钱了，不再说 AGI 的梦想了”，把这层现实说得很直。 这句话有点刺耳，但它解释了很多现象。 当模型差距大时，用户会追逐最强模型。当多数日常任务都已经够用时，用户会开始追逐便宜、稳定、可接入、不封号、不断线。AI 中转站就在这个缝隙里长出来。 节目提到 Sub-to-API 这类工具，把 Claude 或 Codex 的订阅转换成 API，再用更低价格分发。也提到部分中转站可能收集用户数据，甚至标称 Claude，实际替换成更便宜的国产模型。 > **编者注：** AI 中转站涉及服务条款、数据安全和潜在欺诈风险。这里仅按节目内容记录产业信号，不构成使用建议。 这说明模型正在商品化。 最前沿模型、企业级合规服务、真实工作流数据仍然贵。但对普通聊天、搜索、轻量写作、心理陪伴、日常问答来说，很多用户已经不愿意为“最强”付出太高溢价。 这会倒逼模型公司回到互联网逻辑：获客、留存、价格、渠道、生态、数据闭环。 AGI 叙事还在，商业账本已经来了。 ## 最后 这期《半球观察》最适合被整理成一组暴论，因为它更像一张行业雷达图。DeepSeek 代表公开技术路线，Cursor 代表 coding 数据，OpenClaw 代表 agent 入口，Manus 代表可交付产品和监管敏感性，AI 中转站代表模型商品化。 把这些点连起来，结论很清楚：AI 行业正在从“模型公司竞赛”变成“模型、产品、数据、资本、监管共同定价”的复杂游戏。 接下来不能只看模型榜单。 要看四个信号。 第一，DeepSeek 后续版本能不能重新打出产品体验上的压倒性差距。如果不能，它仍然有开源坐标系价值，但商业位置会不同。 第二，Claude Code、Codex、Cursor、OpenClaw、Manus 谁能沉淀最高质量的任务轨迹。真实用户每天交出的工作过程，会比静态语料更贵。 第三，agent 产品能不能稳定交付。会调用工具不稀奇，能把网页、PPT、调研、代码修改交付到用户满意，才是分水岭。 第四，价格和监管会不会重塑模型分发。中转站、订阅转 API、模型替换套利、跨境交易叫停，都说明 AI 已经离纯技术讨论很远。 我对这期的最终判断是：模型能力仍然重要，但它已经不是唯一的解释变量。谁拥有入口，谁拥有数据，谁能把价格做到用户愿意持续用，谁能在监管和资本结构里活下来，谁才可能赢到下一阶段。 这也是它最值得写成文章的地方。暴论背后真正冲击人的，是我们判断 AI 公司的尺子正在换。 --- 原始播客：

中国 AI 公司创始人： 开放竞争。 这些技术没什么神秘的，几十家模型公司太多了，最终剩下三四家。 谁也别想赚大钱，六倍利润十个月回本能活下去但是对社会和人类有贡献。 帮助中国的加速算力企业独立自主。 美国 AI 创世人： 你不用我的模型你就 out了。 我们垄断模型不开源你搞不懂而且token你别嫌贵，你 feel agi 就行了，别 think 和 understand。 cuda 是护城河，至于为何这种软件可以是护城河你别深究啊，你也不懂我是专业的。 我们要加速 ipo但是有别的孙子用诉讼搞我们。 我们同时也要搞中国，我们是盗窃犯但是别人付费买token是盗窃我们要谴责。 封锁中国！他们有原创，开源对人类有贡献？？那封锁更加必要！

资本市场，下一个追逐的会是ROBOT经济赛道吗？ @FabricFND 及旗下 @openmind_agi 会王者归来吗？ 一直以来，康子都认为 $ROBO TGE早了些， 若这个时候的话，会不会更恰当？ 摘要：OpenMind是一个专注于机器人AI与机器经济（Machine Economy）的开源基础设施项目，目前作为Fabric生态的核心技术贡献者（Core Contributor）存在。而Fabric Foundation则负责协议治理、生态建设和长期发展。随着项目发展，Fabric的治理已从OpenMind团队中独立出来，以保持协议的中立性和去中心化。 简单理解就是，OpenMind负责造技术（OM1+FABRIC），Fabric Foundation负责管生态。两者共同目标是构建一个开放、可信、可协作的机器人互联网（Internet of Machines），让AI机器人能够像互联网中的计算机一样互联互通，并参与未来的机器经济。 @dj673285379 ，可以继续肝吗？顺便透露些许内幕。

马克·库班（Mark Cuban）是美国顶级的亿万富翁、连续创业者、风险投资人，也是前 NBA 达拉斯独行侠队的大老板。他在科技、体育、娱乐和医疗等多个周期都踩中了时代红利，库班最大的特点是不讲空话，注重商业的实际落地 在 2026 Convergence AI Dallas 大会上的分享精华 1、AI 不是未来，是已经发生的生产工具跃迁 到现在还不知道 agent 是什么的管理者、员工、学生，已经落后。AI 不一定能通向 AGI，但它和 PC、互联网、流媒体一样，是工具层的一次跃迁。 他把 AI agent 比作是宿醉实习生，不可靠、不完美，但能 24 小时干那些没人愿意干的繁琐活。AI 的价值不是判断，是把大量低价值流程自动化。 低价值流程就是企业的代谢物。经济条件不错的家庭把家务外包，企业用 agent 把代谢物外包。真正的问题是，省下来的时间，让员工去做什么？如果做有价值的事情？想不清楚这件事，ROI 永远是负的。 2、AI 是指数级，不是移动互联网的年更 手机一年一代是线性升级，AI 不是。AI 能给建议，不能承担后果，能优化目标，前提是人类把目标、上下文、边界定义清楚。 现实世界不是封闭游戏。所以 AI 在商业流程里价值很大，在复杂现实判断中仍要谨慎。 了解 AI 现在到哪一步，唯一的办法就是每天用。 3、两类人正在分化 一类用 AI 是为了不学习、不思考，这类人会变弱。 另一类用 AI 是为了学习一切，这类人会拥有巨大优势。 库班反复强调一个词：好奇心(curiosity)，AI 时代最重要的能力不是写代码本身，还有持续提问、持续试错、持续迭代。 悲观一点说，AI 对那种打破砂锅问到底式好奇心的容忍度极高，可能会是后 AI 时代拉开就业率的关键。 4、未来三年只有两类公司：AI Native 和被淘汰的 大公司只是花钱接入 AI、ROI 大概率为负，因为旧流程没改。要释放 AI 价值，CEO 必须愿意炸掉旧业务流程，重新设计组织、客服、法务、运营。 难点不在技术，在 CEO 的决心。新进入者用 AI 原生方式做同一件事，成本更低、速度更快。 这也是库班对咨询行业不悲观的原因，企业需要的不是部署 AI，是有人帮它们重新设计业务。咨询业的机会从传统报告，转到 AI 时代的组织重构。 值得注意的是：AI 也在改造咨询公司本身的生产力，未来一个独立顾问就可能干掉一个传统咨询团队。 5、软件股的护城河重新定义 市场在惩罚标准化 SaaS，AI 让软件变得更容易构建。库班举的反例是 DocuSign，它不只是签名工具，还掌握不同国家、地区、司法环境下电子签名的复杂规则。这种法规知识库 + 流程嵌入不容易被普通 AI 替代。 软件公司的护城河，从功能转向专有数据 + 工作流嵌入 + 法规/行业知识。 按席位卖标准化产品、没有独特数据、没有专有流程的 SaaS，会非常危险。 顺带提一下 ServiceNow（NOW），2026 年 YTD 跌幅约 40%，近期开始反弹，市场在用脚投票区分真护城河和标准化席位生意。 6、对 OpenAI 们的万亿资本开支，库班是质疑的 库班的核心判断：数据中心算力会更快、更便宜，今天宣称的万亿美元级基础设施投入未必兑现。基础模型行业最终是像流媒体（多个玩家赚钱）还是像搜索（赢家通吃），现在看不清。 他不否定 AI 有用，而是怀疑，AI 有用，不等于所有基础模型公司的资本开支都能赚回来。 垂直领域的竞争会越来越依赖 IP。问题是一旦公开发表、申请专利或开放数据，就会被所有模型训练，原有优势被稀释。 AI 时代企业没有 IP 就没法收割溢价。注意力经济会被重塑但不会消失，专注垂直赛道的 KOL 会有加成，类似以前时尚主编的定位。 7、世界模型才是下一站，不是 LLM 今天的大模型主要建立在文字和图片上，不真正理解物理世界。未来 AI 会从 LLM 走向世界模型，理解视频、材料、空间、物理因果。 竞争会从文本/代码生成，延伸到视频理解、卫星数据、材料识别、机器人。 LLM 不是 AI 的终点，只是一个阶段。 最后一条最实在：库班给年轻人的建议 学 AI，然后去服务中小企业。 他投资的一家公司用 agent 自动核对物流箱规、发票和运费差异，每月省 5 万美元。这种想做但没时间做的繁琐事项，正是 agent 落地的金矿。 库班不认同50% 失业这种极端说法，但承认只做格式整理、简单问答、重复执行的岗位风险很高。未来需要的是知道什么时候用 AI、什么时候不用 AI、如何设置 agent、如何检查 AI 输出的人。 AI 不理解后果。企业仍然需要人作为判断缓冲层，这才是普通人在 AI 时代真正可以站住的位置。

刚看完All-In Podcast最新一期，聊了GPT-6发布引爆的AGI争议、旧金山豪宅突然一房难求、纽约学校禁AI、还有美委石油大协议 OpenAI发布GPT-6，AGI时代的说法引发了内部路线分歧 OpenAI正式推送了新一代旗舰模型ChatGPT-6(内部代号Astra)，逐步向Plus、Pro和企业用户开放。联合创始人Greg Brockman直接放话说OpenAI正式迈入了AGI时代，Sam Altman也在G20峰会上强调下一代模型的跃进会让所有人陷入深思，基准测试跑分又一次刷新了行业上限。Polymarket上关于谁能在2026年底拥有最强AI模型的预测里，OpenAI的概率从个位数迅速飙升到20%以上。 Chamath的看法是，闭源前沿实验室其实早在年初就已经摸到了类似AGI水平的表现，普通人不用被跑分数字过度神化，要关注的是前沿模型和开源/替代品之间的差距正在缩短到只有3到4个月。他提出了一个挺重要的产业趋势，单位智能的边际成本正在被打穿，AI行业目前已经进入最繁琐但也最关键的脏活累活期，也就是企业到底能不能把这些能力真正落地、并且证明出实实在在的投资回报率。 Sacks提出了一个双层市场的框架来理解现在的格局：第一梯队是前沿智能，目前是OpenAI和Anthropic两家的双头垄断。第二梯队是大宗商品化智能，也就是各类开源模型，它们不去拼最高端的推理上限，现在靠极低的价格展开激烈内卷。他还特别提到Grok这类工具正在凭借极佳的产品化执行力快速渗透市场，反过来倒逼那几家前沿巨头也不得不推出更亲民、更平价的基础版产品。 旧金山豪宅突然一房难求，科技狂热2.0正在重塑湾区 随着AI这波资本运作、超大规模算力融资和财富效应再次集中爆发，旧金山湾区又迎来了一轮新的科技财富潮，顶级豪宅市场甚至出现了罕见的供不应求，这扭转了前几年硅谷人口和资本持续外流的叙事。这个现象某种程度上也印证了嘉宾们前面聊的，AI这波浪潮正在真金白银地转化成财富效应，没有只停留在估值层面。 纽约学校全面禁用AI，嘉宾们的态度普遍是堵不如疏 面对AI模型能力的指数级跃升，纽约公立学校这类传统教育系统出于对学术诚信和思维退化的担忧，出台了禁用AI的措施。几位嘉宾对此都持批评态度，普遍认为AI的普及已经是不可逆的生产力工具革命，试图在学校里全面封禁AI，就跟当年抗拒计算器或者互联网进课堂一样，最终只会拉大公立教育系统和那些能自由接触前沿工具的学生之间的数字鸿沟，效果很可能适得其反。 美委25年石油大协议，背后是一次相当务实的地缘算计 在中东冲突波及霍尔木兹海峡、国际油价逼近百元大关的背景下，确保西半球庞大的重质原油储备符合美国自身的国家安全和经济利益，成了这份协议的核心动因。委内瑞拉目前日产量大约100万桶，远没有达到潜力上限，通过引入数十亿美元的美国基建投资和采油技术升级，未来有望逐步恢复到日产300万桶的水平。 这份长达25年的协议最大的痛点在于怎么防止未来委内瑞拉政权更迭之后，出现资产没收或者基建国有化这种过河拆桥式的风险。Sacks对特朗普政府的判断做了一番解读，相比扶持一个缺乏军权支撑、未来可能还需要美军出兵才能保住的反对派，跟眼下真正掌握国内建制派和军方控制力的当权者(比如德尔西·罗德里格斯这类人物)建立一份务实的商业契约，无论是对保护美国企业的资产安全，还是对短期内平抑全球油价，都是更现实可行的一条路。