7.6
深览指数
科技虎嗅·划重点KeyPoints··AI 生成
模型还在加速，世界如何跟上？
本文是作者在北美与101位AI一线从业者高密度交流后的观察手记。核心结论：一线研究者对模型能力持续发展依然乐观，但这种乐观更源于强化学习、任务环境和全新架构带来的新扩展路径，而非单纯堆数据和算力；然而，更强的模型不会自动转化为更好的交付与商业价值，物理世界（电网、组织、流程）的迭代速度远慢于模型进化速度。文章揭示了“能力、交付与现实之间的巨大落差”，并指出价值将流向那些能填补落差、建立领域内数据飞轮、解决交付与基础设施瓶颈的创业者和工程师。适合关注AI产业投资、技术落地瓶颈和前沿从业者真实状态的深度读者阅读。原文 ↗
核心观点
- ▍从一线交流看，对模型能力持续发展的乐观主要来自RL、任务环境和新架构打开的新扩展路径，而非单纯依赖堆数据与算力的老路。
- ▍更强的模型不会自动变成更好的交付，下一阶段的机会在于填补模型能力与交付现实之间的落差。
- 01某大厂内部邮件显示，公司不再以AI采用率或Token用量评价员工影响，因为“Tokenmaxxing”现象导致Bug增多、Review成本上升。
- 02Mert Demirer等人对超过50万名开发者的研究显示，AI编码智能体使代码提交活动增幅240%，项目数量增幅80%，但实际发布增幅仅30%。
- 03Frontier Lab研究员称，过去预训练团队一两百人，现在二十人左右即可推进，一年后也许只需五个人，其工作重心已转向“监督和鼓励1万个agent”。
- 04数据规模从一两年前的10T-20T扩充至现在的约100T，预计再下一代的模型参数量将从1T-3T提升至10T-20T，半年内有望实现。
- 05北美AI基础设施面临“硬约束周期”：新增电力容量与输电设施并网周期长达五年以上，社会接受度（电费、用水、电网稳定性）也构成瓶颈。
- 06美国五大云厂商2026年AI相关资本开支约8000亿美元，2027年预计升至1.2万亿美元，占GDP比重将超过19世纪末铁路建设以来的任何一轮技术投资周期。
- 07作者访谈的8位机器人从业者整体对具身智能和世界模型的判断比国内谨慎：技术路线未收敛、验证链条长、硬件鲁棒性常被低估。
反方 / 局限
- — 作者承认，虽然通用模型能力在Coding和数学上突飞猛进，但在很多领域（如生物、法律、医疗）标准模糊、无法形成数据闭环，通用能力的提升并未自动消除这些困难。
- — 文章提到，美国机器人迭代更慢，因为硬件供应链不如中国灵活，且硬件问题常被误判为模型问题，这暗示了中国在具身智能落地方面的潜在优势，也与作者本人的乐观形成张力。
- — 作者暗示，一线研究员的乐观与资本市场的剧烈波动（一级市场每3个月一次热度周期转化、二级市场大幅下调）之间存在“割裂感和温差”，这意味着长期判断与短期投入可能存在矛盾。
SevenXFrontier LabOpenAIMetaAnthropicMert DemirerSarah GuoYossi MatiasSam AltmanJensen HuangNavier-Stokes 方程AGI强化学习 (RL)具身智能Tokenmaxxing数据飞轮 (flywheel)MuseAstra
20 分钟 · 5 卡片 · 15 资料
读原文 →