Web3天空之城·城主

【城主說】前幾天分享的 愛好學習的同學們應該都讀過了。 其實在幾個演講之后， 紅杉繼續放出了峰會的下半部分，重磅嘉賓包括Sam Altman和Jeff Dean等大佬以及Open Evidence等等創業明星繼續分享了關于人工智能未來兩三年的愿景宏圖。

本文將深入分析本次峰會中反復出現的戰略主題和趨勢信號，并對每一主題進行解讀，分析對初創公司、大企業和投資者的啟示。我們將看到，這些主題交織成一幅AI演進的圖景，預示著未來2-3年人工智能領域的關鍵挑戰、機遇和戰略走向。全文1.6萬字，閱讀時間20分鐘。

人工智能演進的宏圖：從核心訂閱到虛擬工程師 引言：AI走向舞臺中央的核心平臺時代

在紅杉AI峰會上，OpenAI 首席執行官 Sam Altman、谷歌大腦資深主管 Jeff Dean 以及多位創業領袖共同勾勒出人工智能演進的藍圖。貫穿整個活動的核心論點十分明確：人工智能正從新奇工具走向核心平臺，成為人們生活和工作中無處不在的個性化“基礎設施”和協作伙伴。這意味著AI不再只是附屬的功能，而是正在演變為類似操作系統或電力的存在——驅動各行各業的底層引擎。

這樣的轉變要求企業在戰略、技術和組織層面進行根本性思考：如何擁抱一個由AI主導的平臺模式？如何捕捉由AI引領的新興趨勢信號？如何調整業務范式以在這場變革中勝出？

核心AI訂閱：人工智能成為下一代個人平臺

Altman 提出的“核心 AI 訂閱服務”概念，描繪了人工智能成為人們日常生活的核心平臺的愿景。簡單來說，未來每個人可能都將擁有一個高度個性化的AI助手，就像今天的互聯網服務一樣按需訂閱。這一AI將作為用戶生活中的中央智能，貫穿眾多應用場景。例如，當代年輕人已有所體現——他們幾乎把 ChatGPT 當作操作系統和人生導師，遇到問題先咨詢AI。相比之下，年長者往往只是把它當作谷歌搜索的替代品。這一代際差異預示著，隨著技術成熟，新一代用戶將更深度地將AI融入生活決策，AI正加速從工具向平臺躍遷。

OpenAI 在過去半年連續快速迭代產品，Altman直言他們希望成為用戶“核心的AI訂閱服務”提供商。這不僅包括ChatGPT對話，還將擴展出多個關鍵組件與界面，例如未來的專用設備、操作系統級別的集成等。他甚至提到，OpenAI設想未來互聯網或許會出現類似HTTP的新協議，使得各種AI代理能夠無縫對接工具、身份認證、支付和數據聯動，實現“一切與一切對話”——這暗示一個由AI驅動的通用平臺生態正在醞釀。同時，Altman 強調語音將是極其重要的交互形式，目前語音技術尚未做到極致，但一旦解決“接近人類水平的語音”，將催生全新的設備類別。這意味著在人機界面上，AI平臺還將突破文字對話，進入多模態和語音優先的時代（Jeff Dean 也認為多模態能力是“大事件”，AI能夠輸入輸出文本、圖像、音頻、代碼等多種媒介，將非常有用）。綜合來看，各路證據指向同一方向：AI正成為貫穿我們日常行為的平臺級存在，從手機中的智能助理到瀏覽器中的嵌入代理，無處不在。

重要性與范式挑戰：“核心AI訂閱”標志著產品范式的轉變——用戶可能不再需要針對不同需求頻繁切換應用，而是通過一個通用的智能代理獲得服務。這對現有互聯網格局是挑戰：傳統上，巨頭通過生態系統（操作系統、應用商店等）來掌控用戶，而AI助手有潛力成為新的流量入口和分發中樞。

企業需要思考，若用戶習慣直接問AI獲取信息和服務，自己的產品如何接入這個AI平臺？Altman明確表示OpenAI志在打造“重要的互聯網平臺”，成為用戶一生中跨諸多服務的個性化AI。對于其他公司而言，這既是警示也是機遇——警示在于核心入口可能被新的AI平臺掌控，機遇在于圍繞這些平臺構建服務的新空間。例如，Altman主動建議創業者“不要再做核心AI訂閱，其他一切你們都可以做”。換言之，如果OpenAI等提供通用智能“大腦”，無數創業公司和開發者可以專注垂直領域的“身體”和“四肢”，構建特定功能，由核心AI來調用。這預示一種平臺-生態模式：核心AI提供通用智能和接口，外圍生態百花齊放提供專業能力。

啟示與應對：

初創公司：應避開與巨頭在通用大模型上正面競爭，轉而聚焦特定行業或功能領域，在AI平臺之上構建差異化應用。正如Altman所言，若能找到核心AI未覆蓋的細分需求并提供出色解決方案，初創公司依然大有可為。同時，與AI平臺做好對接（通過開放API或SDK）將是關鍵策略——你的產品能否成為“大腦”愿意調用的技能模塊，決定了在新生態中的地位。
大企業：需要制定AI平臺時代的戰略定位。若無法自建核心AI平臺，就應考慮與領先AI平臺結盟或互補。例如，將自家服務通過插件、工具形式嵌入主流AI助手，使自有內容和數據被AI平臺安全地訪問和呈現。此外，大企業應警惕被AI中介化的風險——當用戶通過AI獲取信息，品牌的直接觸達和差異可能被弱化。這要求企業加倍關注用戶體驗的獨特價值，或者干脆開發自有垂直AI助手，利用自身數據優勢在特定領域成為領先者。
投資者：投資邏輯將隨AI平臺化轉移。未來最有價值的可能既包括核心AI平臺持有者（高門檻，但回報巨大，類似過去的操作系統或云平臺地位），也包括平臺上的明星應用（利用數據和行業Know-how，深度融合AI能力）。投資者應關注那些擁有獨特數據資源、能夠填補大平臺空白的項目。例如，提供高質量垂直領域知識的AI應用，或增強AI平臺功能的工具類公司，都可能乘平臺東風快速崛起。此外，對于平臺本身的投資（如大型模型公司），應評估其開放策略和生態凝聚力——能否形成正向的開發者網絡效應，將決定其長期護城河。

虛擬工程師與AI協作：重塑工作的范式

AI不僅是個人助手，也在成為各領域的協作“同事”。Jeff Dean 描繪了“虛擬工程師”的嶄新時代：在不遠的將來，我們可能擁有一個具備初級工程師水準且 7×24 小時工作的AI。這意味著很多專業工作將由AI分擔甚至獨立完成，人類與AI將組成混合團隊共同創造價值。從軟件開發到醫學診斷、市場調研，各行各業都出現了AI作為“勞動力”參與的趨勢。本次峰會上多位嘉賓的案例印證了這一點：

軟件開發協作 ：Altman透露，OpenAI 內部 大量代碼由AI編寫 ，而且往往負責的是真正重要的部分。他淡化了用代碼行數計算貢獻的意義，但強調AI已經成為工程團隊不可或缺的一員。這說明在編程領域，AI正扮演類似高效助手甚至自主編碼者的角色。Dean 更進一步預言，我們距離一個可以勝任初級程序員工作的AI大概只有一年時間。同時，他提出一個引人深思的問題：當未來你手下“雇傭”50個虛擬AI實習生同時執行任務時，你該如何管理？這預示管理范式也將隨之改變，人類經理需要學習如何指導和監督成隊的AI代理。

醫療領域協作：OpenEvidence 創始人 Zachary Ziegler 展示了AI增強醫生決策的強大價值。他的平臺相當于醫生的醫學搜索和知識引擎，能夠實時檢索權威文獻并結合全球頂尖醫生的臨床智慧，為疑難病例提供方案。在演示案例中，一位內科醫生在萬米高空的航班上救治患者：她懷疑患者患上成人水痘且正服用抑制免疫的癌癥藥物。在無法立即咨詢同事或教材的情況下，這位醫生借助 OpenEvidence 查詢了最新文獻，確認患者免疫抑制程度中等、不需迫降，但應盡快用藥。這一決策原本超出單個醫生知識儲備，但AI工具使她得以及時獲取相當于“集體智慧”的支持，從而挽救了病人。Ziegler 強調，每個患者情況各異，醫生不可能記住所有知識，而AI就像醫生可以依靠的肩膀，幫助填補知識鴻溝。更重要的是，OpenEvidence 正在利用自身已覆蓋全美四分之一執業醫師的規模，首次嘗試將數百萬醫生大腦中的隱性知識編碼、聚合，反饋回平臺以全面提升答案質量。這標志著AI協作正從被動提供文獻，走向主動提煉人類專家經驗，成為醫療決策的集體智能網絡。

市場與用戶研究協作：Listen Labs 創始人 Florian Juengermann 展示的“AI客戶研究員”則將AI引入了市場調研領域。Listen平臺中的AI可以同時與成千上萬真實用戶對話，挖掘他們的需求與動機，然后在短短數小時內產出洞見和匯報。傳統上，大公司要了解消費者心聲，需要經歷研究項目立項、問卷設計、焦點訪談、數據整理分析、報告撰寫等漫長流程，有時還要依賴昂貴的咨詢公司。Listen的AI工具幾乎一人包辦了整個流程：它熟知研究最佳實踐，自動幫助團隊設計訪談問題，引導受訪者深入討論，并根據開放式回答實時追問細節；隨后直接將訪談大規模推廣到目標人群（平臺自有數百萬受訪者數據庫，可精準篩選比如“美國市場營銷經理、每周使用AI數次”等畫像人群）；收集完反饋后，AI即時生成分析結果，包括定量洞見、突出引言、統計圖表，甚至把精華視頻片段剪輯成集錦。最后，它連幻燈片報告都自動寫好，相當于完成了一份咨詢交付物。“讓客戶的聲音融入公司每一個決策”是Listen的使命——AI使之成為可能。這種AI研究員顯著加速了市場學習過程，一個晚上獲得的用戶洞察可能相當于過去數周的人工作業。可以說，AI正在充當企業的“千面員工”——既能當調研員、分析師，又能當報告撰寫人。

重要性、范式沖擊：AI協作伙伴的崛起代表了工作范式的深刻變革。從前，知識勞動依賴專家個人的經驗和精力，如今AI可以將海量知識即時調取、將重復勞動自動化。這對各角色都帶來沖擊和提升。一方面，一些傳統崗位可能被部分取代或重新定義——例如初級程序員、調研助理等，未來新入行的人類在這些職位上的價值主張需重新考慮。但另一方面，人機協作能創造出遠超各自的價值：普通醫生借助AI可做出媲美專家的決定，新手工程師在AI輔助下快速產出高質量代碼，小型市場團隊利用AI獲得跨國調研能力。這挑戰了現有的人才培養和使用方式。企業過去依賴人海戰術或外包獲取專業能力，未來可能通過一個AI系統就能完成，這要求管理者轉變思維，從“管理人”擴展為“管理人+機”。就像Jeff Dean設想的，需要思考如何領導一支由50個虛擬代理人組成的團隊。此時，人類的定位更多轉向策略制定、監督和高層判斷，而執行和分析層面的大量工作由AI承擔。范式轉移也體現在知識管理上——過去知識往往散落于人的大腦或文檔里，很難全面獲取；現在像OpenEvidence那樣的系統可以匯聚全球專家智慧，使隱性知識顯性化，打破了知識獲取的瓶頸。這種“集體智能”模式對許多行業都是顛覆性的：想象一下法律、工程等領域，AI若能吸收成千上萬專業人士的經驗，再輸出建議，將大幅改變專家工作的樣態。

啟示與對策：

初創公司：AI協作領域蘊含大量創業機會。切入點在于發現垂直場景的痛點，將AI訓練為該領域的“專家助理”。OpenEvidence和Listen Labs的成功經驗表明，醫療和市場調研等專業領域非常適合這種模式——都有豐富的行業數據和重復性工作流程，可以被AI學習和模仿。創業者應考慮自家領域是否存在知識冗雜、信息不對稱的問題，然后利用AI的長尾知識覆蓋和自動化能力去解決。例如，法律咨詢、供應鏈優化、建筑設計靈感等，都可能出現AI垂直助手。關鍵在于獲取高質量專業數據、與人類專家深度共創，以訓練出真正可靠的AI助手。擁有這樣的專業AI產品，將對傳統服務提供商形成差異化競爭優勢。

大企業：對于既有業務，公司應迅速推動AI賦能員工計劃，把AI當作“能力放大器”融入工作流。Sam Altman觀察到，如今20多歲的年輕員工幾乎不做任何決定前都先問AI，企業不妨鼓勵這種善用工具的風氣，通過培訓和內部實踐分享，讓各層級員工掌握利用AI提升效率的方法。同時，管理層需要重塑流程，確保組織能夠消化AI成果——例如，代碼審核流程加入AI生成代碼的審核，決策會議可以參考AI分析報告等。大型組織的結構也可能要調整：一方面，引入新的崗位（如“AI協調員”“提示詞工程師”）來專門負責AI系統的管理與優化；另一方面，原有層級要適應AI帶來的扁平化，高效團隊可能由少數專家+AI工具構成，而不需要傳統的多人分工。

Altman就警告說，大企業往往每年開一次信息安全評估會去決定員工能用什么軟件，這種官僚周期在AI時代將錯失良機。相反，勝出的企業會是那些敏捷試錯、快速部署AI的公司。高管應塑造鼓勵AI創新的文化，寬容一定的試驗和風險，在保證安全和倫理的前提下加快AI落地速度。

投資者：對于投資機構，評估企業時需將“AI協作能力”作為新標尺。一家能善用AI提高人均產出的公司，往往意味著更高的利潤率和擴張速度，這在競爭中是巨大優勢。投資者可以重點關注兩類公司：（1）AI賦能型企業：傳統行業中積極采用AI以重新定義業務流程的公司，例如用AI進行藥物研發、用AI優化客戶支持的企業，它們有望在各自賽道跑出；（2）AI同事型工具提供商：開發AI助手、AI自動化工具的公司，本身作為賣鏟人，為別的企業提供“虛擬員工”。這些公司的價值在于可服務廣泛行業，具備平臺化潛力。當然，在押注時也需注意風險——要考察AI系統實際效果和用戶接受度，警惕那些炒概念但缺乏真實場景應用的項目。

總體而言，投資者應認識到人力資本范式正在改變：未來衡量一家公司的不僅是員工數量和技能，還有其部署了多少“有效AI勞動力”。誰率先擁抱這一點，誰就可能在下一輪產業變革中占得先機。

開源 vs. 閉源：生態博弈與創新模式之爭

人工智能領域正出現兩種截然不同的創新生態：開源模型生態與閉源模型陣營。簡單來說，閉源模式由少數科技巨頭和獨角獸公司開發超大規模模型，通過API或產品形式提供給用戶；而開源模式下，模型權重和代碼向社區開放，開發者可自由使用、改進并部署在本地或云端。本次峰會的討論顯示，開源與閉源之爭不僅是技術選擇，更是戰略哲學的競爭。NVIDIA 創始人黃仁勛在會上呼吁重視蓬勃發展的開源模型生態，而在隨后的專題小組中，創業者們深入探討了開源的未來。他們一致認為，開源的價值在于調動全球人才參與創新，但也承認目前開源模型在推理規模上尚未超越封閉模型。

創新驅動力 ：OpenRouter 聯合創始人 Alex Atala 提到，開源背后的根本原則是 人類才華可以來自世界任何角落 ，不應把AI研發束之高閣在少數實驗室內。語言模型的出現，使得擁有獨特智能和創意的人可以將其封裝為一個按需提供的服務給全世界使用。這釋放了開發民主化的力量：正如另一位嘉賓所說，當今的年輕一代程序員在無法加入大公司機密AI實驗室的情況下，會 優先考慮在開源框架上實現前沿機器學習 。開源的透明特性和高杠桿效應意味著，只要有開源模型在手，邊緣設備上的創新也能與中心實驗室抗衡。我們已經看到許多開源模型被部署在非數據中心的硬件上（例如個人電腦、手機），這使得消費者可以較自由地使用強大模型，而無需完全受制于云端API。Fireworks 聯合創始人 Dima 更提到，目前有一些混合路由的研究：例如 Stanford 的 Minotaur（“小兵”）項目探索讓一個大型閉源模型與多個小型開源模型結合使用，根據任務在兩者間切換。這類創新表明，未來 模型路由和組合 可能成為常態，開源模型將在其中發揮關鍵作用。

資源與效率：多位嘉賓承認，訓練通用大模型仍需要巨額算力投資，短期內不會有幾十個封閉巨無霸共存，頂多是少數幾個真正頂尖的通用模型占據高峰。但正因為此，開源模型選擇了另一條路徑：聚焦于定制化和長尾應用。

OpenAI 等公司為了打造“一模型解決一切”需要燒錢訓練覆蓋所有領域的模型，而開源社區可以用較小成本，利用獨特數據和精調來解決實際問題。正如嘉賓所言，如果收益主要來自預訓練階段，那么封閉公司在算力上的投入優勢明顯；但如果透過后訓練（微調）和強化學習來提升模型解決特定任務的能力，那么使用更少資本也能取得非常好的結果。這種策略包括正確制定評估指標、設計好的問題表述和強化學習環境，用“小力氣辦大事情”。因此他們預測，未來開源模型所占的使用比例會顯著增長。雖然未必會出現統治一切的單一開源模型超過50%市場，但開源整體的占比可能持續攀升。

在被問及5年后閉源 vs 開源模型處理的推理請求比例時，有嘉賓大膽給出五五開的預測——即開源模型有望與封閉模型平分秋色。這當然是假設開源生態順利演進。如果開源社區涌現不出可持續的支持力量，封閉巨頭可能保持更大優勢；但若去中心化的供給模式成熟（例如結合區塊鏈激勵等新機制），則有可能改變目前動力結構，使開源取得突破性進展。

挑戰現有范式：開源 vs 閉源之爭其實質，是創新范式與平臺控制權之爭：

• ? 對 巨頭企業 而言，閉源模式符合既往范式——重資本投入形成技術壁壘，然后通過專有服務攫取商業價值。它的好處是可控性強、安全合規易保障，缺點是創新源頭有限、成本高昂。開源模式則顛覆了傳統“研發在少數人手中”的假設，它證明社區智慧可以快速復制接近前沿的成果（如Meta的LLaMA模型泄漏后，開源社區數周內衍生出眾多性能接近GPT-3.5的變體），并通過集體協作不斷改進。但開源也帶來監管和質量的新挑戰——模型開放是否會帶來濫用？如何評估開源模型良莠并避免“獎勵劫持”等現象？這些都是新的課題。

• ? 從 產業格局 看，若開源生態做大，價值分布將更加分散，涌現更多定制化方案和服務提供者，不同領域可能各有一套開源模型家族和社區在演進。這有點類似于Android開放生態孕育了無數手機廠商和應用開發商。而閉源若保持強勢，則可能出現“一超多強”的局面，少數公司控制最常用的大模型及云服務，大部分流量通過寡頭的API完成。這種前景類似歷史上的“Wintel”壟斷或少數云計算巨頭瓜分市場。兩種路徑對創業和創新的影響截然不同：前者（開源）意味著 門檻降低、百花齊放但競爭混亂 ，后者（閉源）意味著 門檻極高、集中壟斷但服務標準化 。因此，這場生態博弈將深刻影響AI技術擴散的速度和廣度。值得注意的是，Altman在訪談中的一些表述也隱含了閉源陣營的思路：例如他希望通過提供強大的平臺和SDK，使開發者“以 OpenAI 賬戶登錄其他服務”，讓個人AI能夠在各處使用。這實際上是典型的封閉平臺策略——以自己的賬號體系和接口規范將生態串聯起來，形成對用戶的掌控。同時他也公開表示：“核心AI訂閱”這一層由他們來做，其他人應該去做周邊一切。可以預見，封閉巨頭會努力扮演“AI操作系統”提供者，而開源勢力則會不斷挑戰這種壟斷地位，提供替代方案。

各方啟示：

初創公司：開源模型的崛起為創業者降低了進入壁壘。如今小團隊不必從零訓練一個上百億參數的模型，也能利用開源權重進行微調做出可用產品。這意味著創業公司可以將重心放在差異化應用和數據上，而不是模型本身。例如，企業可以拿開源基礎模型，加上獨有的數據集訓練，解決垂直行業問題，比巨頭更貼近客戶需求。這正是開源給予小公司的杠桿。不過，創業者也需謹慎選擇路徑：如果應用高度依賴某封閉API，一旦對方策略變化（漲價或限制），業務將受制約。不妨多關注開源替代品，保持技術路線的靈活性。同時，參與開源社區本身也可成為品牌和人才吸引力——一些AI初創公司通過貢獻開源項目，既加速了研發，也獲得了社區聲譽和招聘優勢。

大企業：大公司在這場博弈中扮演復雜角色。一方面，他們要決定是否、以及如何擁抱開源。完全忽視開源可能錯失創新浪潮，但貿然開源核心模型又可能讓出商業利益。目前看，較明智的策略是雙軌：對外開放適度的模型和接口，培育生態；對內繼續研發領先的專有模型形成護城河。很多企業已開始這樣做——如提供開源小模型吸引開發者，同時保有更強大的內部版本供付費服務。

但更深層次來看，大公司還應反思自身研發體系：是否可以學習開源社區的長處，更快地迭代？是否建立機制吸納外部優秀成果？另外，大企業客戶對于可控性和定制有很高訴求，開源模型可部署本地，更易滿足數據隱私、安全的要求。這也是為什么一些客戶明確要求不用閉源API。如果大廠忽視這種需求，開源方案就會趁虛而入。因此，To B 服務商應考慮提供本地化部署選項、提高透明度，以減少客戶轉投開源自研的動機。

投資者：對于投資界，開源 vs 閉源意味著不同賽道和估值邏輯的選擇。封閉大模型開發屬于資本密集型押注，可能產生寡頭壟斷且贏家通吃的回報；相反，開源生態中的機會則分布在更廣譜的公司里。投資者不妨關注開源生態的“賣水者”：例如提供開源模型的托管服務、優化開源模型性能的工具公司、構建模型路由和集成平臺的創業公司。這些企業順應了多模型并存的趨勢，能夠從開源增長中受益。此外，投資者在評估AI創業項目時，應深入考察其對開源的利用程度。如果一個項目主要競爭優勢在于模型算法本身而又沒有壁壘，且類似能力很可能被開源社區復現，那么其長期價值就值得懷疑。反之，如果公司有獨特數據資源、閉環應用場景，即使模型來自開源，也能建立較深護城河。在當前階段，數據、場景和渠道或許比算法本身更值得賦予估值溢價。總之，投資策略需要更精細地看待AI領域的護城河來源：既要看到巨頭憑算力和資金構筑的高墻，也要看到開源洪流在另一側開辟的新水道。

算力競賽與新計算范式：AI基礎設施的未來

AI飛速發展背后是堪比“軍備競賽”的基礎設施升級。從模型訓練的超級計算中心，到終端設備上的推理優化，AI正重新定義計算產業的方方面面。簡單來說，我們正在見證算力范式的轉移：過去幾十年，摩爾定律指引下CPU性能不斷提升，計算范式相對穩定；而今，摩爾定律放緩、Dennard縮放失效，但AI對算力的需求卻指數級飆升，迫使業界尋找全新的軟硬件結合之道。Jeff Dean回顧道，早在2012年谷歌就嘗試擴展神經網絡規模，用1.6萬個CPU訓練當時全球最大模型，結果令人驚喜，驗證了“大模型+大數據=更好結果”這一經驗法則。此后十余年，大規模模型屢屢刷新紀錄，而硬件和算法也在互相推動，出現了GPU加速、云計算集群，以及如今專業化的AI芯片等變革。Altman 也提到，OpenAI 清楚地知道需要“大規模構建類似AI工廠的產能”，才能支持模型不斷升級。可見，無論是新創還是巨頭，要引領AI就必須在基礎設施上重兵布局。

定制化硬件與算力網絡：過去幾年，各大科技公司紛紛開發自己的AI芯片。谷歌的TPU項目由Jeff Dean在2013年啟動，初衷是滿足當時急劇增長的推理計算需求。如今TPU已迭代多代，微軟、亞馬遜、Meta乃至OpenAI（據傳）也都投入芯片研制。這些專用加速器聚焦低數值精度的線性代數運算，在架構上摒棄不必要的通用邏輯，以極高能效進行矩陣乘法等核心操作。同時，它們通過超高速互聯組網，支持數萬顆芯片聯合訓練單個模型。Dean分享了谷歌內部的進展：他們開發了Pathways系統，讓一個JAX（機器學習框架）Python進程即可調度成千上萬設備，開發者只需寫一次代碼，就能無縫從原型擴展到使用上萬個芯片跑大模型。Gemini等最新模型便是在這樣單進程多設備的架構下訓練的，體驗良好。而谷歌最近也將這套路徑調度技術開放給云客戶使用。這意味著，云計算正在為AI重塑：從以前用戶自己管理集群、分配任務，進化到提供抽象層自動在千百芯片間劃分負載的形態，讓研究人員專注于模型本身。這一轉變提高了開發效率，也是AI基礎設施軟件范式的創新。

端到端部署與高效推理：AI應用不僅在云端“大腦”，還在向邊緣拓展。Dean指出，人們期望手機這類低功耗設備也能運行龐大模型，以便實現實時語音對答等功能。自動駕駛汽車和機器人也需要在本地運行AI推理，保障即時反應。這催生了對高效模型的需求：如何讓一個模型按需擴展或收縮計算？理想狀態下，我們希望有個“性能旋鈕”，在簡單任務上模型少花算力，在復雜問題上自動調用更多計算，以取得更精準結果。為此，知識蒸餾、小模型微調等技術變得關鍵。Dean提到，他早年參與的知識蒸餾研究一度不被看好，但如今正發揮作用：強大的大模型可以“教會”小模型，使后者在特定任務上達到前者的大部分性能，卻更輕量、快速。未來我們可能看到大模型產出小模型的流水線，讓部署變得經濟。這與前述開源策略不謀而合：先用昂貴資源訓練萬能老師模型，然后量產便宜學生模型服務各類場景。

算法新思路：除了硬件和模型大小，AI基礎設施的優化還來自算法架構本身的革新。Dean特別青睞稀疏模型(Mixture-of-Experts 等)，即模型中包含眾多專家子模型，推理時只激活相關部分，從而降低計算量。他分享說，谷歌曾做過帶2048個專家的模型實驗，結果顯示每單位計算可提高10到100倍的模型質量效率。這證明了稀疏路線上巨大的潛力。但目前主流研究對稀疏探索不夠，因為當下的系統和軟件更適配規則密集的模型結構。他設想未來的模型會像有機系統，可以不斷模塊化擴展，不同部分有不同復雜度和結構，可以定期壓縮清理低效部分，再騰出資源容納新知識。這有點類似人腦的學習和遺忘機制，而不是今天“一次性訓練定型”的范式。雖然當前高效的Transformer模型還難以被徹底顛覆，但這些思路為下一代AI基礎設施指出了方向：更加彈性、持續學習、資源利用更優化的智能系統。

AI基礎設施革命正在挑戰傳統IT范式：

計算理念轉變：過去計算機科學關注算法的時間復雜度、操作次數，如今能耗、帶寬、延遲成為新的關鍵指標。Dean打趣說，現在能隨口說出“皮焦耳”這種能量計量單位很重要。開發者需要了解，將數據從內存移動到運算單元耗能遠高于一次浮點運算本身。這意味著軟件優化要深入硬件細節，追求局部性和并行，高效利用緩存和網絡。這對許多習慣抽象編程的工程師是范式轉變，需要重新學習“硬件感知”的算法設計。
行業進入壁壘變化：在閉源模式下，頂尖AI研發變得極其昂貴，一般公司難以企及。正如Dean所說，不會有50個巨型模型同時存在，可能只有少數幾個，因為訓練最強模型需要海量投資。這提升了技術進入壁壘，鞏固了領先者地位。然而，基礎設施的民主化也在發生：云廠商正把自家強大算力開放租賃，中小團隊可以“借力”。此外，開源社區分享模型權重，使得算法本身門檻降低。二者結合，使得有想法的小團隊+現成模型+租賃算力也能實現有競爭力的AI產品。這種混合范式下，真正的壁壘變成了對用戶需求的深刻理解和快速實驗能力，而非單純算力。
平臺及供應鏈新格局：AI算力需求促成了新的供應鏈體系。例如，英偉達憑借GPU在AI時代居于關鍵地位，一度出現“一卡難求”的局面。各大云服務也在比拼AI算力實例的數量與性能。甚至有觀點認為算力將成為21世紀的新型“石油”資源。Altman在訪談中被問及OpenAI巨額融資計劃時，并未詳談傳聞，但從其言語看，融資主要是為了“建立所需的AI基礎設施和產能”。可以預見，未來幾年整個行業將繼續加大對AI算力（數據中心、芯片研發、光通訊等）的投入，這股浪潮也將外溢到相關產業（比如綠色能源供電、芯片制造材料等）。同時，我們可能看到更多跨界合作：傳統半導體公司、云服務商、AI研究單位走得更近，共同定義標準（例如新的模型運行時接口、分布式訓練協議）。整個技術生態正在圍繞AI重新配置。

戰略啟示：

初創公司：基礎設施的門檻雖高，但創業公司仍有機會在細分領域突圍。一是優化軟件層：許多企業并不懂如何高效訓練或部署模型，創業者可以提供針對開源模型的優化庫、壓縮加速工具，或更友好的分布式訓練框架，幫助別人以較低成本用好AI。這類“提效型”產品需求旺盛，客戶愿意為節省下來的算力成本買單。二是專攻垂直硬件/邊緣推理：大廠主攻通用AI芯片，但初創可設計特定場景的AI硬件（例如攝像頭內置視覺AI芯片、醫療影像加速器等），在單一市場做到極致性能性價比。雖然硬件創業難度高，但如果找準應用并與軟件算法協同優化，仍可能建立起壁壘。創業公司還應善于借助云資源，不必擁有自己的服務器集群，也能通過云上API或算力租賃完成模型訓練和服務，降低資本開銷。總之，基礎設施賽道雖大，但“船小好調頭”，靈活運用創新和外部資源，依然能撬動價值。

大企業：大型公司必須正視AI基礎設施對競爭版圖的影響，把構建AI算力能力提升到戰略高度。對于科技巨頭，意味著持續投資自研芯片、算法優化和大型集群，并招攬這方面頂尖人才，確保在下一代AI平臺中占據主動權。對于非科技行業的大型企業，也應開始規劃如何獲取和管理AI所需算力：例如，與云廠商建立深度合作來獲得定制服務，或組建內部數據科學基礎設施團隊，負責整合公司各部門的AI需求。這類似十多年前各大銀行、電信公司紛紛建立自己的云計算中心，只不過這次重點是AI模型的托管與調度。此外，大企業要密切跟蹤技術標準和生態：如果Google、OpenAI等推出新的AI開發接口或模型分發平臺，及時評估采納以免落后。考慮到AI訓練和推理的能耗問題，企業也應將能效納入策略——既從成本角度也是CSR責任，探索使用更環保的算力（比如綠色能源數據中心、低碳芯片）。最后，大公司還可通過投資并購等方式提前布局基礎設施新星，如投資新銳AI芯片公司或支持領先的開源框架社區，以在生態演變中掌握更多話語權。

投資者：在基礎設施領域，投資者應具備長線視角和專業判斷力。這塊涉及硬科技和前沿研究，周期長但一旦成功回報豐厚。可以關注以下方向：
（1）AI芯片與材料：雖然門檻高昂，但如果出現革命性架構（如類腦計算、光子計算）苗頭，及早介入可能改變游戲規則。近期業內也關注模擬計算用于AI推理的可行性，Dean認為模擬硬件在能效上有獨特優勢，這或許成為新機會。
（2）開發者工具與平臺：任何降低AI開發部署難度的工具都會有市場，正如云計算催生DevOps工具繁榮，AI時代也需要MLOps、模型調優、數據管理等全套解決方案。
（3）數據資源與能源基礎：隨著AI數據和能耗需求上升，擁有海量高質量數據或可持續能源供應的企業價值凸顯。例如，掌握獨家數據集用于訓練，或布局“數據中心+電力”一體化業務（利用地理優勢提供廉價算力）的項目，值得關注。整體而言，投資邏輯正在從追逐“模型效果炒作”轉向務實地支持AI背后的生產力提升。未來贏家未必是吹噓參數最多的玩家，而可能是讓大模型更便宜、更快、更容易用的幕后英雄。投資者若能找準這些“水電煤”式的機會，在AI基礎設施革命中將扮演關鍵推手。

AI原生組織：戰略與管理的范式轉移

技術演進最終需要通過組織才能產生生產力。所謂“AI原生”組織，指的是在戰略思維、組織結構和運營模式上充分擁抱人工智能的一切可能，與之相適應地調整傳統范式。在峰會上，Sam Altman 對大企業在AI時代的表現表達了失望和不驚訝并存的態度：每當重大技術革命來臨，大公司總有各種借口裹足不前，往往是初創企業沖在最前。他預言未來幾年，大公司會經歷一個抗拒—自欺—醒悟但為時已晚的階段，最終許多領域將由用新方法的創業公司“風一樣”超越守舊者。這番話背后，正是強調一種AI時代的新思維：敏捷進取、摒棄因循。要成為AI原生的組織，必須敢于打破許多舊有定式，包括戰略制定方式、團隊管理機制、人才結構等等。

戰略規劃：從自上而下到探索迭代。Altman 強調，OpenAI并沒有一個詳細的十年規劃，“除了努力打造出色的模型和產品，沒有總體規劃”。他們自豪于根據世界變化靈活調整策略，并踐行“小步快跑”的方法論：研究路線圖上當然瞄準“真正聰明的模型”，但執行上始終一次只看一兩步。他直言那些妄圖先定一個統治世界的終極目標再倒推的人，從未見過真正取得巨大成功。這折射出AI時代戰略的一個范式轉變：高度不確定性下，過度詳盡的遠景規劃不如快速試錯、及時糾偏來得有效。Jeff Dean 也提到，如今集體還未找到“讓幾十億人每天使用的產品”究竟是什么——暗示大家仍在摸索AI的終極殺手級應用。在這種情況下，企業更應該投入資源去試驗各種可能性，而非困于紙面上的長遠計劃。AI原生策略講究進化論而非智能設計：讓團隊圍繞使命大膽探索，成功的方向自然會浮現。

組織規模：小團隊，大擔當。 隨著OpenAI名聲鵲起，許多人驚訝于其相對不大的團隊規模。Altman 解釋了背后的管理理念：“希望團隊規模小，但每個人承擔很多事情”。他批評很多公司變大后不去做更多事，人員增加但產出不增，結果陷入低效內耗。相反，OpenAI 避免冗員，讓研究、工程、產品人才都保持忙碌且高影響力。他打趣道，否則會議室里坐40個人爭論產品無關緊要的小細節，是浪費生命。這體現了一種精益求速的組織哲學：AI行業瞬息萬變，進度就是生命，小而靈的團隊才能快速響應。而傳統大企業科層分明、層層匯報的結構在這種環境下明顯滯后。另外，小團隊運作還有利于跨職能融合——AI研發往往需要科研與產品緊密結合，正如Altman所說，在OpenAI和許多公司真正創造價值的是研究員、工程師和產品人員的合作。減少部門墻和流程約束，有助于創新想法更快落地。這與硅谷以往成功經驗一脈相承，只是在AI時代顯得更為關鍵。

人才與文化：勇于擁抱新工具。 AI原生組織必然是技術驅動和學習型的。Altman 分享了一個有趣觀察：如今20歲出頭的年輕人與30多歲的人在使用AI工具上差異巨大，就像智能手機初面市時，孩子們駕輕就熟而年長者要摸索幾年。年輕人把ChatGPT深度融入學習和工作流，甚至幾乎做任何人生決定前都要先問AI應該怎么辦。這說明新一代對AI親和力極高。AI原生的公司文化應當鼓勵并放大這種親和力，而不是因循守舊地禁止使用新工具（一些保守機構曾禁止員工用聊天機器人，以安全為由，其結果只會讓自己的人才落后于時代）。OpenAI 自己就是榜樣——內部大量代碼由AI生成。Altman在談及此事時，特意反對用代碼行數來衡量AI貢獻，因為AI往往產出的是關鍵代碼而非冗長代碼。這體現出企業需要新的績效觀：機器產出不是“偷懶”而是效率提升，管理者應重新定義生產力指標，認可AI+人的聯合成果。AI原生文化還意味著決策更數據驅動、實驗導向。例如，將AI用于內部數據分析、業務預測，讓直覺與算法相結合做決定。這些都是對傳統“經驗主義”管理的革新。總之，在AI原生組織里，人和AI共同成長，員工要不斷學習新的AI工具，用更高視野審視自己的工作。那些拒絕學習或抱守固有做事方法的團隊，注定會被時代淘汰。

AI時代的組織變革，最終指向企業競爭力本源的重塑：

決策速度與風險偏好：過去，大企業以穩健著稱，層層審批追求萬無一失。現在，“穩”本身變成了風險——因為環境變化太快，慢就是退。AI原生組織傾向更高的試錯容忍度，用小損失換取快反饋。例如一些領先互聯網公司已實行“即時決策、快速迭代”的產品開發模式，將AI模型的新能力飛快上線測試，根據用戶反饋再調整。這要求高層轉變心態：寧可嘗試失敗也不要錯過窗口。取舍的考量從“失敗的成本”轉為“錯失的成本”。
人力資源與崗位演變：隨著AI承擔更多任務，人力資源策略也要相應調整。未來企業可能需要更少但更高端的人才，以及全新的技能組合。例如何謂“優秀程序員”的標準將改變——不僅看寫代碼能力，還要看驅動AI寫代碼的能力，懂Prompt、會利用工具。招聘與培訓體系要跟上這些變化。同時，一些中間層管理崗位可能減少，因為AI使信息溝通和監督更直接高效。反過來，對頂尖戰略人才和創意人才的爭奪會更激烈，因為他們的價值被AI擴大量化。AI原生組織或許會更扁平靈活，用項目制、契約制來配置人才，而非固定科層。
創新生態位： 范式轉移也給新進入者創造了“彎道超車”機會。正如Altman所言，每次技術革命，小公司用新辦法擊敗大公司并不奇怪。當年互聯網浪潮催生了亞馬遜、谷歌等創新巨頭，現在AI浪潮下也可能誕生新的“原生玩家”。這些新貴沒有歷史包袱，一開始就用AI武裝組織，在效率和產品上碾壓傳統對手。大企業若不想被顛覆，就必須自我革命，引入“內部創業”機制或戰略投資這些新銳，以免徹底喪失創新能力。

啟示與行動：

初創公司： 創業者本來就在這場范式轉移中占據優勢——小而新的組織容易天然成為AI原生企業。但仍需警惕兩個方面：一是保持專注與靈活的平衡。小公司應有清晰使命感（解決什么問題），但實現路徑上要善于根據AI技術最新進展快速調整，不要拘泥于最初方案。二是建立負責的AI倫理觀。AI原生并不意味著盲目追新，更要重視AI應用帶來的倫理、安全挑戰。初創公司在制定產品策略時要將安全機制內置，避免為了搶進度而忽略潛在風險。這樣才能在未來監管和公眾輿論中站得住腳。

大企業： 對大公司而言，擁抱AI原生化已迫在眉睫，建議從高層啟動全面的AI轉型計劃。首先是觀念轉型：董事會和CEO需要深入學習AI的潛力和局限，避免拍腦袋做出不切實際或過于保守的決策。接著是組織轉型：可以成立跨部門的AI創新專項小組，直接向最高層匯報，賦予快速決策權限，在公司內部當“特區”試驗AI項目。同時HR部門應推動人才升級，培養/引入既懂行業又懂AI的復合型人才，甚至設立“首席AI官（CAIO）”等職位統籌AI戰略。最后，文化轉型最為關鍵：領導需以身作則推動學習風氣，獎勵員工在工作中創新使用AI的行為，對失敗的探索給予寬容支持。一個很實際的舉措是內部開展AI應用案例競賽或培訓，讓各團隊分享如何用AI提高了業績，用實戰說服整個組織。這種自下而上的變化與高層決心結合，才能真正改變大企業的DNA，使其在AI時代重新煥發生命力。

投資者： 對于投資人來說，評估企業時應增加一項“AI原生能力”指標。不僅要看商業模式和財務數據，也要考察公司是否有AI時代制勝的內部素質。例如：管理層對技術趨勢的敏銳度、組織結構是否扁平快速、員工技能結構和使用AI工具的水平等。這些軟性指標往往決定了一家公司能否在瞬息萬變的環境中應變。具體而言，在選擇投資標的時，可優先考慮那些擁抱AI賦能傳統業務的企業——它們往往能跑贏同業（如制造業里用AI優化供應鏈的公司比仍墨守陳規者具競爭力）。此外，警惕那些表面有AI概念但組織僵化的公司；真正的AI紅利需要相應的組織來兌現。未來2-3年可能出現兩極分化：一些守舊的大公司業績下滑、估值走低，新興的AI原生公司快速崛起。投資者可以據此調整投資組合，減少對傳統行業落后者的暴露，增加對新興AI驅動企業的下注。同時，投資界本身也在利用AI（如盡調自動化、市場情報分析），基金管理公司應當在自身實踐中成為AI原生組織，以更敏銳地捕捉機會、管理風險。

結語：擁抱AI驅動的未來藍圖

透過此次峰會嘉賓的真知灼見，我們看到了人工智能正在繪制的一幅壯麗藍圖：AI正從邊緣走向中心，變為人類生活和經濟活動的基礎設施；各項技術和戰略主題彼此呼應，共同塑造出一個平臺化、協作化、生態融合的智能新時代。核心洞察在于——AI不再只是錦上添花的工具，而是重塑產業格局與組織形態的關鍵驅動力。這場變革既孕育巨大的機遇，也伴隨深刻的挑戰。

展望不遠的將來，以下趨勢值得決策者重點關注：

AI深度整合與全面賦能： 我們將看到人工智能加速滲透各行各業，從個人助手到企業系統，AI功能將像水電一樣“默默供給”，支持日常運轉。一些目前萌芽的應用有望成熟為殺手級產品，例如更智能的個人AI助理（真正懂你的“數字管家”），更可靠的行業AI專家（醫療、教育、法律等垂直AI顧問）等。企業將競相將AI融入核心業務流程，實現降本增效和創新增收。但隨之而來的質量與信任挑戰也會凸顯：當AI參與決策和服務，其錯誤可能帶來實質損失。因此，如何建立AI系統的測試評估標準、治理機制，以及用戶對AI結果的信任，將成為決定AI應用能走多遠的關鍵。

新贏家的崛起與舊勢力的洗牌： 正如每次技術革命改朝換代般，AI時代將重新洗牌市場格局。新的平臺級玩家可能嶄露頭角——誰能率先打造出令億萬人離不開的AI平臺，誰就有望成為下一個時代的“操作系統”級公司（比如擁有最大用戶的通用AI助手服務）。同時，各垂直領域的AI驅動型獨角獸會不斷涌現，挑戰傳統巨頭的位置。反之，那些抱殘守缺、行動遲緩的公司將被市場無情淘汰或邊緣化。這既包括技術層面跟不上的企業，也包括商業模式上無法適應AI沖擊的——例如，如果一家信息中介公司仍靠人工匯總報告盈利，而AI可以實時自動匯總行業情報，那么其價值主張將迅速過時。由此，市場可能出現一波并購和整合浪潮：落后者尋求與先進AI公司合作甚至被收購，以求生存。

技術與產品方向： 在技術上，未來幾年效率提升會成為AI研發的重要主題。無論是模型架構創新（如稀疏專家模型、聯邦學習等），還是硬件突破（新一代GPU/AI芯片，大規模存算一體等），都將圍繞以更低成本實現同等甚至更強AI能力這一目標展開。多模態融合也將帶來產品新機會——能聽會說、看圖寫文的AI應用將層出不窮，從智能客服到內容創作，再到工業巡檢，都將因為多模態AI而功能大增。此外，AI代理（Agent） 概念會更加實用化，AI不再局限于對話和建議，還將直接調用工具、執行操作，為用戶完成復雜任務（正如谷歌已演示的，讓瀏覽器中的AI代理直接幫助用戶處理網頁事務）。產品形態上，可能誕生新的硬件載體，如Altman提到的語音交互新設備——想象一種可穿戴AI助理，通過自然語言隨時交流，實現科幻般的人機共處體驗。這些方向既是機遇，也是競爭熱點，企業應提前布局研發和專利，以搶占先發優勢。

投資邏輯演變： 資本市場對AI的熱情將更趨理性和分化。一方面，真正具備創新能力和商業價值的AI項目會持續吸引資金，另一方面，僅包裝概念的玩家將面臨泡沫破裂。投資人將更加看重數據壁壘和渠道，而非單純模型算法的領先，因為模型能力可以相對快速追平，而獨特數據和市場進入才是長期護城河。我們預計投資界會有兩種策略變化：

（1）從賭賽道到賭團隊：AI應用無處不在，行業邊界淡化，投資人會更關注創業團隊本身的洞察力和執行力，是否能不斷找到AI落地的切實場景并快速迭代。

（2）基礎設施受青睞：隨著對ChatGPT類應用的投資趨于飽和，資本可能部分轉向AI基礎設施，包括模型優化平臺、行業數據平臺、云算力提供商等“賣水者”生意，因為這些領域風險更低且受益于整個AI生態增長。

總體而言，投資心態也在成熟，更強調實際業務指標——AI項目需要證明能提高X%的效率、節省Y的成本或者帶來Z的用戶增長，而不僅僅是炫目的Demo。

總之，站在2025年這個節點回望和前瞻，我們可以清晰地感知到人工智能所引領的范式轉移正在全面展開。就像電力之于工業革命、互聯網之于信息時代，AI正成為驅動經濟社會進步的通用目的技術。這場變革的幅度和速度可能超越以往任何一次科技革命。

當下，每一位C級高管、每一家企業、每一位投資者都需要自問：我們準備好迎接AI時代了嗎？ 答案將直接決定在未來格局中的位置。從本次峰會傳遞出的訊息看，路徑已然明晰——勇敢地以AI為核心重塑戰略，順應平臺化、協作化、開源生態的潮流；堅定地投入人才和技術，打造AI原生的組織能力；敏銳地捕捉新興機遇，在挑戰中找到創新增長點。唯有如此，我們才能在未來的AI藍圖中占據一席之地。