文章核心观点 - 软件行业正经历从“耐用品”向“快消品”的根本性转变，软件不再默认长期存在，而是围绕具体任务被快速生产、快速消耗 [1] - 这一转变由软件生产成本、组织方式与商业模式的同步变化推动，是AI时代生产效率提升后的必然结果 [1][22] 从反直觉现象看起：软件为什么开始“用完即弃” - 出现大量生命周期极短、规模极小的软件应用，例如为零时活动或家庭需求开发，用完即删 [2] - 企业端为应对促销活动、旺季周期、临时产线或监管检查等需求快速搭建内部系统，任务完成后即被弃用或整体重构，而非长期维护 [3] - 零代码平台、AI代码生成和云资源按需计费使软件开发成本从“数十万、数月”下降到“几百元、几天”，催生了大量原本不值得系统化的需求 [4] - 根据“杰文斯悖论”，AI让代码生产极其廉价并未减少软件开发，反而推动软件进入更多场景，导致软件数量膨胀而单个软件生命周期缩短 [4] 四个正在同时发生的结构性变化 - **软件形态转变**：软件从长期运行的系统转向以完成一次任务的能力出现，例如多智能体平台自动拆解任务并交付结果，或制造业中智能体以秒级响应完成任务后即进入下一次调用，软件成为被反复消耗的生产要素 [6] - **主导权转移**：低代码/无代码平台普及使业务部门开始主导系统搭建，Gartner与IBM研究指出约70%的新应用将在2025年前后通过低代码或无代码方式完成，国内平台已支撑百万级企业用户 [7] - **成本对比变化**：AI开发工具改变了维护与重写的成本对比，使整体重写比持续维护更划算，例如某互联网公司将90天开发周期压缩至30天，内部系统在一年内经历多次整体替换 [8] - **商业模式演进**：结果付费模式为短生命周期软件提供商业合理性，企业更愿为可量化的业务结果付费，如AI客服按销售提升分成、工业设备按产出计费 [9] To B软件行业正在承受的四重冲击 - **产品标准失效**：传统围绕架构优雅、长期可扩展性、易于维护的“好产品”标准正在失效，企业更关注交付速度、结果可量化验证及弃用重建成本是否足够低 [11][12][13] - **研发模式转向**：研发从围绕统一系统持续演进转向重心前移至组件、模板、工作流及智能体协作规则的设计，目标是搭建高效率的生产线以快速组合和复制能力 [14] - **定价逻辑变化**：按年订阅、按账号收费的模式合理性下降，厂商开始尝试按结果付费、按任务计费或按调用量计费，使成本与业务价值直接对应，削弱了对年度经常性收入的高度依赖 [15] - **客户关系演变**：客户关系从长期绑定走向项目制协作，厂商更多扮演高效执行者和能力提供者，需通过效率、结果和专业度持续赢得合作，而非依赖系统迁移成本形成锁定 [16] 边界与代价：哪些软件不应被消费品化 - **适用场景**：消费品化模式适用于个人微需求、部门级临时项目、探索性验证及流程清晰、结果可快速检验的任务型场景，价值体现在及时完成任务 [17] - **不适用边界**：核心业务系统、安全与合规系统、金融交易、医疗、航空航天等高可靠领域必须坚持长期可维护的软件逻辑，稳定性、可解释性、可追责性高于交付速度和灵活性 [18][19] - **潜在风险**：在不具备条件的领域盲目推动消费品化可能累积技术债务、削弱对关键流程的理解，并在合规和安全层面留下难以追溯的风险 [20] - **未来格局**：软件行业将呈现分化格局，一端是强调速度、低成本和结果导向的快消品软件，另一端是强调质量、稳定性和长期价值的精品系统 [20] - **企业所需能力**：企业需要具备区分和匹配不同软件形态的能力，而非在两者间二选一 [21] 结语 - 软件消费品化是AI时代生产效率提升后的必然结果，当代码生成成本趋近于零，软件数量必然爆发，生命周期必然缩短 [22] - 趋势既带来数字垃圾和技术债务的风险，也释放了低成本构建工具、验证想法的创造力 [23][24] - 关键在于建立判断力，以决定哪些软件应该快、哪些必须慢，哪些可以用完即弃、哪些值得长期投入，这种分层能力将决定企业与软件厂商在新周期中的位置 [24][25]

文章核心观点 - AI智能体（如Anthropic的Claude Cowork）和高效低成本模型（如DeepSeek R1）的出现，对传统SaaS软件公司的商业模式构成了根本性挑战，可能引发行业价值重估和长期结构性调整 [5][7][10] 市场恐慌事件比较：DeepSeek恐慌与Cowork恐慌 - **DeepSeek恐慌（2025年1月）**：DeepSeek发布训练成本仅为560万美元的R1推理模型，引发市场对美国科技巨头巨额AI投资价值的担忧，导致英伟达股价单日暴跌17%，市值蒸发近5890亿美元，纳斯达克指数下跌3.1% [6][7] - **Cowork恐慌（2025年2月）**：Anthropic推出通用AI智能体Claude Cowork及其开源插件，引发市场对传统企业软件专业知识价值被替代的担忧，导致汤森路透单日暴跌15.8%，标普500软件与服务指数五个交易日下跌近13% [5] - **两次恐慌的异同**：两者传导路径相似，均有市场反应过度之嫌；但本质不同，DeepSeek是“从1到n”的成本挑战，Cowork是“从0到1”的用例创新，后者的影响可能更为持久 [9][10] - **市场表现差异**：DeepSeek恐慌在一天内基本消化，英伟达次日反弹9%；Cowork恐慌引发的软件股抛售蔓延了整整一周，并扩散至全球市场，且无缓解迹象 [11] 传统SaaS商业模式面临的挑战 - **定价模型脆弱**：传统按人头（席位制）的收费模式在AI提升效率、可能导致企业缩编时面临收入下降风险 [14] - **计费模式转型**：SaaS公司正纷纷从买断制转向按用量计费，PricingSaaS 500指数显示，前500家公司平均每年发生3.6次定价变动，79家公司提供基于点数的定价，同比增长126% [15] - **混合模式效果最佳**：采用基础月费加超额买点卡的混合模式报告最高中位增长率为21%，表现优于纯订阅和纯用量计费产品，46%的SaaS公司结合了订阅与可变收费 [17] - **AI功能涨价受阻**：企业对传统软件捆绑AI并涨价的行为抵制强烈，例如部分团队拒绝为员工支付每月30美元的365 Copilot费用，微软因“强制捆绑AI”及隐藏低价方案遭到起诉并引发客户不满 [17] - **AI转型低效**：传统软件巨头试图在现有产品中嵌入AI，但往往功能堆砌、无人使用，其AI转型的笨拙与AI原生初创公司形成鲜明对比 [17] AI原生初创公司的崛起与传统SaaS的衰落 - **融资与估值**：AI原生初创公司获得大量融资，例如法律AI公司Harvey在2025年两次融资各3亿美元，估值达50亿美元；企业搜索AI公司Glean估值达72.5亿美元 [18] - **市场表现差距**：2025年，AI应用层占据超过一半的企业AI支出（190亿美元），其中AI原生初创公司的收入几乎是传统软件厂商的两倍，其中位年增长率达到100%，而传统SaaS公司仅为23%，差距达4.3倍 [18] - **传统SaaS的“三步灭亡”模式**：以Chegg为例，第一步是否认AI有效；第二步是宣布接入AI但效果不佳；第三步是走向灭亡，其订阅用户从2022年高峰的530万骤降至2025年的320万，股价从高点跌去99%，市值从147亿美元萎缩至约1.56亿美元 [22][23] 未来趋势：Vibe Coding与企业自建工具 - **降低开发门槛**：Vibe Coding（用自然语言生成应用）若走向成熟，将促使个人和企业倾向于自己制作工具而非购买第三方SaaS产品 [20] - **企业适应速度**：当新事物部署成本足够低时，企业适应速度很快，例如社交网络普及后企业官网更新减少，Threads上线后企业迅速将其加入运营列表，以及2025年初企业纷纷接入DeepSeek [21] - **对低代码平台的冲击**：基于规则的低代码/无代码平台已成为AI模型能力进化的牺牲品 [21] - **传统软件业的剩余价值**：未来传统软件业的最大价值可能在于处理客户非标需求、通用AI产品不愿做或客户自己无法通过Vibe Coding实现的“脏活累活” [24]

文章核心观点 - 全球软件股因Anthropic推出通用AI智能体Claude Cowork而遭遇抛售 市场担忧AI智能体可能颠覆传统SaaS软件的商业模式 导致专业知识与垂类经验积累的价值受损 此次“Cowork恐慌”与一年前因DeepSeek引发的“DeepSeek恐慌”相似但可能更为持久 [1][2][4] - 传统SaaS软件行业面临来自AI原生应用、定价模式转变及企业自建工具趋势的多重结构性挑战 其商业模式和价值可能被逐步侵蚀 [6][7][11] 市场恐慌事件比较 - **DeepSeek恐慌 (2025年1月)**: DeepSeek发布低成本推理模型R1 训练成本仅为560万美元 引发市场对科技巨头巨额AI投资价值的质疑 导致英伟达股价单日暴跌17% 市值蒸发近5890亿美元 但恐慌在一天内基本消化 英伟达次日反弹9% [2][5] - **Cowork恐慌 (2025年2月)**: Anthropic推出可操作电脑文件的通用AI智能体Claude Cowork及其开源插件 引发对SaaS软件公司未来的担忧 导致标普500软件与服务指数连续五个交易日下跌近13% 较10月高点跌去26% 汤森路透等多家软件公司股价单日暴跌10%-20% 此次恐慌已蔓延一周且尚未缓解 被认为可能比DeepSeek恐慌更持久 [1][4][5] 对传统SaaS商业模式的冲击 - **定价模型脆弱性**: 传统软件按人头计费(席位制)的模式在AI提升效率可能导致企业缩编时面临收入减少的风险 SaaS公司正纷纷转向按用量计费 2025年排名前500的SaaS公司平均每年发生3.6次定价变动 其中79家提供基于点数的定价 同比增长126% [7][8] - **混合计费模式效果最佳**: 采用基础月费加超额买点卡混合模式的产品报告中位增长率最高 达21% 表现优于纯订阅和纯用量计费产品 46%的SaaS公司结合订阅与可变收费 [9] - **AI功能涨价遭抵制**: 传统软件加入AI后涨价逻辑遭到客户强烈抵制 例如部分企业拒绝为员工支付每月30美元的Microsoft 365 Copilot费用 微软因“强制捆绑AI”及隐藏低价方案遭到起诉 并宣布从2025年7月起对商业套件每人每月强制涨价3美元 [9] 行业竞争格局变化 - **传统软件公司AI转型低效**: 许多传统软件巨头在现有产品中嵌入AI的尝试往往笨拙低效 功能堆叠但无人使用 [9] - **AI原生初创公司快速崛起**: 在传统软件涉及的领域 从头开始的原生AI智能体初创公司获得大量融资 例如法律AI公司Harvey在2025年两次融资各3亿美元 估值达50亿美元 企业搜索AI公司Glean估值达72.5亿美元 [10] - **市场份额与增长差距**: 2025年AI应用层占据超过一半的企业AI支出(190亿美元) 其中AI原生初创公司的收入几乎是传统软件厂商的两倍 AI原生初创公司的中位年增长率达100% 而传统SaaS公司仅为23% 差距达4.3倍 [10] 潜在威胁与发展趋势 - **企业自建工具趋势(Vibe Coding)**: 如果“Vibe Coding”(用自然语言生成应用)走向成熟 企业可能倾向于自己制作工具而非购买第三方SaaS产品 只要新事物部署成本足够低 企业的适应速度并不慢 [11] - **传统软件公司的“三步走向灭亡”模式**: 以在线教育公司Chegg为例 第一步是否认AI有效 第二步是宣布接入AI但效果不佳 第三步是走向灭亡 Chegg订阅用户从2022年高峰的530万骤降至2025年的320万 股价从2021年高点113美元跌去99% 市值从147亿美元萎缩至约1.56亿美元 [12] - **传统软件业的未来价值**: 传统软件业的最大价值可能转向处理客户非标的、AI通用产品不愿干的“脏活累活” 但这并非性感的商业模式 而AI模型需持续提升编程能力 减少幻觉 直到达到用户不在意的临界点 [13]

01. 7% 的 GDP 增速预测依旧保守，未来 GNI 才是主流经济指标？ - 公司创始人基于人工智能、机器人、储能等五大技术平台的融合趋势，预测全球GDP增长率有望达到7%，并认为此预测可能仍显保守 [5] - 历史上，全球实际GDP增速在缺乏技术创新的1500年至约1900年间长期仅为0.6%，后因铁路、电力等核心技术普及，在约125年间将增长率推升至3% [5] - 当前五大平台的协同效应被认为将推动增长率进一步翻倍至7%，且7%的增速可能只是一个起点 [5] - 现行GDP统计体系存在严重滞后，大量技术驱动的产出成为账面上的“隐形劳动” [6] - 例如，以前无偿的家庭内部劳动未计入GDP，但未来通过购买机器人服务，这些活动将转化为可衡量的国民收入，创造巨大的GDP账面增量 [6] - 若AI治愈癌症，原本庞大的医疗开支消失会导致GDP数据缩水，但这本质是人类健康净值的提升，而非经济衰退 [6] - 衡量进步的核心应回归到由技术驱动的生产力增长，历史上软件技术最终创造了超越旧有统计范畴的惊人财富 [7] - 技术带来的生产力爆发会引领经济进入良性的通缩轨道，技术进步促使商品价格大幅下降，从而激发出爆炸式的市场需求 [8][9] - 若GDP不再能准确衡量进步，人均生产力才是观察未来的关键，同时传统的标普500指数已无法定价此类创新价值 [9] - 标普和纳斯达克的头部公司基于过去的成功经验，其纳入新技术的机制极为滞后，必须在看到既成的利润后才会行动 [10] - 公司旗舰基金ARKK过去两年的年化回报率已达31%至33%，并预判颠覆性创新在未来五年将保持35%的复合增长 [11] - 放弃GDP后，最能准确衡量进步的单一指标是GNI（国民总收入），因其源自税务数据，通常比GDP更能准确反映真实财富 [12] - 在技术剧变期，产出端（GDP）很难完全捕捉技术溢价，而收入端的GNI则能有效捕捉这些财富的流向 [12] - 当前约2%的官方生产力增速被严重低估，这种数据失真可能导致政策制定者高估通胀并犯下决策错误，关注GNI才能精准反映技术驱动下的真实财富现状 [12] 02 . 经济活动的本质就是能源的转化？ - 结合“杰文斯悖论”指出，AI成本下降将驱动单位需求显著增长 [13] - 核能、太阳能及电池技术的进步将构成未来能源结构的关键支柱 [13] - 回顾20世纪70年代以来，美国和日本的过度监管导致了核能行业的技术停滞和成本攀升 [13] 03 . 汽车行业如何进化为涵盖范围更广的「机器人行业」？ - 早期风险投资界错失了Uber的投资机会 [4] - 传统车企因内燃机和人工驾驶的“基因”导致难以转型 [4]

文章核心观点 - 人工智能技术的进步正引发“智力通缩”，使“智力”成为一种廉价、按需调用的公共设施，这将彻底重构软件工程、经济形态和创业逻辑 [4][5][6] - 在AI能力快速提升、成本急剧下降的“丰饶时代”，创业的瓶颈从“构建产品”转移到了“市场进入策略”和获取用户注意力，传统的商业成功规则依然有效 [11][12][18][31] - 未来的软件形态将向高度个性化、持续演化的“私人软件”转变，而人类在AI辅助下的创造力、协作和特定软技能将变得比以往任何时候都更重要 [17][30][47][65] 软件工程与经济的重构 - **杰文斯悖论在软件工程中的体现**：AI使代码生成更快、更便宜，但全球对软件的需求并未下降，反而可能激增，导致更高比例的全球GDP通过软件创造与消费 [5][17] - **工程师角色的重新定义**：工程师将不再专注于手动输入/调试代码，而是让计算机自主行事或执行他人指令，以创造更多价值，职业形态将发生巨大改变 [17] - **软件形态的演变**：未来软件将不再是通用型产品，而是仅为个人或极小群体定制、持续自行演化的“私人软件”，使用电脑和操作系统的方式将因此改变 [5][17][30] - **智力成本与速度的变革**：OpenAI内部预测，到2027年底，提供GPT-5.2x级别智力的成本将比现在降低**100倍以上**，同时，即使价格更高，响应速度若能提升**100倍**，市场也愿意为此买单 [6][8][9][28] - **AI带来的通缩压力**：AI将带来大规模的通缩，使经济中许多东西迅速变得非常便宜，个体赋权程度将因此上升，能以极低成本创造新事物 [22][24] 创业、护城河与市场策略 - **GTM成为核心瓶颈**：在构建应用门槛被AI大幅降低后，真正的难点变成了市场进入策略，即如何把产品卖到对的用户手里，创业者的最大痛苦从“做不出产品”变为“没人关心你的产品” [11][18] - **注意力是终极稀缺资源**：在产品爆炸的时代，稀缺的不是技术，而是用户的注意力，流量成本可能因同质化竞争而飙升，人类注意力将成为最后的商品 [12][18] - **创业护城河的构建**：打造成功创业公司的基本规则并未改变，仍需解决获取用户、提供粘性价值、建立网络效应或竞争优势等护城河问题 [31] - **应对模型迭代风险的策略**：创业者应构建那些“迫切希望模型变得更好”的业务，若下一次模型升级让公司感到恐惧，则需重新思考方向 [15][32] - **独立开发者的生存空间**：多智能体入口的未来形态尚不明确，可能趋向多元化，构建帮助人们更好使用强大模型的工具是一个非常好的创业方向 [20][21] AI能力发展、应用与挑战 - **模型能力与人类挖掘能力的落差**：当前模型所具备的能力与大多数人实际能够挖掘出的能力之间，存在巨大且仍在扩大的落差，这中间蕴藏着巨大的商业机会 [14][21] - **通用模型与专业化的取舍**：未来主要需要非常优秀的通用模型，OpenAI承认在GPT-5.2的开发中过于侧重代码和推理能力而牺牲了写作能力，但目标是补齐所有维度的短板 [27] - **智能体的长链路能力发展**：智能体何时能运行长链路工作流取决于任务类型，关键在于如何拓宽自治的边界，建议将任务拆分为智能体可自我验证的子问题 [34][35] - **AI在科研中的角色**：距离模型在大多数领域完成闭环式自主研究还有相当长的路要走，目前模型在创造力、直觉与判断力方面还遥不可及，但人机协作能极大提升科研效率 [40][41] - **技术栈的演进与锁定**：未来模型将非常擅长使用新事物，目标是在面对全新环境、工具或技术时，只需一次解释就能极其可靠地正确使用 [39] 社会、教育与人机协作 - **AI对经济平等的影响**：AI可能成为社会的平等化力量，赋能个体，但也可能导致权力和财富极度集中，政策应防止后者发生 [25] - **教育模式的变革**：教学方法需要改变以适应AI工具，学生需要学会的是思考能力，而非被禁止使用工具，未来约**10%**的极端自学者已表现出色 [45][46][47] - **人机与人人协作的价值**：在充满AI的世界里，人类之间的连接将变得更有价值，人们会更加重视聚在一起共同工作，AI将以前所未有的方式促进团队协作 [47] - **人类创作者与AI的关系**：人们在乎人远胜于在乎机器，完全由AI生成的艺术作品可能不被接受，创作者的个人经历、生平故事及在创作过程中的付出将变得极其重要 [61][62] - **AI时代最重要的个人能力**：相比于具体技术，培养高主观能动性、善于提出新想法、强大的韧性以及对快速变化世界的适应能力更为关键 [65] 安全、隐私与治理 - **生物安全与韧性策略**：AI在生物安全领域带来严峻挑战，世界需要将思路从封堵访问权限转向建设“韧性”基础设施，AI本身也是构建这种韧性的工具 [42][43] - **宏观安全基础设施的缺失**：AI能力强大且使用便利，但缺乏宏观的安全基础设施，一旦发生罕见失效可能是灾难性的，构建此类基础设施的公司将极具价值 [49] - **信息共享与隐私的平衡**：AI掌握大量个人隐私信息，在实现跨平台信息共享时，需要解决细粒度的控制问题，确保安全与隐私 [56][57][63] - **低龄儿童与AI的接触**：在摸清科技对低龄儿童发育的影响之前，不主张在幼儿园普遍使用AI或计算机，儿童应更多进行实体互动 [51] 组织与人才 - **软件工程师招聘的变革**：企业相信更少的人能完成更多工作，招聘策略应是放慢增速但持续招人，面试流程需要改革以考察候选人在新工作方式下的高效产出能力 [58] - **企业拥抱AI的紧迫性**：未来，积极拥抱AI、招聘能高效使用AI人才的公司将胜出，不这么做的企业将被纯AI公司淘汰，这要求企业必须尽快大规模采用AI [59]

文章核心观点 - OpenAI CEO山姆·奥特曼认为，AI将深刻改变工作方式、创业生态和经济结构，但人的角色无法被替代[6] 其核心观点是AI将带来巨大的通缩压力，降低创造门槛，但同时也需警惕其可能加剧财富集中，并认为生物安全是近期最值得关注的领域[7][10][19] 职业未来：程序员工作会变，但需求不会少 - 软件工程师的需求不会减少，反而可能扩大，但工作角色将发生本质变化，更多人将从事“指挥计算机”的工作[13] - 花在编码和调试上的时间会大幅减少，但软件的总体需求未减，对全球GDP的贡献比例预计将显著提高[13] - 未来将出现更多为个人或极小群体定制、可不断进行个性化调整的软件[13] 创业难题：产品好做，用户难找 - AI降低了产品开发成本，但市场推广和获取用户注意力成为新的主要瓶颈，因为“人类的注意力始终稀缺”[15] - 创业的核心法则，如创造差异和获取用户，并未因AI而变简单[15] - 在多智能体系统等前沿领域，存在巨大机会，但目前模型能力与用户获取价值的能力之间存在鸿沟，需要生态共同探索[16][17] 经济与成本：AI能否让世界更公平？ - AI将带来巨大的通缩压力，显著降低商品、服务以及创造和获取知识的成本[19] - 举例而言，今年内，一个人可能只需花几百或几千美元，就能做出过去需要一个团队一年才能完成的软件，这将极大地赋能个人[19] - 存在AI加剧财富集中的风险，确保其被用于普惠必须是政策制定的核心[19] - 未来是通用模型的天下，模型需要在所有维度上进步，而不仅仅是专精于某一领域[20] - 模型成本未来几年有大幅下降空间，但“速度”可能成为新的瓶颈和付费维度[21] 专属AI时代：软件将为你“量身定制” - 软件使用方式将发生根本变化，用户将越来越多地期望电脑能直接编写代码解决特定问题，软件将变得越来越懂用户习惯并最终实现量身定制[23] - 对初创公司而言，AI并未改变创业的基本规则，建立品牌和获取用户的难度并未降低[23] - 创业者应致力于开发那些会因AI变强而更成功的产品，而非仅仅围绕现有模型打补丁[23] - 能够跑完长流程的智能体实现取决于任务范围，需从目标明确、可控的小任务开始[24] - 随着创作成本降低，验证想法将更快，开发能帮助人们进行头脑风暴、产生新创意的AI工具将很有价值[25] 最危险前沿：AI可能在这些领域出问题 - 到2026年，生物安全是OpenAI最关注的领域之一，当前模型在生物学上已很强，仅靠限制访问无法长远防止滥用[29] - AI安全治理需从试图“阻断”转向建设“韧性”，就像对待火一样，制定规范并提升基础设施的安全性[29] - 如果2024年AI出大事故，很可能与生物领域有关[30] - 用户因工具好用且故障率低而快速放松警惕，是AI大规模部署时最被低估的风险之一[33] AI时代的教育：我们该学什么？ - 在AI普及的世界里，人与人的真实连接会更有价值，“多人+AI”的协作界面将是重要探索方向[32] - 幼儿园阶段不应引入电脑或AI，孩子应在户外玩耍并与真人互动[34] - 在AI时代，最应培养的并非具体技术，而是高能动性、创造力、适应力和韧性等软技能[11][45] 账户互联与招聘变化 - OpenAI计划支持ChatGPT账户登录第三方服务，初期将优先实现共享token额度和付费模型互通，但因涉及大量用户隐私，信息共享功能需待技术更成熟后谨慎推进[39] - OpenAI仍在招聘，但会更谨慎，面试方式可能转变为考察候选人运用AI工具在极短时间内完成过去需长时间任务的能力[41] - 未来公司模式可能是“少量员工+大量AI助手”，不积极拥抱AI的公司可能被更灵活的全AI公司淘汰[41] 创作者与AI的关系及技术展望 - 当人们知道作品是AI生成时，评价会下降，人类创作者的情感投入和策展仍然是作品价值的关键部分[43] - OpenAI将大力投入AI的记忆和个性化功能发展，目标是让AI能自动理解生活复杂性并判断信息使用场景，而无需用户手动分类[44] - 对未来模型的展望是能力、上下文长度、速度均比当前模型强100倍，同时成本降低100倍，并具备完美的工具调用和长程一致性[46]

行业未来产品形态与市场趋势 - 未来软件应用将高度个性化，每个人都将拥有为自己定制的App版本，世界将充满为个人定制的软件[7] - 当前行业竞争激烈，主要AI公司如ChatGPT和Claude正在疯狂开发各种应用，试图收割不同层面的用户[8] - 正确的AI交互界面形态仍是未解领域，存在巨大探索空间，可能涵盖从多屏操作到极简语音指令等多种模式[12] - 当AI使内容生产变得廉价时，真正稀缺的价值在于创作者独特的视角、人生经历和背后的故事，这些是AI难以复制的[15] - 人类只在乎人类创造的内容，缺乏人类故事和情感支撑的纯AI生成内容（被称为“Clanker废铁”）一旦被识破，便不受欢迎[15] 开发者生态与工程角色演变 - AI降低了代码成本，但工程师的需求不会减少，其定义将改变，从亲自敲代码转变为指挥计算机完成任务[7] - 行业面临“杰文斯悖论”，即代码越便宜，其需求反而越多[7] - 对于应用开发者而言，利用AI开发软件变得容易，但获取用户（Go-to-Market）仍是核心挑战，因为人类的注意力是有限的稀缺资源[16][18] - 软件开发者的面试形式需要变革，理想的面试可能是要求候选人在10-20分钟内完成一个过去需要一人两周的任务，以考察其在AI新时代的有效工作能力[37] 模型能力发展与技术路线 - OpenAI承认在GPT-5.2版本中，为了增强推理和编码能力，牺牲了部分写作能力，但承诺将在后续版本中补足[19][20] - 对于模型是否会受旧技术栈锁定的问题，观点乐观，认为模型本质是通用推理引擎，未来学习新工具的速度将超过人类[21] - 3D推理能力（如用于药物设计）是已知需求且已在路线图上，但目前是优先级排序问题[22] - 到2027年底，GPT-5.2级别的智能计算成本预计将至少降低100倍[32] - 除了降低成本，提升推理速度（如将输出时间缩短到百分之一）是另一个重要的优化方向[32] 商业模式、数据与平台策略 - AI的普及可能冲击现有软件订阅模式，用户可能因能自行开发软件而减少对昂贵订阅服务（如Salesforce）的支付[18] - OpenAI计划开放“用ChatGPT登录”功能，允许用户将Token预算带到第三方应用，记忆共享是更敏感但也是长期目标[28][31] - 用户的记忆数据是ChatGPT的重要护城河，如何安全地向第三方开放这些数据是公司正在权衡的问题[31] 安全、伦理与监管考量 - 对于生物安全等风险，单纯封堵已不可行，社会需要建立类似防火规范的韧性机制来应对[23] - 生物安全领域被认为是若AI出现重大热点问题时的“合理赌注”[23] - 在个人隐私方面，有用户希望AI能手动分组记忆（如工作与私人），但公司CEO更倾向于让AI知晓一切并自行判断，以提升使用便利性[24] - 对于幼儿教育，态度保守，建议幼儿园阶段不应使用电脑和AI，应让孩子在现实世界玩耍，并警惕技术对幼儿的潜在负面影响[36] 人才、教育与技能需求 - 对于有野心的AI建设者，当前技术窗口期宝贵，留在大学可能不是时间的最佳利用方式[32] - AI时代最重要的技能是软技能，包括高能动性、善于产生想法、有韧性以及能适应快速变化的世界[41] - 公司（OpenAI）将放缓招聘速度，以避免因AI能力提升而导致未来不必要的裁员[40]

大宗商品板块 - 2026年大宗商品板块仍然值得重点关注，但需更谨慎对待细分的小金属 [2][9][70] - 资源品价格上涨的核心原因包括：长期开采导致成本上升、品位下降、储量减少，以及逆全球化背景下各国将稀有金属作为战略储备，凭空增加了库存需求 [5][6][63][64] - 2025年部分品类价格涨幅显著，例如黄金上涨60%，铜上涨40%至50%，铝也大幅上涨 [7][66] - 中国矿企凭借制造业优势，在统一全球价格下实现了量价齐升，利润增幅高于欧美矿企，源乐晟自2024年起布局铜，2025年加大了对金、铝及部分小金属的布局 [7][67] - 供给端缺乏边际弹性，例如全球电解铝新增产能仅100多万吨，相较于全球五六千万吨的总需求，短期增量几乎可以忽略，而需求在逆全球化、AI发展等因素下保持稳定，价格长期大幅回落的可能性较低 [26][88] - 即便出现材料替代或下游控量，也仅能放缓价格上涨斜率，不改变长期上涨趋势 [2][26][88] - 资源类企业当前几乎无大额资本开支，高品位、低成本矿藏储量持续减少，开采难度加大，供给端持续低于预期，而需求端时常超预期，叠加战略储备需求，资源品价格大概率逐年抬升 [27][89][90] 新消费板块 - 全球消费大贝塔表现不佳，但结构性机会依然存在，这与后工业化时代消费价值判断多元化、市场不断碎片化相关 [3][10][72] - 投资新消费的关键在于放下自我偏好，重视市场数据和边际变化，而非个人判断 [11][73] - 新兴消费的天花板可能不如白酒等传统消费高，当市值达到一定规模，市场会担忧其增长空间，因此需要每年在众多SKU中筛选出边际变化最强的细分方向，并紧密跟踪增长斜率的变化 [2][13][35][74][97] - 新消费行业碎片化特征显著，品类迭代速度快，可能今年流行电动牙刷，明年流行剃须刀，与传统消费投资逻辑不同 [33][95] - 部分新消费业态表现超预期，例如部分新兴餐饮的翻台率能达到10，而此前餐饮龙头上市公司的最高翻台率仅为5 [34][96] - 新消费公司可能以极快速度实现高利润，例如传统消费龙头需15到20年做到100多亿利润，而新消费公司可能两年就能达到50亿利润 [39][101] AI行业 - AI行业正处于飞速发展阶段，越来越多的细分领域开始形成商业闭环，只要底层技术持续迭代进步，就应该对行业的资本开支保持适度宽容 [2][42][104] - AI投资在美国和中国已成为能影响国家宏观经济走势的核心产业，产业规模巨大，2025年美国经济若剔除AI相关投资，整体经济其实没有增长 [3][16][17][77][78] - 2026年是AI行业标志性的一年，一大批大模型公司将陆续上市，进入“是骡子是马拉出来遛遛”的阶段 [2][53][115] - 投资AI的稳妥策略是：在方向尚不清晰时控制仓位，在趋势逐步确认后加大投入，用战术灵活性匹配战略确定性，例如待杰文斯悖论（技术成本下降推动需求提升）开始兑现后再加大布局 [4][21][83] - 市场对AI存在泡沫的讨论有益于行业发展，能约束参与者的资本开支行为，且资本开支与营收存在滞后性，当前开支是为未来一两年营收做铺垫 [41][42][103][104] - AI应用机会过去三年更多集中在B端，例如美国科技企业通过AI实现可观的人力成本节省，从硬件向应用端的投资逻辑正在演进 [44][106][107] - 中美资本市场AI应用标的逻辑相反：美股传统应用企业因市场份额被大模型公司抢占而股价暴跌；A股部分被炒作的AI应用标的从产业逻辑看可能被大模型替代 [47][109] - 对AI行业长期发展充满信心，头部企业模型仍在迭代，数据向好，行业波动往往是布局机会，自动驾驶等领域一旦规模化落地将需要海量算力支撑 [47][49][50][109][112] 其他行业与宏观观点 - 化工股近期的上涨主要源于供给端变化：过去三年资本开支见顶、行业熊市多年后库存处于低位、以及国内“反内卷”政策对供给形成约束，而非需求大幅回暖 [52][114] - 2026年需关注两大风险：一是AI领域的“交棒风险”，即大模型公司上市后能否顺利接棒；二是全球地缘政治与资源囤积风险，各国不安全感提升可能引发冲突 [53][55][115][117] - AI引发的宏观经济波动风险值得警惕，例如AI投资对美国经济数据影响巨大，且其替代人工可能导致中产阶级失业率问题，美联储政策可能滞后 [56][57][118][119] - 地缘政治的突发风险，如美国大选年可能出现的扰乱市场政策，会加深全球不安全感，带来阶段性波动 [57][119]

文章核心观点 - 英伟达2026财年第三季度业绩稳健超预期，尽管市场对AI支出存在担忧，但公司凭借数据中心业务的强劲增长、健康的财务状况、领先的技术平台和生态系统护城河，在AI革命中占据主导地位，分析师认为其长期前景稳固，2026年存在多个增长动力，但同时也面临行业估值调整的潜在风险 [1][2][14][22] 2026财年第三季度财报表现 - **营收与盈利超预期**：第三季度营收达570.1亿美元，超出市场预期3.48%，同比增长26% [1][4]；调整后每股收益为1.30美元，超出分析师预期3.46% [1] - **数据中心业务驱动增长**：数据中心部门收入达512亿美元，同比增长66%，表明需求依然强劲 [4] - **毛利率变化与原因**：毛利润同比增长60%至418亿美元，但毛利率同比下降1.2个百分点至73.4%，主要原因是销售模式从单个芯片转向包含GPU、冷却系统、网络解决方案等的完整系统，这些附加部件的利润率较低 [5] - **出色的运营与盈利能力**：营业收入同比增长65%至360亿美元；净利润同比增长65%至319亿美元，基本每股收益为1.31美元 [6] - **强劲的资产负债表与现金流**：现金及现金等价物同比增长40%至606亿美元，总资产1611亿美元，总负债423亿美元，资产负债表健康 [6]；经营现金流同比增长40%至665亿美元，自由现金流同比增长36%至617亿美元 [6] - **下季度展望积极**：管理层预计下季度营收约为650亿美元（上下浮动几个百分点），毛利率预计约为74.8%，显示持续增长势头和利润率可能企稳甚至提升 [6] 英伟达的估值分析 - **当前股价与历史表现**：发布时股价约188美元/股，过去六个月上涨约10%，一年期回报率约42%，五年期涨幅近1300% [9] - **估值倍数高于行业**：公司当前GAAP预期市盈率约40倍，意味着投资者为其每1美元年化收益支付约40美元，比行业平均水平高出约26% [12]；预期市净率高达29倍，比行业中位数高出约500% [13] - **高估值的合理性**：公司在AI市场占据主导地位（有报告称占据90%的市场），处于互联网以来最大技术革命的中心，其CUDA软件平台已成为行业标准，创造了巨大的转换成本和竞争护城河，这些竞争优势支撑了溢价估值 [13] - **技术迭代推动增长**：芯片性能呈指数级增长（从Hopper到Blackwell，再到预计2026年下半年推出的Rubin），性能飞跃降低了旧型号和替代品的吸引力，形成了升级周期的飞轮效应，使竞争对手持续追赶 [14] - **长期投资视角**：对于五年以上投资视野的长期投资者而言，当前价格水平被认为是合理的，尽管预计近期会因AI支出消息而产生波动 [14] 2026年的潜在增长动力 - **中国市场重新开放**：限制解除后，来自中国科技公司的H200芯片订单超过200万片，单价约2.7万美元，首批约8万片预计于2026年2月中旬出货，有望显著贡献利润 [16] - **Rubin平台发布**：预计2026年下半年推出的Rubin平台是一项重大技术升级，据称与Blackwell相比，能将运行AI模型的成本降低10倍，训练AI模型所需的GPU数量减少4倍 [18] - **客户广泛采用**：微软、Alphabet、亚马逊、甲骨文等超大规模数据中心承诺在2026年下半年部署Rubin；Anthropic、Meta、OpenAI等AI公司也计划利用Rubin训练下一代模型 [18] - **市场扩张潜力**：Rubin带来的效率提升可能遵循杰文斯悖论，即效率提高导致使用量增加，从而显著扩大AI市场，而非减少芯片销量 [19] - **巨大的盈利潜力**：若到2028年Rubin占据高性能芯片市场60%到70%的份额，该平台可能产生1500亿至2000亿美元的毛利润，扣除运营成本后，可能转化为1200亿至1600亿美元的净利润 [19] 2026年的潜在风险 - **行业投资回报缺口**：高盛预测，2026年主要云公司在AI基础设施上的支出将达5270亿美元（较2025年的约4000亿美元显著增加），但这些投资需要产生超1万亿美元的年利润才能证明合理性，而2026年估计利润仅约4500亿美元，存在巨大缺口 [20] - **AI泡沫与估值重估风险**：德意志银行预计OpenAI在2024年至2029年间可能消耗1430亿美元才能盈利，若其2026年下半年上市后财务状况不佳，可能引发整个AI行业估值的广泛重新评估，导致AI股票抛售 [20] - **历史模式警示**：当前巨额投资期望AI应用回报但实际收入滞后的模式，类似于历史上的铁路繁荣、互联网泡沫等，行业可能过度扩张并在价值实现前经历痛苦调整 [21] - **股价下行风险**：若AI泡沫破裂，英伟达估值可能从当前40倍预期市盈率降至低于20倍，叠加盈利增长放缓，股价可能大幅下跌，即使公司运营执行良好 [21]

报告概览与核心预测 - 报告为《人工智能现状报告 2025》，长达300多页，由业界顶尖从业者评审，涵盖技术、产业、政策、安全、市场等多个维度[2] - 报告对下一年度做出多项预测：中国研究机构在前沿AI模型研究上将超越美国；开放式AI智能体(Agent)更值得获得进一步科研发现；基于AI生成欺诈视频的网络攻击将引发国际讨论；美国某头部AI研究架构将转向开源生态以获得政府支持[2] 技术发展与模型竞争 - 2024年末至2025年，随着GPT-o1发布，基于深度推理的大模型发展热潮兴起，多家厂商快速面世多个推理模型[3] - 以Meta为代表的科技巨头定义了“超级人工智能”(Superintelligence)一词，“通用人工智能”(AGI)成为过去时[3] - 顶尖模型仍保持闭源，如GPT-5、GPT-o3、Gemini 2.5 Pro、Claude 4.1 Opus、Grok4等，其中OpenAI的GPT-5在多个基准测试中保持领先[5] - 中国基础模型虽未取得突破性进展，但在开源模型领域颇具竞争力，DeepSeek、Qwen和Kimi等模型崛起，在推理和编程任务方面正逐步缩小与领先者的差距[6] - 开源为中国厂商提供了快速追赶的契机，越来越多的开发者选择基于Qwen进行开发[6] - 曾作为开源模型标杆的Meta Llama，其市场份额已从2024年末的约50%大幅下滑至目前的15%[6] - 近期推理模型的方法改进完全处于基准模型的误差范围内，可能意味着其进步并不真实，且强化学习带来的实际收益微乎其微，容易过拟合[9] - 前沿AI实验室正探索将强化学习、可验证奖励机制、可验证推理与新环境结合，赋予模型规划、反馈、自我修正及长期执行任务的能力[11] - AI研究正考虑利用小语言模型构建智能体，因其成本显著降低且能满足实际操作需求，策略是采用小语言模型构建有限的异构智能体架构，仅在必要时调用大模型[11] AI智能体与产业应用 - AI智能体框架发展迅速，LangChain仍是众多选择之一，各细分领域涌现数十种框架，如研发领域的AutoGen、camel，软件工程领域的MetaGPT等[13] - AI智能体的研究正赋予其记忆能力，实现从拓展上下文窗口到结构化、持久性终身记忆的转变，并延伸至动态整合、遗忘和反思[13] - AI在跨学科领域应用价值凸显，例如DeepMind基于Gemini 2.0构建的AI系统“Co-scientist”能生成、辩论并进化其假设生成与实验规划过程[13] - AI在物理世界涌现，如艾伦人工智能研究所的MolmoAct和谷歌的Gemini Robotics 1.5，能提升物理机器人的可解释性和可靠性[13] - AI产业应用迅速普及，AI优先企业营收远超其SaaS同行，在各个行业展现出发展势头[13] - 2025年，随着AI采用率上升，用户留存率上升，企业支出增加，特别是在音视频、虚拟形象、图像生成领域，AI公司收入有望实现爆发式增长[13] - 企业内部AI应用场景以内容生成、代码生成、研究及分析密集型任务最为常见[18] - 使用频率最高的工具包括ChatGPT、Claude、Gemini/Google和Perplexity，DeepSeek覆盖率略低但使用频率相对较高[18] - 在开发者工具中，Cursor、Claude Code和GitHub Copilot备受青睐；非编程工具中，Deep Research、ChatGPT、ElevenLabs、Perplexity和Claude使用频率非常高[18] - 对1183名AI从业者的调研显示，95%的专业人士现在在工作或生活中使用AI，76%的人自掏腰包购买AI工具，且大多数人表示生产力持续提高[25] 市场竞争、风险与基础设施 - AI编程工具可能主动覆盖企业生产代码，导致开发成果受损[21] - 从事AI编程开发的初创公司面临严峻的单位经济效益挑战，盈利受制于上游模型价格和竞争对手，可能采取突然提价或限制用户功能等措施[21] - 浏览器正成为AI应用的最新焦点和企业竞争的新战场，OpenAI、Google、Anthropic和Perplexity均推出了能在浏览器中导航和操作的助手功能，将浏览器重新定义为智能操作系统[21] - 谷歌在其产品中嵌入Gemini能力，其每月Token消耗数量在2025年同比增长了50倍，达到千万亿个Token[22] - 电力供应正成为制约AI发展的新因素，若电力供应不足，国家AI计划将面临崩溃风险，未来1-3年内美国几个主要地区可能会出现电力短缺[22] - 美国能源部警告，由于电力供应不稳定和AI需求增长，到2030年，停电频率可能会增加100倍[22] - 2024年末DeepSeek搅动市场，市场重新认识“杰文斯悖论”，即更便宜的智能带来更高的需求，进而提高对芯片的消耗[22] - GPU至关重要，英伟达市值突破4万亿美元，占据90%的AI研究论文市场份额，定制芯片与新云服务同步崛起[25] - 除英伟达外，上市公司Coreweave、Nebius以及私企Lambda、Crusoe因客户对优惠价格、灵活合同条款及AI专用软件套件的需求增加而实现快速增长[25] - TPU和AMD的GPU普及程度并不高[25] 劳动力市场影响 - AI主要挤压入门级岗位市场，在软件和客服领域，这类岗位极易受AI技术影响，其招聘岗位持续下降，经验丰富的劳动力暂时保持工作稳定性[25] - 研究发现当前劳动力市场变化早于2022年ChatGPT的问世，AI自动化目前并未削弱经济领域对认知型劳动力的需求[28] 政策、安全与监管 - 美国推行“美国AI优先”战略并调整出口政策，中国加速推进自主研发与本土芯片制造，中美AI竞赛愈演愈烈[28] - 2025年，特朗普政府将人工智能安全研究所更名为人工智能标准与创新中心，并启动了5000亿美元的“星门计划”，同时美国政府发布《人工智能行动计划》力求保持其全球主导地位[28] - AI芯片出口限制政策用“反复”形容，美国政府需在国家安全目标与供应链依赖、供应商游说间寻求平衡，英伟达和AMD成为政治焦点，英伟达在中国市场并未达到稳定状态[28] - 美国监管措施在巨额投资浪潮中被边缘化，国际外交陷入僵局，《人工智能法案》实施遭遇重重阻碍[31] - AI数据中心建设陷入邻避主义瓶颈，美国公众对新建大规模数据中心的反对声日益高涨[33] - 政府《人工智能行动计划》提及需自主AI领域“基础科学”，但其核心研发资金远低于专家建议的2026年320亿美元投资目标[33] - 硅谷科技巨头采取“逆向”并购政策：通过快速引进人才（创始人及团队高薪）以规避并购限制，同时保留原业务精简的公司转型拓展小众市场，例如微软收购Inflection，谷歌收购Character AI，亚马逊收购Adept，Meta收购Scale AI[33] - 美国联邦贸易委员会对这类“逆向”并购行为的担忧日益加剧[35] - 美国就AI安全相关的政策议题发生转变，加之实验室间商业竞争激烈，某些安全规程已被列为非优先事项[36] - 外部安全机构年度预算甚至不及顶尖实验室单日总支出，曾以安全为核心的机构开始将重点转向产品化[36] - 报告估算，外部AI安全研究投入仅约1.3亿美元，而同期全球AI研发支出接近千亿美元，比例极低[36] - AI实验室为防范生物安全风险和网络攻击部署了空前防护，部分实验室却因错过自我设定的截止日期或悄然放弃测试方案[36] - 网络攻击能力每五个月翻一番，远超防御措施的更新速度，犯罪分子利用AI智能体的勒索软件已渗透至世界500强企业[39] - 涉及生成式AI的安全事件正呈急剧增长态势，大量报告事件涉及AI换脸技术，与大模型的滥用密切相关，AI代理正日益成为网络安全防御的重大挑战[39]