模型演进与定位 - GPT-5可被视为o3模型的迭代版本，即o3.1，其思考过程与o3一脉相承[1][4][23] - o1模型是公司第一个正式的推理模型，更侧重于技术演示，擅长解决谜题而非作为实用产品[15][17][18] - o3模型代表了AI发展的结构性转变，是首个真正实用、能熟练使用工具并持久寻求答案的模型[19][20][22] - 公司未来的方向是构建能力更强、思考时间更长、能自主与多系统互动的模型，寻求下一个重大飞跃[4][24] 模型推理过程 - 模型的推理过程类似于人类思考，是寻找未知答案的过程，可能涉及计算、查找信息或自我学习[11] - 思维链是模型推理的具体表现，通过将模型的思维过程用人类语言口语化表述出来[12] - 模型在推理中花费的时间越长，结果往往会更好，但公司需在推理质量与用户等待时间之间寻求平衡[13][14] - 公司目前将高推理模型与低推理模型同时开放给用户，并将思考时长的选择权交还用户[14] 公司内部架构与文化 - 公司工作结构是自上而下与自下而上结合，整体专注于三到四个核心项目，研究人员在项目内享有自由[31][33] - 研究部门约600人，信息高度透明，公司认为研究受阻的风险远高于知识产权泄漏[33] - 公司能快速发布产品（一年内从o1到GPT-5）得益于良好的运营结构、巨大的发展势头及顶尖人才的高效产出[33] - 员工大量使用内部工具，例如ChatGPT和CodeX，有员工每月为ChatGPT支付200美元费用[9][34] 强化学习（RL）的战略意义 - 强化学习是公司多次转折的关键，语言模型是预训练和强化学习的结合，此为自2019年以来的研究核心[35][36] - 强化学习通过奖励和惩罚机制训练模型，关键在于策略（模型行为）和环境（交互式反馈）[37][38] - GPT-4最初在长回答中缺乏连贯性，是通过基于人类反馈的强化学习（RLHF）解决了该问题，从而创造了“ChatGPT时刻”[41][42][43] - 公司近期在编程竞赛中的优异表现，源于长期使用编程谜题作为测试平台来尝试强化学习想法[45][46] - 强化学习可应用于任何能评估结果并计算反馈信号的领域，但其规模化难度较高，过程精细复杂[47][48][49] 行业影响与外部贡献 - DeepSeek团队提出的GRPO（组相对策略优化）算法获得肯定，其开源推动了美国实验室更快地训练推理模型[7][51] 未来方向与AGI路径 - AI智能体化是大势所趋，由基础推理驱动的智能体允许模型长时间独立思考以解决编程、预订等复杂任务[53] - 模型对齐问题本质上是一个强化学习问题，旨在引导模型行为符合人类价值观，且该问题将随文明演进永无止境[54] - 通往AGI的道路上，预训练和强化学习二者缺一不可，公司反对“纯强化学习是唯一途径”的观点[56][57] - 公司相信目前走在正确的AGI道路上，未来的变化将是添加新的复杂组件，而非完全推翻现有架构[59]

文章核心观点 - 强化学习与预训练的结合是当前AI发展的核心路径，两者相互依存，共同推动模型能力的提升[16][50] - 推理能力是AI发展的关键里程碑，其本质是模型寻找未知答案的思考过程，而不仅仅是简单的搜索[7][9] - 公司通过持续迭代其模型架构和训练方法，实现了从技术展示到实用产品的跨越，并确立了在行业中的领先地位[13][15][62] 强化学习与预训练的结合 - 预训练是基础，为强化学习提供必要的知识基础，没有预训练，强化学习难以奏效[16][22] - 强化学习必须建立在强大的预训练之上，而预训练同样需要强化学习的强化与闭环才能成功[3][50] - 公司自2019年就确立了“在大量数据上训练大型生成模型，然后进行强化学习”的战略路线，并延续至今[17] - 强化学习被比喻为训练狗的过程，通过奖励期望行为和惩罚不期望行为来优化模型策略[19][20] - 与相对标准化的预训练相比，强化学习更为复杂和精细，涉及更多动态组件，大规模扩展时挑战更大[33] 推理模型的技术演进 - 推理被定义为“找到一个未知答案的过程”，这比简单的“回答问题”需要更长的时间和更复杂的工作[7][9] - 思维链是模型将内部思考过程以人类语言和概念表达出来的能力，本质上是文字编码的思考过程[10][11] - 公司在推理模型的开发上遵循逐步扩展的训练实验路径，从展示能力的o1模型，到真正有用的o3模型，再到被视为o3迭代的GPT-5模型[13][15] - 模型思考时间的权衡由用户体验驱动，公司在产品层面提供不同模式让用户在输出质量和等待时间之间进行选择[12] - 编程能力是推理模型能力的一个自然副产品，研究人员常用编程问题测试新想法，使模型在该领域表现突出[43] 行业竞争与开源影响 - 公司在发布o1模型后，对许多研究实验室产生了意外冲击，而开源模型如DeepSeek的GRPO算法为其他实验室提供了快速跟进的操作说明书[30][32] - 数据标注行业必须不断自我更新，因为AI能力快速提升，几个月前需要人工标注的任务可能很快就能由AI自动完成[27] - 行业内的研究组织方式趋向于集中资源推进少数核心项目，而非进行大量分散的小赌注，以确保研究深度和效率[60] 智能体与未来发展方向 - 智能体系统的核心是让模型能够长时间自主思考，与更多系统和信息源交互，以完成复杂的长任务清单[34][35] - 目前大多数针对语言模型的强化学习仍是在线训练，但在与真实用户隔离的环境中进行，实时在线学习因安全考虑尚未大规模应用[36][38] - 对齐问题在某种程度上被视为一个强化学习问题，需要通过引导模型产生特定行为来实现，但这是一个持续演变的挑战[38][39] - 通向AGI的终极问题在于模型何时能在不依赖大量外部干预和人类修正的情况下实现自我改进[47] - 未来的发展路径更可能是在现有体系上持续叠加新方法，逐步淘汰旧元素，而非彻底推翻重来的转向[52]

行业格局转变 - 全球AI行业格局正从美国主导的不计成本追求极限参数的上半场，转向由性价比、商业效率和生态价值主导的新阶段[3] - 中国AI的地位从过去的追赶者提升为与美国并驾齐驱的竞争者，两者形成两种价值机制在同一舞台上并行的比拼[5][7] - 制胜关键不再仅体现为参数更多、模型更大，更在于能以更低的成本、更快的速度稳定服务用户[7] 中国AI模型表现 - 以DeepSeek、Kimi和Qwen为代表的中国开源模型矩阵，在多项关键性能指标上实现了对Meta的Llama系列的全面反超[5] - Kimi K2版本K2-0905在全球知名AI编程评测平台Roo Code上获得超过94%的评分，成为首个在该平台突破90%评分的开源模型[4] - Kimi K2在全球公认的LMSys Chatbot Arena上登顶开源第一，被誉为全网领先的开源文本模型[7] - DeepSeek在复杂的推理任务上超越了OpenAI的o1-preview版本，并成功将高端技术推向商业场景[7] 市场应用与生态突破 - 中国模型在Anthropic限制API服务后迅速填补市场空白，在高价值领域抢占用户市场[3][4] - 硅谷知名投资人查马斯将其公司的大量工作需求从亚马逊旗下AI平台转向中国模型Kimi K2，理由是性能强且比OpenAI和Anthropic便宜太多[1][3] - Cursor、Perplexity、Vercel等全球知名开发平台及应用相继宣布接入中国模型[4] - 中国在开源能力、成本效率与生态落地上实现弯道超车，展现出巨大的市场应用潜力[4][7]

文章核心观点 - 硅谷顶级投资人查马斯·帕里哈皮蒂亚公开表示其公司已将大量AI工作负载从亚马逊Bedrock等平台转向中国模型Kimi K2，理由是性能强且成本远低于OpenAI和Anthropic [1] - 这一选择被视为一个强烈的市场领先指标，标志着全球AI应用进入由商业理性主导的新阶段，模型的品牌和参数不再是唯一标准 [4] - 查马斯的选择正演变为群体趋势，多家在美国开发者生态中举足轻重的平台和工具已悄然集成Kimi，使其从一个被关注的外部模型转变为具备实际生产价值的工具 [4][5] - 2025年9月Anthropic的API服务政策调整形成了一个市场真空，月之暗面迅速反应并发布聚焦代码能力的K2-0905版本，在全球AI编程评测平台Roo Code上取得超过94%的评分 [7][8] - 《State of AI Report 2025》首次将中国AI体系提升为“平行竞争者”，指出中国在开源AI和商业化部署方面设定节奏，全球AI最高研究殿堂中，中国模型已占据三分之二席位 [12][13] - 全球AI格局正形成双极化：美国坚持“技术攻顶”范式，中国则发展出“应用共荣”范式，Kimi聚焦AI编程高价值赛道的成功是后一种范式的落地实践 [17][18] - 中国AI产业在2025年完成了从“技术破局”到“生态突围”的转变，开始在一个双极化的全球格局中自信地探索并引领自身发展范式 [19] 关键事件与市场反应 - 查马斯·帕里哈皮蒂亚是身价估算超过百亿美金的硅谷传奇投资人，其职业成就包括将Facebook用户数从4500万做到7亿，并早期精准投资多家百亿美金市值的明星公司 [3] - 集成Kimi K2的美国重要平台包括：估值93亿美元的云端开发平台Vercel、AI原生代码编辑器明星产品Cursor、以及AI原生应用Perplexity、Genspark、Youware [5] - Anthropic于2025年9月5日宣布调整API服务政策，限制了部分地区对Claude模型的访问，瞬间在AI编程领域形成市场真空 [7] - 月之暗面在Anthropic政策调整同一天发布K2-0905版本，将代码和智能体能力作为更新核心，并在Roo Code平台成为首个评分突破90%的开源模型 [7] 行业报告与格局分析 - 《State of AI Report 2025》由知名AI投资人内森·贝纳克和Air Street Capital联合发布，被公认为全球AI行业的年度风向标 [12] - 报告指出，以DeepSeek、Kimi、Qwen为代表的中国模型矩阵在多项关键性能指标上实现对Meta Llama系列的反超 [12] - 报告在“Research”部分仅列出三个代表性大语言模型：OpenAI的o1、中国的DeepSeek-v3系列和Kimi-K2系列，中国模型占据三分之二席位 [13] - DeepSeek在复杂推理任务上超越o1-preview，并在代码智能体和多模态智能体等高价值领域展现巨大应用潜力 [21] - Kimi K2被誉为“全网最强的开源文本模型”，在全球公认的LMSys Chatbot Arena上登顶开源第一 [21] - 美国“技术攻顶”范式以OpenAI、Anthropic、Google DeepMind为代表，核心是学术和研究实验室，目标为冲击AGI [17] - 中国“应用共荣”范式以字节跳动、百度、月之暗面、深度求索等公司为代表，通过高性价比、快速迭代的开源模型赋能开发者和企业，构建繁荣应用生态 [17] - Kimi的战略选择聚焦AI编程这一高价值企业级赛道，提供性能、成本与可靠性的最佳结合，是“应用共荣”范式的实践 [18]

AI Infra的定义与架构 - AI Infra包括硬件和软件两部分 硬件指AI芯片 GPU 交换机等设备 软件层面类比云计算分为三层 [3][4] - 最底层类似IaaS 解决基础计算 通信和存储问题 中间层类似PaaS 包含资源调度 资源管理等平台 MaaS归属这一层 [4][5] - 最上层近似SaaS应用层 但在AI Infra领域更倾向于理解为训练及推理框架的优化层 [5] AI Infra的发展历程 - 第一批AI Infra人如贾扬清 李沐 陈天奇等有算法背景 他们为充分利用GPU而开发AI Infra [6] - 第二批AI Infra人主要推动AI Infra在工业界的规模化应用 [6] - 大模型兴起使AI Infra进入主舞台 类似搜索引擎兴起时的机会窗口 可能十年二十年才出现一次 [7][9][10] AI Infra与传统Infra的差异 - AI Infra绝对核心是GPU 传统Infra核心是CPU [11] - AI Infra需要更极致 更贴合AI特殊需求 太阳底下没有太多新鲜事但要做到更极致 [12] - Infra人才相比算法更强调积累 算法依赖年轻人而Infra需要长期经验 [14] AI Infra的核心指标与价值 - 线上服务侧关注首字延迟 吐字稳定性 整体成本 训练侧关注每张GPU处理数据量和训练效率 [15] - 优化Infra可显著降低成本 例如1万张GPU每月租金1亿 利用率提升10%可节省1000万 [18][19] - 小公司可通过对比云厂商方案决定是否自建Infra 云服务商价值在于帮助小公司节省优化成本 [20][21] AI Infra的商业模式 - 第三方公司短期价值在于提供API集贸市场 让客户自由选择不同API [22] - 长期来看 第三方需与硬件或模型垂直整合才能建立壁垒 避免被云厂商或模型公司取代 [24][25] - MaaS服务商可通过与硬件厂商深度合作获得差异化优势 类似游戏机独占游戏 [26][27][28] AI Infra与模型效果 - Infra水平影响模型效果 优化更好的Infra可在相同算力下多学20%数据 提升模型效果 [36][37] - MFU是常见指标但单一指标难判断优劣 DeepSeek的MFU偏低但Infra并不差 [37][38] - DeepSeek成功关键在于选对优化目标 即给定推理成本训出最好模型 而非传统训练算力优化 [39][40][41] AI Infra的未来趋势 - 当前最重要指标是decoding速度 直接影响线上业务成本和强化学习效率 [44] - 多模态仍有突破可能性 需实现理解和生成的统一 类似GPT-3.5让专用模型退休 [63][64] - 开源模型促进AI Infra发展但也可能阻碍创新 如过度优化Llama影响新范式探索 [69] AI Infra的组织架构 - 理想协作是Infra 算法 数据团队共同决策 大厂中Infra常被视为支持角色缺乏影响力 [46][47][49] - 合理架构应是Infra人设计模型结构 数据人负责刷分 算法人主攻训练范式革新 [54] - 大厂人才结构错配 如DeepSeek Infra工程师多于算法工程师 而多数大厂相反 [81][82] AI Infra的创业机会 - 训练侧商业模式难成立 因训练方不愿泄露核心竞争力 推理侧如加速优化仍有机会 [67][68] - 国产芯片需专门设计模型结构提升性价比 Step 3开源模型支持国产卡商用并达到SOTA [69][73][74] - 多模态成本有望大幅下降 理解已不贵但生成仍贵 视频生成一年后可能降至几分之一 [75][76][77]

核心观点 - OpenAI通过MathGen团队在AI数学推理能力上取得重大突破，成为构建通用AI智能体的基石 [2][5][6] - 强化学习（RL）与思维链（CoT）技术的结合催生了o1推理模型，推动AI智能体发展 [17][20][23] - OpenAI押注AGI长期战略，通过自下而上的创新模式实现技术领先 [25][35] - AI智能体在主观任务处理上的突破将成为行业下一竞争焦点 [31][33][35] - GPT-5将整合最新推理技术，但面临谷歌、Meta等巨头的激烈竞争 [36][38] 技术突破 - MathGen团队开发的过程监督（process supervision）训练使AI模型在国际数学奥林匹克（IMO）竞赛中夺得金牌 [2][6][20] - Strawberry项目融合大语言模型、强化学习和测试时计算技术，首创思维链（CoT）方法 [20] - o1模型采用"群体智能"策略，可同时派出多个AI智能体分头探索最优解 [35] - 新型通用强化学习技术能训练AI处理不可验证的主观任务 [33][35] 战略布局 - OpenAI将80%顶尖资源集中于o1模型研发，21名核心研究员成为行业争夺对象 [13][15] - Meta以亿美元薪酬挖走5名o1团队成员，清华校友赵晟佳任首席科学家 [15] - 公司采用"突破换取资源"机制，研究员需用实证获取支持 [25] - GPT-5将整合推理技术巩固AI智能体领域优势 [35][36] 行业影响 - AI推理能力进步速度远超预期，IMO金牌证明技术可行性 [6][35] - 编程领域已实现商业化，Codex和Cursor工具成为首批付费AI智能体 [29] - 主观任务处理成为最后技术壁垒，涉及网购、停车等场景 [31][33] - 谷歌、xAI等竞品已开始采用"群体智能"策略 [35] 未来展望 - 终极目标是开发能凭直觉理解意图的全能AI智能体 [35][39] - 行业竞争格局从OpenAI独大转变为多强争霸 [36][38] - 技术路线争议持续，但实际效果导向成为共识 [26][27]

人事任命与团队组建 - Meta任命前OpenAI研究员赵晟佳为新成立的Meta超级智能实验室(MSL)首席科学家 赵晟佳曾为ChatGPT GPT-4和AI推理模型o1等OpenAI重大突破做出贡献[1][3] - MSL由Scale AI前CEO亚历山德·王领导 赵晟佳将负责制定研究议程 形成"技术+管理"的双重领导架构[4] - Meta从OpenAI Google DeepMind等公司招募多名资深研究员 包括与赵晟佳合作开发o1模型的Travis Bansal等核心人才[4][5] 研究方向与资源投入 - MSL将重点研发AI推理模型 目前Meta尚无与OpenAI o1竞争的产品[5] - Meta投资建设1千兆瓦云计算集群"普罗米修斯" 预计2026年投入使用 电力规模可供应75万户家庭 支持大规模AI模型训练[6] - 公司为吸引人才提供八位数至九位数薪酬方案 部分报价有效期仅数天 扎克伯格亲自参与高端人才招募[5] 组织架构与行业竞争 - Meta形成FAIR实验室(长期研究)与MSL(前沿应用)双轨并行的AI研发体系 杨立昆与赵晟佳分任首席科学家[6] - 通过组建明星团队和基础设施投入 Meta具备与OpenAI Google等AI领军企业直接竞争的实力[7] - 赵晟佳团队六月加入的三位OpenAI核心研究员余嘉惠 毕书超 任鸿宇将增强多模态研究能力[5]

人事任命 - Meta CEO Mark Zuckerberg宣布前OpenAI研究员Shengjia Zhao将担任新成立的Meta Superintelligence Labs (MSL)首席科学家[1] - Zhao曾参与OpenAI多项重大突破性项目包括ChatGPT、GPT-4和首个AI推理模型o1的开发[1] - Zhao与Alexandr Wang共同创立MSL并自始担任首席科学家现正式确立其领导地位[2] 团队组建 - Meta从OpenAI、Google DeepMind、Safe Superintelligence、Apple和Anthropic招募多名高级研究员并整合公司原有FAIR和GenAI团队[3] - 除Zhao外Meta还引入OpenAI研究员Jiahui Yu、Shuchao Bi、Hongyu Ren及AI推理模型专家Trapit Bansal[5] - 公司为吸引人才提供八位数至九位数薪酬方案部分采用限期数日的"爆炸性报价"[6] 技术方向 - Zhao主导的"新扩展范式"研究将成为MSL核心方向Meta目前缺乏与OpenAI o1竞争的AI推理模型[4] - MSL将与Meta现有FAIR实验室形成互补后者专注5-10年后的长期AI技术[10] 基础设施 - Meta增加云计算基础设施投资以支持前沿AI模型训练所需的大规模算力[8] - 2026年前将启用位于俄亥俄州的1吉瓦级计算集群Prometheus其算力可支撑75万户家庭用电[9] 行业竞争 - Meta通过组建顶尖AI团队(含Yann LeCun和Zhao)形成与OpenAI和Google竞争的实力[10] - 公司CEO亲自参与人才招募包括向研究者发送个人邮件并邀请至太浩湖庄园洽谈[6]

核心观点 - Meta持续从OpenAI挖走顶尖AI人才，最新目标是知名研究员Jason Wei和Hyung Won Chung [1][2] - 两位科学家在AI大模型领域贡献显著，Jason Wei是思维链（CoT）技术的主要作者，论文引用量超1.7万次 [4][6] - Hyung Won Chung是OpenAI o1系统的核心贡献者，参与多个重大项目研发 [4][29][38] 人才流动 - Jason Wei和Hyung Won Chung的Slack账号已被OpenAI停用，离职消息获多方证实 [2] - 两人均毕业于MIT，曾任职谷歌，2023年加入OpenAI后现可能同时转投Meta [6][18][27] - Jason Wei未直接回应跳槽传闻，但社交媒体评论普遍认为其将加入Meta [9][10] 技术贡献 - Jason Wei的CoT论文引用量超1.7万次，总论文引用量达77k，位列前两位的是CoT和GPT-4技术报告 [6][21] - Hyung Won Chung主导开发了OpenAI o1系列模型，强化了推理、搜索及RL策略能力 [29][38] - 两人参与OpenAI关键项目包括o1-preview、o1正式版、Deep Research及Codex mini模型训练 [18][29] 行业影响 - 人才流动反映Meta在AI领域的人才争夺策略，OpenAI面临核心团队持续流失压力 [1][41] - Jason Wei提出的RL"同策略"理念强调差异化研究路径，可能影响未来AI研发方法论 [11][12][13] - Hyung Won Chung的技术落地能力推动AI从理论到应用生态的闭环构建 [40]

Grok 4 模型性能与规格 - Grok 4 模型在 xAI 自研的 Colossus 超算上训练，计算资源投入为 Grok-2 的 100 倍、Grok-3 的 10 倍，实现了推理性能、多模态能力和上下文处理能力的跃升 [4] - 模型拥有两个版本：Grok 4（月费 30 美元）和 Grok 4 Heavy（月费 300 美元），后者为多 Agent 协作版本，能够同时启动多个 Agent 并行工作并整合结果 [5] - 在 HLE 测试中，Grok 4 得分为 38.6 分，而 Grok 4 Heavy 得分达 44.4 分，为行业最高；在 HMMT 测试中，Grok 4 为 90 分，Grok 4 Heavy 达 97 分 [7] - 模型支持 256k tokens 的上下文窗口，并支持实时网络搜索和基础工具调用 [7] 基准测试表现与 HLE 重要性 - Grok 4 在 GPQA、AIME25、LCB（Jan-May）、HMMT25、USAMO25 等多项测评中超越了 o3、Gemini 2.5 Pro、Claude 4 Opus 等模型 [7] - 在 HLE（人类最后考试）基准测试中，Grok 4 Heavy 获得 44.4% 的成绩，显著高于此前冠军 Gemini 2.5 Pro 的 26.9% [9] - HLE 基准测试包含 2500 个极具挑战性的问题，覆盖数学、人文学科、自然科学等超过 100 个学科，设计为无法通过简单互联网检索快速回答的问题 [15] - 在 Grok 4 推出前，市面上最强大模型在 HLE 上表现不理想，例如 GPR-4o 的准确率仅为 2.7% [16] 核心技术创新：多智能体内生化 - Grok 4 的核心创新是在训练阶段引入多智能体协作，即"多智能体内生化"，将 Agent 调用及实时搜索等能力融合到训练过程中 [6][42][43] - 大模型发展主线是能力内生化，从 OpenAI o1 的"思维链内生化"到 Grok 4 的"多智能体内生化"，将多代理协作、动态任务分配等能力训练进模型中 [34][39][42][46] - "多智能体内生化"使 AI 内生化地支持 Agentic AI，更有效地解决复杂任务，相比外部工具调用，内生化的能力发挥更稳定 [40][41][46] AI 模型能力内生化趋势 - 行业发展趋势是 AI 能力内生化，包括深度思考内生化、Agent 内生化以及多模态内生化 [47][50] - 多模态内生化指大模型能够原生地理解图片、音频、视频，而非先转码成文字再理解，业界公认的目标是 Omni Model [51][53][54] - Google Gemini 已支持视频模态输入输出，而 OpenAI 的所有模型尚不支持视频模态输入 [56] - 能力内生化趋势下，大模型应用类公司的核心壁垒在于私域数据的持续积累和对应用场景的深度洞察 [58] AI Coding 能力与市场认知 - Grok 4 在代码生成能力上存在不足，生成的代码常有依赖库丢失、界面 UI 粗糙等问题，例如编写游戏时丢失 pygame 库 [63][64] - 商业场景需要的 coding model 是能整合 Github repo 资源、构建项目级应用的实战派选手，而非仅精通算法的奥赛型选手 [66][67] - Base44 公司专注于 Vibe Coding（氛围编程），通过自然语言交互生成完整软件系统，6 个月内用户达 25 万，并被以 8000 万美元（约 5.7 亿元人民币）收购 [69][70][71] 算力需求与行业竞争格局 - Grok 4 依托 20 万张 GPU 集群的 Colossus 超算中心训练，其计算资源投入是 Grok 2 的 100 倍，上下文窗口扩展至 25.6 万 tokens [76] - Colossus 超算中心目前已部署 35 万块 H100，总浮点运算能力达 100 EFLOPS，预计下半年将扩展至超过 50 万张卡 [79] - 预训练、后训练、测试时均存在 Scaling Law，今年开始后训练、测试时推理需求快速增长，多 Agent 内生化将给全球算力需求带来几何级增长 [80][81] - 随着 Grok 4 打响 Agent 能力内生化第一枪，AI 大厂大概率跟进，新一代大模型训练的军备竞赛已经开始 [83]