文章核心观点 全球AI产业格局正从“暴力美学”的预训练范式向“持续学习”的新范式演进 头部模型公司OpenAI、Google、Anthropic呈现“交替领先”与战略分化态势 投资应聚焦技术成长最陡峭的领域 包括领先模型公司、算力基础设施及技术溢出红利 并关注多模态、机器人、主动智能体等新物种的萌芽 [7][15][36][38][39] AI Labs竞争格局与战略分化 - **头部格局固化**：全球AI模型第一梯队由OpenAI（GPT）、Anthropic（Claude）和Google（Gemini）构成 这三家基础模型公司拿走了约90%的AI总收入 [7] - **交替领先成为常态**：在Tier 1阵营内 AI labs之间呈现“交替领先”状态 模型能力上个位数百分点的领先在商业回报上会被放大为数倍差距 [7][8] - **战略路线显著分化**： - **OpenAI坚定押注To C**：ChatGPT在消费端用户体验断档式领先 日活跃用户接近4.8-5亿 是Gemini（约9000万DAU）的5.6倍 正朝着“下一个Google”发展 [9] - **Anthropic专注To B与专业领域**：放弃通用To C市场 Claude Opus4.5在软件开发和Agent领域仍是SOTA 在处理长任务时更可靠、效果更好且更节省Token [9] - **Google优先发展多模态**：Gemini 3的多模态理解能力处于断档式领先地位 但在文本和编码能力上更多是追平OpenAI和Anthropic之前的水平 [10] 算力基础设施阵营对抗 - **GPU与TPU两大阵营对垒**：行业正形成NVIDIA（GPU）与Google（TPU）两大算力阵营 这将是贯穿一二级科技投资的主线 [11] - **生态模式对比**：Google凭借“模型+TPU+云+产品”构建了端到端、自成一体的生态 类似LLM时代的Apple 而NVIDIA则像Android 支撑起庞大的生态联盟 [11] - **性能与成本权衡**：GPU在综合性能上仍优于TPU 但受制于台积电产能且成本昂贵 Google通过TPU展现出更强的成本控制潜力 [11] 下一代技术范式：持续学习 - **范式转移的核心**：持续学习被认为是继预训练之后下一个极其重要的技术范式 旨在解决预训练面临的边际效应递减、数据枯竭等挑战 例如Gemini 3使用的50T数据量已接近极限 [17][18] - **核心目标**：从“存储知识”转向“样本效率” 让模型从“静态冻结的智能”转向能在推理和交互中实时学习的“鲜活智能” 实现真正的数据飞轮 [18][21] - **发展现状与挑战**：持续学习是长上下文、模型遗忘机制及数据分布漂移等5-10个学术难题的集合 难以短期内突破 但学界业界乐观预计2026年能看到明确信号 并希望在未来1-3年内逐步解决 [21] - **早期信号**：Google Research的Nested Learning展示了初步的In-weights Learning能力 Cursor通过捕捉用户对代码的接受或拒绝行为 能在小时级周期内更新模型 是Online RL的典型雏形 [22] 多模态与机器人发展 - **2026年为多模态大年**：多模态技术路径正向“Omni-in, Omni-out”收敛 视觉、音频、文本被统一Token化 纳入同一个自回归序列建模 模型开始具备跨模态“通感”能力 [46] - **机器人是多模态与世界模型的重要接口**：机器人可利用“合成世界”进行训练 解决现实数据不足的问题 Agent具备了“看懂UI、读懂屏幕”的能力 [46][47] - **机器人领域GPT时刻尚需3-5年**：与LLM不同 机器人领域“Day1就是分化的” 因缺乏统一预训练基础和硬件标准 目前正处于“百花齐放”阶段 [53] - **数据是机器人领域的核心赌注**：各家公司采用截然不同的数据方案 例如Generalist收集了27万小时真实机器人交互数据 Sunday通过“手套+众包”模式收集了1000万条人类动作数据 [55][56] - **强化学习作用关键**：在机器人领域 RL的作用比在LLM中更为显著 例如Physical Intelligence的RECAP策略能让机器人在叠衣服、冲咖啡等长时程任务中实现连续10小时稳定执行 [58] 智能体演进与商业模式 - **主动智能体成为主赛场**：下一代智能体将从被动Chatbot转向能主动提供服务的Proactive Agent 这要求模型具备意图识别、始终在线和长期记忆三大核心能力 并与持续学习范式紧密相连 [60][62] - **语音智能体成为新OS入口**：行业正从传统的“STT→LLM→TTS”三段式架构 转向Real-time Speech-to-Speech的端到端解决方案 大幅减少反应时间 ElevenLabs凭借早期数据规模与质量优势构建了护城河 [66][68] - **LLM推理价格快速通缩**：以MMLU为质量指标衡量 推理价格每年下降10倍 自GPT-3发布三年来 同等能力模型推理成本已下降约1000倍 但Agent复杂工作流导致的Token用量激增抵消了单价下降红利 [74][75] - **商业模式面临效率质疑**：市场对AI泡沫的担忧部分源于Sam Altman提出的1.4万亿美元财务承诺 分析指出其中约三分之二包含“有条件解锁”条款 相对容易撤销或展期 [26] - **收入想象力在于新增市场**：在可见的商业模式下 OpenAI未来收入规模预计在2000-3000亿美元之间 其真正想象力在于创造“看不清”的新增净市场 例如AI作为新劳动力释放价值甚至创造增量GDP [28][32] 投资策略与市场视角 - **投资核心策略**：只投资技术成长最陡峭的地方 具体包括三条主线：投资全球最领先的模型公司、投资最领先模型所需的算力与硅基基础设施、投资最领先模型技术溢出的红利 [36][38] - **构建AGI投资组合**：因技术变化快且各家交替领先 最佳策略是构建一个AGI指数组合 理想的配置包括OpenAI、ByteDance、Google、Anthropic、Nvidia以及台积电 [39] - **二级市场聚焦AI Beta**：AI Beta（行业红利）仍是科技创新主旋律 市场叙事已从“AI泡沫”转向“AI战争” 意味着看到堪比大航海时代的发展机遇 [89][90] - **硬件层投资逻辑**：在GPU与TPU阵营对抗中 只要需求远大于供给 两者都具备投资价值 策略上可向暂时落后的一方稍作倾斜 NVIDIA下一代Rubin芯片设计激进 功耗从1800W拉高到2300W HBM带宽从13TB/s提升到20TB/s [96][98][99] - **关注智能体潜在赢家**：在Proactive Agent萌芽阶段 潜在受益公司包括与OpenAI深度合作的Intuit（已投资1亿美元）、作为电商基础设施的Shopify、数据基础设施公司Snowflake & MongoDB 以及通信API公司Twilio [108][109][110][113]

文章核心观点 - AI领域竞争格局快速演化，市场共识频繁翻转，行业正进行系统性复盘 [2] - AI并非零和博弈，OpenAI与Anthropic仍有巨大赢面，Google的崛起共同做大市场 [2][12] - Continual Learning成为AI实验室押注的新范式共识，预计2026年将看到明确信号 [2][15] - AGI竞赛类似自动驾驶，全面实现L4难度大，但在知识工作等垂直领域已实现可观的效率提升和经济价值 [2] - “NVIDIA + OpenAI”主线短期内可能被市场低估，投资OpenAI是在下注AI时代的“前所未见之物” [2][30] - 理想的AGI投资组合应包含Google、Nvidia、OpenAI、Anthropic、ByteDance和TSMC [2][32] - 模型即产品，数据即模型，阶跃式产品体验提升依赖于底层模型换代，而模型能力提升的核心在于数据投入 [2][36][37] 当前竞争格局 - 全球AI模型头部格局已定，OpenAI、Anthropic和Google构成第一梯队，技术领先与品牌效应形成高溢价 [6] - AI实验室呈现“交替领先”与“分化”的竞争常态 [4] - 技术路线出现分化：OpenAI坚定押注To C市场，ChatGPT DAU接近4.8-5亿，是Gemini（约9000万DAU）的5.6倍；Anthropic专注于To B、Coding/Agent等专业领域；Google将多模态能力置于战略首位 [7][8] - 算力领域形成GPU与TPU两大对垒阵营：Google构建了类似Apple的端到端生态，而NVIDIA则支撑起庞大的Android式生态联盟 [10] 重要技术趋势 - Continual Learning是下一个范式级技术，旨在让模型从“静态冻结”转向“鲜活”，在推理中实时学习 [15][16] - 该范式是解决机器人、世界模型等多模态问题的关键，否则相关领域可能需走10年弯路 [15][17] - 其目标是实现“样本效率”，让AI具备“超级学习力”，但成熟需基础设施支持并解决5-10个学术难题，预计2026年能看到明确信号 [19] - 当前已有早期信号，如Google Research的Nested Learning和Cursor的Online RL雏形 [19][20] - OpenAI、SSI和Thinking Machines Lab在该领域投入领先 [20] 商业模式与效率挑战 - 市场对AI泡沫的担忧部分源于OpenAI提出的1.4万亿美元财务承诺，但其中约三分之二包含“有条件解锁”条款，相对容易撤销或展期 [24][25] - 在现有可见商业模式下，OpenAI未来收入规模预计仅在2000-3000亿美元之间，仅能勉强抵消资本开支折旧 [25] - To C市场：假设拥有40亿周活用户且订阅率达10%，年收入约800亿美元；在电商与广告领域，收入上限约在400亿至1000亿美元 [27] - To B市场：即使5000亿美元的SaaS市场全部被AI重构且收取20%“过路费”，收入上限也仅为1000亿美元 [27] - 真正的增长想象力在于创造增量GDP，例如Agent若能创造20%程序员或白领的价值，对应市场增量分别为3000亿美元和3.5万亿美元 [27] - 实现此目标需依赖Continual Learning的突破，解决模型可靠性和端到端能力 [28] - 目前AI投资更被视为一种“国防”开支，巨头为免被颠覆将持续投入 [30] 产品与模型发展 - “模型即产品”：阶跃式产品体验提升源于底层模型换代，例如Sora、Veo的视频生成能力进步及Nano Banana Pro的图文解读能力 [36] - 头部实验室的模型分化取决于其战略选择和服务对象 [36] - “数据即模型”：模型进步依赖对人类“未留痕数据”的蒸馏，Pre-training数据如石油即将枯竭，RL专家数据如新能源成本高，Continual Learning如核聚变潜力巨大 [37] - 2026年是多模态大年，技术路径向“Omni-in, Omni-out”收敛，视觉、音频和文本被统一Token化 [38] - 多模态进步直接利好机器人学习和多模态Agent [38] 机器人领域进展 - 机器人领域的“GPT时刻”可能还需3-5年，且从一开始就呈现分化态势，因缺乏统一的Pre-training基础和硬件标准 [43][44] - 2025年Q4湾区AI机器人公司集中发布，如Google DeepMind及其衍生公司Physical Intelligence、Generalist等 [44] - 这些公司强调真实世界数据、专注于上半身精细操作，并致力于打造泛化的机器人大脑 [44] - 数据是机器人领域最重要的投入，各家公司采用截然不同的数据配方：Generalist收集了27万小时真实机器人交互数据；Sunday通过“手套+众包”收集了1000万条家庭数据；Physical Intelligence在Airbnb真实环境中持续收集数据 [46][47] - RL在机器人领域作用显著，例如Pi的RECAP策略能让机器人实现连续10小时稳定执行长周期任务 [47] - 机器人商业化落地开始探索，如Dyna为B2B商家提供服务，同时硬件的重要性被重新评估 [48] Agent与语音交互演进 - Proactive Agent是模型公司主赛场，需具备意图识别、Always-on和长期记忆三大核心能力，与Continual Learning范式紧密相连 [50] - 它能构建更高维度的护城河，实现真正的个性化，OpenAI等公司已在此方向布局 [50][51] - Voice Agent过去12个月飞速发展，2025年底可能是市场结构性拐点，技术架构正从三段式转向端到端的Real-time Speech-to-Speech [53] - ElevenLabs凭借早期建立的数据规模与质量优势构建了护城河，并具备类似操作系统层级的防御性 [55] - Voice Agent的成功逻辑偏向垂直领域，需深度嵌入行业数据闭环与核心工作流 [56] - Infra层公司如Retell和Vapi的本质是将电话线托管成一套“语音操作系统”，Retell的ARR已接近4000万美元 [57][58] 市场竞争与用户洞察 - Gemini 3发布后，ChatGPT首次因模型竞争出现流量和用户下跌，但ChatGPT在用户粘性上保持优势 [62] - 流量争夺：Gemini的MAU已达ChatGPT的20%-25%，但Gemini的DAU/MAU仅约10%，远低于ChatGPT的约25% [63] - 地域差异：ChatGPT守住美、英、德等高价值市场；Gemini采取“农村包围城市”策略，在印度、巴西等新兴市场渗透率高，MAU达ChatGPT的1/3以上 [63][64] - 用户行为：ChatGPT正确立“Personal Assistant”心智，非生产力类查询比例上升，移动端活跃度高；Gemini更多被视为生产力工具 [66] - 入口之争：AI Chatbot已成为重要信息检索入口，Google Search与ChatGPT的流量比例已从95:5演变为85:15 [68] 投资视角与市场叙事 - AI Beta仍是科技创新主旋律，市场叙事已从“AI Bubble”转向“AI War”，后者即是对前者的否定 [69] - 当前“泡沫”本质是OpenAI承诺的泡沫，二级市场估值并未出现明显泡沫 [70][71] - 投资需坚守AI Beta并对新物种保持敏感，新物种涌现将带来更大Alpha机会 [72] - 硬件层面，GPU与TPU阵营势均力敌，应同时持有但可向暂时落后方倾斜 [73][74] - NVIDIA在产品路线图和商业模式上具备优势，是更纯粹的“军火商” [74] - 智能应用层，OpenAI已重新将资源集中到Pre-training，并在Agent布局上更充分 [75][76] - 若Gemini优势扩大，可能推动NVIDIA与OpenAI形成更紧密的“反Google同盟” [77][79] 潜在投资机会 - 投资应聚焦于技术成长最陡峭的领域：全球领先的模型公司、其所需的算力与硅基基础设施、以及技术溢出的红利 [32] - Proactive Agent处于早期萌芽阶段，2026年可能接近真正落地时刻 [79] - 应用新分发形态：Intuit作为OpenAI APP SDK的First Mover，已投入1亿美元，可能成为标杆案例 [81] - Agentic Commerce：Shopify作为电商后台基础设施，无论哪家模型胜出都可能受益 [81] - 企业定制化：Snowflake & MongoDB等Data Infra公司受益于企业大规模自建Agent的趋势 [82] - 新码农：JFrog可能受益于Coding Agent导致的代码构建物数量增长 [82] - 新客服：Twilio作为按量计价的通信基础设施，可能受益于Voice Agent使用量爆发 [83]

文章核心观点 文章认为，尽管OpenAI当前面临Google Gemini和Anthropic的激烈竞争，处于叙事最差的时期，但公司仍有望在2026年实现叙事反转，并从消费者市场、企业业务、新范式探索及商业化等多个维度展现出强大的增长潜力和竞争优势 [2] 竞争格局与OpenAI现状 - **竞争加剧**：2026年AI行业竞争格局不仅未稳定，反而更趋激烈，OpenAI自ChatGPT发布以来首次面临逆风局 [2] - **Google的影响**：Google凭借Gemini 3实现“王者归来”，在叙事上对OpenAI冲击最大，导致其跌落SOTA位置，并反映在资本市场：Google股价自Gemini 3发布后上涨20%，而软银（作为OpenAI的二级市场映射）下跌17% [3] - **模型策略差异**：Gemini 3在预训练（pre-training）上表现更好，而OpenAI在后期训练（post-training）和强化学习（RL）上更领先，但OpenAI自GPT-4o后未发布新一代预训练模型是其自身失误 [3] - **流量恢复与优势**：ChatGPT流量已从低点恢复，2025年1月网页端流量回到节前水平，移动端超过节前水平，且ChatGPT在移动端和用户留存上显著优于Gemini：移动端DAU/MAU接近45%，而Gemini不到20% [4][5][10] - **用户地域分布**：Gemini在发展中地区份额更高，主要通过免费和安卓渠道获取中低价值用户；ChatGPT在发达地区更有优势，并在印度市场于2023年下半年实现对Gemini份额的反超 [12][14] 市场机遇与增长潜力 - **市场空间巨大**：未来聊天（Chat）与搜索（Search）将强融合，Chat的查询总量和使用频次将超过搜索引擎，用户量至少与搜索相当，即50亿月活用户（MAU） [18] - **ChatGPT增长预测**：目前ChatGPT约12亿MAU，Gemini约4亿MAU，合计离50亿目标尚有距离，即使两者市占率从4:1变为1:1，ChatGPT仍有翻倍空间 [18] - **收入潜力测算**： - 若ChatGPT做到40亿MAU，假设10%为高价值付费用户（每人每年花费200美元），可产生800亿美元年经常性收入（ARR） [18] - 剩余90%免费或低价用户通过广告、电商等变现，假设单用户年收入（ARPU）为25美元（约为Meta全球ARPU的一半），可带来900亿美元收入 [18] - 健康管理是增量市场，每周有2.3亿用户在ChatGPT询问健康问题，美国健康保健市场约6.5万亿美元，若切分1%即有6500亿美元营收 [19] - 其他高价值场景（如编程、药物发现、教育等）可能带来远超每人每年200美元的ARPU [19] - **乐观收入展望**：乐观估计ChatGPT可见的ARR可达2000亿美元，且仍有巨大上行空间；保守估计（与Gemini 1:1，达25亿MAU）则在此基础上打六折 [19] 商业模式与商业化进展 - **2B业务被低估**：2025年OpenAI的ARR为200亿美元（收入130亿美元），其中API约占30%，即60亿美元；同期Anthropic的ARR约90亿美元（收入约45亿美元），其85%收入与编程和2B相关 [23] - **2B业务体量对比**：OpenAI的2B业务体量至少与Anthropic相当甚至更大，其API和ChatGPT企业版两部分收入合计占总收入40%（约52亿美元），已超过Anthropic整体收入（45亿美元） [23][27] - **广告业务潜力**：OpenAI付费订阅率约5%，消费者场景最有效的变现方式是广告，当前广告按CPM定价约60美元/千次展示，接近NFL等顶级视频广告水平 [37] - **电商闭环想象空间**：ChatGPT在电商闭环上进展迅速，其“即时结账”（Instant Checkout）已与Shopify整合，抽成率（take rate）为4%，超过100万Shopify商户接入，Etsy已上线，沃尔玛等大型零售商也在跟进 [39] - **电商市场更大**：全球电商GMV超过6万亿美元，4%的抽成率意味着每1000亿美元GMV可带来40亿美元收入，其天花板高于广告（Google广告收入约3000亿美元） [40] - **商业化目标**：OpenAI目标到2027年底，从非付费用户产生110亿美元年收入，主要依靠广告和电商 [40] 技术发展与未来范式 - **下一个胜负手**：OpenAI在2026年的三个关键词是记忆（Memory）、主动（Proactive）和个性化（Personalization），这些是产品也是研究问题，公司需在记忆和主动智能体（Proactive Agent）上寻求突破以应对Google在工程基础设施和算力上的优势 [30] - **记忆与主动智能体现状**：当前记忆方案更偏工程化，模型尚不能判断信息重要性；主动功能仅初步推出“Pulse”，未来目标是让其能代替用户采取行动（take action） [30][31] - **下一代交互愿景**：下一代ChatGPT不应是一问一答，而应在后台持续思考，更了解用户，主动给出更好答复 [31] - **新范式竞争**：持续学习（Continual Learning）被公认为下一个范式，OpenAI、Google以及Neolabs（如Thinking Machines Lab, SSI, Core Automation等）各有约三分之一概率率先实现突破 [33][34] - **OpenAI的范式探索历史**：过去两次范式变化（模型规模缩放和推理模型）均由OpenAI率先实现，公司仍具备前沿探索能力 [33] 行业趋势与战略方向 - **2026年战局升级**：竞争焦点从技术实力转向战略资源投入方向，OpenAI与Google将在消费者和广告端正面竞争，Anthropic则凭借战略定力在高价值任务（如编程、智能体、Excel处理）上获得先发优势 [15] - **搜索与聊天融合**：用户行为从搜索转向聊天，如同从图文转向短视频，是十年一度的底层习惯迁移，将对前者形成降维打击 [20] - **类比短视频竞争**：AI聊天增加了用户查询数量和token使用量，提高了产品对用户意图的理解；Google在ChatGPT发布三年后将AI模式置于搜索入口，与Meta在TikTok发布三年后推出Reels的反应时间相似 [20] - **Google面临的挑战**：传统搜索排名第一网页的点击率（CTR）为40%，而AI模式的CTR少于5%，Google在用户行为和广告模式变化中受到的威胁更大 [21] - **当前规模对比**：Google搜索日查询量约140亿次，ChatGPT日提示词（prompt）量约25亿次（截至2025年7月），已达Google查询量的18% [21]