文章核心观点 - 当前AI行业竞争焦点已从追求模型性能转向实现商业化落地与成本效益，投资应聚焦于构建能理解世界、自主思考的AGI能力，提升模型部署效率，解决能源瓶颈，以及强化内部整合与产品闭环 [1][10][20][29] AGI技术发展路径与能力短板 - 当前大模型存在“参差不齐的智能”短板，表现不稳定且无法举一反三，缺乏持续学习和自主提出新想法的能力 [2] - 通用智能需具备自主提出问题、进行假设并验证的能力，而非仅被动回答问题 [3] - DeepMind研发重点正从大语言模型转向构建“世界模型”，旨在让AI理解世界运转规律并进行预测和模拟，相关项目包括Genie、AlphaFold和Veo [4][5][6] - 实现AGI不能仅靠扩大模型规模，而需通过组合语言模型、视频模型和世界模型等各司其职的模块来构建可靠智能 [7][8][9] 模型商业化与产品策略 - AI商业化成功关键在于模型需“用得起”，策略核心是平衡性能与成本，而非一味追求更强 [10][11] - DeepMind采用“蒸馏”技术，用最强模型训练出更轻、更快、更省资源的“Flash”版本，以实现大规模部署，例如Gemini产品线中的Pro版与Flash版 [11][12][13][14] - 未来重要方向是将AI深度集成至手机、眼镜等终端设备，实现无处不在的智能，DeepMind已与三星、Warby Parker等品牌展开设备端AI合作 [15][16][17] - 商业化设计最高优先级是效率，追求推理更快、能力更平衡、能耗更低，核心是算总成本以实现成本可控和稳定落地 [18][19] 能源瓶颈与AI的解决方案 - 能源是制约AGI发展的核心瓶颈，智能越强耗电越大，能源供应决定了AGI能否从实验室走向现实 [20][21][22][23] - DeepMind采取双轨策略利用AI解决能源问题：开源（生产新能源）与节流（提高能效） [24][25][26][27] - 具体项目包括：用AI控制核聚变反应堆、寻找室温超导材料、重新设计太阳能材料以提高转化率，以及优化电网和数据中心运行效率 [35] - 行业竞争关键将转向能源效率，谁能更省电、把每度电用得更值，谁就能部署更大规模并存活更久 [28][36] 行业竞争格局与公司战略 - Google通过内部整合形成竞争优势，过去两三年将Google Research、Google Brain和DeepMind整合为统一的Google DeepMind，并重建了AI基础设施 [32][33][34] - 整合后所有AI技术由DeepMind统一开发，并可直接、快速扩散至谷歌全线产品，实现了研发与部署的高效协同 [35][37][38] - DeepMind建立了“骨干网”以实现快速部署，例如Gemini 3模型训练完成后次日即上线搜索、Gmail等产品，这得益于其从芯片到模型的完整技术栈和谷歌庞大的现有产品平台 [39][40] - 相较于OpenAI需逐个谈合作，谷歌凭借其产品矩阵能一步到位完成大规模部署，未来12个月AI能力将扩散至更多谷歌产品中 [41][42] - 中国AI实验室在训练效率、模型能力和部署速度上追赶迅速，可能仅落后几个月，但下一阶段关键是从技术复现转向原创突破 [43][44][45][46] - 行业长跑中，生存比速度更重要，胜出关键不在于发布数量或融资额，而在于能否让产品真正运行起来并构建整合优势与产品闭环 [47][48]