AI技术发展现状与趋势 - 预训练、后训练和推理构成AI发展的"三位一体"框架 预训练已进入边际效益递减阶段 真正杠杆在于架构改进 后训练聚焦模型个性与智能表现 推理能力训练则引导AI自主摸索链式思维[4][8] - 2025年成为"推理之年" 各大实验室重点转向推理优化 但后续进展将越来越困难[5][7] - 预训练收益递减源于基本规律 模型智能水平与计算资源呈对数线性增长 提升智能需指数级增加计算资源[7][8] Agent商业模式与竞争格局 - Agent价格将趋近计算使用成本 普适性和性价比将颠覆传统人力密集型领域[6][18] - 简单重复性任务由AI完成 复杂需人类理解的服务保持价值稀缺性[19][26] - 创业公司机会在于构建网络效应和规模经济 而非依赖高价Agent[21][26] 机器人技术突破与商业化 - LLMs为机器人提供低成本语言接口 结合强大视觉编码器 赋予处理通用任务的先发优势[24][25] - 机器人领域正处于研究最后阶段 距离商业化仅数月到数年时间[22][25] - 技术突破使机器人能快速解决多样化任务 如叠衣服、搬运纸箱等[25] 编程领域变革与未来趋势 - 编程发展呈现非线性加速 未来将形成混合模式:人类主导设计+Agent自动编码[32][34] - Agentic工程师处理明确结果的任务如bug修复、代码重构 人类负责需"品味"的设计工作[34][35] - 关键挑战在于如何让Agent理解代码库 目前仍需人类进行高层次设计[33][35] 专有数据价值重估 - 专有数据价值被高估 "无限智能、无限耐心"的Agent可从公开数据重构替代信息[29][30] - 真正有价值的专有数据是具体客户的深度个性化信息 可辅助专业决策而非训练技能[31] - 垂直领域专属模型表现普遍不如下一代通用模型 因综合能力远超单纯记忆[29] 企业管理与文化构建 - 技术团队应消除研究员与工程师界限 建立平等环境促进全栈理解[37][38] - 管理者核心是真诚关心团队成员 建立忠诚度才能推动困难决策[50][51] - 高绩效人才管理需平衡个人创作欲望与团队协作目标[52] AI教育应用与人才培养 - AI最佳应用是帮助用户成为领域专家 同时减轻重复性工作负担[42][43] - 教育应聚焦学习过程和自主能动性培养 而非特定技能[43][44] - 即时响应式学习能抓住最佳学习时机 大幅提升教育效果[46] 安全防御新范式 - AI使攻击能力提升 防御措施需更加自主化和智能化[53] - 企业需重构业务流程以适应自主安全系统 这为创业公司创造机会[53]

文章核心观点 - 2025年第一季度中美AI领域火热，AGI路线图上智能提升是唯一主线，要围绕智能投资和思考，模型公司壁垒在于成为Cloud或OS，未来模型和产品边界将模糊；最大非共识是pre - training空间大，Coding是实现AGI的最好环境，Agentic AI是未来关键，AGI时代组织和文化竞争力仅次于算力 [3] 重新重视Pre - training - pre - training空间大，还会涌现新能力，下一代SOTA模型能显著超过当前模型，只有pre - training能决定模型内在上限，post training和RL不涌现新能力 [5][6] - OpenAI看似不重视pre - training可能是战略选择和组织问题，战略上O系列刷分快、ChatGPT成长快占用精力，组织上pre - training核心团队动荡 [7] - RL能产生合成数据加入pre - training环节，可解决数据瓶颈问题，但training和RL inference融合难，涉及训练框架的Infra问题 [9] - 期待pre - training涌现新能力，如提升模型tool use能力，Manus是Anthropic tool use能力的“ChatGPT时刻” [9][10] - 对两年内实现AGI有信心，Coding是实现AGI最好的环境，是模型的“手”，现实世界多数任务可用Coding表达，Agent可通过操作电脑和手机任务接近AGI [11][12] - Anthropic在Coding上有领先优势，Cursor是热门编程IDE工具，多数开发者选Sonnet，Coding是$1T级机会，模型公司在AI for Science领域突破可达到$1T或$10T [14][15][16] - Coding应作为技术引擎，产品表达形式待定义，期待Cursor在交互表达上有新突破 [17] ChatGPT只是攀登AGI的第一站 - OpenAI和Anthropic在实现AGI路线上发生分化，OpenAI核心bet是O系列和ChatGPT，重视C端市场和自下而上组织文化；Anthropic专注pre - training、Coding和Agentic，重视B端市场和自上而下组织文化 [18] - 路线分化原因可能是Anthropic团队出身pre - training有信心，OpenAI O系列亮眼获更多资源，且pre - training团队变动大 [19] - O系列刷benchmark快，但不确定能否打开智能天花板，其提升的Coding多为竞赛型，Anthropic做实战型Coding更多 [20] - 硅谷对不同路线分歧大，本质是智能和流量哪个重要，更应相信AGI原教旨主义，智能提升是首要目标 [21][22] - 谁能做出显著领先的base model谁可能是赢家，长期来看Anthropic可能比OpenAI更有价值，OpenAI对pre - training重视不够 [23][24] - 国内公司有必要训练自己的闭源模型，智能处于早期阶段，认知差异可能源于想象力局限 [26] - AGI探索主线是智能提升，ChatGPT是第一站，后续还有Coding、Agent、AI for Science等，AI for Science是珠穆朗玛峰，多模态、Online Learning等大概率在主线上 [30][31] - 智能涌现带来Magic moment和流量迁移，当前AGI模型公司和产品无绝对壁垒，应围绕智能主线推动智能提升，应用承接智能红利 [32][33] - DeepSeek放弃Chat Bot流量是因组织文化和智能本质考量，AI Robotics排在AI for Science后面是因数据采集低效、算法架构未达成一致，AI for Science有自动化实验室和垂直领域基础模型等趋势 [33][34][35] Agent & Online Learning - AGI应用爆发少是因Agent产品供给受限，依赖模型能力，模型和云厂商未做好Infra准备，Agent有文本、Coding、通用日常任务等类型 [48] - Agent落地关键能力是Long Context reasoning、Tool use、Instruction following，对应不同Infra能力，Context很重要，存在支付宝级机会 [49][51] - Long Context对Agent完成多步骤任务很重要，但目前未找到有效突破方式，存在数据、成本、架构等难点，long - term memory可能取代Long Context [51][52][53] - 两年内实现AGI确定性高，路径是现有路径，AGI定义是在电脑或数字环境下满足3个90% [54] - 新的范式级路线可能是Online Learning，让模型自主在线探索学习，但存在无清晰reward和目标定义等挑战，可能通过模型微调等实现 [54][55] - 可通过坐标轴评价路线差异，重视数据，未来pre - training叙事和Agentic对算力刺激大，看好算力需求 [58] - 英伟达想成为云厂商，贾扬清的公司被卖符合其战略 [58] 大模型的壁垒到底在哪？ - 应做研究驱动的应用，AI市场有泡沫，Agent泡沫刚开始，AI产品定价偏低 [60][61] - 通用Agent能否出现取决于pre - training和RL及关键能力，Reward Model泛化性微弱 [62][64] - 模型公司壁垒可能是成为Cloud或OS，OpenAI商业模式可能较好，Anthropic专注模型pre - training [65] - 投资人应投研究推动的应用，应用公司构建壁垒需考虑用户数据使用和独立环境构建，长期做大需具备调整模型和做Research的能力 [66] - 用户数据对提升模型能力作用微弱，模型和产品边界将模糊，应用公司和模型公司会相互渗透 [67][68] - Agent可能影响SaaS公司价值，模型训练是人类面向未来的大基建投入，价值链利润将向后迁移 [69][70][71] - AI市场可能出现黑天鹅，如全新架构、新的Agent产品形态等 [72] 全球AI公司的竞争格局 - OpenAI核心bet是O系列和ChatGPT，Anthropic专注pre - training、Coding和Agent，OpenAI领先优势加强，流量集中度提升，与Anthropic拿走市场revenue的80% [73][74] - Anthropic和xAI背后有Amazon和Musk支持，DeepSeek和xAI Grok跟随OpenAI路线，Google多模态强但其他bet不清晰 [75] - GPT - 4.5可能较强，GPT - 5可能是hybird model，预期今年夏天推出，有GPT - 3.5到GPT - 4量级的提升 [76][79][80] - OpenAI支持Anthropic的MCP协议，两家有竞争但路径分化，OpenAI与微软可能因利益冲突产生裂痕，分家对微软有影响 [81][82][83] - OpenAI整体较安全，但存在base model不够领先的风险，xAI Grok写作能力突出，与Twitter合并为了流量 [84][85][86] - AGI是普通本科毕业生操作电脑水平，ASI是爱因斯坦水平，实现ASI需突破，Mira的新公司团队强，可能做打败ChatGPT的产品 [87][88][89] - Manus和Perplexity执行力强，Manus更吃模型能力，ChatGPT的Deep Research后续会集成更多产品，有两个发展方向 [90][91][92] - Devin解决的问题易被模型公司覆盖，Cursor可能是阶段性产品，期待DeepSeek出现范式级创新 [93] - ilya和Noam对AGI推动贡献最大，其次是Dario和Alec等，Sam对业界贡献大但部分行为可能是烟雾弹 [94][95] 如何构建AGI portfolio - 构建AGI portfolio会投25%给Anthropic，25%给Bytedance，10%给OpenAI，10%给Mira的公司，5%给ilya的公司，5%给Cursor，5%给Manus，15%待定，若DeepSeek融资也会投25% [96] - 字节被低估，营收和利润好，可内生投入AGI，Anthropic团队、Roadmap和战略重点更受看好，Mira公司成功概率高 [97][99] - 未来3 - 5年投资最大的bet是AGI带来科学的文艺复兴，会出现多家市值超$10T的公司和下一个Google、Windows等 [101] 组织文化竞争仅次于算力 - 组织和文化竞争力是仅次于算力的核心竞争力，做AGI要有赌性，人才密度比数量重要 [103] - 判断AGI - native组织要看是否AGI first、Research first等，团队成员要年轻聪明、有想象力和执行力 [103][104] - 大概率OpenAI和Anthropic最早实现AGI，中国字节和DeepSeek等也可能实现，开源可突破地缘封锁 [105] - 中美差距快速缩小，中国人才强，字节Infra能力强，有望在AGI领域有突破 [105][106] - 硅谷多0 - 1创新，中国多1 - 100创新，未来中国创新模式可能变化，需资本充裕和冒险精神 [109] - 应把产品和技术做到极致，跨越地缘问题，激进全球化，期待更多中国跨国公司出现 [110][112]