文章核心观点 - 尽管市场处于历史高位且存在对人工智能泡沫和市场崩盘的担忧 但有两家公司的股票值得长期持有并在市场下跌时买入 即Alphabet和亚马逊 [1] Alphabet (GOOGL/GOOG) - 公司被视为人工智能领域的长期最大赢家之一 人工智能正在推动其产品创新 [3] - OpenAI的竞争激发了公司的最佳状态 并凸显了其幕后技术创新的价值 如张量处理单元 [4] - 公司自研的张量处理单元已发展超过十年 近期其重要性才被投资者认知 该芯片为公司在云计算单元和训练Gemini大语言模型及运行AI推理方面提供了巨大的结构性成本优势 [5] - 其他公司也即将开始在谷歌云中大规模部署Alphabet的芯片以运行其AI工作负载 [5] - Gemini模型已被整合到公司全线产品中 提升了产品力并驱动收入增长 [6] - 公司将AI整合到谷歌搜索、地图、Gmail中 并通过Android和即将支持的苹果设备成为AI助手 这使其能触达用户的日常高频场景 构成了巨大的、随时间增长的优势 [6] - 凭借垂直整合优势 公司正处于良性循环之中 [7] 亚马逊 (AMZN) - 公司在机器人领域未获得应有的赞誉 因其机器人主要用于提升自身履约中心的效率而非对外销售创收 [9] - 公司是全球机器人领域的领先企业之一 [9]

公司市场地位 - Alphabet旗下谷歌在搜索引擎市场占据主导地位，市场份额超过90% [1] - 谷歌搜索每日处理数十亿次查询 [1]

IT之家 12 月 26 日消息，回看谷歌眼镜的失败，谷歌联合创始人谢尔盖・布林直言，当年的自己过于自信，甚至把自己当成"下一个史蒂夫・乔布斯"，结果 在产品尚未成熟时就急于将其推向市场。 2012 年，谷歌曾向少数用户推出谷歌眼镜。这款没有传统镜片的智能眼镜并非行业首创，却迅速成为最具知名度的代表。然而，谷歌眼镜几乎一上市就遭 遇商业失败，这段经历至今仍被布林铭记。 报道提到，苹果同样经历过类似挫折。被史蒂夫・乔布斯在 1997 年终止的苹果掌上电脑"Newton"与谷歌眼镜有着惊人的相似之处：走在时代前沿、价格高 昂，最终未被市场接受。 据外媒 AppleInsider 今晚报道，在斯坦福大学工程学院百年纪念活动上，布林以谷歌眼镜为例，向年轻创业者分享了教训。他表示，产品创意再新颖，也应 在真正成熟之后再进行高调展示。 谷歌眼镜当年的问题十分明显。当时的用户认为该产品外观设计怪异笨重，内置的 500 万像素摄像头更是引发了隐私担忧，高达 1500 美元的定价同样令消 费者望而却步，折算到今天约为 2120 美元（IT之家注：现汇率约合 14873 元人民币）。 布林坦承，当年在成本控制和产品打磨上都没有做 ...

全球及中国半导体市场概况 - 2024年全球半导体市场规模达6591亿美元，同比增长20.0%，预计2025年将增长至7893亿美元 [2] - 集成电路是半导体市场的核心支柱，2024年市场规模达4872亿美元，占比73.9% [14] - 人工智能芯片是增速最快的产品，2024年市场规模为689亿美元，同比增速高达49.3% [14] - 2024年中国半导体市场规模达1769亿美元，同比增长15.9%，预计2025年将达2067亿美元 [2] - 在中国市场，集成电路同样是占比最大的产品，2024年市场规模为1393亿美元，占比78.7%，人工智能芯片增速最快，达48.3% [16] - 2023年全球半导体市场份额前十企业以美国、中国台湾、韩国为主，中国大陆企业暂未入围，前三大为Intel、TSMC、Samsung [16] - 2023年中国半导体市场份额前十企业中，美国企业占5家，韩国2家，中国台湾1家，欧洲2家，前三大为Qualcomm、Intel、TSMC [18] 半导体应用领域与驱动因素 - 2023年全球半导体主要应用领域占比为：智能手机(19%)、个人电脑(17%)、服务器/数据中心及存储(15%)、汽车(15%)、工业电子(14%)、消费电子(11%)、有线和无线基础设施(9%) [2] - ASML预计，到2025年服务器/数据中心及存储与智能手机领域的半导体应用占比将分别上涨至23%和22% [12] - 全球半导体产业发展历经四大阶段：PC普及与互联网萌芽(1986-1999)、网络通讯与消费电子(2000-2010)、智能手机与3G/4G/5G迭代(2010-2020)、AI技术与数据中心(2023年至今) [3] - 当前八大云厂商资本开支持续扩容，直接推动AI服务器需求提升 [4] - 八大云服务厂商的资本开支从2021年的1451.0亿美元增长至2024年的2609.0亿美元，复合增长率达21.6%，预计2026年有望达到6020亿美元 [38] - 全球服务器市场规模从2020年的1360万台增长至2024年的1600万台，其中AI服务器占比12.5%，预计2030年将达1950万台，AI服务器占比将提升至33.3% [42] 半导体产业链转移与中国发展 - 全球半导体产业已历经三次区域转移，路径为美国→日本→韩国与中国台湾→中国大陆 [5] - 中国半导体发展以自主战略为核心，2003-2013年借加入WTO契机萌芽并获得政策支持，2014年后大基金持续加码投入，2018年后成为中美贸易战核心领域 [5] - 国家集成电路产业投资基金已开展三期投入，一期规模约1387亿元，二期2041亿元，三期达3440亿元 [57] - 大基金一期投资结构中，晶圆制造占比67%、IC设计17%、封测10%、装备材料6%；二期投资中，晶圆制造占比提升至76%，装备材料占比提高至11% [57] - 2018年后，美国多次升级对华半导体管制措施，将华为、中芯国际等众多中国企业列入实体清单，推动中国产业加速自主突破 [58] 半导体产业链上游：EDA/IP、设备与材料 - 半导体产业链上游主要涵盖EDA/IP、半导体设备、半导体材料三大关键环节 [6] - EDA/IP市场长期被Synopsys、Cadence、Siemens EDA等海外企业垄断，2024年全球EDA市场规模约157.1亿美元，前三大企业市占率达74% [81] - 国内EDA企业如华大九天持续推进技术迭代，2024年中国EDA市场规模为135.9亿元，华大九天占据6%的市场份额 [85][86] - 2024年全球半导体设备市场规模达1168.6亿美元，同比增长10.3%，预计2026年或将达到1381.2亿美元 [110] - 中国是全球最大的半导体设备进口市场，2024年全球半导体设备支出中，中国占比56% [110] - 2024年中国海外进口额居前的半导体设备分别是：光刻设备(107.24亿美元)、薄膜设备(77.17亿美元)、刻蚀剥离设备(64.29亿美元) [113] - 光刻机是芯片制造核心设备，EUV光刻机是7nm及以下先进制程的关键，目前全球仅ASML能实现量产 [6] - 2024年全球光刻设备市场规模达315.0亿美元，ASML占据61.2%的市场份额 [124][126] - 刻蚀设备市场主要由LAM Research、TEL、AMAT等海外龙头主导，2022年LAM Research市占率达47.0% [141] - 国内企业中微公司、北方华创、盛美上海、万业企业（凯世通）等已在半导体细分设备领域实现技术突破 [6] 半导体产业链中游：设计、制造与封测 - 半导体制造中游囊括半导体设计(Fabless)、晶圆制造(Foundry)及封测(OSAT)三大核心环节 [70] - 产业发展早期多采用IDM模式，20世纪80年代后，随着制程复杂度提升与建厂成本飙升，第三方晶圆代工(Foundry)模式崛起 [6] - 全球主要晶圆代工厂商包括TSMC、SMIC、UMC、Huahong Group等 [70] - 半导体下游封测涵盖封装和测试两大环节，2024年全球封测市场规模为899亿美元，同比增长4.9%，预计到2026年规模将达到961亿美元 [7] 半导体产业未来发展方向 - 第三代半导体材料、算力芯片、射频通信芯片与高宽带存储是半导体产业未来的核心发展方向 [8] - 第三代半导体材料如碳化硅、氮化镓凭借宽禁带等优势，适配新能源汽车、5G基站等高压高频场景，国内外厂商争相布局8英寸量产 [10] - 算力芯片中，GPU以高灵活性主导AI训练，ASIC因定制化高效优势在数据中心、边缘计算中占比持续提升 [10] - 射频通信芯片依托射频前端模组升级支撑多场景通信需求，国产厂商持续追赶国际龙头 [10] - 高带宽存储(HBM)凭借高带宽、低延迟特性成为AI服务器标配，技术不断迭代 [10]

公司产品功能更新 - 谷歌正在低调测试一项新功能，允许用户更改Gmail邮箱地址，同时保留账户内所有数据、照片、消息、邮件及相关服务权益 [1][3][4][5][7] - 该功能更新说明目前仅出现在谷歌的印地语版官方帮助页面，表明功能可能率先在印度或其他印地语使用地区推出 [1][3][5][7] - 更换邮箱地址后，原邮箱地址将自动成为账户别名并保持有效，发送至旧地址的邮件仍会正常送达，旧地址也可继续用于登录谷歌云端硬盘、谷歌地图、YouTube等服务 [1][4][5][8] - 在此功能推出前，用户若想更换邮箱地址，只能注册全新谷歌账户并手动迁移数据，流程繁琐且易导致与第三方应用的绑定关联失效 [4][9] - 该功能设有两项限制：用户完成邮箱地址更换后的12个月内无法再次申请新的Gmail邮箱地址，且新选定的邮箱地址一经确定便无法删除 [5][9] - 此功能调整由用户论坛及科技社区网友最早发现，截至新闻发布时，谷歌尚未就此功能发布正式的新闻通稿或官方公告 [5][9] 公司战略与投资 - 2025年11月11日，谷歌在德国柏林宣布了其在德国历史上最大规模的投资，计划在德国黑森州斥资55亿欧元兴建一个全新的大型数据中心园区 [3][7]

大模型竞争格局 - OpenAI不会轻易出局，未来将是各家公司交替领先的动态格局，只要使用相同的Transformer架构和技术路径，差距就不会不可逾越，竞争态势是“你六个月超越我，我再六个月超越你”的持续迭代 [2] - Google在模型研究、自有算力（TPU）和应用场景三方面具备领先优势，构成了高度协同的系统集成能力，其垂直整合能力使其算力基础设施可针对自身应用进行高度优化，从而实现最低的单位成本 [9][10][11] - 未来的模型竞争将从同质化走向高度差异化，这是强化学习驱动下、基于不同应用目标和数据空间定向演化的必然结果，各家公司通过强化学习在不同知识子空间中进行定向探索 [3][17][18] - 模型分化将导致垂直领域诞生专业化的行业通用大模型，例如在科研、制药、编程、历史等领域 [3][19] - 基础大模型的分化维度比应用更宽广，在一个高度差异化的基础大模型之上，可以构建多个面向不同细分市场的应用 [21] 英伟达面临的挑战与战略 - 英伟达面临的主要挑战在于各大科技公司纷纷开始自研AI芯片，如果未来每家公司都能开发出成本更低、效率更高、易用性更好的芯片，英伟达将面临被替代的风险 [3][11] - 未来云服务市场越集中，对英伟达越不利；市场越分散，其地位越稳固，因此英伟达积极扶持新兴云厂商，如Oracle、Nebius、CoreWeave等，以维持生态多样性 [3][12] - 对于大型企业客户（如沃尔玛、《财富》500强公司），在云平台上选择TPU还是GPU时，目前绝大多数第三方用户仍主要使用GPU，原因包括CUDA生态成熟、开发便捷，以及GPU具备极强的部署灵活性，可按需从单卡扩展至万卡规模，而TPU采用固定规模的block设计（一个block包含9,064个TPU），难以支持小规模或灵活配置 [12] AI应用落地的关键条件 - 任何AI应用如果能同时满足以下三个条件，就更有可能快速取得突破：1) 纯数字化；2) 具备训练数据；3) 拥有明确的奖励函数，反之，如果缺少其中任意一项，进展通常会较为缓慢 [4][22][23][24] - 金融领域的AI应用是满足这三个条件的典型例子：交易完全数字化、存在大量历史数据、奖励函数清晰（通过回测验证盈利） [24] - 不满足条件的应用例子是“保姆机器人”，它涉及物理交互、缺乏明确的奖励函数（什么是“好保姆”标准模糊）、相关训练数据极难获取 [24][29] - 工业机器人场景则不同，其对灵巧度要求取决于具体任务（如分拣、装箱），且通常具备大量可采集的操作数据，因此前景更为积极 [28][29] AI市场泡沫与价值判断 - AI泡沫论的本质是节奏问题，只要模型能力持续提升，AI就不存在系统性泡沫，模型能力决定一切，其他因素都是次要的 [5] - 即便预训练见顶，模型的经济价值仍远未被释放，因为当前模型能力已经能够完成大量任务，其潜在经济价值未被充分释放 [32][33] - 真正的风险在于生态发展的不均衡，基础设施可能提前建成而应用尚未成熟，导致局部性、阶段性的泡沫，但这只是暂时调整，而非根本危机 [5][34] - 当前指数级增长的需求主要来自推理（inference），而非预训练，因为训练是一次性投入，而用户实际使用模型产生的调用是持续性的 [35] 芯片与算力市场动态 - Google对英伟达不构成直接竞争，因为英伟达的最大客户（Amazon、Microsoft、Google、Meta等云服务商）彼此是直接竞争对手，不可能依赖Google提供芯片，只能选择中立的英伟达 [11] - Google的TPU对外销售业务难以成为其核心收入来源 [11] - 芯片处理速度在过去两年可能提升了100倍甚至1000倍，但未来这种增长速度可能会放缓 [57] AI对行业与创业的影响 - AI时代最难被替代的是高斯分布极端尾部的天才，扎克伯格开出天价年薪正是对这一趋势的预判，高端人才做出的贡献是机器无法替代的 [7][52] - AI能力的提升正在颠覆VC模式，技术背景深厚的创业者可能不再需要融资，靠产品力就能从零做到十亿美金收入，例如一家名为Surge的公司创业四年达到十亿美金收入而未进行融资 [7][53][54] - 未来1-3年，创业必须做AI原生应用，不能做AI赋能，在旧模式基础上修修补补肯定竞争不过大公司，原生应用才是创业机会 [7][55] - 未来1-3年可能发生的最大变化包括：1) 应用层面出现真正的AI原生应用；2) Agent（智能代理）逐渐成熟并实现环节打通，哪怕实现简单的功能（如点外卖或网上购物）也具有巨大的经济价值和市场颠覆性 [56] 技术架构与能力边界 - 在当前的Transformer架构下，AI不可能产生意识或情感，机器缺乏内分泌系统，没有内在的奖惩机制和欲望，一切行为都是确定性的输入输出 [5][39][41][42] - 比起担忧AI控制人类，更应警惕坏人利用AI [5][45] - 语言是人类与动物的根本区别，是人类跃居食物链顶端的核心能力，从文字中学习3D空间信息是间接且低效的，李飞飞的空间智能研究更直接高效 [8][47] - 仅依靠空间模型无法完成所有任务，必须同时具备语言模型和空间模型，语言提供抽象能力和行动指令，空间提供物理世界理解，两者缺一不可 [8][49]

但斌投资理念与历史业绩 - 秉持“长期持有伟大公司”的价值投资理念，以长期持有行业龙头公司为核心策略 [1] - 过往因成功投资贵州茅台而闻名，曾在2017年茅台股价约400元时预判其将突破600元，并在不到5个月内实现，股价随后冲高至近800元 [1] - 当前投资重心已从A股白酒龙头转向全球AI赛道，从“茅台铁粉”转变为“AI坚守者” [1] 东方港湾近期业绩表现 - 自2022年起将投资视野转向全球市场，重点持仓人工智能相关领域的美国公司，经历了超3年的坚守 [1] - 截至2025年11月底，在百亿私募（近3年有业绩显示且产品数量≥10只）中，东方港湾近3年收益均值以明显优势位居榜首 [2] - 在近3年有业绩显示的70只产品中，实现翻倍式收益的产品高达63只，业绩前三的产品近3年收益分别为***% [3] 东方港湾海外基金持仓分析 - 截至2025年三季度末，东方港湾海外基金共持有17只美股标的，持股市值合计12.92亿美元 [5] - 全球AI硬件龙头英伟达连续多个季度成为其第一大重仓股，持仓市值为23622.17万美元，持仓占比18.29% [5][6] - 前十大重仓股包括英伟达、谷歌-C（持仓市值22414.17万美元，占比17.35%）、三倍做多FAHG+指数ETF（持仓市值14463.19万美元，占比11.20%）、三倍做多纳斯达克100ETF（持仓市值12416.48万美元，占比9.61%）、脸书（持仓市值9944.61万美元，占比7.70%）、微软（持仓市值9916.72万美元，占比7.68%）、特斯拉（持仓市值8802.88万美元，占比6.81%）、苹果（持仓市值8606.54万美元，占比6.66%）、Coinbase（持仓市值5287.35万美元，占比4.09%）和阿里巴巴（新进，持仓市值3949.99万美元，占比3.06%） [6] - 持仓变动显示，亚马逊持股数量减少50.06%，奈飞持股数量减少71.51%，并新进持仓了Astera Labs、BitMine Immersion Technologies、博通和倍做多谷歌ETF等标的 [6] 但斌对AI产业的看法与展望 - 坚定看多AI产业，认为当前处于类似1998年的前夜，而非2000年的互联网泡沫破裂期，人工智能至少是一个持续十年以上的宏大周期 [7][8] - 认为人工智能标志着从碳基生命向硅基生命的过渡，是一个技术颠覆性更为深远的时代 [7] - 提醒“错失一个时代的风险，比天天担心风险的风险更大”，并引用段永平的观点，表示若早知英伟达发展情况，应将茅台换成英伟达 [9] - 在AI方向上的选择标准是聚焦能够定义未来、拥有宽阔护城河的全球科技龙头企业 [10] 但斌在A股市场的布局方向 - 透露在A股持仓上，英伟达产业链、谷歌产业链也持有不少，但因基金分散而未出现在十大股东名单中 [11] - 为投资者梳理了A股英伟达产业链与谷歌产业链的相关个股供参考 [12] - **谷歌产业链A股相关公司**包括：赛微电子（MEMS-OCS工艺）、腾景科技（光学组件）、天孚通信（光器件）、沪电股份（PCB）、深南电路（PCB）、胜宏科技（PCB）、蓝色光标（代理商）、中际旭创（光模块）、工业富联（AI服务器）等，涉及技术路径、OCS、PCB、代理商、光模块、服务器等多个环节 [13][14][15][16] - **英伟达产业链A股核心公司**包括：工业富联（AI服务器代工龙头）、浪潮信息（AI服务器）、中际旭创（800G/1.6T光模块主要供应商）、天孚通信（800G光器件认证供应商）、胜宏科技（GPU板卡PCB）、沪电股份（封装基板）、景旺电子（服务器PCB）、英维克（液冷散热）、通富微电（GPU封装测试）等，覆盖AI服务器、光通信、PCB、散热、封装测试、关键材料等产业链环节 [16][18]

行业供需格局 - 存储芯片供应持续紧缺，价格飙涨，市场需求远大于供应 [1][9] - 能够供应AI数据中心所需LPDDR及HBM的存储芯片大厂仅有SK海力士、三星电子和美光三家 [4][12] - 主要存储芯片厂商的HBM产能已被预定一空，整个2026年的产能都已售罄，难以挤出更多产能应对旺盛需求 [4][12] - 三星和SK海力士的先进HBM及其他先进DRAM产线已满负荷运行 [6][14] 科技公司应对策略 - 包括苹果、微软、谷歌、Meta在内的科技大厂为争取足够供应，纷纷派遣总部采购高管常驻韩国，以与三星、SK海力士签署供应合同 [1][9] - 大型科技公司正在向三家存储公司下无限期订单，即“无论价格如何，都给我们尽可能多的数量” [6][14] - 美国大型科技公司正在改变招聘方式，将更多存储芯片采购经理雇佣到韩国、中国台湾和新加坡等亚洲地区工作，以密切管理亚洲供应链 [5][13] - 谷歌和Meta等公司正在招聘具备工程知识的专家担任全球采购经理，旨在进行技术协调和确保产量，而非简单采购 [5][13] 具体公司动态 - **谷歌**：解雇了因缺乏远见、未能与主要存储供应商签署长期协议(LTA)的采购高管 [1][9]；其目前60%的HBM由三星电子供应 [4][12]；为满足TPU生产需求，曾向SK海力士和美光寻求2026年额外HBM供应，但被拒绝 [4][12] - **微软**：采购主管访问韩国SK海力士总部谈判供应合同与价格，但SK海力士表示在微软想要的条件下供应很困难，导致微软高管在会议中愤怒离席 [4][12] - **苹果**：与三星和SK海力士签订的存储芯片长期协议(LTA)将于2026年1月到期，供应商计划从2026年1月起提高对苹果的供应价格，苹果将受到供应短缺和涨价的严重冲击 [5][13] - **谷歌TPU业务**：正积极推动自研TPU向外部客户供应 [1][9]；摩根士丹利预测，到2027年谷歌TPU出货量将达到500万个，较此前预测增加67% [2][10]；此预测前提是获得足够的HBM供应，例如其第七代TPU需集成8个HBM3E堆栈 [2][10]

谷歌、微软、苹果排前三，美国入选最多， | 排 | 行业 | 品牌 | 代表性品牌 | | --- | --- | --- | --- | | 名 | | 数量 | | | | 1 汽车与零件 | 33 | 特斯拉、丰田、梅赛德斯-奔驰、法拉利、 | | | | | 宝马、福特 | | 2 | 能源 | 30 | 国家电网、埃克森美孚、壳牌、英国石油、 | | | | | 道达尔能源、中国石油 | | | 2 食品与饮料 | 30 | 可口可乐、雀巢、百事、百威、茅台、五粮液 | | 4 | 银行 | 29 | 中国工商银行、美国银行、汇丰、 | | | | | 中国建设银行、富国银行、中国银行 | | 5 | 零售 | 27 | 沃尔玛、宜家、好市多、7-11、乐购、百思买 | | 5 | 计算机与通讯 27 | | 苹果、英伟达、博通、IBM、思科、华为 | | 7 | 互联网 | 24 | 谷歌、亚马逊、Meta、YouTube、腾讯、X(推特) | | 7 | 传媒 | 24 | 迪士尼、奈飞、CCTV、HBO、汤森路透、 | | | | | 人民日报 | | 9 | 保险 | 22 | 荷兰国际集团 ...

Gemini 3 的发布与市场地位 - 2025年底，Gemini 3以“世界最强多模态理解”、“交互最深智能体”、“推理怪兽”的姿态，在多项权威基准测试中“横扫”并“碾压”全球所有同类模型，强势突围 [2] - 谷歌CEO桑达尔·皮查伊亲自为Gemini 3站台，称其为“迄今为止最智能的模型” [2] Gemini 3 性能表现（基于基准测试数据） - 在“Harlord's Lott Each”测试中，Gemini 3得分为57.68，而GPT-5.8为26.6% [3] - 在“ARC 404-2”测试中，Gemini 3得分为51.18，而GPT-5.8为17.0% [3] - 在“OPGA Distribution”测试中，Gemini 3得分为91.98，而GPT-5.8为8.7% [3] - 在“Albat 2026”测试中，Gemini 3达到95.05 (100%)，而GPT-5.8为94.7% [3] - 在“Ventleye Stench 2”测试中，Gemini 3得分为$5,478.16，而GPT-5.8为$1,473.43 [3] 模型强大的核心原因 - Google DeepMind副总裁Oriol Vinyals指出，Gemini 3强大的核心秘诀在于“更好的预训练”和“更好的后训练” [2][10] - 预训练负责人Sebastian Borgeaud强调，Gemini 3的飞跃是无数细节持续优化的结果，而非单一环节的突破 [3] - 谷歌的研发模式已从单纯“做模型”转向“做系统”，其强大根源在于“研究、工程和基础设施”的深度融合 [3][16] - Gemini 3是在谷歌自研的TPU上进行训练的，体现了端到端的垂直整合优势 [16] 行业趋势与范式转变 - AI行业正从“无限数据”的规模化时代，迈入“数据有限”的新阶段 [4] - 在数据受限的背景下，合成数据、推理轨迹、长上下文、持续学习、端到端检索训练以及可靠的评估体系，共同构成行业未来的进化路径 [4] - 经典的Chinchilla项目结论在当下依然具有现实意义：在训练计算量固定的前提下，更快地扩展数据规模比盲目扩大模型规模更能训练出更优的模型，这直接影响模型推理的服务效率和使用成本 [4][22] 预训练的发展方向与创新重点 - 预训练的Scaling Law（规模定律）并未失效，规模依然重要，但架构创新和数据创新的权重已显著提升，甚至变得更为关键 [5][32] - 未来预训练的重点将转向架构创新，而非单纯追求“更大、更长、更贵” [7] - 长上下文和注意力机制是关键的创新变量，更长的上下文能让模型携带更多信息，拓宽能力边界 [7][37] - 更长期的方向是将检索与搜索以端到端、可微的方式深度融入训练，让“会检索”成为模型的内生能力 [7][39] - 公司内部有团队正在研究“后Transformer架构” [6][15] 对合成数据与数据策略的看法 - 对合成数据的使用持审慎态度，核心风险在于数据分布偏移可能导致模型陷入“自嗨”闭环 [5] - 建议的稳妥方案是：用强模型生成合成数据后，必须通过小规模可控消融实验验证其收益和潜在副作用 [5] - 一个核心研究问题是：用合成数据训练出的模型，能否超越生成数据的“老师”模型 [6][34] - Gemini 3的训练数据从一开始就是原生多模态的，融合了多种来源，为其多模态优势打下基础 [6][33] 持续学习与知识更新 - 基础模型一旦预训练结束，知识便基本定格，无法自动更新 [7] - 当前行业更可行的办法是在产品推理侧接入检索，将最新信息实时拉入上下文进行推理，从而避免频繁重训底座 [7] - 这与RETRO项目的思路一致，即将知识放在外部库，模型负责推理 [8] - 未来的目标是改变训练方式，让模型能在真实世界的数据流上持续训练，实现真正的“持续更新” [8][51] 评估体系的重要性 - 评估是预训练阶段的核心难题，如果评估体系跟不上，容易陷入“看似提升”的假象内耗 [8] - 公司内部搭建了专属的评估体系，因为外部基准很容易被污染，保留内部评估阵地是关键 [8][41] - 评估需要跨越两道鸿沟：一是小模型上的有效改进能否迁移到大模型；二是预训练阶段的优势能否在后训练后转化为真实可用的能力 [8][40] 成本与商业化考量 - 随着用户规模扩大，推理预算变得敏感，预训练环节必须为“上线落地”负责，在提升模型能力的同时，还要降低成本、节省资源 [8][52] - 原生多模态模型在处理图像等输入时，计算成本可能更高，但通过研究提升效率，其收益总体上远大于成本 [31] 模型架构细节 - Gemini 3是基于Transformer的混合专家（MoE）架构，其高层架构与上一代相比变化不大，性能飞跃是多个因素叠加的结果 [28][29] - MoE的核心思想是将“使用的计算量”和“参数规模”解耦，通过动态路由将计算分配到某些“专家”上执行 [30] 团队协作与研发文化 - Gemini 3的预训练团队规模庞大，日常参与人数可能在150到200人之间，成功是大团队共同协作的结果 [10][17] - 在谷歌/DeepMind，来自与其他实验室竞赛、强推基准目标的压力很少，领导层更重视研究进展与把研究做成 [26] 未来展望与行业影响 - 模型的能力进步不仅体现在基准测试上，更反映在内部人员使用模型提升生产力的真实工作场景中 [11] - 预测未来模型将更好地服务于科学研究，甚至可能助力获得诺贝尔奖，同时也会更深入地融入普通人生活，解决实际问题 [9][13] - 基础模型越来越强，对于不需要极度专门化的任务，使用通用模型更为合理，这改变了创业公司与研究者的关注点，如何更好地利用（harness）模型变得愈发重要 [55][56]