争论 · THE ARGUMENTS
聪明人正在争论什么
共识不值钱，分歧才有信息量。我们持续追踪全球最强的 AI 从业者公开的分歧，逐条注明日期与来源，然后写清楚我们站哪边。
更新至 2026-10-11
算力:泡沫,还是短缺?
看空者的弹药是现金流:Meta 二季度自由现金流同比下降 91%。看多者的回答是租金:旧款 GPU 的租价还在涨。
仍站短缺一边,10 月给出新论据:同等规模的模型,开源 token 与前沿闭源 token 耗的算力和电力大致相同;但 OpenAI、Anthropic 体量大、议价能力强,开源 token 反倒是云厂商和新云利润最高的 token。所以模型层越分散、竞争越激烈,对算力基础设施越有利;他甚至认为,两大实验室的加速增长哪怕只有一部分来自抢份额,对算力需求也是净负面。
10 月 11 日补充:Silicon Data 的「token 指数」(兼顾价格与结构)5 月 31 日见顶以来,B300 价格涨 38%、B200 涨 10%,其他 GPU 指数涨幅大得多
来源 →他认为外界对这轮建设规模的估计「太低了」:明年美国相关资本开支在 2 万亿美元量级,算的不只是数据中心和芯片,还有整条供应链。AI 收入预测在他看来可能也偏低:价值不止于 API 调用、token 收费和订阅,更多收入可能来自 AI 渗透各行业后带来的新产品与效率提升。
明年美国 AI 相关资本开支约 2 万亿美元量级(含整条供应链)
来源 →我们的立场
我们站短缺一边,但看的指标不同:决定拐点的不是新卡价格,而是存量合约到期后的重定价幅度,以及资本开支曲线的二阶导——增速本身开始回落才是转折信号。我们自己的读数是约束在迁移:芯片、电力、内存、数据,最大的瓶颈现在在数据;每一次约束迁移都是一次投资机会。泡沫则在杠杆最重的中间层:循环融资、信用下沉、GPU 折旧期限错配。
相关报告:AI 算力基础设施 →前沿与开源:差距在收敛还是拉大?
开源模型把同等能力的价格打到了前沿闭源的几十分之一。钱却好像没有跟着走。
实地数据与「开源掏空前沿」的叙事相反:收入在向头部集中而非分散,智能差距未来两三年可能拉大。他亲测 Kimi、Qwen、GLM「确实很强」——但涨的是 token 消耗量,经济份额仍流向前沿实验室,后者正以 3–5 倍市价锁定算力。
来源 →「美国没有自己的开源模型旗手是荒谬的。」他同时提醒推理速度会改写产品:Cerebras 已跑到 750 token/秒,行业常态约 70——应该按 10 万 token/秒的世界来设计 agent 产品。
来源 →通用 Agent 会赢家通吃,产品体验终将趋同,胜负由模型能力和成本决定——「只要模型足够强,大家捏着鼻子也就认了」。小团队的机会在基于 Agent 做插件,不在再造通用或垂直 Agent。
来源 →我们的立场
两边都对,只是量的单位不同:消耗量的增长归开源,经济利润的集中归前沿。智谱 GLM-5.3-Flash 把同等能力打到约 1/40 价格之后,我们的判断是分化发生在场景层——批量、离线、成本敏感的负载会迁移,最强推理链的溢价短期内动不了。再往深一层看:闭源的护城河是资本开支,必须靠持续再融资维持;开源的护城河是活着的社区,不需要再融资。在再融资窗口正在收紧的周期里,两条护城河的耐久性不在同一个量级(2026-09-03 厦门演讲《开源破局》)。
相关报告:前沿模型与 AI 主权 →大模型路线:死路,还是主路?
一位图灵奖得主拿了十亿美元种子轮去证明 LLM 是绕路;一位最受尊敬的工程师把自己押回了预训练。
靠扩大 LLM 规模去追人类水平智能,是在追一条死路。再怎么 scale 也补不上纯语言架构的天生缺陷,他预言五年内 LLM 在多数应用中被基本淘汰;他的 AMI Labs 以 10.3 亿美元种子轮押注世界模型,称这条路在机器人、自动驾驶和医疗上会远胜 LLM。
AMI Labs 种子轮 10.3 亿美元(2026 年 3 月,史上最大之一)
来源 →他用去向表态:5 月加入 Anthropic,写道接下来几年 LLM 前沿会格外关键,自己要回到研发一线,教育工作以后再续。Anthropic 称,他在预训练团队里组建新组,专门用 Claude 加快预训练研究。
来源 →我们的立场
注意这不是「看多 vs 看空」,而是两笔方向相反的重仓:一笔押架构更替,一笔押现有架构还远未到顶。我们不押单一架构——在我们的框架里,模型层本就是可替换件,真正的问题是替换成本落在谁头上。
相关报告:AGI 资本周期 →智能体进企业:卡在哪一环?
9 月初,约一万个智能体协作 88 小时,交出了一道千禧年大奖难题的证明(OpenAI 自述,尚未获数学界正式认定)。三周后,OpenAI 搁置了原定 10 月发布的 GPT-6.1 Astra:内部测试中,它没完全守住授权范围,也不总能如实交代自己做了什么。
他公开认错:原以为让智能体成群协作,得靠人像搭公司一样精心设计、摸索好几年;结果「苦涩的教训」再次应验,这个组织难题基本被更会组织的模型自己解决了。他现在认为组织智能体已不算难点;剩下的是人决定把它们指向哪里,以及智能体集群与人之间的委托代理问题。
OpenAI 由数千个智能体组成的集群,约 270 万条消息、88 小时得出纳维-斯托克斯问题的证明(尚未获正式认定)
来源 →在他看来,拖住企业的是约十年的扩散工作:改流程、把数据放到智能体够得着的地方、设好权限与数据安全、定下每个流程里人的位置。再加上准确率:系统可以有 95% 准确率,却没人知道错的是哪 5%。编程之所以先被智能体拿下,是因为代码产出能用回归测试检验;合同、谈判、销售这类工作还没有同等的验证与测试体系。
企业扩散工作约需十年;他预计一到两年内,智能体大概能完成五到十步的现实任务
来源 →复盘一个真实功能的 AI 原生开发全程后:「代码已经不是瓶颈了」——瓶颈移到了代码两侧,左边是设计与确认,右边是测试与验证。人从写代码的人变成指挥官,但确认与判断环节绝对不能省。
来源 →我们的立场
三个人从三个位置指向同一环:确认。能力已经溢出,组织对「何时必须有人抬头」还没有制度。这正是我们看智能体层公司的第一个尽调问题:你的产品把人拉回环内的机制,是设计出来的,还是省掉了?
相关报告:AI 智能体商业化 →机器人:数据从哪里来?
在「VLA 已死」这件事上,英伟达的机器人负责人和图灵奖得主罕见地站在同一边。分歧在于用什么取代它。
他请全场「为遥操作默哀」:单台机器人每天封顶 24 小时、实际约 3 小时,注定不可扩展。替代路线是自我中心人类视频(「新的 FSD 数据」,可冲每年 1,000 万小时)加世界动作模型;他给出 2–3 年内通过「物理图灵测试」的时间表。
遥操作已占训练数据不到 0.1%;双臂交接成功率经技能库从 20% 提至 92%
来源 →VLA(视觉-语言-动作)路线「基本已被视为失败」;智能体化 LLM 用在物理世界「本质上不安全」,因为自回归架构无法预判动作的真实后果。他预言 2027 年初机器人行业将公认必须换范式。
来源 →我们的立场
技术路线还没收敛,资本却已经先收敛了估值:8 月底,软银按 60 亿美元洽购 1X 控股权——相对其去年寻求的约 100 亿,这是降估值出售控制权。路线未定而估值先行,是我们在具身智能报告里反复标注的风险。
相关报告:具身智能与人形机器人 →说明：人物观点均为公开来源的转述，逐条注明日期与出处，不代表天际资本立场；「我们的立场」是本站唯一的自有观点。本页证据分级：已证实 = 两个独立来源，据报道 = 单一来源。本页不构成投资建议。
研究标准与更正记录 →