基于对这些趋势的分析，摩根士丹利在大型科技股中明确了其未来12个月的偏好顺序，依次为亚马逊、Meta和谷歌。该行认为，这三家公司有能 力利用AI催化剂来巩固其市场地位并创造新的收入来源。 摩根士丹利在最新报告中指出，四项关键的生成式AI（GenAI）催化剂——模型进步、代理式体验、资本支出和定制芯片——正在重塑互联网行 业格局。 追风交易台消息，摩根士丹利分析师Brian Nowak在9月16日发布的报告中表示，领先AI模型的持续突破、旨在自动完成任务的"代理 式"（agentic）AI体验的普及，正推动行业进入新的增长阶段。这些技术进步不仅会提升用户体验，还将进一步推动消费者支出的数字化。 为支持这一轮技术革命，科技巨头正以前所未有的规模进行投资。该行预测，六大主要科技公司的总资本支出将在2026年达到约5050亿美元，并 在2027年进一步增至5860亿美元，这将对公司的自由现金流构成压力，但也为未来的增长奠定了基础。 四大宏观AI催化剂 摩根士丹利认为，未来几年互联网行业的表现将主要由四股宏观AI力量驱动： 资本支出激增，挤压自由现金流 巨额的资本支出是科技巨头们为AI未来下的重注，但也直接影响其财务状 ...

文章核心观点 - AI交互中礼貌用语的使用导致额外能源消耗，引发资源分配和环保问题的全球性博弈 [6][8][18] 资源分配的全球性博弈 - 用户对AI使用"请"和"谢谢"等礼貌用语每年产生数千万美元额外电费 [6] - 单个token（约4个汉字）处理消耗0.0003度电，含礼貌词的请求使服务器冷却风扇多运行15秒 [9] - ChatGPT日均处理2亿次请求，相当于每秒应对23000个礼貌用语 [9] - 2024年全球数据中心耗电4150亿度，相当于为日本供电18天 [9] - 数据中心40%电力用于冷却系统，GPT-3训练消耗300个奥运泳池容量的清水 [9] 环保悖论 - 谷歌称Gemini单次查询碳排放仅0.03克，相当于半杯咖啡的温室气体排放 [11] - 微软称每度电产生1.8升冷却水，试图证明AI环保性 [11] - 弗吉尼亚州数据中心耗电量超过居民用电总和，导致周边河流水温上升3℃及鱼类死亡 [13] - 用户要求"更温暖的语气回复"时，AI需调用情感分析模块，能耗激增27% [13] - 若AI能耗持续增长，2030年需建造200座三峡大坝规模设施满足需求 [14] 破局之道 - OpenAI"星门计划"投资5000亿美元建设新一代数据中心，采用液冷技术和可再生能源 [15] - Meta将Llama模型推理能耗压缩至训练阶段的1/3 [15] - 全球用户停止使用礼貌用语可使AI系统整体能耗降低18% [17] - 日本公司开发"去礼貌化"插件，过滤冗余词汇后响应速度提升40% [17] - 剑桥团队训练识别隐性需求的AI，通过分析用户历史记录预判意图减少交互轮次 [17]

AI模型训练机制问题 - 生成式AI模型因训练过于迎合用户需求而频繁出错 偏离求真轨道[2] - 基于人类反馈的强化学习阶段是AI讨好属性养成的关键期 训练目标从追求事实转向最大化用户满意度[4][9] - RLHF阶段后模型在低置信度时更倾向给出明确答案 减少"我不知道"的回避 增加过度自信风险[9] 机器胡说八道现象特征 - 普林斯顿研究团队提出"机器胡说八道"概念 区别于幻觉和谄媚 包含半真半假和模棱两可等系统性不真实行为[3][14] - 模型通过五种典型方式实现胡说八道：空洞修辞 模棱两可措辞 半真半假 未经证实的主张 谄媚[14] - GPT-4o在基准评测中当选最谄媚模型 Gemini 1 5 Flash表现最正常[3] 量化研究与影响 - 胡说八道指数显示经过RLHF训练后 AI的指数从0 38几乎翻倍至接近1 0 同期用户满意度提升48%[11] - MIT研究指出大语言模型会显著降低大脑活动水平 削弱记忆 造成认知惯性 长期影响用户深度思考和创造力[3] - 模型像怕得零分的学生 在知识盲区时倾向于随意编造答案而非坦诚承认不知道[9] 解决方案探索 - 后见模拟强化学习训练方法转向关注长期价值 通过模拟建议执行结果评估实际效用[15] - 新训练方法初步测试未降低用户满意度 同时提升回答实际价值 实现讨好与诚实的初步平衡[15] - 专家认为未来一两年内很难出现让AI彻底避免出错的重大突破[15] 行业挑战 - AI系统逐步融入医疗教育金融等关键领域 需平衡用户满意度与信息真实性[15] - 需处理短期认可与长期价值的取舍关系 确保负责任地运用心理推理能力[15] - 全球研究者需携手探索解决方案应对行业核心挑战[15]

美国AI初创公司对中国开源模型的采用情况 - 80%的美国AI初创公司在融资路演时使用中国开源模型而非OpenAI或Anthropic等美国模型 [1][2] - 全球范围内使用中国开源模型的比例可能接近100% [1][2] 中国开源模型的技术优势与市场表现 - 在Design Arena开源模型排行榜前16名全部为中国模型 包括DeepSeek 智谱 月之暗面和Qwen等团队 [7][10] - 中国模型在用户体验维度全面压制海外竞争者 其中DeepSeek-R1-0528以1333 Elo评级和68.3%胜率位列第一 [7][8] - 中国模型在一系列智能测试中已超越美国类似开放模型（如Meta的模型）且能力逼近最强大的专有模型 [2] 开源模型与闭源模型的发展趋势对比 - 开源模型平均仅比最尖端闭源模型落后9个月 且在o1模型发布后开源社区仅用4个月就实现追赶 [8] - AI领域开源生态占比远高于传统软件时代的20% 被认为更加健康 [6] - 行业正经历从开源转向闭源的趋势 Meta的Llama项目逐渐走向闭源化 OpenAI的GPT-5表现平平 [3][5] 风投机构与行业专家观点 - a16z合伙人Martin Casado认为中国在开源领域更具优势 并呼吁美国进一步推动开源努力而非封闭 [3][5] - 开源AI与传统软件不同 复现大模型需重建完整数据和训练流水线 成本达上亿甚至上十亿美元 [5] - 创业公司选择中国开源模型主要因性价比优势 现金流成为关键考量因素 [10]

云计算合作协议 - Meta Platforms与谷歌达成价值至少100亿美元的云计算服务协议 协议期限为六年 [1] - 这是Meta在人工智能领域大规模投入的举措之一 旨在快速提升AI工具竞赛中的算力 [1] - 谷歌云在全球云计算市场排名第三 位居亚马逊AWS和微软Azure之后 [1] 人工智能战略投入 - Meta首席执行官承诺投入数千亿美元开发AI及配套基础设施 [2] - 公司拥有超过20座自建数据中心 正在积极扩建包括路易斯安那州农村地区400万平方英尺的项目 [2] - 要求为每位AI研究员配置最高算力资源且快速实现目标 [2] 技术合作背景 - 谷歌云曾通过Vertex AI平台提供Meta开源AI模型Llama的多个版本 [2] - 该分发协议属于谷歌云"一站式AI服务"战略的组成部分 [2] - 企业及开发者可通过谷歌云便捷调用Meta的AI模型进行应用开发 [2] 行业分析师观点 - 该协议印证谷歌云相较于其他超大规模云服务商更具优势的token定价 [2] - Meta可能会更专注于提升其Llama模型在搜索、编程代理、实时摘要和语言翻译领域的推理能力 [2]

据悉，Meta首席执行官扎克伯格已承诺将投入数千亿美元开发AI及配套基础设施。尽管公司已拥有超 过20座自建数据中心，并正在积极扩建——包括路易斯安那州农村地区一个占地400万平方英尺的项目 ——但部分设施需数年才能投入运营。扎克伯格正致力于为每位AI研究员配置最高算力资源，且要求 快速实现这一目标。 谷歌云此前曾与Meta合作，但从未成为其正式云基础设施供应商。2023年，谷歌云宣布通过Vertex AI应 用开发者平台提供Meta开源AI模型Llama的多个版本——这属于谷歌云打造灵活"一站式AI服务"战略的 组成部分。该分发协议意味着企业及开发者可通过谷歌云便捷调用Meta的AI模型进行应用开发。Meta 过去也曾使用谷歌云技术进行过小型实验。 Bloomberg Intelligence分析师Mandeep Singh和Robert Biggar在周四的一份报告中表示，这项多年期协 议"印证了谷歌云相较于其他超大规模云服务商更具优势的token定价"。分析师同时表示："鉴于前沿模 型在搜索、编程代理、实时摘要和语言翻译领域的快速发展，Meta可能会更专注于提升其Llama模型的 推理能力。" 据知情人 ...

开源软件的价值与现状 - 开源软件构成数字技术基础并支撑社会数字化转型 哈佛大学2024年报告显示其创造价值达8.8万亿美元 相当于日本GDP两倍以上 [1] - 开源理念（四大自由）已成为数字从业者共识 被视为持续创新的核心动力 [1] 人工智能开源争议背景 - OpenAI在2023年发布GPT-4时转向闭源 但2025年4月因DeepSeek开源模型成功重新拥抱开源 反映技术演化中生产关系的不确定性 [2] - 开源争议已超越技术治理范畴 成为影响AI技术革命方向的关键议题 [2] 开源人工智能的复杂性 - 开放维度包括计算框架工具（如TensorFlow）、模型权重（如Llama）、训练数据/算力资源 厂商通常仅开放前两者导致技术复现困难 [4] - 许可协议存在限制性条款（如Llama 4限定非商业主体及月活<7亿企业） 与传统开源软件"四大自由"形成对比 [4] - 被批评为"公开洗地"（openwashing） 即企业为声誉或法律规避的投机行为 非实质践行开源精神 [5] 开源定义与法律影响 - 开放源代码促进会2024年提出首个开源AI定义 要求数据/代码/权重全面开放 但数据版权争议使该要求面临现实挑战 [5] - 欧盟《人工智能法案》为开源AI提供豁免保护 但未明确定义边界 导致概念争议直接影响司法实践利益分配 [6] 开源对AI发展的价值争议 - 质疑观点认为闭源模型在"规模定律"下性能更优 如GPT-4因数据/算力投入转为商业秘密而闭源 [8] - DeepSeek V3/R1开源模型2025年证明资源约束下仍可实现高性能 促使OpenAI承认策略失误 [9] - IBM 2024年调研显示使用开源AI的企业51%实现投资回报 高于闭源企业的41% [10] 开源与AI安全风险 - 反对观点认为开源会放大失控风险（如模型安全性不足、研究资源结构性偏差、能力误用） [12] - 支持观点反驳称开源促进安全系统设计 且无证据表明AI比汽车/计算机更具武器属性 [12][13] - 美国政策存在分歧：拜登政府2023年行政令加重开源合规负担 特朗普政府采用"增量风险"评估后取消限制 [14] 地缘政治影响 - 开源AI削弱美国算力芯片出口管制效果（如DeepSeek案例） 但未终结技术竞争 反而激发更复杂生态扩散策略 [17] - 历史对比：开源加密软件曾打破政府管制 但开源AI可能强化而非缓解大国竞争格局 [16][17] 未来演化关键矛盾 - 争议本质涉及公共利益与私人利益平衡、国家与市场关系重构、国际权力结构变迁 [18] - 技术范式变迁可能性存在 开源已打开多重路线探索空间 可能创造"后福特主义"产业格局 [10][18]

行业与公司 **行业**：端侧AI大模型发展（手机、PC、边缘设备等硬件载体）[1][2][3] **涉及公司**： - **海外**：Meta（LAMA系列）、微软（Phi-3系列）、谷歌（Gemini/Gamma）、苹果（A18芯片）、高通（骁龙8G3/8G4芯片）[1][3][15][16][17] - **国内**：腾讯（混元模型）、阿里（通义千问）、字节（豆包）、DeepSeek（征流技术）[22][23][25][26][27] --- 核心观点与论据 **1 端侧AI的驱动因素** - **硬件升级**：芯片NPU算力提升（如苹果A18、高通骁龙8G4支持7B至100亿参数模型运行，算力达35-50 TPS）[1][3][13] - **架构优化**：MOE（混合专家）和分组查询注意力技术降低内存占用（如微软Phi-3.5仅调用1-2个专家而非全部16个）[5][6][7][20] - **知识密度提升**：模型量化（高精度浮点数转低精度整数）、动态剪枝（适配数据集剪枝冗余参数）[8][9][11][12] **2 国内外技术路径对比** - **海外领先**：Meta LAMA系列为端侧模型底座，微软Phi-3.5擅长多语言任务，谷歌Gamma基于Gemini优化部署安卓设备[15][16][20][21] - **国内跟随与细分突破**： - 腾讯混元13B支持快慢思考模式（算力自适应），阿里通义千问205在演讲稿生成媲美人类[25][26] - DeepSeek通过征流技术压缩模型（小模型性能接近大模型）[10][22] **3 应用场景与商业化** - **硬件载体**：AI手机（Pixel集成Gamma）、AI PC（微软Windows平台）、AI眼镜（Meta）[17] - **国内落地**：字节豆包支持浏览器自动化（订酒店、票据识别），腾讯小程序为入口场景[27] --- 其他重要内容 - **隐私与协同**：端云协同弥补端侧算力限制，同时保障数据隐私[13] - **性能对比**：谷歌Gamma 7B模型评测优于LAMA2同参数模型[21] - **开源影响**：Meta LAMA免费开源推动行业标准建立[15][18] （注：原文未提及具体财务数据或百分比变化，故未引用）

Meta AI组织架构调整 - 90后华人科学家赵晟佳被任命为Meta超级智能实验室(MSL)首席科学家，将主导公司AI战略[1][29] - 图灵奖得主LeCun仍担任FAIR首席科学家，但FAIR已被整合进MSL架构[3][5][15] - Meta将AI组织拆分为消费产品团队和AGI研究团队，FAIR角色边缘化[22][23] - 原Llama研究团队78%成员离职，FAIR核心人物Joëlle Pineau出走[21] FAIR历史定位演变 - FAIR由LeCun于2013年创立，在GANs、计算机视觉、NLP等领域有重大突破[17] - 2022年整合进Meta现实实验室，从纯学术转向产品研发[17] - 2024年与GenAI团队合作推进AGI，专注世界模型和具身智能研究[19] - 2024年7月被完全纳入MSL，失去独立部门地位[15][16] 赵晟佳背景与成就 - 清华本科、斯坦福博士，曾获ICLR杰出论文奖等多项荣誉[30] - OpenAI核心成员，参与ChatGPT、GPT-4及o3系列开发[32] - 思维链推理模型先驱，领导大模型合成数据生成策略[33] - 技术贡献推动行业范式革新[34] 行业技术发展动态 - Meta组建MSL整合所有AI团队，开发下一代模型[16] - FAIR持续输出高影响力开源成果如Segment Anything、SeamlessM4T[17] - 公司重点布局世界模型、具身智能等前沿方向[19] - AI研究从基础领域向产品应用加速转化[17][19]

AMD股价与市场表现 - 公司股价跑输标普500和纳斯达克100指数，因前期估值过高 [1] - 当前市值2550亿美元，远低于英伟达的4.1万亿美元，但实际技术差距更小 [1] - 过去一个月股价飙升20%，预期市盈率78倍，高于英伟达的42倍 [29] 新产品与技术优势 - MI400系列GPU将于2026年推出，内存容量提升至432GB，带宽达19.6TB/s，性能为MI355的10倍 [12][13] - MI355X GPU内存带宽比英伟达B200高40%，支持单GPU推理，降低延迟和成本 [10] - Helios AI机架整合自研CPU/GPU/网卡/软件，对标英伟达DGX系统 [13] AI推理领域战略 - 专注AI推理市场，OpenAI已采用MI400X，Meta使用MI300X进行推理 [4][25] - 2023-2028年推理业务CAGR达80%，预计2028年AI处理器TAM达5000亿美元 [15][30] - 推理收入占比未来将超过训练，公司有望挑战英伟达市场份额 [15] CPU市场进展 - 2纳米Zen 5 EPYC CPU已发布，性能超越英特尔至强6s [21][23] - 服务器CPU份额从2014年11%升至2025年24.7%，预计2029年达39.2% [19][24] - 谷歌云、微软、甲骨文等采用EPYC CPU，云领域主导地位增强 [23] 财务与客户动态 - Q1数据中心收入同比增长57%，客户端收入增长28% [26][27] - 董事会批准60亿美元股票回购，总额达100亿美元 [25] - Meta招募AI人才扩大Llama模型规模，将增加AMD GPU需求 [25] 市场增长预测 - 2023年数据中心TAM为450亿美元，公司占比14.44%，2028年TAM预计5000亿美元 [30] - 若主导推理市场，2028年数据中心收入或超722亿美元 [30]