1273名前沿AI公司员工突然联名，他们到底在担心什么？

人工智能、博客文章Laoer发表留言

过去几年，几乎每一家前沿AI公司都在同时讲两件事。一方面，它们不断发布更强的模型，投入更多算力，争夺用户、开发者和企业客户；另一方面，它们又不断提醒外界，越来越强的AI可能带来网络攻击、生物安全、就业冲击，甚至人类无法控制的风险。

这两件事放在一起，多少显得有些矛盾。一家公司一边把油门踩到底，一边告诉所有人前方可能有危险，很容易被理解为一种商业策略：既要抢占技术和市场的领先位置，又要把自己塑造成最了解风险、最有资格制定规则的人。

但最近出现的“Pacing the Frontier”声明，还是值得认真看一下。

截至7月30日，来自OpenAI、Anthropic、Google DeepMind、Meta等前沿AI公司的1273名员工签署了这份声明，其中包括OpenAI首席科学家Jakub Pachocki、Anthropic CEO Dario Amodei、Meta AI首席科学家Shengjia Zhao，以及Google DeepMind联合创始人Shane Legg等人。签署行为代表个人立场，并不等于相关公司的正式决定，但OpenAI和Anthropic随后也公开认可了这份声明所讨论的问题。

Pacing the Frontier

声明的内容并不长，也没有要求立即暂停AI研发。它真正提出的诉求，是希望美国政府支持一项国际行动，提前开发必要的技术和治理工具，让人类在有需要的时候，可以有意识地调节自动化AI研发的速度。

这份声明中最值得注意的，其实不是AI可能失控，而是它承认了一件过去很少被前沿AI公司公开说得如此直白的事情：每一家公司和每一个国家，都承受着巨大的竞争压力，没有谁敢单方面放慢速度。

这可能才是当前AI发展中最现实的风险。

一、他们担心的，不只是下一代模型更强

“Pacing the Frontier”讨论的重点，不是ChatGPT、Claude或者Gemini下一次更新会提高多少分，也不是模型能不能写出更完整的代码，而是AI是否即将具备自动化AI研究的能力。

现在的AI已经可以帮助研究人员写代码、查阅论文、分析实验数据、寻找程序错误，但整个研发过程仍然主要由人来决定。人类研究人员提出方向、设计实验、组织训练、判断结果，再决定下一步应该做什么。

如果未来的AI不仅能够执行这些工作，还可以独立提出研究假设、设计实验、修改训练方法、分析失败原因，并根据结果继续改进下一代模型，AI研发的速度就可能发生完全不同的变化。更强的AI帮助开发更强的AI，新模型又进一步提高研发效率，最终形成一个不断加速的反馈循环。

没有人能够准确判断这个过程会以怎样的速度发生，甚至不能确定它一定会发生。声明本身对此也保持了克制，只是说世界领先的AI公司认为，它们“可能已经接近”自动化AI研究，而这种自动化究竟会把AI进步加速多少，目前很难预测。

问题正在这里。假如AI能力仍然按照现在的节奏发展，人类社会至少还有时间适应。政府可以制定规则，企业可以改造业务，学校可以调整教育内容，安全研究人员也可以慢慢寻找模型的问题。但如果研发周期突然从几年缩短到几个月，再从几个月缩短到几周，社会理解和管理技术的速度就可能跟不上技术本身。

这并不意味着AI一定会突然产生意识，或者某一天自行接管人类社会。更加现实的情况是，新的能力不断出现，但人类来不及验证它们是否安全，也来不及建立相应的监督制度。在旧问题尚未解决之前，下一代更强的系统已经开始训练和部署。

二、没有一家AI公司敢自己慢下来

如果所有前沿AI公司都已经意识到这种风险，最直接的办法似乎很简单：大家把研发速度放慢一点，留出更多时间研究安全问题。

但现实并不是这样运转的。

对于OpenAI、Anthropic、Google和Meta来说，模型能力不只是一个科研指标，它还关系到企业客户、订阅收入、云计算业务、开发者生态、资本估值和人才流动。一家公司推迟几个月发布新模型，竞争对手不会因此一起等待。它获得的可能不是更多安全时间，而是用户流失、收入下降，以及技术领先地位的丧失。

国家之间也是如此。AI已经被美国、中国和其他国家视为影响经济、军事、科研和产业竞争力的基础技术。即使一个国家认为AI发展过快可能带来风险，也很难在无法确认其他国家是否会同时减速的情况下，主动限制自己的企业和研究机构。

这形成了一个非常典型的集体行动困境：几乎所有参与者都知道继续加速可能存在危险，但每一个参与者又都认为，自己不能成为唯一放慢速度的人。最后的结果，是所有人只能继续向前。

过去几年，AI公司发布了许多安全框架，建立了红队测试、能力评估和模型发布标准，这些工作当然有价值。但它们始终存在一个隐含前提：安全措施不能严重影响公司的竞争力。一旦安全要求与产品发布时间、市场份额和融资预期发生直接冲突，自我约束究竟能够坚持到什么程度，很难只依赖公司的承诺。

所以，“Pacing the Frontier”才没有要求某一家公司率先暂停，而是把问题交给了政府和国际协调机制。因为签署者显然已经认识到，仅靠企业自愿，很难解决一个由竞争本身造成的问题。

三、真正失去控制的，可能是竞赛机制

我们通常说AI失控，想到的是一个拥有自主目标的超级智能系统。它拒绝人类命令，突破技术限制，开始按照自己的方式采取行动。

但在这样的系统真正出现之前，另一种失控可能已经发生了。

所谓控制，并不只是人类能不能关闭一台服务器，也包括我们能不能决定技术应该以什么速度发展。当所有参与者都知道速度过快可能有风险，却没有任何一个参与者能够主动改变整体节奏时，这场竞赛实际上已经拥有了自己的惯性。

今天的AI发展，表面上是由OpenAI、Anthropic、Google、Meta等公司推动的，但这些公司同样被资本、市场和国家竞争推动着。CEO可以决定某个模型具体在哪一天发布，却很难决定公司在未来两年不再追求更强的模型。因为一旦它停下来，竞争对手就会占据它留下的位置。

每家公司都在做自己的理性选择，最终却可能形成一个所有人都无法接受的结果。这个问题并不神秘，在金融、军备、环境和互联网平台竞争中都曾经出现过。不同之处只在于，AI能力可能提高得更快，影响的范围也更广，而我们现在甚至还没有确定应该在什么情况下减速。

从这个角度看，AI真正失控的，可能首先不是模型，而是围绕模型形成的商业和国家竞赛。模型还在数据中心里接受人类指令，但决定它发展速度的机制，已经不完全服从任何一个人的意志。

四、“Pacing”不是停止，而是保留争取时间的能力

“Pacing the Frontier”容易被理解为要求停止AI发展，但这并不是声明提出的主张。

它没有要求立即暂停模型训练，没有设定半年或一年的期限，也没有反对AI商业化和普通应用。它提出的是一种更有限的能力：当自动化AI研发开始显著加速，或者某些危险能力突然出现时，产业、政府和社会应该能够争取时间，用来分析风险、加强安全措施和建立监督机制。

这与永远停止技术进步是两回事。

一辆汽车不能只有油门，也需要刹车。刹车的存在并不意味着汽车不应该向前，而是驾驶者需要保留调整速度的能力。真正危险的情况，不是汽车开得快，而是驾驶者发现前方出现障碍时，才意识到车上从来没有安装刹车。

现在的问题是，AI行业还没有这样的机制。

我们不知道应该用什么指标判断自动化AI研究已经出现，也不知道哪些能力达到什么程度后需要减速。即使一家实验室发现了风险，又应该如何通知其他公司，怎样确认竞争对手会采取同样的行动，如何避免有人表面暂停、实际继续研发，这些都缺少可执行的答案。

声明要求建设的技术和治理工具，理论上就是为了解决这些问题，包括更可靠的能力评估、前沿模型监测、跨公司信息共享、触发减速的标准，以及国际之间的验证机制。OpenAI回应称，未来AI研发加速到一定程度后，世界可能确实需要调节AI进步的速度；Anthropic也表示，其关于递归式自我改进的研究显示，社会需要提前准备相关工具。

因此，这份声明更像是在提醒政府：不要等到风险真正发生以后，才开始讨论如何争取时间。

五、真正困难的问题，是谁有权踩下刹车

我认同人类应该保留让AI减速的能力，但这并不意味着“Pacing the Frontier”已经解决了问题。相反，它只是把最困难的问题提了出来，却没有给出答案。

首先，谁来定义什么是前沿AI？

如果按照训练算力划分，大公司最容易被纳入监管，但一些使用更高效方法训练的模型可能被遗漏；如果按照模型能力划分，又需要一套稳定、可信而且无法被针对性优化的评估标准。今天的模型在不同任务上的能力并不均衡，很难用一个分数决定它是否已经危险。

其次，谁来决定什么时候需要减速？

这个决定不可能只交给AI公司。企业既是风险信息的主要掌握者，也是监管规则的直接利益相关者。它们当然最了解模型，但也有动机夸大某些竞争对手的风险，或者把只有自己能够承担的合规成本变成行业门槛。

如果未来的前沿AI研发需要复杂的许可证、安全团队、独立评估和高额合规成本，OpenAI、Google和Meta可能仍然有能力继续训练模型，规模较小的公司、大学和开放模型团队却可能被挡在门外。最终，一套以安全名义建立的制度，反而帮助今天的领先者把技术优势固定下来。

这并不是说这些签署者的动机一定是维护垄断。1273名员工来自不同公司，许多人的担忧显然是真实的，而且他们的签名只代表个人观点。问题在于，任何治理方案都会重新分配技术和市场权力，不能因为它使用了“安全”这个正确的理由，就不再讨论谁从中受益。

还有一个更现实的问题：声明请求美国政府支持国际行动，但美国推动的“国际规则”，很难完全脱离美国自身的产业和国家利益。如果治理工具最终主要限制美国以外的企业，或者被转化为芯片、算力和模型能力的出口管制，那么它就不只是AI安全机制，也会成为技术竞争的工具。

人类需要刹车，但刹车不能只掌握在领跑者手中。否则，决定AI发展速度的权力，可能从市场竞争转移到少数公司与政府组成的封闭体系里，普通企业、开发者和社会公众仍然没有真正的参与权。

六、AI不能只有加速这一个选项

我一直认为，AI真正重要的价值，不是生成更多营销文案、替代更多初级工作，而是帮助人类解决过去无法解决的科学问题，包括疾病治疗、新药研发、能源、材料和气候变化。

从这个角度看，我并不赞成因为不确定的风险，就让AI停止发展。技术进步本身不是问题，缺少选择才是问题。

今天的AI竞赛有一种越来越明显的倾向：更强的模型、更大的算力、更快的发布速度，似乎天然就是正确方向。公司担心落后于竞争对手，国家担心失去战略优势，投资者又要求更快看到回报，所有力量最终都指向同一个选择——继续加速。

但一个真正成熟的技术治理体系，不应该只有这一个选项。

我们应该能够在AI帮助人类解决科学和医疗问题时加速投入，也应该能够在某种能力突然跨过风险边界时停下来观察；可以鼓励企业竞争，也要让不同企业在发现共同风险时拥有协调的机制；可以利用前沿公司的技术能力制定规则，但不能把规则完全交给这些公司自己决定。

“Pacing the Frontier”最重要的意义，并不是1273名AI从业者预测了一个一定会到来的灾难，而是他们从这场竞赛内部承认，单靠任何一家公司都无法解决速度问题。

当所有人都想慢一点，却没有人敢先慢下来时，风险已经不只是来自技术本身。

真正值得警惕的，也许不是某一天AI突然拒绝人类控制，而是在人类仍然控制着每一台机器的时候，我们已经失去了控制整个方向和速度的能力。

Anthropic终于谈开源了，但它只说了一半真话

人工智能、博客文章Laoer发表留言

最近，Anthropic专门发布了一份关于开放权重模型的声明，回应外界对其立场的质疑。Dario Amodei在文章中明确表示，Anthropic并不支持全面禁止开放权重模型。对于能力有限、不会带来严重安全风险的模型，开放权重能够促进创新、竞争和用户控制，也可以成为一种有价值的公共产品。

如果只看这些表述，Anthropic似乎终于放下了对开放权重模型的敌意，也愿意承认开放生态的价值。但继续读下去就会发现，它真正改变的只是表达方式，并不是立场本身。

Anthropic可以接受开放权重模型存在，前提是这些模型不能太强。一旦模型能力接近前沿水平，能够在网络攻击、生物研究、自动化执行等领域产生更大影响，它的态度就会迅速改变：模型需要接受强制测试，发布需要设置更高门槛，训练需要受到算力约束，其他国家通过芯片、蒸馏等方式追赶美国模型的路径也应该受到限制。

所以，外界对这份声明最准确的概括是：Anthropic并不反对所有开放权重模型，它只接受能力不太强的开放模型；一旦开放模型接近Claude这样的前沿闭源模型，就应该被严格控制。

这也意味着，Anthropic支持的并不是一种能够真正挑战闭源公司的开放生态，而是一种被限定在安全范围内、也被限定在竞争范围外的开放。开放权重可以作为前沿闭源模型的补充，可以满足研究、教学和部分本地部署需求，却不能成为一种足以改变市场格局的力量。

Anthropic允许开放，但不允许开放模型追上Claude

开放权重模型的价值，并不只是让普通开发者下载一个能力落后两三代的小模型，在自己的电脑上运行一些简单任务。它更重要的意义在于，企业、研究机构和开发者能够获得接近前沿的技术能力，可以独立部署、修改、微调和研究，不必永远依赖少数公司的API，也不必把自己的数据、产品和业务建立在一个随时可能涨价、限额或者改变规则的平台上。

如果最强大的模型永远不能开放，开放生态就很难形成真正的技术竞争。它可以很热闹，可以拥有大量模型、工具和社区项目，但整个行业最核心的能力依然掌握在少数闭源公司手中。开放模型只能跟随闭源模型已经探索过的路线，使用前沿公司允许它拥有的能力，很难真正影响技术发展的方向。

Anthropic的立场恰恰停留在这里。它承认开放权重有价值，却没有准备接受开放模型成为真正的前沿模型。性能不够高时，开放可以促进创新；性能达到前沿水平后，同样的开放就开始被描述为不可逆的安全风险。

这种边界看起来是按照能力和风险划分的，但它同时也划出了一条非常清晰的商业边界：开放模型可以存在，却不能威胁Claude的护城河；可以服务长尾市场，却不能动摇头部闭源公司的定价权；可以成为一种公共产品，却不能成为一种足以重新分配市场利益的竞争产品。

所以，Anthropic真正反对的并不是开放权重这种技术形式，而是前沿能力脱离自己的控制。它担心的也不只是危险模型被滥用，还包括越来越多的开发者和企业不再需要Claude。

安全风险是真实的，但Anthropic不是中立的裁判

必须承认，Anthropic所强调的一些风险并非完全虚构。模型权重一旦发布，确实很难撤回，原有的安全限制也可能被删除。与只能通过API访问的闭源模型相比，开放权重模型能够在私人设备和服务器上运行，模型开发者很难监控它的具体用途。当模型具备更强的网络攻击、生物研究和自动执行能力时，开放发布确实可能带来新的风险。

但承认风险存在，并不意味着必须接受Anthropic给出的解决方案，更不意味着Anthropic天然有资格定义什么是危险、什么样的模型可以发布。

Anthropic首先是一家商业公司，而且是全球最重要的闭源模型公司之一。它依靠模型能力、API调用和订阅服务获得收入，开放权重模型则是其最直接的竞争者。当一家市场参与者开始推动规则，决定竞争对手能够发展到什么程度时，它就不再只是一个单纯的安全倡议者。

更严格的测试要求、更高的合规成本和更复杂的发布审批，对Anthropic这样的公司并不是太大的负担。它拥有资金、算力、研究人员和成熟的安全团队，也有足够的资源参与政策制定。真正会受到影响的，往往是规模较小的模型公司、研究机构和开放社区。它们需要承担同样的测试和合规要求，却没有同等的资源。

限制前沿模型开放，也会直接保护闭源公司的商业模式。只要最强能力仍然只能通过API获得，企业就必须持续向少数模型公司付费，开发者也很难真正掌握底层能力。模型公司不仅拥有技术优势，还拥有定价权、数据入口和生态控制权。

这并不意味着Anthropic讨论安全时一定是在撒谎。更可能的情况是，安全风险与商业利益在这里高度重合。它相信自己的安全判断，同时也从这些判断所推动的监管规则中获益。

安全是一种非常有力量的语言。当一家企业说自己想保护市场份额时，人们会保持警惕；当它说自己正在保护人类时，商业竞争就获得了道德上的正当性。保护自身利益不再被描述为维护护城河，而变成了防止灾难发生。

Anthropic的问题并不是它不应该讨论风险，而是它选择性地放大了开放扩散的风险，却很少讨论封闭垄断和技术权力集中本身可能产生的风险。

从开放权重到中国威胁，矛盾被悄悄转移了

在这份声明中，Anthropic用了相当大的篇幅讨论中国。它认为，美国应该继续限制高端芯片和芯片制造设备出口，打击大规模模型蒸馏，避免中国利用美国闭源模型的能力，以更低成本训练出接近前沿水平的模型。

这里当然存在真实的国家竞争。美国不希望中国率先获得更先进的人工智能能力，中国也不可能放弃发展自己的模型。芯片、算力、模型和人才已经成为中美科技竞争的重要部分，这并不令人意外。

但“美国是否应该限制中国获得先进AI能力”，与“接近前沿的开放权重模型是否应该受到普遍限制”，本来是两个不同的问题。Anthropic却把它们放进了同一套叙事中。

原本的争议是，为什么美国的前沿模型公司不愿意开放权重，为什么Anthropic要推动更严格的发布门槛，为什么闭源公司有资格决定开放模型可以发展到什么程度。经过这份声明的重新包装，问题逐渐变成了：美国是否应该帮助中国发展AI，中国公司是否正在利用美国模型进行蒸馏，以及开放模型是否会增强威权国家的技术能力。

这样一来，关于商业竞争和技术开放的争论，就被转换成了一个国家安全问题。质疑Anthropic对开放模型的限制，似乎也容易被解释为忽视中国AI带来的威胁。

然而，中国开放权重模型能够在全球获得影响力，并不只是因为它们来自中国，也不是因为各国开发者对中国公司有特殊偏好，而是因为它们提供了美国闭源公司不愿意提供的东西：更低的成本、更自由的部署方式，以及对模型权重和数据的实际控制。

当美国公司把最强模型全部封闭在自己的平台内，而中国公司愿意开放权重时，全球开发者自然会作出选择。这首先是一种产品和生态竞争，然后才是国家之间的技术竞争。

如果美国希望自己的模型继续成为全球AI生态的基础，真正应该做的并不只是限制芯片、限制蒸馏或者提高其他模型的发布门槛，而是提供更有竞争力的开放模型。一个开放生态最终依靠的不是行政保护，而是有没有足够多的人愿意使用、部署和改进它。

Anthropic却选择了另一条路线：当开放模型来自美国时，它强调能力扩散的风险；当开放模型来自中国时，它又增加国家安全的风险。两种叙事最后都指向同一个结论——最强大的模型不应该开放，前沿能力应该继续掌握在少数美国闭源公司手中。

表面上是自信，骨子里还是自大和傲慢

我之前写Anthropic时，曾经提到过一个感受：这家公司给人的印象并不只是自信，而是一种建立在技术优势上的自大和傲慢。

Anthropic相信自己对AI风险的理解比其他公司更深，相信自己的安全研究更加成熟，也相信自己拥有比开放社区、其他国家和普通开发者更强的判断能力。这种自信并不难理解，它确实聚集了大量优秀的研究人员，也在模型能力和安全研究方面投入了很多资源。

但这种自信继续向前走一步，就会变成另外一种东西：因为我们最了解AI，所以应该由我们决定谁能够使用它；因为我们建立了安全体系，所以最强模型掌握在我们手中是安全的；因为其他人可能滥用技术，所以他们只应该获得被限制过的能力。

这里真正傲慢的地方，并不是Anthropic认为AI有风险，而是它似乎天然认为自己属于“正确的人”，其他人则需要不断证明自己不会成为风险。

它担心开放权重模型落入恶意攻击者、极端组织或者威权政府手中，却很少认真讨论另一个问题：如果作出错误决定的，恰恰是掌握最强模型的公司和少数高管呢？

闭源不会自动让一个组织变得善良，技术领先也不意味着其判断永远正确。一家公司可能在商业压力下忽视安全问题，可能为了维持竞争优势夸大外部威胁，也可能与政府、军事和情报机构展开外界无法审查的合作。模型没有开放权重，并不代表它不会被滥用，只是相关决策发生在更加封闭的系统中，普通人更难了解和监督。

Anthropic所构想的秩序，是少数公司掌握最强模型，同时由这些公司参与制定安全规则，判断其他模型是否可以发布。技术能力、商业利益和规则制定权集中在同一批人手中，却被默认成了更加安全的状态。

但集中并不会自动带来安全。恰恰相反，当最强模型、最大算力、最多用户数据和规则制定能力同时聚集到少数公司手中，整个行业也会形成新的单点风险。企业内部的一次判断失误、一次利益冲突或者一次政策转向，都可能影响大量开发者、企业和普通用户，而外部社会却很难及时发现，更难纠正。

开放会产生扩散风险，封闭同样会产生权力集中的风险。两者都需要监管，不能因为集中在一家拥有安全团队的公司内部，就默认后一种风险不存在。

真正需要监管的，不只是模型，还有掌握模型的人

我并不认为所有模型都应该毫无条件地开放，也不认为前沿模型的安全风险可以被忽略。随着模型能力继续提升，一些测试、评估和发布规范是必要的，尤其是涉及网络攻击、生物风险和自主执行能力时。

但这些规则必须同时适用于开放模型和闭源模型，而且不能主要由最大的闭源公司来定义。

如果开放模型需要接受独立安全评估，Anthropic、OpenAI和Google的闭源模型同样应该接受外部审计；如果开放模型的开发者需要证明模型不会被滥用，闭源公司也应该解释自己的模型如何被政府、军方和大型企业使用；如果监管机构担心危险能力扩散，也应该担心能力、算力和决策权被永久集中在几家公司手中。

真正公平的规则，不能要求开放模型证明自己绝对安全，却允许闭源公司依靠一份内部安全报告证明自己足够负责。测试标准应该公开，评估机构应该独立，监管过程也应该尽可能避免被头部公司主导。

更重要的是，监管的对象不能只有模型能力，还应该包括掌握模型的人和组织。越强大的模型公司，越应该承担更高的透明度和外部监督要求，而不是因为它拥有最专业的安全团队，就自动获得更多权力。

AI安全不应该成为一种只约束后来者和竞争者的制度。它应该同时约束开放社区、闭源公司、政府机构，以及所有有能力把模型接入现实世界的人。

Anthropic真正想守住的，是定义AI边界的权力

Anthropic这次的声明，确实澄清了一件事：它并不反对所有开放权重模型。以后再简单地说Anthropic想全面禁止开源，并不准确。

但这份声明也让它真正的立场变得更加清楚。Anthropic可以接受开放，但不能接受开放模型接近前沿；可以接受竞争，但不能接受竞争者获得同等能力；可以讨论公共产品，却不愿意放弃自己对最强模型的控制。

它用安全解释这种限制，用中国威胁强化这种限制，又用自身的技术专业性证明自己有资格制定限制。

归根到底，Anthropic争夺的不只是Claude的市场份额，也不只是美国AI公司的领先地位，而是定义AI边界的权力：什么样的模型算危险，谁可以训练最强模型，谁能够获得模型权重，以及整个社会可以使用多强的AI。

但AI未来最危险的局面，未必是强大的模型被太多人掌握，也可能是全世界最强大的模型只掌握在几家公司、几个高管和少数政府机构手中。

Anthropic一直担心危险能力落入错误的人手中，却很少反思一个更基本的问题：它为什么天然认为，自己就是那个正确的人？

这或许才是Anthropic真正让人不安的地方。

黄仁勋想用开源守住Nvidia，中国却用它追赶Nvidia

人工智能、博客文章Laoer发表留言

7月24日，黄仁勋在X上发布了自己的第一篇帖子。他没有介绍Nvidia的新芯片，也没有谈公司的业绩和市值，而是分享了一份名为《Open Weights and American AI Leadership》的倡议书，呼吁美国支持开放权重模型的发展。他在帖子中提到，AI将改变每一个行业、赋能每一家公司，也会由每一个国家建设，世界既需要最前沿的闭源模型，也需要最前沿的开放模型。

这份倡议书的立场其实非常明确。它讨论的不是全球AI产业应该如何开放，而是美国如何通过开放权重模型，继续保持AI领域的领导力。倡议书认为，美国的优势不能只建立在少数几个最强的闭源模型上，还要拥有能够被企业、大学、政府和开发者广泛使用的开放模型。只有模型能力真正扩散到各个行业，美国在芯片、云计算、软件和应用层的优势，才能转化为更完整的产业领导力。

Open Weights and American AI Leadership

倡议书最初由Nvidia、Microsoft、Meta、Mistral、Hugging Face和Linux Foundation等企业和机构签署，后来OpenAI、Google等公司也加入进来，目前的签署名单中仍然没有Anthropic。Anthropic没有签署，当然不能直接说明它反对开放模型，但在OpenAI和Google都选择支持之后，它的缺席仍然反映出不同公司在模型开放问题上的路线差异。

Open Weights and American AI Leadership

如果只看倡议书的表述，这是一场围绕美国AI领导力、市场竞争和技术创新展开的讨论。但黄仁勋选择用自己的第一篇X帖子来推动这件事，显然不只是因为他相信开放。对于一家站在AI产业最上游、主要依靠计算平台获得收入的公司来说，一个模型更加开放、部署更加分散的世界，本来就是最符合Nvidia利益的世界。

Nvidia最大的客户，也在成为它的竞争者

过去几年，Nvidia是这一轮AI浪潮中最直接的受益者。模型越大，用户越多，需要的训练和推理算力也就越多。OpenAI、Microsoft、Google、Amazon以及其他云计算厂商不断建设数据中心，Nvidia的GPU因此成为整个AI产业最紧缺的基础设施。

但Nvidia面对的一个现实是，它最大的客户，同时也是这个世界上最有能力减少对它依赖的公司。

Google很早就开始使用自己设计的TPU，Amazon持续发展Trainium，Microsoft也在开发自己的AI芯片，包括OpenAI在内的头部模型公司，都有建立多元算力体系甚至自研芯片的计划。这并不意味着它们会在短时间内放弃Nvidia。训练前沿模型、建设大规模推理平台，需要各种不同类型的计算资源，Nvidia在相当长的时间内仍然会是最重要的供应商之一。

真正的变化在于，这些公司已经不再满足于只做Nvidia的客户。

模型公司知道自己的模型需要什么，哪些算子使用最多，推理瓶颈来自计算、内存还是通信，哪些通用能力对自身业务并不重要。随着模型调用量不断增长，为固定工作负载设计专用芯片，会产生非常明确的商业价值。使用规模越大，自研芯片节省的成本就越多，投入巨资开发芯片也越值得。

过去，模型公司负责训练模型和提供产品，Nvidia负责供应计算平台。现在，这种分工正在被打破。模型公司开始向下进入芯片，云计算公司同时拥有芯片、模型和云服务，Nvidia也在向上提供模型、推理框架和企业软件。原来的客户与供应商，正在越来越多的领域相互进入对方的市场。

因此，Nvidia真正需要担心的，并不是AI算力需求停止增长，而是AI算力需求依然快速增长，其中越来越多的一部分，却开始流向客户自己的芯片。

闭源模型越集中，Nvidia面对的风险就越大

如果未来的AI主要由几家闭源公司通过API提供，普通企业其实不需要购买GPU，也不需要自己部署模型。它们只需要调用OpenAI、Google或者Anthropic的服务，模型、服务器和芯片都隐藏在API后面。

这样的市场规模依然很大，但真正采购大量计算设备的，可能只剩下少数几家模型公司和云计算厂商。客户越少，采购量越集中，这些大客户的议价能力就越强，也越有能力开发自己的芯片。

对于OpenAI这样的公司来说，只要每一次模型调用都需要承担一部分Nvidia硬件成本，自研芯片就有明确的价值。它的用户越多、推理规模越大，自研芯片能够节省的成本也就越多。长期来看，把一部分芯片利润留在自己的体系内，是几乎必然会做出的选择。

这形成了一个对Nvidia并不舒服的局面：闭源模型公司越成功，算力需求越集中；算力越集中，客户就越有能力摆脱Nvidia。

过去几年，人们习惯认为OpenAI、Google和其他模型公司的增长，会自动带动Nvidia的增长，这在短期内当然成立。但从更长的时间看，过度依赖少数几个超级客户，本身就是一种风险。它们不仅拥有巨大的采购量，还有足够的资金、人才和业务规模，进入Nvidia原本占据的芯片市场。

开放权重模型对Nvidia的价值，就在于它能够改变这种市场结构。

模型越开放，Nvidia的客户就越多

开放权重模型可以被下载、修改，并部署在不同的基础设施上。企业可以把模型放进自己的数据中心，医院可以在本地处理敏感数据，政府可以建设自己的AI基础设施，制造企业可以把行业模型部署到工厂，创业公司也可以在区域云平台和边缘设备上运行模型。

当模型从少数公司的API里释放出来，算力需求也会随之扩散。

这些企业、大学、医院和公共机构，与OpenAI、Google有一个很大的不同：它们通常没有能力设计自己的芯片。自研芯片不仅需要巨额资金和工程能力，也需要足够大的使用规模，才能把研发成本分摊到海量计算任务中。对于绝大多数组织来说，更现实的选择仍然是购买一个成熟、通用、能够运行不同模型的计算平台。

这正是Nvidia最擅长的市场。

在一个由少数闭源模型公司主导的世界里，Nvidia面对的是几个购买量巨大、却随时准备开发自研芯片的客户；在一个开放权重模型广泛部署的世界里，Nvidia面对的则是成千上万没有能力自研芯片的企业和机构。相比之下，后一个市场更加分散，也更加安全。

Nvidia并不需要控制未来最强的模型由谁开发，也不必判断OpenAI、Google、Meta、DeepSeek、Qwen还是其他模型最终会胜出。只要这些模型都能在Nvidia的平台上高效运行，模型层面的竞争越激烈，Nvidia获得的市场反而越大。

所以，黄仁勋推动开放权重，真正想要的可能不只是多卖一些GPU，而是把Nvidia的客户从少数模型巨头，扩展到整个AI产业。

Nvidia想要一个Linux式的模型世界

倡议书将开放权重模型与开源软件运动放在一起，这个类比是成立的。Linux改变世界，不只是因为它免费，而是因为它让操作系统成为一套所有人都可以使用、修改和继续开发的公共基础。创业公司不需要从操作系统开始重复建设，云计算、服务器和互联网基础设施也因此获得了更快的发展。

但Linux的发展还说明了一件事：开源不会让商业利益消失，只会重新分配产业中的利润。

Linux削弱了封闭操作系统在服务器市场的控制力，却创造了更大的芯片、服务器、云计算和技术服务市场。企业不再需要为操作系统支付高额许可费，但它们仍然需要购买硬件、租用云服务器、部署软件并获得技术支持。

开放权重模型也可能经历类似的过程。当模型本身逐渐开放和商品化，模型层收取高额API费用的能力可能受到影响，但运行模型所需要的芯片、网络、数据中心、推理框架和部署工具，反而会变得更加重要。

Nvidia希望成为这个过程里最大的商业受益者。

Nvidia真正的优势从来不只是一块GPU。CUDA、加速库、开发工具、网络、高速互联、推理框架和行业软件，共同构成了一套完整的计算平台。企业购买的不是单独的一块芯片，而是一整套已经经过多年验证、可以直接用于训练和部署AI的工程体系。

换句话说，模型可以像Linux一样开放，但Nvidia希望自己成为开放模型时代最重要的计算基础设施。

同样的开放策略，中国也在复制

需要说明的是，黄仁勋推动这份倡议书，是为了保持美国AI领导力，并不是为了支持中国模型和中国芯片。中国芯片获得的生态机会，也不是黄仁勋这次倡议直接带来的结果。

但开放权重是一种产业机制，并不专属于Nvidia，也不可能只按照美国企业希望的方向发展。中国模型厂商同样可以采用开放权重策略，把模型、开发者、芯片和应用连接起来。

目前，中国最有影响力的一批模型厂商，基本都把开放权重作为重要路线。DeepSeek开放V3、R1等模型，阿里Qwen持续开放不同尺寸和用途的模型，月之暗面的Kimi也通过开放模型扩大开发者生态。它们选择开放，一方面是为了获得更多开发者和应用，另一方面也是因为在闭源模型和全球云服务已经被美国公司占据优势的情况下，开放是一条更容易扩大影响力的道路。

中国模型开放之后，直接获得帮助的不只是应用开发者，也包括国产芯片厂商。

一款芯片能不能真正进入市场，从来不只取决于理论算力。它还需要主流模型能够顺利运行，需要推理框架、量化工具、算子库、监控系统和足够多的工程经验。过去，国产芯片想追赶CUDA，经常会遇到一个相互等待的问题：开发者因为软件不好用而不愿迁移，芯片厂商又因为缺少用户和真实工作负载，很难快速完善软件。

开放模型正在改变这个循环。

DeepSeek、Qwen和Kimi等模型公开后，国产芯片厂商不需要等待获得模型公司的内部授权，就可以立即进行适配和优化。模型架构、权重和推理代码，成为测试芯片、开发算子、优化内存调度和验证集群能力的真实工作负载。使用这些模型的企业越多，国产芯片获得的测试机会和实际需求也就越多。

这并不意味着国产芯片已经追上Nvidia。芯片性能、高速互联、集群稳定性、软件工具和开发体验，都需要很长时间积累，CUDA经过多年形成的生态也不会因为几个开放模型出现就迅速消失。

但过去国产芯片需要同时解决没有前沿模型、没有开发者、没有应用和软件不成熟等多个问题，现在至少已经拥有了一批能力足够强、影响力足够大的开放模型，可以围绕它们持续进行适配和改进。

中国模型越开放，采用这些模型的企业越多，国产芯片获得的真实工作负载也越多；工作负载越多，软件和算子优化得就越快；性能和体验逐渐达到可用水平之后，又会有更多企业愿意迁移。这同样是一个生态逐渐形成的过程，与CUDA早期通过开发者和应用积累优势的路径，并没有本质区别。

所以，更准确的说法不是黄仁勋推动开放模型“帮助了中国芯片”，而是黄仁勋所倡导的开放生态机制，中国也在使用。

在Nvidia能够正常销售产品的市场，模型越开放、部署越分散，Nvidia的客户就越多；在Nvidia难以进入的中国市场，中国模型越开放，国产芯片获得的模型、工作负载和开发者也越多，建立独立生态的速度也可能越快。

这是两套方向相同、底层平台不同的开放生态。

CUDA的护城河，也可能被AI加速追赶

CUDA的护城河并不只是一套编程接口。大量开发者熟悉CUDA，主流AI框架优先适配Nvidia，各种算子、工具、文档和工程经验都已经围绕它积累。竞争对手需要替代的，是一整套经过多年发展形成的工程体系。

但我觉得，这种优势虽然仍然巨大，却不能因此认为它永远不会被追上。

过去，把CUDA代码迁移到其他硬件平台，需要工程师重新适配代码、优化算子并解决框架兼容问题，这些工作既昂贵又耗时。随着AI编程能力继续提高，代码迁移、算子生成、性能分析和底层优化，都会越来越多地由AI辅助完成。过去需要一个工程团队几个月才能完成的适配，未来可能被明显缩短。

AI不仅会降低应用开发的成本，也会降低芯片和软件生态追赶的成本。国产芯片过去最难弥补的，正是围绕CUDA形成的大量软件和工程积累，而AI恰好能够提高代码迁移、兼容适配和性能优化的效率。

Nvidia显然也在为这个未来做准备。它正在把护城河从GPU和CUDA继续扩大到高速互联、网络、机架系统、部署工具和行业生态。即使未来出现越来越多的自研芯片和专用芯片，只要它们仍然需要接入Nvidia提供的系统，Nvidia就可以继续保持产业中的重要位置。

黄仁勋推动开放权重，也是这套平台战略的一部分。模型可以自由竞争，企业可以选择不同的模型和芯片，但Nvidia希望自己仍然是最成熟、最容易使用的底层平台。

开放不会自动属于任何一家公司

所以，黄仁勋推动开放权重，不能简单理解为Nvidia想通过开源多卖一些GPU。这个判断虽然没有错，但还不够完整。

更深层的变化是，模型公司正在向下进入芯片市场，而Nvidia则试图通过开放模型，把自己的市场从少数模型公司扩展到整个产业。OpenAI、Google等公司希望控制从芯片、模型到产品的完整链条，Nvidia则希望无论哪一家模型公司胜出，最终都需要使用它提供的计算平台。

这是两种不同的平台战略。

模型公司希望通过闭源模型和API，把用户、数据、应用和算力集中到自己的体系中；Nvidia则更希望模型能够自由流动，让企业、政府和开发者自己部署，因为只有模型被部署到更多地方，计算平台的市场才会变得更大。

指出Nvidia的商业利益，并不意味着黄仁勋对开放生态的支持是虚假的。Linux的发展从来不是依靠一群没有商业目的的人完成的，服务器厂商、芯片公司、云计算公司和软件企业都从开源中获得了巨大利益，但这并没有否定Linux对整个产业的价值。一个开放生态要长期发展，本来就需要让参与其中的公司获得回报。

但开放一旦发生，也不会自动属于任何一家公司，更不会只服务于一个国家的产业目标。

美国希望通过开放权重扩大模型影响力，维持美国在AI产业中的领导地位；Nvidia希望开放模型被部署到更多地方，从而扩大自己的计算平台市场；中国模型厂商也在通过开放权重吸引开发者，为国产芯片和软件框架提供真实工作负载。

它们使用的是相似的生态逻辑，只是最终希望建立的底层平台不同。

黄仁勋当然希望世界既拥有最前沿的闭源模型，也拥有最前沿的开放模型，但无论哪一种模型胜出，最好都运行在Nvidia搭好的基础设施上。中国开放模型和国产芯片的发展则说明，未来也可能形成另一套生态：模型同样开放，开发者同样活跃，只是底层计算平台不再完全依赖Nvidia。

这才是开放权重对Nvidia最复杂的地方。它可以帮助Nvidia对抗闭源模型公司和自研芯片，扩大自己的客户和生态；但开放作为一种产业机制，也会帮助其他芯片平台获得模型、开发者和应用。

黄仁勋想用开放模型守住Nvidia，中国也正在用同样的方法，建立一套不依赖Nvidia的AI生态。

Claude Opus 5发布，但为什么Anthropic越来越招人厌了

人工智能、博客文章Laoer发表留言

Anthropic发布了Claude Opus 5。从模型本身看，这仍然是一款很有竞争力的产品。Claude在复杂编程、长任务和Agent执行上的表现，一直是它最重要的优势，即使现在模型之间的差距正在缩小，Claude仍然是很多开发者最愿意使用的模型之一。

但一个越来越明显的现象是，Claude越做越强，Anthropic却越来越招人厌。

过去一段时间，围绕Anthropic的负面反馈并不少。它限制Claude订阅在部分第三方工具中的使用，把开发者重新引导回官方产品和API计费；用户账号可能因为风控被突然停用，申诉过程漫长，很难找到真正能够解决问题的人。额度、价格和规则调整当然也会引起抱怨，但这些都不是问题的核心。真正让人反感的，是这些事情背后表现出的共同态度：Anthropic习惯站在制定规则的一方，认为自己更了解技术、更理解风险，也更有资格决定用户和开发者应该怎样使用Claude。

如果Anthropic只是一家普通的互联网平台，这种傲慢并不新鲜。平台需要增长时欢迎生态，掌握用户之后控制入口；自动风控追求效率，误伤的用户自己申诉；公司拥有最终解释权，外部只能接受规则。但Anthropic与普通互联网公司不同的地方在于，它不只相信自己的产品更好，还相信自己所做的一切，代表着安全、理性和人类的长期利益。

这才是Anthropic最危险的地方。

一

Anthropic创始人Dario Amodei并不是一个完全没有反思能力的技术公司CEO。相反，他比很多同行更愿意公开讨论AI可能带来的失业、战争、生物风险、权力集中和社会失控，也多次承认，掌握前沿模型的AI公司本身就可能成为危险的权力来源。Anthropic在一些军事和监控用途上坚持限制，也说明它对AI安全的关注并不完全是商业包装。

所以，把Anthropic描述成一家只会用安全掩盖商业利益的公司，并不公平。问题恰恰在于，它很可能真诚地相信自己的使命，也正因为这种真诚，它才更容易把自身的判断视为正确。

Dario在近期的公开文章中提到，最接近技术的人有责任告诉社会，人类正在面对什么样的风险，并说服政策制定者、企业和公众认识到问题的紧迫性。这种判断并非没有道理。前沿实验室每天接触最强的模型，掌握大量尚未公开的测试结果，它们确实可能比外界更早看到能力变化和潜在风险。

但这套说法同时建立了一种知识上的等级：最接近技术的人更接近真相，其他人则需要被告知、教育和说服。而Anthropic恰好把自己放在了最接近技术，也最认真对待风险的位置上。

从“我们知道得更多”，走到“我们应该拥有更大的决定权”，中间其实没有多远。尤其是当Anthropic既掌握最先进的模型，又参与市场竞争，还试图影响监管和行业规则时，它对风险的判断就不再只是技术意见，也会成为决定谁能进入市场、模型如何开放，以及开发者可以怎样使用Claude的现实权力。

Anthropic未必认为自己永远不会犯错，但它越来越容易相信，自己比其他人更有资格定义什么是错误。

二

Dario当然也看到了这种权力的危险。他曾经提出，先进AI不能完全交给少数公司决定，政府、公众和制度都应该参与监督，AI公司也需要比普通企业更严格的治理和权力制衡。

这与“Anthropic从来没有考虑过自己可能错”明显不符。至少在理论上，Dario承认AI公司可能滥用权力，也承认少数技术人员不应该独自决定人类未来。

但更值得注意的是，他给出的解决方案经常又回到同一个结论：为了让负责任的声音能够影响行业，Anthropic必须留在技术最前沿，必须拥有足够的资本、算力、用户和政策影响力；如果Anthropic技术落后、市场份额太小，它再正确的安全主张也没有人会听。

这套逻辑并不是毫无道理。一家没有产品、没有用户，也没有能力训练前沿模型的安全研究机构，确实很难真正影响行业。只有进入竞争中心，才有机会理解最前沿的风险，也才有能力约束其他公司。

但它同时形成了一个无法轻易打破的闭环：Anthropic需要更多资本，是为了留在前沿；需要更多算力，是为了研究风险；需要更大的市场，是为了影响行业；需要掌握产品入口和模型权限，是为了确保AI被负责任地使用。

于是，Anthropic的成功是为了安全，Anthropic的扩张是为了安全，Anthropic获得更多权力，同样可以被解释为安全的必要条件。

它担心AI公司拥有过大的权力，却始终倾向于相信，Anthropic是最适合掌握这份权力的公司。它并不是看不见权力的风险，而是认为解决这种风险的办法，是让一个更负责任的Anthropic变得足够强大。

这才是Anthropic自我正确性的真正来源。它不需要公开宣称“我们永远正确”，因为整套组织逻辑已经在不断得出同一个答案：世界确实需要监督最强大的AI公司，但在所有可能掌握先进AI的机构中，Anthropic仍然是那个最值得信任的选择。

三

Anthropic与有效利他主义、长期主义和AI生存风险思想之间的关系，也应该放在这个层面理解。

有效利他主义最初希望通过证据和理性，让有限资源帮助更多的人，减少本来可以避免的苦难。无论是否认同它后来的发展方向，这个出发点本身并没有什么问题。Anthropic今天的客服、封号和第三方工具政策，也不能简单归咎于某种哲学，它们同样受到商业利益、计算成本、合规要求和组织能力的影响。

真正对Anthropic产生深刻影响的，是长期主义和AI生存风险带来的使命叙事。按照这套思路，足够强大的AI可能决定人类未来，甚至决定未来是否还有人类。因此，降低先进AI的长期风险，可能比眼前某些具体利益更加重要。

一旦一家公司接受了这种价值排序，很多现实中的损失就容易被看成可以承受的局部代价。用户遇到误封，第三方开发者被迫迁移，开放权重模型受到限制，普通人失去一部分选择权，这些问题与“防止先进AI威胁整个人类未来”相比，自然显得没有那么重要。

更麻烦的是，高尚的目标很容易让组织忽视决策过程中的权力问题。因为Anthropic相信自己是在维护长期利益，所以它更容易认为，外界的反对来自信息不足、只关注眼前利益，或者没有真正理解AI能力快速增长的风险。

用户在讨论一项政策是否公平，Anthropic可能在讨论它是否降低了系统性风险；开发者关心自己的工具能否继续使用，Anthropic考虑的可能是模型能力是否会通过不受控制的渠道扩散。双方并不只是在争论同一个问题的不同答案，而是在使用完全不同的价值尺度。

当一家公司的所有决定，都可以放进人类长期利益这样一个宏大的框架中，它就很难再承认，某个具体决定也可能只是商业选择，甚至可能是错误。

四

这种自我正确性在Anthropic对开放权重模型的态度上表现得尤其明显。

Dario在近期访谈中表达过一个非常清楚的判断：用户最终最关心的是哪个模型最聪明、最能完成任务，价格和模型以什么形式提供，并没有很多人想象得那么重要。

从普通用户的角度看，这个判断有一定道理。如果一个模型明显比其他模型更强，能够一次完成别人反复尝试都做不好的任务，用户当然愿意为能力付费，也不会仅仅因为另一个模型更加开放就放弃更好的结果。

但对于开发者和企业来说，模型早已不是一次性使用的聊天产品，而是长期工作流中的基础设施。他们关心的不只是模型今天是否聪明，还包括接口明天是否稳定，第三方工具能不能持续接入，数据和部署由谁控制，账号出现问题后有没有替代方案，以及整套业务是否必须服从一家公司的单方面规则。

开源或者开放权重模型提供的价值，也不只是价格低。它真正提供的是控制权：企业可以自己部署，开发者可以按照自己的需求构建工具，用户不必担心平台突然调整认证方式或者改变使用边界，整个生态也不需要完全依赖某一家公司的善意。

Anthropic似乎相信，只要Claude继续保持最强，用户就会接受它对产品入口、模型权限和生态规则的控制。但这可能正是它最大的战略盲点。

当模型之间存在巨大能力差距时，用户确实会忍受很多问题。但当GPT、Gemini以及开放权重模型逐渐追上，达到Claude八九成甚至更高的能力时，决定用户选择的就不再只是一次任务的效果，而是谁更稳定、谁更开放、谁更尊重开发者，以及谁允许用户真正掌握自己的工作流。

技术领先可以暂时掩盖一家公司的傲慢，却无法永久消除用户对控制权的需求。

五

Anthropic今天仍然能够保持这种自信，是因为Claude确实足够强。

过去很长一段时间，Claude在复杂编程、长上下文和Agent任务上拥有明显优势。即使用户不喜欢Anthropic的某些政策，还是会继续订阅；即使开发者反感第三方工具受到限制，也仍然希望自己的产品能够调用Claude。技术领先给了Anthropic足够的底气，也可能让它把用户的忍耐误认为了认可。

但用户没有离开，并不等于用户信任Anthropic，只能说明替代品还没有完全成熟。

现在越来越多开发者同时使用Claude、GPT、Gemini和其他模型，并不是因为大家喜欢在不同工具之间反复切换，而是在主动降低对单一公司的依赖。简单任务先迁移出去，新项目尝试其他Agent，关键工作流准备备用方案。用户表面上仍然在使用Claude，实际上已经开始为Claude不再不可替代的那一天做准备。

用户信任的消耗，通常不会立刻反映在订阅数字上。很多人不会因为一次封号争议或者一项工具限制马上离开，而是逐渐减少投入，不再把新的项目和工作习惯绑定在Claude上。当替代方案成熟时，这种迁移可能会突然发生，看起来像用户一夜之间抛弃了某个平台，实际上所有决定早已在过去一次次失望中完成。

Anthropic真正需要担心的，不是用户今天有没有取消订阅，而是用户是否还愿意继续把未来交给它。

六

Opus 5的发布再次证明，Anthropic仍然拥有世界上最优秀的模型研发团队，也依然有能力在激烈的竞争中保持领先。但Anthropic最大的风险，已经不是有一天Claude在排行榜上被超过，而是它建立了一套能够不断证明自身成功、扩张和权力合理的逻辑。

Dario不是看不到AI公司权力集中的风险，也不是完全拒绝外部监督。问题在于，他的反思最终仍然经常回到同一个答案：为了约束先进AI，Anthropic必须继续留在最前沿；为了制衡其他可能更不负责任的公司，Anthropic必须拥有足够大的影响力。

这不是简单的虚伪，也未必是刻意的傲慢。恰恰因为Anthropic真诚地相信自己的使命，它才更容易忽略一个最基本的问题：动机正确，不等于每一个决定都正确；掌握更多技术信息，也不等于拥有替所有人决定的权力。

真正危险的自我正确，不是公开宣称自己永远不会犯错，而是建立了一套内部自洽的逻辑，让自己的每一次扩张、每一项限制和每一种权力，都可以被解释成更大目标的必要条件。

Anthropic一直担心强大的AI会形成一个目标高度自洽、拒绝人类纠正的系统。但它自己同样需要警惕，不能成为一家使命高度自洽，却越来越难以接受外部纠正的公司。

技术领先的时候，用户可能会忍受一家公司的强势，甚至把很多不满暂时放到一边。但模型的领先从来不会永久存在。当其他闭源模型，特别是开放权重模型追上甚至超过Claude时，用户不会继续与Anthropic争论，也不会等待它完成自我反思，只会直接离开。

市场抛弃一家技术落后的公司，也许还会给它重新追赶的机会；市场抛弃一家始终相信自己最适合掌握权力的公司，往往会更加迅速，也更加无情。

携程被罚51.79亿元，酒店行业终于出了一口气

互联网、博客文章Laoer发表留言

今天上午看到携程被罚的消息，我的第一反应不是意外，而是：终于。

7月25日，市场监管总局通报，携程因滥用在中国境内在线酒店预订平台服务市场的支配地位，被没收违法所得16.58亿元，并处以35.21亿元罚款，罚没款合计51.79亿元。同时，携程还被责令停止违法行为，全额退还强制扣除酒店经营者的订单储备金1.22亿元，并全面整改、公开整改措施。

这不是中国互联网行业金额最高的一次反垄断处罚，但在旅游酒店行业，它的意义可能比罚款数字本身更大。至少在我认识的酒店从业者中，看到这条消息后，几乎都是一片拍手称快。大家并不是单纯希望携程倒霉，而是那些忍受了很多年、明知道不合理却又无法拒绝的规则，终于被监管部门明确认定为垄断行为。

2024年，我在文章《萝卜快跑真的砸了底层劳动者的饭碗吗？》中写过，中国互联网行业的反垄断还远远不够，并且专门举了携程的例子。

我当时写道，自己在旅游酒店行业工作多年，如果要在这个行业里找一家最应该接受反垄断调查的企业，携程一定排在前面。早些年，在线旅游市场还有艺龙、去哪儿等平台与携程竞争，后来经过一系列投资、并购和资本整合，携程逐渐成为中国在线旅游行业最强大的平台。虽然美团、飞猪以及后来的抖音、小红书都在进入旅游市场，但携程对上游酒店资源的控制能力，依然不是其他平台短时间内能够取代的。

我还提到了酒店行业长期面对的“全网最低价”问题：携程要求酒店向其提供的价格，不能高于酒店在其他线上平台公开销售的价格。一旦酒店在其他渠道给出更低价格，被平台监测到之后，就可能面对调价、限制流量、摘牌甚至下架等后果。

两年后的今天，市场监管总局的调查结论，基本印证了酒店行业多年来的感受。

根据通报，携程自2020年以来，围绕流量分配机制，利用平台规则和技术手段实施了两类垄断行为。一类是要求部分“特牌”酒店独家合作，不得与竞争平台开展合作；另一类是强制部分“金牌”和“无牌”酒店提供“全网最低价”。当平台发现酒店在其他平台价格更低时，还会通过“调价助手”“挂牌通”等技术工具和人工手段直接降低价格，并以限制流量、摘牌、扣除订单储备金等措施保证规则执行。

我并不觉得自己在2024年说出了什么高明的判断。因为携程的这些问题，在酒店行业里从来不是什么秘密。很多酒店总经理、销售负责人和收益管理人员都知道这些规则，也都为此头疼过。只是酒店的客源高度依赖携程，大多数人即使不满，也只能忍气吞声。

酒店为什么痛恨携程，却又离不开携程

携程对中国旅游行业当然有很大的价值。

它推动了酒店预订从电话、传真和旅行社时代进入互联网时代，让消费者可以方便地查询价格、查看评价、比较酒店，也让大量原本只能依靠本地客源和线下旅行社的酒店，有机会面对全国乃至全球市场。对于很多单体酒店、中小酒店和非热门目的地酒店来说，携程带来的订单非常重要，有时甚至决定了一家酒店的生存。

所以，酒店与携程的关系，从来不是简单的谁好谁坏。

问题在于，当一个渠道占据的订单比例越来越高，酒店与平台之间的合作就很难保持平等。对于一家酒店来说，失去携程可能意味着失去大量异地客源；但对于携程来说，失去一家普通酒店，几乎不会产生任何影响。双方看起来是在签订商业合同，实际上拥有的谈判能力完全不同。

酒店可以不参加平台推荐的营销活动，但可能要承受流量下降；可以不接受平台建议的价格，却要担心排名和曝光；可以尝试在其他渠道推出更优惠的产品，又可能因为违反“全网最低价”而受到限制。

真正的市场支配地位，并不只是市场份额很高，更重要的是，当平台提出不合理条件时，交易对方已经没有真正说“不”的能力。

这也是为什么携程被罚之后，酒店行业会有如此强烈的情绪。大家高兴的不是一家互联网公司损失了51.79亿元，而是监管部门终于承认，酒店过去面对的并不是普通的商务谈判，而是一种长期失衡的权力关系。

“全网最低价”看起来保护消费者，实际上限制了竞争

对于普通消费者来说，“全网最低价”听起来并没有什么问题。平台要求酒店给消费者最低价格，似乎是在帮助消费者争取利益。

但这里有一个很容易被忽略的问题：携程要求的不是酒店在携程内部保持价格一致，而是要求酒店不能在其他平台卖得更便宜。

假设一家新OTA为了进入市场，愿意把酒店佣金从15%降低到8%。按照正常的商业逻辑，酒店可以把节省下来的部分成本让给消费者，在新平台上卖出更低的价格。消费者获得了优惠，新平台获得了用户，酒店也增加了一个成本更低的销售渠道。这本来就是正常的市场竞争。

但在“全网最低价”规则下，这种竞争很难发生。

酒店一旦在新平台降低价格，就必须同步降低携程价格，否则可能受到平台处罚。这样一来，新平台即使降低佣金，也无法通过价格优势吸引消费者。消费者打开不同平台，看到的价格几乎一样，最后还是会回到用户数量最多、使用习惯最稳定的携程。

久而久之，其他平台就很难真正进入市场。因为它们不仅要面对携程的品牌、用户、会员体系和供应链优势，还无法通过降低佣金和价格进行竞争。

所以，“全网最低价”的本质，并不是携程自己愿意卖得更便宜，而是它要求酒店不能让竞争对手卖得比自己便宜。

当一家平台可以决定酒店在所有竞争平台上的最低价格时，它控制的就不只是自己平台上的交易规则，而是整个市场的价格体系。酒店失去了自主定价权，其他平台失去了公平竞争的空间，消费者表面上获得了最低价，实际上却失去了更多平台参与竞争后可能带来的更低价格。

市场监管总局在通报中也明确指出，携程的行为限制了酒店跨平台经营，侵害了酒店经营者的自主定价权，损害了消费者利益，并加剧了行业的“内卷式”竞争。

真正让酒店害怕的，是平台手里的流量

互联网平台的权力，与传统商业渠道有很大的不同。

传统批发商或者旅行社要求酒店签订一份不合理合同，至少合同条款是看得见的，酒店也能大致判断拒绝之后会有什么后果。但互联网平台控制的是流量、排名、曝光、推荐和转化，很多规则并不会以简单直接的方式出现。

酒店可能不知道自己的排名为什么下降，不知道某个营销活动到底带来了多少额外订单，也很难证明流量减少与拒绝某项平台要求之间存在直接关系。平台不需要明确告诉酒店“不参加活动就不给你订单”，只需要调整搜索排序和推荐权重，酒店就可能从消费者的视野中消失。

一家酒店即使客房不错、服务很好、价格合理，如果在消费者搜索结果的前几页里看不到，也很难获得订单。

这些年来，携程设计了金牌、特牌、营销活动、广告推广、流量倾斜等一整套运营体系。每一个规则单独拿出来，似乎都有合理的产品和商业解释，但当酒店是否配合平台要求，开始与酒店能否获得流量直接关联时，这些产品机制就不再只是普通的运营工具。

在平台经济里，最强大的权力已经不是决定一个商品能不能销售，而是决定它能不能被消费者看见。

携程这次被认定实施垄断行为，其中一个很重要的原因，就是它以流量分配机制为核心，通过平台规则、技术工具和惩罚措施，使酒店不得不接受独家合作和“全网最低价”。

这也是互联网反垄断最困难的地方。合同里的霸王条款可以删除，但隐藏在算法、排序、流量权重和运营建议中的限制，往往更难发现，也更难证明。

携程被罚，不意味着酒店和消费者站在对立面

有人可能会担心，携程不能再要求“全网最低价”之后，酒店是不是会涨价，消费者是不是反而要花更多的钱。

这种担心可以理解，但消费者真正需要的，并不是由某一家平台保证自己永远最低价，而是有足够多的平台和渠道参与竞争。

如果酒店可以自主定价，不同平台就必须拿出真正的竞争能力。佣金更低的平台，可以和酒店共同提供更优惠的价格；支付更快、售后更好的平台，可以获得更多酒店资源；酒店自己的会员系统和官方渠道，也可以根据运营成本提供合理优惠。

携程想继续获得最低价格，也没有任何问题，但它应该通过降低佣金、提高转化率、改善服务和增加订单来争取，而不是利用平台支配地位要求酒店在其他渠道不能卖得更便宜。

真正健康的市场，不是所有平台的价格都被强行锁定，而是不同平台通过效率、成本和服务展开竞争。

短期来看，由一家强势平台不断压低酒店价格，消费者似乎得到了便宜。但酒店的利润空间被长期挤压之后，只能通过减少人员、降低服务、压缩维护成本来生存。平台要求酒店参加越来越多的活动，提供越来越低的价格，却未必愿意同步降低佣金和营销费用，最终损失的仍然是整个行业的服务质量。

这种模式看似是在让利消费者，实际上是杀鸡取卵。酒店经营不下去，服务质量持续下降，市场里只剩少数大型连锁集团和强势平台，消费者最终也不会成为受益者。

对消费者最好的保护，从来不是相信某一家平台会永远提供最低价，而是保证消费者永远还有其他平台和渠道可以选择。

51.79亿元只是开始，整改比罚款更重要

这次处罚金额很高，但如果携程只是缴纳罚款，之后换一种更加隐蔽的方式继续实施原来的规则，那么这次处罚对行业的意义仍然有限。

真正值得关注的是，在全面整改之后，酒店能否自由选择与哪些平台合作，能否根据不同渠道的成本自主制定价格，能否拒绝不合理的营销活动而不受到流量惩罚；携程的调价工具是否必须获得酒店明确授权，搜索排名和流量分配规则是否会更加透明，酒店遇到争议时是否拥有真正有效的申诉机制。

今年早些时候，在反垄断调查和地方监管部门约谈之后，携程已经宣布取消酒店特金牌标识、下线调价助手。但有酒店经营者反映，前台标识虽然消失了，相关排序和运营规则可能仍然存在，调价工具下线之后，调价指导也未必完全停止。

这说明平台规则的整改，不能只看产品页面上少了什么按钮，也不能只看合同里删除了哪一条内容。更重要的是，酒店是否还会因为拒绝某项要求而失去流量，是否还会因为在其他平台设置更低价格而受到限制。

明确的“全网最低价”条款比较容易监管，但如果它变成算法权重、运营建议、电话通知或者默认开启的技术工具，酒店仍然很难拒绝。

因此，51.79亿元不是这件事的终点。市场监管总局要求携程公开整改措施、接受社会监督，这可能比罚款本身更重要。携程到底会如何调整平台规则，酒店能否真正拿回自主经营权，还需要整个行业继续观察。

平台可以强大，但不能替市场中的所有人做决定

我并不反对携程，也不认为一家企业做大本身就是错误。

中国旅游行业能够发展到今天，携程发挥了重要作用。它提升了酒店预订效率，建立了覆盖全国乃至全球的旅行服务体系，也让消费者获得了过去难以想象的便利。一个企业能够在长期竞争中建立供应链、品牌、技术和用户优势，本身值得肯定。

但企业做大之后，不能把自己的商业优势变成决定整个行业规则的权力。

平台可以要求酒店提供真实信息，可以对服务质量差、虚假宣传和恶意违约的商家进行处罚，也可以根据服务能力和用户评价调整推荐。但它不能利用酒店对客源的依赖，决定酒店必须在哪个平台经营、不能在哪个平台经营，以什么价格经营，以及不服从之后还能获得多少流量。

2024年写那篇文章时，我想讨论的是，如何在科技发展中保证社会公平，让更多人享受到技术进步的成果。互联网发展二十多年，已经产生了少数掌握巨大流量、数据和商业资源的平台。今天我们又站在人工智能的新一轮技术浪潮中，平台权力只会继续扩大，而不会自然缩小。

反垄断的目的，不是让大企业消失，也不是为了限制技术和商业创新。恰恰相反，它是为了防止少数企业利用已经获得的优势，阻止后来者继续创新。

携程被罚之后，酒店行业终于出了一口气。但这次处罚更重要的意义，不是谁输掉了51.79亿元，而是监管部门重新划定了平台与商家之间的权力边界：平台拥有流量，不等于拥有酒店的定价权；平台掌握技术，不等于可以通过算法替酒店作出经营决定；平台规模足够大，也不意味着其他竞争者只能接受它制定的规则。

携程仍然会是中国最重要的旅游平台之一，大多数酒店也仍然会继续和携程合作。酒店真正希望的，从来不是携程倒下，而是双方能够回到正常的商业关系中。

携程可以用订单、服务和效率说服酒店，却不能再用失去订单的恐惧说服酒店。

51.79亿元当然是一笔巨额罚款，但对于酒店行业来说，真正值得高兴的是，从今天开始，酒店终于有机会重新拿回属于自己的定价权和经营权。

平台可以强大，也应该继续创造价值，但它不能强大到替市场中的所有人做决定。

梁文锋想做AGI，Hassabis已经让我们看见AGI之后

人工智能、博客文章Laoer发表留言

昨天我写了一篇《梁文锋想的是AGI，我更关心AGI之后的世界》，起因是最近梁文锋在一次交流中，再次谈到了DeepSeek的长期目标，相比短期的收入和利润，他更希望把DeepSeek做成一个围绕AGI长期投入的技术组织。其实从DeepSeek过去几年的发展来看，这个方向一直比较明确，他们在模型架构、训练效率、推理能力和开源上投入了大量资源，商业化的节奏反而相对克制。对于梁文锋来说，AGI显然不是一个用来讲故事的概念，而是他真正想长期去做的事情。

我当然也期待AGI，但我昨天真正想讨论的问题，并不是AGI究竟什么时候能够实现，而是如果有一天真的实现了，然后呢？今天全世界投入巨资建设数据中心，购买GPU，训练越来越强大的模型，OpenAI、Google、Anthropic、DeepSeek不断刷新各种Benchmark，我们也每天讨论哪个模型更聪明、哪个模型写代码更强、哪个模型更便宜，这些竞争当然都非常重要，因为模型能力是所有AI应用的基础。但如果花费如此巨大的资源，最后只是为了让AI帮我们写更多代码、制作更多PPT、生成更多图片和视频，或者让一家企业原来需要10个人完成的事情变成5个人完成，我总觉得还是把人工智能的意义想小了。

写完那篇文章以后，我想到了另外一个人，Demis Hassabis（德米斯·哈萨比斯）。

梁文锋和Hassabis其实是两个背景完全不同的人。梁文锋学的是信息与通信工程，后来做量化投资，创办幻方，再成立DeepSeek；Hassabis小时候是国际象棋高手，后来做电子游戏，学习计算机科学，又去研究神经科学，最后创办DeepMind。他既是计算机科学家，又是神经科学家和游戏设计师，看起来跨度很大，但仔细看他的经历，会发现其实一直围绕着同一个问题，就是智能到底是什么，人类的大脑为什么会产生智能，以及我们能不能用计算机创造出类似甚至超过人类的智能。

DeepMind最早让AI玩Atari游戏，后来又做AlphaGo，并不是因为游戏本身有多大的商业价值，而是因为游戏是研究智能非常好的实验环境，需要学习、推理、规划、决策，还要在复杂环境里不断根据反馈调整策略。2016年AlphaGo击败李世石，让全世界第一次直观感受到人工智能已经可以在一个被认为高度依赖人类直觉和经验的领域超过顶尖人类，但如果Hassabis只是做出了一个世界上最强的围棋程序，我觉得他的故事也不会有今天这么有意思。真正让我觉得Hassabis与很多AI创业者不同的地方，是他并没有一直停留在证明“AI比人聪明”这件事情上，而是开始尝试把这种新的智能，用到人类真正没有解决的问题上，后来就有了AlphaFold。

从AlphaGo到AlphaFold

蛋白质是构成生命的基础之一，由氨基酸连接形成，但同样一条氨基酸链会折叠形成复杂的三维结构，而结构又决定了蛋白质的功能。过去科学家要确定蛋白质的三维结构，通常需要借助X射线晶体学、冷冻电镜等实验手段，整个过程复杂、昂贵而且耗时，如何仅仅根据氨基酸序列准确预测蛋白质最终的三维结构，也因此成为困扰生物学界几十年的重要难题。

2020年，AlphaFold 2在CASP蛋白质结构预测竞赛中取得突破性成果，后来DeepMind又预测了几乎所有科学界已知蛋白质的结构，并将超过2亿个预测结构提供给科研人员使用。2024年，Hassabis和John Jumper因为AlphaFold在蛋白质结构预测上的贡献获得诺贝尔化学奖。从严格的科学意义上说，AlphaFold并不是把“蛋白质折叠”所有问题都彻底解决了，因为真实生命系统中的蛋白质并不是一个静止的三维模型，它还会发生动态变化，与其他蛋白质、DNA、RNA、小分子以及复杂细胞环境发生相互作用，但AlphaFold确实解决了其中一个长期存在的核心问题，就是从氨基酸序列高精度预测蛋白质结构，并且第一次把这种能力大规模提供给全球科学家。

我觉得AlphaFold这件事情特别值得思考，因为它和我们今天最熟悉的生成式AI有很大的不同。ChatGPT帮我们写文章，Codex帮我们写代码，Midjourney帮我们画图，本质上都是让机器去完成一件原来人类已经会做的事情，只是做得越来越快、越来越便宜。这样的生产力提升当然非常重要，工业革命以来几乎每一次技术进步，首先带来的都是效率提高和成本下降。但AlphaFold往前走了一步，它不是简单地替代一个原来负责预测蛋白质结构的人，而是在帮助整个科学界突破一个长期存在的知识边界，这也是为什么我觉得，从AlphaGo到AlphaFold的变化，可能比AlphaGo击败李世石本身更有意义。

过去两年，我们讨论AI时经常围绕一个问题，就是AI会替代多少工作。程序员会不会被替代，设计师会不会被替代，客服、律师、医生会不会被替代，企业用了AI以后是不是能够裁掉更多员工。我自己一直在重度使用AI Coding，也确实感受到这种生产力变化，以前一个人很难在很短时间里完成一款完整的软件产品，现在借助Codex、Claude Code这样的工具，一个人可以完成过去需要几个人甚至一个小团队才能完成的工作。但从更长远的角度看，如果AI的最大价值只是把原来10个人做的事情变成5个人做，那么它仍然主要是在优化已有的生产方式，并没有真正扩大人类能够做什么。

科学领域恰恰不同，很多科学问题几十年没有解决，并不是科学家不够聪明，而是需要计算和验证的可能性实在太多，人的时间、实验成本和认知能力都有极限。一个化学空间可能存在数量巨大的潜在分子，一种材料可能有无数种元素和结构组合，一个科学家一生能够提出和验证的假设终究有限，如果AI可以在这些巨大的可能空间里先进行计算、模拟和筛选，再帮助科学家找到最值得验证的方向，那么它提高的就不只是某一个科学家的工作效率，而有可能改变科学发现本身的速度。

我更关心AI能不能解决疾病

昨天谈AGI的时候，我特别提到了疾病，因为相比AI未来能不能帮我们把工作效率再提高10倍，我其实更关心它能不能解决癌症、阿尔茨海默病、罕见病这些人类长期没有解决的问题，甚至进一步帮助我们理解衰老。

现代医学已经发展了几百年，我们今天拥有CT、核磁共振、基因测序、靶向药、免疫治疗等过去无法想象的技术，但面对很多疾病仍然非常无力。癌症仍然是人类主要的死亡原因之一，阿尔茨海默病还没有真正意义上的治愈方法，大量罕见病因为患者数量少、研发成本高，长期缺乏有效药物，而新药研发本身又是一个周期很长、成本很高、失败率也很高的过程，从发现靶点、筛选化合物，到临床前研究，再到一期、二期、三期临床试验，任何一个环节失败，前面的投入都可能归零。

AlphaFold当然不会因为预测出了蛋白质结构，第二天就治愈癌症，但它展示了一种完全不同的可能性，就是让AI逐渐进入科学发现和药物研发的过程。AlphaFold 3已经进一步扩展到蛋白质与DNA、RNA、小分子等生物分子结构和相互作用的预测，Hassabis后来创办Isomorphic Labs，也是希望利用AI重新设计药物发现过程。药物研发不会因为AI出现就突然变成一件简单的事情，临床试验也不可能被模型完全替代，但如果原来需要大量实验才能筛选的方向，可以先通过AI进行计算和预测，如果原来需要几年才能理解的蛋白质结构和相互作用，可以更快获得线索，那么整个科学研究的试错空间就有可能被大幅压缩。

所以有人会说，AI可能让药物研发进入“超速时代”，我觉得这里真正值得期待的甚至不只是把一个原本需要10年的药物研发过程缩短到5年，而是让一些过去根本没有条件研究的问题第一次变得可以研究。很多罕见病并不是科学上完全没有价值，而是患者太少，市场太小，按照传统药物研发的成本结构，很难形成足够的商业回报；很多复杂疾病也不是没有人研究，而是在巨大的生物学可能空间里寻找有效靶点和药物，就像在一个几乎无限大的迷宫里不断试错。如果AI能够把这种搜索效率提高几个数量级，那么过去因为成本、时间和复杂度而无法推进的研究，也可能出现新的机会。

这也是我真正期待AGI的原因。我并不在意AGI出现以后，它是不是能够把一篇文章写得比我更好，或者一个程序员一天的工作缩短到一个小时，这些变化大概率都会发生，但它们还不是我认为最重要的事情。我更希望看到的是，当机器拥有远超过今天的推理、计算和研究能力以后，它能不能帮助科学家找到一种新的癌症治疗方法，能不能理解阿尔茨海默病真正的发病机制，能不能为一种全球只有几千名患者的罕见病设计药物，甚至有一天真正理解生命为什么衰老，以及衰老是否可以被干预。

梁文锋与Hassabis

从这个角度再来看梁文锋和Hassabis，我觉得两个人身上有一个很相似的地方，就是他们想做的事情都比较远，也不太容易用短期的商业回报去衡量。

商业社会天然喜欢确定性，做一个App可以看下载量和付费率，做SaaS可以看ARR，做电商可以看GMV，投资一个项目最好几年以后就能够看到回报。但真正的基础研究往往不是这样，DeepMind最初研究围棋的时候，很难计算AlphaGo未来能够带来多少收入，做AlphaFold的时候，也不是因为突然发现蛋白质结构预测是一个巨大的互联网市场。Hassabis真正想做的是研究智能，然后利用智能去解决科学问题；梁文锋和DeepSeek今天主要还在做另外一端的事情，就是如何把智能本身继续往前推进，研究模型架构、训练效率、推理能力以及通往AGI的路径。

当然，两个人所处的阶段并不一样，梁文锋现在更多是在寻找如何实现AGI，而Hassabis同样一直把AGI作为长期目标，只不过从AlphaFold开始，他已经提前展示了另外一种可能，就是我们并不一定非要等到某一天宣布“AGI正式实现”，才开始让AI解决科学问题。事实上，今天各种专用AI系统已经开始进入生物学、材料、数学、气象等领域，随着模型能力继续提高，通用模型和专业科学模型之间的边界也可能越来越模糊。

中国未来当然需要更强的基础模型，需要自己的GPT、Claude和Gemini，需要DeepSeek这样的公司，也需要芯片、算力、Agent和完整的AI产业链。今天大家讨论Benchmark、模型价格和Coding能力，也都有现实意义，因为如果基础模型本身不够强，后面的应用也无从谈起。但模型终究只是一种基础能力，就像望远镜真正的价值不是口径有多大，而是我们最终用它看到了什么，如果未来中国AI竞争一直停留在模型排行榜高几分、上下文增加多少Token、API价格又降低多少，那么仍然只是完成了第一阶段。

我更期待的是有一天，中国也能够出现自己的AlphaFold，用AI去发现新的药物，研究癌症和罕见病，寻找更好的电池和材料，解决能源问题，帮助数学家、物理学家和生物学家去研究那些困扰人类几十年甚至几百年的问题。当越来越多这样的成果出现以后，AI才真正不只是一个新的互联网产业，而会逐渐成为科研本身的一种基础工具。

AGI之后，我们到底想要什么

回顾人类过去几百年的技术进步，每一次工业革命其实都在扩大人的能力，蒸汽机和电力扩大了人的体力，汽车和飞机扩大了人的移动范围，计算机扩大了计算能力，互联网让信息的生产和传播成本大幅下降。我觉得AI可能带来的一个更深层变化，是扩大人类能够解决的问题范围，以前一个问题太复杂，人脑算不过来，一个实验组合太多，人类试不过来，一个科学家一生能够验证的假设太少，而AI理论上可以在这些地方不断突破人的限制。

所以我并不太纠结AGI究竟是在2028年、2030年还是更晚出现，也不太在意最终是哪家公司第一个宣布实现了AGI，因为无论这个时间点什么时候到来，真正重要的问题始终是，我们最终准备拿这种前所未有的智能去做什么。

如果只是生成更多广告、短视频、营销文案，让互联网里的内容再增加一百倍，或者让企业进一步降低人力成本，当然也算是一种技术进步，但我觉得远远不够。人类还有太多真正困难的问题没有解决，疾病、衰老、能源、材料、气候、基础科学，包括我们对生命和宇宙本身的理解，这些问题中的任何一个如果因为AI取得重大突破，产生的价值可能都远远超过今天整个生成式AI市场。

梁文锋还在寻找通往AGI的路，Hassabis同样在追求AGI，但AlphaFold已经让我们提前看到了一点拥有更强智能之后可能发生的事情。AlphaFold并不是AGI，却证明了AI的价值并不只是把人类已经会做的事情做得更快，也可以帮助我们进入过去很难进入的未知领域。

如果很多年以后回头看今天的AI革命，我们大概不会记得某个模型曾经在某个Benchmark上领先了几分，也不会记得哪家公司曾经拥有最长的上下文窗口，但如果AI最终帮助人类治愈了某些过去无法治愈的疾病，解决了能源问题，延长了健康寿命，或者让我们理解了一些过去几百年都没有理解的科学问题，这些事情一定会被记住。

我想，这才是AGI真正值得我们投入如此巨大资源去追求的原因。

梁文锋想的是AGI，我更关心AGI之后的世界

人工智能、博客文章Laoer发表留言

最近看完了梁文锋一次接近四个小时的投资者交流会录音文字稿。

整场交流的信息量很大，里面谈到了DeepSeek为什么坚持开源、API为什么要把价格做低、国产GPU、华为、CUDA生态，也谈到了Agent、持续学习、具身智能，以及他对OpenAI、Anthropic和未来AI竞争格局的一些判断。但看完以后，我印象最深的其实不是这些具体的技术观点，而是梁文锋这个人对AI这件事情的思考尺度。

很多AI公司的创始人在讨论未来的时候，最终还是会回到用户、收入、商业模式、市场份额，或者下一代产品怎么做。梁文锋当然也谈商业，但他反复讲得最多的几个词，却是愿景、克制和AGI。他认为C端用户、API收入、To B业务，本质上都是走向AGI过程中自然产生的副产品，DeepSeek真正想做的事情，是把智能继续向前推进。

这种想法在今天其实很少见。

尤其是AI已经成为全世界资本投入最大、竞争最激烈的产业之一以后，一家公司拥有几千万甚至上亿用户，很难不想着怎么把这些用户变成收入；模型有了技术优势，也很难不想着怎么构建壁垒、提高价格、尽可能扩大市场份额。但梁文锋的逻辑恰恰相反，他认为AI未来创造的利益足够大，大到任何一家公司都不可能全部拿走，所以真正聪明的选择反而是克制。你不需要把所有东西都吃掉，只要把自己最擅长的事情做好，最后拿到其中很小的一部分，可能就已经足够大。

我很认同这种想法。

DeepSeek最让我觉得特别的地方，其实也不是某一个模型突然超过了谁，而是它背后一直有一套比较完整的逻辑：因为相信AGI最终会产生远大于今天互联网的价值，所以不急着争夺眼前的每一块利益；因为不想把所有利益都装进自己口袋，所以愿意开源，也愿意把模型做到足够便宜；因为真正的目标是AGI，所以不需要看到视频生成火了就做视频，看到机器人火了就马上去造机器人，更没有必要为了商业闭环去做广告、电商、本地生活。

梁文锋把这种选择叫作“克制”。

这不是我们通常理解的理想主义。至少在他的逻辑里，克制本身也是一种商业战略。AI这个市场如果未来真的占到全球经济非常大的比例，那么试图垄断它的人，反而一定会面对更多竞争、监管和社会阻力。一个愿意只拿合理利润、把更多价值留给开发者和社会的公司，也许反而更容易走得远。

从这个角度看，我觉得梁文锋的格局是足够的。

但看完整场交流，我也有另外一种感觉：一个人看得越远，有时候越容易觉得眼前的问题只是暂时的问题。可历史真正复杂的地方，往往就在这些“暂时的问题”里面。

GPU很重要，但我反而没有那么担心GPU

梁文锋在交流中讲得很直接，中国和美国今天在AI上的最大差距，本质上还是算力。不是中国没有聪明人，而是没有足够多的GPU，没有足够大的集群，也没有美国公司那样几乎不计成本地做实验的条件。

这个问题当然非常严重。

没有足够算力，就无法训练足够大的模型；研究人员没有足够多的实验机会，很多算法想法也无法快速验证；算力少最后还会反过来影响人才培养，所以表面上看是人才差距，往下追溯，仍然可能是资源差距。

但坦率说，我反而没有那么担心GPU。

因为GPU虽然难，却是一个非常明确的问题。我们知道缺什么，也知道为什么缺。可以提高芯片制造能力，可以做国产替代，可以重新建设软件生态，可以通过编译器降低CUDA的依赖，也可以通过模型架构和算法优化，让同样的算力做更多事情。DeepSeek自己过去能够用远少于美国同行的资源做到今天，很大程度上也是因为被资源约束逼着不断提高效率。

只要AI的需求继续存在，这些事情一定会有人做。

可能需要几年，过程中可能会非常困难，国产芯片也不可能明天突然追平英伟达，但我不太相信中国这样完整的工业体系和如此巨大的市场，会永远解决不了算力供给。芯片问题最终还是工程、制造、资本和时间的问题，路径虽然漫长，但至少方向是清楚的。

我真正觉得更难的，反而不是GPU。

而是理想怎么穿过现实。

你可以克制，但这个世界未必会陪你一起克制

梁文锋有一个判断让我印象很深。他认为DeepSeek最重要的核心利益其实只有一个，就是团队稳定。只要这批人还在，只要能够继续研究，其他问题都可以解决，最多只是早半年或者晚一年。

这是一种非常强的技术乐观主义，我也能够理解这种信心从哪里来。

但现实世界有时候不会给技术团队无限时间。

DeepSeek可以不急着抢C端，但别的公司会抢；DeepSeek可以把商业化看成AGI路上的副产品，但别的公司可以把商业收入换成更多GPU、更高的人才薪酬、更大的开发者补贴、更强的渠道和生态。你今天放弃的一些“芝麻”，可能确实只是芝麻，但如果竞争对手用这些芝麻换来了更多资源，最后这些资源也有可能反过来帮助它更早拿到那个西瓜。

更重要的是，今天的AI竞争早已经不是一个普通的市场竞争。

如果只是DeepSeek、阿里、字节、月之暗面这些公司之间竞争，大家可以讨论开源还是闭源、API卖多少钱、谁的模型效果更好。但当竞争扩大到中美之间以后，很多事情已经不完全由商业逻辑决定。芯片出口限制不是市场竞争，先进制造设备限制也不是市场竞争，未来的数据、人才、模型能力甚至AI应用，都可能越来越多地受到国家战略和地缘政治影响。

在这样的环境里，我仍然赞同开源，也认同梁文锋所说的克制，但我觉得DeepSeek需要比一家纯粹的研究机构更加稳健。

稳健不是让DeepSeek变成另外一个字节或者腾讯，更不是现在就去做广告、电商、游戏，把每一个用户都想办法变现。恰恰相反，我也认为DeepSeek没有必要什么都做。但它需要一个足够强的商业底座，需要稳定的现金流，需要多元的算力来源，需要产业伙伴，也需要在极端情况下依然能够继续研究下去的战略冗余。

商业并不是理想主义的反面。

很多时候，商业能力是在给理想购买时间。

OpenAI后来发生的很多变化，可能让人担心一家公司商业压力太大之后，商业目标会反过来定义技术路线。但另一个极端同样存在风险：如果一家承担巨大研发投入的公司长期没有足够强的现金流和资源能力，那么它最终也可能不得不接受资本、供应链或者其他外部力量的条件。

比较理想的状态应该是，商业服务于AGI，而不是AGI服务于商业。

这两件事情看起来只差几个字，其实完全不同。

不过，我真正关心的其实不是谁先实现AGI

梁文锋对AGI的技术路线有一套非常清楚的判断。

过去是大语言模型，然后有了思维链，让模型学会更复杂的推理；今年大家在做Agent，让AI从回答问题变成完成任务；但Agent之后真正重要的问题，是持续学习。

这可能确实是一个非常关键的变化。

今天的AI虽然已经可以写程序、分析文件、操作电脑，甚至完成过去需要专业人员才能完成的复杂工作，但它和真正的人类员工仍然有一个很大的区别。一个人进入一家公司工作半年以后，会自然知道谁是谁，公司的习惯是什么，过去发生过什么，老板一句没头没尾的话是什么意思。这些知识并不是每天重新输入给他的，而是在长期工作过程中慢慢形成的。

现在的AI还不具备真正意义上的这种能力。

如果未来模型可以持续学习，可以在几个月甚至几年时间里不断积累经验，又不会因为学习新东西而忘掉过去，那么AI才真正开始从一个“每次都重新启动的工具”，变成一个会成长的智能体。再往后，如果它能够参与AI研究，设计自己的下一代模型，然后更强的模型继续研究下一代，那么所谓AGI甚至智能自我迭代，就不再完全是科幻小说里的事情。

这是梁文锋真正关心的问题。

但我看完以后一直在想另外一个问题。

如果有一天AGI真的来了，然后呢？

我们今天花这么多钱买GPU，建设几十万张卡的集群，全世界最聪明的一批人每天研究模型架构、强化学习、Agent和持续学习，如果最终只是为了让AI帮我们写更多代码，生成更多广告，制作更多短视频，替公司减少一些客服和程序员，我总觉得这件事情的意义还不够大。

这些当然都有价值。

AI可以提高生产效率，可以让一个人完成过去十个人的工作，可以创造新的公司，也会带来巨大的商业价值。但如果AGI真的像梁文锋设想的那样，最终拥有接近甚至超过人类的通用学习和研究能力，那么我们真正应该期待的，可能不是它替代了多少工作，而是它能不能解决那些人类几百年来一直没有解决的问题。

其中我最关心的，就是疾病。

如果有一天，疾病不再主要依靠运气

人这一辈子，其实有很多事情是可以通过努力改变的。

没有知识，可以学习；没有钱，可以工作；很多生活上的困难，只要有足够时间，总还能找到一些解决办法。

疾病不一样。

一个人可能非常努力，非常热爱生活，也可能在某一天突然发现，自己面对的是一种今天的医学仍然没有办法真正治愈的疾病。癌症、阿尔茨海默病、各种罕见病，以及大量至今不知道确切病因的慢性疾病，在这些事情面前，一个人的财富、努力甚至意志，有时候能够改变的事情非常有限。

现代医学已经比一百年前进步太多，但医学研究本身仍然受制于人的能力边界。

一个医生一辈子能够诊治的患者数量是有限的，一个科学家能够阅读的论文是有限的，一个实验室能够设计和完成的实验数量也是有限的。全球每天都在产生新的医学论文、基因数据、影像、病理数据和临床记录，但真正能够把这些信息完整连接起来的人，几乎不存在。

人的大脑并不是为了处理这种规模的信息而进化出来的。

AGI也许第一次让这件事情发生变化。

假设未来有一个真正具备持续学习能力的AI科学家，它可以阅读人类历史上几乎全部医学论文，可以持续跟踪全球最新研究，可以同时理解基因、蛋白质、药物、病理、影像和临床数据，还能够根据已有知识提出新的假设，设计实验，再根据实验结果继续修改自己的判断。

它不需要睡觉，也不会因为研究一个冷门疾病没有商业价值就失去兴趣。

今天一种罕见病可能全世界只有几千名患者，因为市场太小，很难吸引一家药企投入几十亿美元研究。但对于AGI来说，研究一万人的疾病和研究一亿人的疾病，并不存在人类社会里那么巨大的边际成本差异。

这可能才是AI真正改变医学的地方。

不是在医院门口放一个聊天机器人，问你“哪里不舒服”，也不是帮医生把病历总结得更快，而是让人类第一次拥有远远超出单个人脑能力的科研系统。

如果这样的系统存在，我们甚至可以想象一种过去不存在的科研方式：成千上万个AI同时研究癌症，一个负责基因突变，一个研究蛋白质结构，一个分析药物靶点，一个设计实验，一个分析真实世界患者的数据，它们之间实时交换结果，不断提出新的问题。过去一个研究团队十年完成的探索，未来可能被压缩到几个月甚至更短。

这不意味着AGI一出现，癌症第二天就会被攻克。生命科学远比写代码复杂，很多答案最终仍然需要实验，需要临床试验，需要真实世界漫长的验证。

但最大的变化是，人类探索未知的速度可能被彻底改变。

我觉得这才值得我们为AGI兴奋。

AGI最大的意义，不应该是让机器成为更便宜的人

过去这一两年，我们讨论AI时经常用一个标准判断它有多强：它可以替代谁。

可以替代初级程序员了吗？

可以替代客服了吗？

可以替代设计师了吗？

可以替代律师、医生、分析师了吗？

这种讨论当然非常现实，因为工作直接关系到每个人的收入，也关系到企业的成本。但如果我们一直用“替代多少人”衡量AGI的价值，其实还是把一个可能改变文明的技术，放进了工业革命时期“机器替代劳动力”的旧框架里。

我更期待的是另外一种未来。

AI不是把一个医生变成零点一个医生的成本，而是让医生能够治疗过去治不了的病；不是把一个科学家的工作自动化，而是帮助科学家看到过去看不到的问题；不是让一家药企一年多开发几个药，而是让那些因为患者人数太少、商业回报太低而几十年没人研究的疾病，也终于有机会得到答案。

除了疾病，还有能源、材料、气候、农业和基础科学。

人类已经进入一个很奇怪的阶段。我们拥有历史上最强大的工业体系，可以制造几纳米的芯片，可以把探测器送到太阳系边缘，却仍然有很多极其基础的问题解决不了。我们不知道意识到底是什么，不知道如何真正逆转很多神经退行性疾病，对衰老的理解仍然非常有限，核聚变距离大规模商业应用始终还有距离。

这些问题不是因为人类不努力。

可能只是因为人的智能本身存在上限。

如果AGI最终能够突破的，是这个上限，那么它真正创造的价值会远远超过今天所有互联网公司的总和。

所以从这个意义上说，我其实很认同梁文锋为什么觉得眼前很多商业机会只是“芝麻”。

如果终点真的是这样一个世界，那么今天到底是谁拥有最大的聊天机器人、谁的API收入多几十亿美元，甚至哪家公司暂时领先半年，放到几十年的尺度看，确实可能没有那么重要。

我希望中国做出来的，不只是一个更便宜的AGI

梁文锋在交流里还有一个判断，我觉得很有意思。

他认为未来中国AI在全球产业中的一个重要优势，很可能和过去中国制造业一样：把同样好的东西做到更便宜。

这其实已经在DeepSeek身上出现了。

过去大家默认最强模型必须建立在无限增加算力、无限增加资本投入的基础上，DeepSeek却证明，模型架构、算法和工程效率同样可以改变成本曲线。这种能力对于AI最终走向全社会，可能比单纯把Benchmark再提高几分重要得多。

但我希望中国AI最后带给世界的，不只是一个“更便宜的AGI”。

我更希望它是一个更普惠的AGI。

今天全球最先进的医疗资源高度集中，一个生活在发展中国家小城市的人，和一个住在波士顿、旧金山、东京的人，能够获得的医疗服务差距非常大。全球最好的大学、实验室和医生，本质上都是极其稀缺的资源。

如果AGI真的能够把顶级智能的边际成本不断降低，那么一个非常值得期待的变化是，智能第一次可能不再是一种稀缺资源。

非洲一家小医院，也能够调用接近世界顶级水平的医学AI；一个罕见病患者，不再因为自己的疾病只有几千个人患病，就永远等不到研究；普通孩子不管出生在哪里，都可以拥有一个真正理解他的顶级老师；一个没有巨额科研经费的小实验室，也可能拥有过去只有世界顶级机构才具备的研究能力。

这种变化，可能比再诞生一家万亿美元公司重要得多。

从这个角度看，我也更理解梁文锋为什么如此坚持开源、低成本和克制。

AI越强，它就越不能只成为少数人的工具。

因为当智能本身逐渐成为像电力一样的基础能力以后，谁能够使用它，可能直接决定一个人的教育、健康、财富甚至寿命。

理想要足够远，也要活得足够久

所以看完这次交流，我其实有两种同时存在的感受。

一方面，我很欣赏梁文锋的理想主义。今天这个行业最不缺的是聪明人、资本和野心，真正稀缺的反而是一个人在面对如此巨大的利益时，仍然知道自己为什么做这件事情。DeepSeek能够坚持开源，把成本不断做低，不急着把所有用户变现，也不因为市场热点就什么都做，这种克制非常难得。

另一方面，我也觉得DeepSeek需要比梁文锋表达出来的更稳健一些。

GPU最终可能解决，国产芯片也会进步，算法效率还会提高，但现实中的商业竞争、供应链、中美科技竞争不会因为一个公司的愿景足够好就自动消失。越是想走一条十年、二十年的路，越需要足够强的商业能力和战略冗余，让自己不会在某一个现实问题上提前离场。

理想主义最重要的能力，并不是把理想说得多么伟大。

而是让理想活得足够久。

梁文锋想的是AGI。

我其实也期待AGI，而且可能比过去任何一次技术革命都更期待。但我更关心的，是AGI之后的世界。

我希望有一天，当一个人被诊断出今天仍然无法治愈的疾病时，医生不再只能说“目前医学还没有办法”；我希望那些因为患者太少而没人研究的罕见病，也能得到和常见疾病一样的关注；我希望癌症、阿尔茨海默病，甚至衰老本身，有一天能够从人类不得不接受的命运，变成一个个最终可以被解决的科学问题。

到了那个时候，我们今天讨论谁的模型领先、谁拥有多少张GPU、谁的API更便宜，可能都会显得没有那么重要。

因为AGI真正伟大的地方，从来不应该是它比人类更会写代码，也不是它能够替代多少工作。

而是有一天，当人类再次面对疾病、衰老、能源以及那些困扰了我们几百年甚至几千年的问题时，我们第一次拥有了一个远远超过我们自身能力的帮手。

如果AGI最后能够把我们带到这样的世界，那么今天投入的GPU、资本，以及无数研究者最好的青春，才真正值得。

AI模型开始不拼最强了，Google正在把竞争拉回成本和规模

人工智能、博客文章Laoer发表留言

最近 Google 发布了 Gemini 3.6 Flash、Gemini 3.5 Flash-Lite 和 Gemini 3.5 Flash Cyber 三个模型。比较有意思的是，这次发布并没有像过去的旗舰模型一样，在社交媒体上形成一轮“谁是最强模型”的大讨论。很多媒体反而把注意力放在了另一个问题上：Gemini 3.5 Pro 为什么还没有发布。

Google 发布了 Gemini 3.6 Flash、Gemini 3.5 Flash-Lite 和 Gemini 3.5 Flash Cyber 三个模型

这也很正常。过去两年，我们已经习惯了一种评价 AI 模型的方式。一个新模型出来，先看 benchmark，再看 Coding 排名，然后问一句：它超过 GPT 了吗？超过 Claude 了吗？是不是现在世界上最强的模型？

但我自己最近越来越觉得，这种评价方式可能正在过时。

Google 这次发布 Gemini 3.6 Flash，真正值得关注的，并不是它又在某几个 benchmark 上提高了多少，而是 Google 开始把模型竞争重新拉回一个非常现实的问题：一个 AI 到底能不能更快、更便宜地完成任务，而且能够被大规模使用。

这件事，在 AI Coding 上已经非常明显了。

一、最强的模型，不一定是我最愿意用的模型

我现在同时使用几个主流的 AI Coding 工具和模型，一个很明显的感受是，不同模型之间最大的区别已经不只是“谁更聪明”，还有完成一个任务需要多少时间。

比如 Claude Opus 4.8 配合 Superpower，处理复杂问题确实很强，尤其是在理解代码、深入分析和长时间规划方面，它经常会考虑得非常完整。但代价也很明显，就是慢。在我自己的实际开发任务中，同一个级别的任务，Claude Opus 4.8 + Superpower 花费的时间，经常是 GPT-5.6 Sol + 原生 Plan 模式的数倍，有些任务甚至能达到一个数量级的差距。

Gemini 给我的感觉则完全不同。

从 Gemini 3.5 Flash 开始，我最大的感受就是快，而且不是聊天时快几秒钟这么简单，而是在 Coding Agent 连续执行几十个步骤之后，整个任务的完成时间明显缩短。对于很多日常开发任务，比如改一个页面、调整接口、增加字段、修改已有逻辑、修普通 Bug，甚至按照已经确定的方案批量修改代码，我并不需要模型每一步都进行非常深入的推理。很多时候，我需要的是它能够快速理解要求，然后准确执行。

Gemini 3.6 Flash 延续的其实就是这条路线。Google 官方数据显示，它相比 3.5 Flash 在 Artificial Analysis Index 上减少了约 17% 的输出 Token，同时在多步骤工作流中减少推理步骤和工具调用，API 输出价格也下降到了每百万 Token 7.5 美元。Google 给这个模型的定位非常直接，就是用于大规模运行 AI Agent。

我觉得这里真正发生变化的，不只是 Gemini 又快了一点，而是模型竞争的评价标准正在发生变化。

二、Agent改变了模型的经济账

以前使用 ChatGPT，一次对话就是一次模型调用。你问一个问题，模型思考几十秒还是一分钟，差别虽然存在，但还可以接受。在这种模式下，当然是模型越聪明越好，因为调用次数并不多。

Agent 完全不是这么回事。

一个 Coding Agent 接到任务之后，要先读取代码、搜索文件、理解架构、制定计划，然后修改代码、运行程序、发现错误、继续修改、执行测试，最后再检查结果。一个看起来不复杂的任务，背后可能已经调用模型几十次；复杂一点的任务，模型调用和工具调用可能达到上百次。

这时候，每一次慢一点，最后都会累积成非常大的差距。

如果一个模型每一步都比另一个模型多思考十几秒，执行五十步以后，差距就已经不是“回复稍微慢一点”，而是十几分钟甚至几十分钟。再加上模型可能因为推理路径更长而产生更多 Token、更多工具调用和更多修改循环，一个模型看起来单次能力更强，完成整个任务的效率却未必更高。

所以到了 Agent 时代，我们可能需要换一种计算方法。

过去大家关心的是每百万 Token 多少钱，以后真正重要的指标可能是：完成一个任务到底需要多少钱，需要多少时间。

Google 在介绍 Gemini 3.6 Flash 时，反复强调的恰恰不是单纯降低 Token 单价，而是更少的输出 Token、更少的推理步骤、更少的工具调用和更少的代码修改循环。在 DeepSWE 等测试中，Google甚至观察到部分场景 Token 使用量大幅下降。

这背后其实是一种完全不同的产品思路。模型不是为了在一道特别难的问题上证明自己有多聪明，而是为了让一个 Agent 连续工作几百次以后，仍然足够快、足够便宜。

三、很多开发任务，根本不需要每次都用最强模型

这也是我实际使用 AI Coding 之后越来越明显的感受。

我们很容易把“Coding 能力”理解成一种单一能力，然后去寻找一个最强的 Coding 模型。但真实的软件开发并不是这样。设计一个复杂系统架构，和把已经确定好的接口增加一个字段，显然不是同一种任务；排查一个非常隐蔽的并发 Bug，和按照设计稿调整页面样式，也没有必要使用相同级别的推理能力。

真正困难的任务，需要 Claude Opus 4.8、GPT-5.6 这类更强的模型深入分析。但软件开发中还有大量工作其实属于执行型任务。一旦需求明确、方案确定，接下来更重要的是执行速度、准确性和稳定性。

这也是我觉得 Gemini Flash 特别适合的地方。

Google 在今年 5 月发布 Gemini 3.5 Flash 时，就已经把它定位成面向 Agent 和 Coding 的主力模型，并强调它在保持较强能力的同时拥有更高的输出速度。到了 3.6 Flash，Google 又进一步减少 Token 消耗和执行循环。

换句话说，Google 似乎并不打算让每一个任务都去调用最强大的 Pro 模型。

这可能才是更合理的 AI 架构。

复杂任务先由强模型理解目标、设计方案和处理真正困难的问题，Flash 负责大量执行，Flash-Lite 再去承担分类、提取、转换、搜索和简单子任务。Google 这次同时发布的 3.5 Flash-Lite，速度达到每秒约 350 个输出 Token，价格只有每百万输入 Token 0.3 美元、输出 2.5 美元，它存在的意义显然也不是挑战“世界最强模型”，而是为了让大量 Agent 工作负载真正跑得起来。

这和云计算其实很像。没有人会因为某一种服务器性能最强，就把公司所有业务都部署到最昂贵的机器上。真正成熟的基础设施，一定会根据任务进行分层。

AI 模型最终可能也会如此。

四、速度正在从“体验”变成一种真正的模型能力

过去我们谈模型速度，很容易把它理解成用户体验。一个答案两秒出来还是十秒出来，当然是两秒更舒服。

但到了 Agent 时代，速度已经不只是体验问题，而是生产力问题。

一个人使用聊天机器人时，慢一点可能只是多等几十秒；一个 Agent 一天运行几百个任务时，速度直接决定它一天到底能完成多少工作；一家企业同时运行几千甚至几万个 Agent 时，延迟、Token 数量和工具调用次数最终都会变成服务器、GPU 和真金白银的成本。

这时候，模型能力就不能只看智力。

至少应该同时看四件事：能力、速度、成本和可靠性。

一个模型即使 benchmark 高 5%，但完成同样的任务慢几倍、成本高几倍，它也未必适合成为大规模 Agent 的默认模型。反过来，一个模型只要能力跨过了“足够好”这条线，速度更快、成本更低，就可能获得远远更多的实际调用。

这可能也是为什么 Google 现在如此重视 Flash。

媒体仍然在等待 Gemini 3.5 Pro，因为旗舰模型代表 Google 在前沿模型上的技术上限，Reuters 和 TechCrunch 对这次发布的报道，也都把 3.5 Pro 的延期作为一个重点。但从商业上看，真正贡献海量 Token 消耗和 Agent 工作负载的，未来未必是 Pro，而更可能是 Flash 这一层。

五、Google可能根本不想只赢“最强模型”这场比赛

过去两年，OpenAI、Anthropic 和 Google 都在争夺同一个位置：谁拥有世界上最聪明的模型。

这个位置当然重要，因为最强模型决定技术上限，也决定品牌影响力。但随着模型整体能力不断提高，我觉得另一个市场正在变得更大：大量原本根本不会交给 AI 的工作，现在开始可以被 Agent 自动完成。

到了这个阶段，竞争规则自然会变化。

一个模型偶尔解决一道世界上最难的问题，和一个模型每天被调用几百亿次，是两种完全不同的商业价值。前者证明技术高度，后者决定产业规模。

Google 的优势恰恰可能在后者。

Google 做搜索、广告、YouTube、Android 和云计算这么多年，本来最擅长的就不是只造一个最昂贵的产品，而是把一种技术降低成本，然后服务几十亿用户。当 AI 从聊天工具变成基础设施，这种能力可能会重新变得重要。

所以我觉得 Gemini 3.6 Flash 真正值得关注的地方，并不是它有没有超过 GPT-5.6，也不是它能不能打败 Claude Opus 4.8。

它代表的是另一种竞争思路。

过去两年，我们一直在问：谁能造出最聪明的 AI？

接下来真正决定市场格局的问题可能会变成：谁能让足够聪明的 AI，以足够低的成本、足够快的速度，被调用足够多次。

最强模型仍然重要，但它决定的可能只是 AI 的上限。

真正决定 AI 能走多远、进入多少行业、完成多少工作、最终形成多大市场的，可能是那些没有拿到“世界第一”头衔，却每天完成最多任务的模型。

从这个角度看，Google 这次没有拿出大家一直等待的 Gemini 3.5 Pro，当然有些遗憾。但 Gemini 3.6 Flash 所代表的方向，可能同样值得重视。

因为 AI 模型的战争，正在从一场跑分比赛，慢慢变成一场效率和规模的战争。

Kimi K3之后，我第一次觉得美国有点输不起了

人工智能、博客文章Laoer发表留言

Kimi K3 发布之后，我原本以为接下来大家讨论的重点，应该还是模型本身，比如它到底有多强，Benchmark 是否可信，中国开放模型和 OpenAI、Anthropic 之间的差距到底缩小到了什么程度。但没想到，几天之后另一个话题先热了起来。Axios 报道称，特朗普政府内部正在重新讨论如何限制美国企业使用中国先进 AI 模型，包括通过实体清单、政府采购、安全警告和合规要求等方式，提高美国企业使用中国开放模型的门槛。实际上，这些讨论并不是 Kimi K3 出现之后才有，只是 Kimi K3 的发布，让原本已经存在的争论重新热了起来。截至目前，这仍然只是政策讨论，并没有形成正式禁令，但看到这条新闻的时候，我还是有一种挺奇怪的感觉：美国在 AI 这件事情上，好像开始有点输不起了。

当然，这并不是说美国已经输掉了 AI 竞争。今天的 OpenAI、Anthropic、Google 依然站在大模型能力的最前沿，NVIDIA 仍然掌握着最重要的算力基础设施，美国也依然拥有最成熟的资本市场、最强的人才吸引力和完整的 AI 产业链。Kimi K3 很强，DeepSeek、Qwen 这些中国开放模型进步也很快，但现在就说中国 AI 已经全面超过美国，显然还太早。真正让我觉得有些变化的，并不是技术排名本身，而是美国开始如何面对来自中国开放模型的竞争。过去我们对美国科技行业最深的印象之一，就是它的自信，你做出了一个更好的产品，那我就做一个更好的。Google 打败 Yahoo，Chrome 挑战 IE，iPhone 重构手机，Tesla 重新定义电动车，后来 OpenAI 又用 ChatGPT 改变了整个 AI 行业。硅谷最有魅力的地方，从来不只是技术强，而是那种相信创新和竞争最终会决定输赢的气质。

现在支持限制中国开放模型的人，最常提到的理由当然还是安全，比如网络攻击、生物风险、诈骗、模型滥用等等。这些风险确实存在，而且开放权重模型和闭源模型相比，也确实存在一个明显区别：模型一旦被下载到本地，原来的开发者就很难再像 API 那样监控调用、封禁账号或者增加安全限制。所以我并不认为所有模型都应该毫无条件开放，尤其当模型能力越来越强之后，如何控制高风险能力的扩散，本来就是一个值得认真讨论的问题。但另一方面，网络攻击、生物风险和模型滥用也并不是因为“开源”才出现的，Claude、GPT 这样的闭源模型同样可能被尝试用于寻找漏洞、生成恶意代码或者学习危险知识，闭源模型公司可以增加安全护栏，可以监控和封禁用户，但这些措施更多是在增加控制，而不是让风险本身消失。

也正因为这样，当“AI 安全”最后推导出的政策结果变成“限制中国开放模型”的时候，我觉得还是应该再多问一句，这里面到底有多少是在解决风险，又有多少是在保护现有商业利益。过去几年，大模型行业形成了一套非常清楚的商业模式：OpenAI、Anthropic 花巨额成本训练模型，然后通过订阅和 API 按 Token 收费，用户越依赖最强模型，公司收入越高，再投入更多资金训练下一代模型。这套逻辑成立的一个重要前提，是最好的模型是一种稀缺资源，你想使用最强的能力，就必须向拥有模型的人持续付费。但开放权重改变了这个前提，当 DeepSeek、Qwen、Kimi 这样的模型越来越接近 frontier 水平之后，企业会开始面对一个非常现实的问题，如果一个开放模型已经足够完成我的任务，我为什么一定要把数据交给 OpenAI 或 Anthropic，再按 Token 持续付费？我完全可以私有部署、微调、量化，也可以根据自己的业务选择不同模型，模型本身开始从一种稀缺商品，慢慢变成一种可以替换的基础能力。

这其实才是开放模型真正可能带来的冲击。Linux 当年并不是第一天就全面超过商业 Unix，MySQL、PostgreSQL 也不是一开始就在所有场景里都比商业数据库更强，但当这些开放产品达到“足够好”的程度之后，开放带来的低成本、可修改和生态效应，会逐渐改变整个市场结构。AI 很可能也会走类似的路径。如果中国开放模型一直只是便宜，但性能明显不如美国模型，其实根本不需要限制，因为企业自己就不会选择它们；真正让人开始紧张的，是这些模型既便宜、开放，又开始变得足够好了。一旦这个临界点出现，受到威胁的就不只是某一个模型，而是闭源模型长期依靠能力稀缺性建立起来的高毛利商业模式。

所以，如果美国未来真的通过实体清单、政府采购或者合规要求，让企业不敢使用中国开放模型，那么无论政策制定者主观上是不是为了保护 OpenAI 和 Anthropic，客观结果都会非常清楚：美国闭源模型公司少了一批最有威胁的竞争者。这也是为什么我觉得，这件事情不能简单只用“国家安全”来解释。安全当然重要，但当安全、产业利益和国家竞争恰好都指向同一个政策结果时，反而更应该警惕，因为这很容易让原本应该由市场决定的竞争，被政策提前决定。

美国过去几十年一直是全球化和自由市场最大的受益者之一，Apple、Microsoft、Google、Amazon、Netflix，包括今天的 OpenAI，都是从美国公司变成全球公司的。美国过去也经常批评其他国家市场不够开放，批评政府保护本土企业，批评行政力量干预正常竞争，这些批评很多时候确实有道理。但自由市场有一个很有意思的地方，当你一直赢的时候，相信自由竞争其实并不难，真正难的是，当别人开始有机会赢的时候，你还愿不愿意继续相信市场。如果美国模型在能力上遥遥领先，中国模型性能差、成本高、没有企业愿意用，那么根本不需要任何限制；只有当这些模型真的开始有竞争力，限制才会变得“有意义”。

也正因为如此，Kimi K3 之后出现的这些讨论，让我觉得有一种很微妙的角色错位。过去中国经常被认为更倾向于保护自己的市场，而美国代表开放和自由竞争，但至少在大模型这件事情上，中国公司正在把越来越强的模型权重直接开放出来，让全球开发者下载、部署和修改，而美国却开始讨论，美国企业是不是应该少用甚至不能使用这些模型。当然，这里面有复杂的国家安全问题，不能因此简单得出“中国更开放、美国更封闭”的结论，但这种反差依然值得思考。真正的问题并不是美国有没有权利保护自己的国家安全，美国当然有，而是当“国家安全”的边界不断扩大，最后开始覆盖越来越多具有竞争力的技术和产品时，自由市场到底还剩下多少空间。

我去过美国2次，感觉美国过去真正有吸引力的地方，不只是有钱和科技先进，而是有一种很特别的气质，自信、幽默，甚至有一点不在乎。别人做出了更好的东西，第一反应通常不是怎么禁止它，而是怎么做一个更好的。硅谷过去最经典的故事，本质上也都是后来者推翻原来的强者，如果 IBM、Microsoft、Yahoo、Nokia 当年都能够轻易通过规则把挑战者挡在门外，也不会有后来那么多伟大的公司。一个真正强大的创新体系，最重要的不是永远领先，而是即使有一天别人追上来了，仍然相信自己可以通过下一次创新重新领先。

我依然不认为美国已经输掉了 AI 竞争，恰恰因为美国现在依然拥有 OpenAI、Anthropic、Google、NVIDIA，依然拥有最强的人才、资本和产业基础，我才更加觉得奇怪：一个还在领先的人，为什么已经开始表现得像一个害怕输的人？Kimi K3 未必代表中国 AI 已经超过美国，半年以后也许又会有一个更强的模型出现，今天所有的 Benchmark 排名都会重新改写。但如果一个来自中国的开放模型，仅仅因为开始变得足够好，就已经让全球最强大的科技国家认真讨论是不是应该限制自己的企业使用它，那么至少说明了一件事情，真正的竞争已经来了。

而对于一个长期领先的人来说，真正值得证明的，从来不是有没有能力把对手挡在门外，而是在门一直开着的时候，自己还能不能继续赢。

这次真不慌了，Claude随时可以取消订阅

人工智能、博客文章Laoer发表留言

过去一年，Claude大概是AI Coding领域存在感最强的名字之一。

Claude 3.7之后，Claude 4、Claude 4.5再到后续模型，Anthropic几乎一直占据着编程模型第一梯队的位置。Claude Code的出现，又进一步放大了Claude模型在真实软件开发中的优势。从最初在Terminal里写代码，到后来增加Plan、Sub-agent、Skills、Hooks等能力，Claude Code逐渐从一个命令行工具变成完整的Coding Agent。

Codex也是类似的路径。随着GPT模型能力不断提高，OpenAI也开始把重点从“模型会不会写代码”，转向如何让模型独立完成一个完整的软件开发任务。

这两个产品很快成为AI编程领域的标杆，也让很多开发者开始产生一种过去很少有过的依赖。

这种依赖不是因为品牌忠诚，而是生产力。

在Reddit、X、GitHub以及各种开发者社区里，经常可以看到类似讨论：Claude Code很好用，但是账号、地区、额度和订阅政策的不确定性让人担心；Codex能力很强，但同样存在额度和平台依赖的问题。尤其对已经把Coding Agent融入日常开发流程的人来说，一旦习惯让Agent直接阅读整个项目、修改多个文件、运行测试、查找错误再继续修复，很难再退回以前复制代码到聊天窗口里问AI的方式。

所以过去大家担心Claude账号出问题，本质上并不是少了一个聊天机器人，而是暂时找不到同样好用的替代品。

但最近半年，这件事情正在发生变化。

国产模型终于跨过了“能不能用”的门槛

以前讨论国产模型和Claude、GPT的编程能力，最大的问题其实不是Benchmark差了多少分，而是落到真实项目里以后，体验差距往往比Benchmark看起来更大。

简单写一个函数、解释一段代码，大多数模型都可以完成。但进入一个几十万行代码的真实项目，让模型自己搜索文件、理解依赖、连续修改代码、执行命令、处理编译错误，再根据结果反复修正，差距就很容易暴露出来。

这也是为什么很长一段时间里，即使国产模型便宜很多，真正重度使用AI Coding的人还是会优先选择Claude或者GPT。生产力工具最重要的毕竟还是生产力，如果一个任务Claude Code一次能够完成，换一个工具需要人工来回纠正很多次，价格便宜的意义就没有那么大。

现在这种情况开始改变了。

GLM-5.2、Kimi K3陆续发布，Qwen3.8也开始进入市场，DeepSeek V4正式版同样值得期待。和一年以前相比，这一代国产模型已经明显不再停留在“会生成代码”的阶段，而是在长上下文、工具调用、Agentic Coding和长时间任务执行上快速进步。

最重要的变化并不是某个Benchmark超过Claude两分或者落后GPT三分，而是这些模型已经越来越能够真正参与软件开发。

过去国产模型和前沿闭源模型之间，很多时候是“能不能做”的差距。现在越来越变成“谁做得更好”的差距。

这两者其实完全不同。

只要进入“可以完成”的区间，替代关系就会开始发生变化。一个开发任务不一定非要Claude才能完成，可以使用GLM，也可以换Kimi、Qwen或者DeepSeek。模型之间的能力仍然有高低，但已经不像过去那样存在明显断层。

更重要的是，这些模型还在逐渐和具体的编程工具解耦。

一个模型可以接入不同的CLI、IDE和Agent Framework，一个Coding Agent也可以支持多个模型。模型开始越来越像AI Coding系统里的“发动机”，而不是整个产品本身。

一旦发动机可以替换，过去那种“Claude不能用，工作流就断掉”的焦虑自然会下降很多。

Claude Code真正领先的，已经不只是Claude

不过，如果只看到国产模型能力快速提高，就认为Claude Code和Codex很快没有优势了，也并不准确。

目前AI Coding真正明显的差距，已经越来越从Model转移到了Agent。

同样一个Claude或者GPT模型，放在普通聊天窗口里使用，和放进Claude Code、Codex这样的Coding Agent里，最终完成复杂开发任务的能力可以有很大区别。

原因在于，现在真正的AI编程已经不是简单的：

用户提出需求，模型生成代码。

真实的软件开发通常是一个很长的过程。Agent首先要理解项目结构，然后搜索相关代码，找到需要修改的位置，理解调用关系，制定方案，修改多个文件，运行编译或者测试，读取错误信息，再继续定位问题和修改。如果是一个复杂任务，中间还可能使用Git、浏览器、数据库、MCP工具，甚至启动多个Sub-agent分别处理不同工作。

模型当然是整个过程最重要的核心之一，但仅有模型并不能完成这一切。

把模型、工具、上下文和执行环境组织起来的这一层，就是现在越来越重要的Harness。

而让Agent不断执行“观察、思考、行动、获得反馈、继续行动”，直到任务真正完成，则是Loop Engineering。

这也是Claude Code和Codex现在真正领先的地方。

一个优秀的Coding Agent需要解决很多模型之外的问题。例如，一个大型项目不可能把所有代码一次性塞进Context，Agent必须知道什么时候搜索文件，什么时候读取源码，哪些内容值得长期保留，哪些内容应该在Context接近上限时压缩掉。

工具调用也是一样。什么时候应该使用grep，什么时候应该直接打开文件，什么时候运行完整测试，什么时候只运行局部测试，一个命令失败以后应该继续尝试还是改变方案，这些都属于Agent系统本身的能力。

还有一个非常关键的问题，是验证。

真正好用的Coding Agent不能只会写代码，还必须知道自己有没有写对。修改完成以后主动Build、Lint、Test，运行程序查看结果，发现问题以后重新修改，再次验证。这个不断反馈的循环，才让AI从代码生成器变成能够独立完成任务的Agent。

所以在很多开发者的实际评价中，经常会出现一种现象：两个模型在Benchmark上的差距并不大，但放进不同的Coding Agent以后，使用体验却可能差一个档次。

原因就在这里。

大家最终使用的从来不是一个裸模型，而是一整个系统。

国产AI Coding现在最大的短板，已经变成工具

这其实是一个很值得注意的变化。

过去国产AI Coding的问题首先是模型不够强，工具即使做得不错，上限也会受到限制。现在模型这一块正在迅速补齐，剩下更明显的差距开始集中到Harness和Loop Engineering。

目前国内已经出现了不少比较完整的AI编程产品，包括CodeBuddy、Qoder、TRAE，以及GLM、Kimi、Qwen等模型相关的CLI工具。和早期AI编程工具主要围绕代码补全、IDE聊天不同，这些产品现在也明显开始转向Agent。

它们已经可以阅读整个代码库、修改多个文件、调用Terminal、执行命令，并开始加入Plan、Sub-agent、MCP等能力。从产品方向来看，国内厂商和Claude Code、Codex已经没有本质上的路线分歧，大家做的都是同一件事情：让AI从“帮程序员写代码”，变成“直接帮程序员完成开发任务”。

真正的差距更多体现在工程成熟度上。

比如一个Agent执行一个复杂任务两个小时以后，还能不能保持最初的目标；Context越来越长以后，能不能正确保留关键的信息；中间执行失败以后，是不是能够主动换一种思路；面对一个大任务时，能不能合理拆分成多个小任务；多个Sub-agent之间怎么共享信息；代码修改完成以后，是否能够形成稳定的验证闭环。

这些事情单独看起来都不是什么特别惊人的功能，但最终决定Coding Agent是否好用的，恰恰就是这些细节。

Claude Code和Codex的优势，是它们已经通过大量真实用户和真实软件工程任务，把这些细节做成了一套越来越成熟的系统。

国产Coding Agent目前真正要追的，也正是这一层。

Harness的差距，可能比模型更容易追

训练一个前沿模型是极其昂贵而且复杂的事情。

需要大量GPU、数据、算法团队、训练基础设施和强化学习能力，而且竞争对手不会停下来等待。今天刚刚追上Claude，Anthropic下一代模型可能很快又出来了。

Harness不一样。

它当然也需要很强的工程能力，但很多问题已经从“未知问题”变成了“已知问题”。

今天一个先进的Coding Agent大概应该具备什么能力，行业实际上已经越来越清楚。

CLI、Plan模式、Sub-agent、MCP、Skills、Hooks、Sandbox、Git Worktree、Context Compaction、后台任务、自动测试和验证，这些方向已经被Claude Code、Codex以及其他产品不断验证。

后来者不再需要从零回答“AI编程工具应该长什么样”，而是可以直接学习已经被证明有效的设计，再根据自己的模型和用户场景快速迭代。

这和追赶基础模型的难度并不一样。

以前国内Coding Agent还有一个很现实的限制，就是即使Harness设计得不错，底层模型能力不足，整个系统仍然很难达到Claude Code的效果。

现在这个限制正在快速消失。

当GLM、Kimi、Qwen和DeepSeek逐渐进入前沿模型附近以后，Context管理优化一点、工具调用稳定一点、Loop设计成熟一点，都会直接反映到最终的产品体验上。

因此，我个人的判断是，未来半年国产AI Coding最值得关注的，可能并不是又有哪个新模型在Benchmark上超过Claude，而是CodeBuddy、Qoder、TRAE以及各家模型CLI会进化到什么程度。

我甚至认为，不到半年时间，国内头部Coding Agent就有机会在大多数常见的软件开发场景中，把和Claude Code、Codex之间的差距缩小到普通用户并不明显的程度，甚至在部分场景实现追平。

这里说的“追上”，并不是所有Benchmark全面超过，也不是每一个复杂任务都比Claude Code和Codex更强，而是作为生产力工具，已经能够成为真正平替。

对于用户来说，这才是最重要的标准。

如果Claude Code是100分，国产工具只有50分，那么基本没有替代价值。但如果国产工具已经做到85分或者90分，同时模型选择更多、价格更低、使用限制更少，那么很多用户并不会为了最后那10分一直绑定在同一个平台上。

竞争往往并不需要把第一名彻底打败。

只需要让第一名不再不可替代。

Claude最重要的变化，是从“必须用”变成了“可以选”

这可能才是最近这一轮国产模型进步带来的最大变化。

Claude Code目前仍然是最成熟的Coding Agent之一，Codex同样处在第一梯队。对于重度开发者而言，它们在复杂任务、长时间运行、上下文管理和整体稳定性上的优势仍然存在，这一点没有必要回避。

但和一年前相比，整个市场的状态已经完全不同。

以前是Claude和GPT站在前面，后面隔着很长一段距离才是其他模型。Claude账号、额度或者订阅一旦出现问题，用户很难立刻找到体验相近的替代方案。

现在下面已经有GLM、Kimi、Qwen、DeepSeek，工具层还有CodeBuddy、Qoder、TRAE、OpenCode以及各种CLI和Agent Framework。

模型正在变得可以替换，Coding Agent也正在变得越来越开放。

这意味着用户不需要再把全部生产力绑定在一家公司、一个账号或者一个订阅上。

AI Coding过去两年的主要竞争，大家一直在看模型。Claude和GPT到底谁写代码更好，新模型在SWE-bench又提高了多少，成为每次模型发布时最受关注的话题。

但是当模型能力逐渐接近以后，下一阶段真正决定AI Coding体验的，很可能越来越不是模型本身，而是Harness、Loop Engineering和整个Agent系统。

这场竞争才刚刚开始。

Claude Code和Codex目前领先，但国内的模型和编程工具已经进入同一条赛道，而且追赶速度明显加快。未来半年到底能不能追上，这是一个判断，现在当然还不能当作事实。

但至少有一件事情已经和以前不同了。

现在即使Claude调整订阅、限制额度，甚至账号真的出现问题，也不再意味着AI Coding工作流就没有了替代方案。

Claude好用，当然可以继续订。

哪天不好用了，或者有更合适的选择，也可以取消。

这次确实不用那么慌了。

著作权 © 2026 i@laoer.com - 由 CosmosWP 提供支持