2026年，全球AI競賽進入白熱化，巨額資金正以前所未有的規模湧入。 美國僅四大科技巨頭微軟、Google、亞馬遜、Meta就預計投入約6500億美元； 中國到2030年累計投資將達10兆人民幣; 歐洲與日本，分別公佈了2000億歐元和1兆日元的投資計畫。

請注意，中國要發力了。 2026年，全球AI競賽進入白熱化，巨額資金正以前所未有的規模湧入。 美國僅四大科技巨頭微軟、Google、亞馬遜、Meta就預計投入約6500億美元； 中國到2030年累計投資將達10兆人民幣;

編者按 中美兩國元首於川普訪華期間就人工智慧問題達成共識，同意啟動AI政府間對話，表明雙方在AI風險管控與治理框架領域仍存在足夠的共同利益基礎。與此同時，全球AI技術標準與產業生態正加速成型，中國參與國際規則制定的時間窗口正在縮小。 作者提出，中國在推進中美AI對話時不能夠將美國視為“鐵板一塊”。事實上，美國內部存在四組訴求迥異的力量——川普及其家族、MAGA（美國優先派）與科技右翼派、猶太民族主義和以色列派、民主黨與進步左派。中國需要針對各方利益精準施策並展開分層對話，方能在這一輪AI博弈中爭取到真正有利的規則空間。 昨天（5月19日），外交部在例行記者會上給出了一個簡短但份量極重的表態：川普總統訪華期間，兩國元首就人工智慧問題進行了建設性交流，同意開展人工智慧政府間對話。

Prime Intellect把Opus 4.7和GPT 5.5關進H200叢集，不給人類指導，跑了1萬次實驗。結果：AI第一次在科研競賽中打破人類紀錄。2930步，遞迴自改進的盧比孔河，被跨過了。 歷經1.4萬小時H200算力測試與萬次迭代， AI打破了人類世界紀錄！ 過去兩周，Prime Intellect實驗室做了一件事：把Opus 4.7和Codex（基於GPT 5.5）扔進H200叢集，切斷所有人類指導，讓它們自己跑nanoGPT速通最佳化。 1.4萬個H200計算時，約1萬次迭代，239億Token的思考軌跡。

2026年第一季度，美股科技巨頭的AI軍備競賽邁入了一個新的量級。截至5月1日，“七姐妹”中除輝達外，Google母公司Alphabet、微軟、亞馬遜、Meta、蘋果、特斯拉已悉數交卷。六家巨頭營收全面超預期，但更值得關注的是另一個數字：以區間高點計算，六家巨頭2026年合計資本支出將突破7000億美元。業績增長與支出狂潮之間，市場正在進行一場冷靜的重新定價。同樣交出超預期財報，同樣加大資本開支，Alphabet盤後大漲逾7%，Meta卻遭遇重挫。當巨頭們的AI資本支出加速衝刺，業界的關注焦點轉向重金砸向AI後，AI的賺錢邏輯是否清晰。AI“燒錢”階段遠未結束Google母公司Alphabet是本輪財報季最突出的贏家。2026年第一季度，公司實現總營收1099億美元，同比增長22%，創四年來最高單季增速；GAAP淨利潤626億美元，同比大增81%。各項業務呈現全面增長態勢，其中搜尋廣告及其他營收604億美元，同比增長19%。Google雲營收首次突破200億美元，增速從去年的30%一躍跳升至63%，營運利潤率攀升至32.9%。這意味著AI業務不僅帶來了營收增量，更開始貢獻實質性利潤。CFO阿納特·阿什肯齊給出了遠期指引：2026年全年資本支出上調至1800億至1900億美元，2027年將“顯著高於”這一水平。與此同時，Google雲積壓訂單季度環比近乎翻倍至4620億美元，其中超過一半將在未來24個月內確認為收入。這種將巨額支出與明確需求直接對應的敘事，構成了Alphabet股價大漲的底層邏輯。相比之下，儘管Meta也交出增長的業績，但盤後股價重挫約7%，市值蒸發超千億美元。從財報看，Meta一季度總營收563億美元，同比增長33%，創2021年以來最快增速。其中廣告業務出現回暖，AI投入的成效開始在廣告業務顯現。但Meta上調開支的計畫影響了資本市場。該公司將2026年全年資本支出預測從此前的1150億至1350億美元，上調至1250億至1450億美元。Meta CFO稱，開支上調主要源於硬體零部件成本上漲及資料中心擴張。她還表示公司在估算自身算力需求時“一直在低估”，2027年的資本支出暫不明朗。此外，Meta正在試圖通過裁員和內部效率最佳化來避險AI開支帶來的壓力。這種“投入需求仍在擴大卻看不到邊界”的表態，在一定程度上加劇了市場對其資本效率的擔憂。微軟的業績同樣穩健，市場反應相對平淡。第三財季營收829億美元，同比增長18%；AI業務年化收入突破370億美元，同比增長123%；Azure雲增速達40%，超出自身指引上限。資本支出方面，微軟本財季資本支出319億美元，低於市場預期的349億美元。微軟CFO艾米·胡德在財報後電話會上預測，公司2026年全年資本支出將達到1900億美元，與2025年相比大增61%，預計零部件價格上漲將帶來250億美元的影響。亞馬遜雲服務AWS在本季度的表現突出，營收同比增長28%至376億美元，這是其過去15個季度以來的最快增速。亞馬遜透露，積壓訂單為 3640 億美元，環比增加 1200 億美元。亞馬遜 CEO 安迪·賈西表示，這些訂單來自相當廣泛的客戶群體，且不包括 Anthropic 此前同意斥資 1000 億美元購買 AWS 基礎設施的交易。更深層次的突破在於，亞馬遜的自研AI晶片（Trainium和Inferentia）業務的年化收入規模已突破200億美元，且以三位數的速度增長。這直接證明了亞馬遜在試圖擺脫對輝達的依賴。安迪·賈西在電話會中透露，亞馬遜正在佈局更宏大的能源藍圖，包括與OpenAI達成協議，為其提供2吉瓦的Trainium算力支援。這種“以自研換成本”的策略，讓亞馬遜在AI軍備競賽中走出了一條穩健的曲線。蘋果與特斯拉則走出了相對獨立的路徑。蘋果2026財年第二財季總營收1111.8億美元，同比增長17%，大中華區收入扭轉下滑趨勢，增長28%。蘋果CEO庫克在電話會上傳遞出克制的投資姿態：AI是重要領域，但公司將在產品路線圖常規投資基礎上逐步加大投入。這種策略使蘋果避開了市場對“燒錢”的審視。特斯拉一季度營收224億美元，略低於市場預期。馬斯克將2026年資本支出上調至超過250億美元，但這將導致特斯拉自由現金流承壓。特斯拉的押注方向指向Optimus人形機器人與定製AI晶片AI5。這是一條周期更長、驗證更難的道路。從軍備競賽到商業閉環從已披露財報的六家美股巨頭財報電話會內容看，算力、晶片、商業化等主題多次出現，這也構成理解當前AI競賽的關鍵線索。算力供給緊張是行業的共同瓶頸。Alphabet CEO皮查伊明確表示，“如果不是受限於短期內的計算資源瓶頸，Google雲的收入本可以更高。”微軟CFO給出了時間表——供給受限“至少會持續到2026年底”。Meta CFO 則表示一直在低估自身需求。三家公司的表述指向同一個現實：需求遠未被滿足，但釋放節奏受制於晶片供應和資料中心的建設周期。與此同時，自研晶片正在成為重塑巨頭們成本結構的關鍵變數。亞馬遜首次披露的晶片業務年化營收200億美元，若將晶片業務獨立營運，同時面向亞馬遜雲科技客戶及外部第三方銷售半導體產品，該業務年化收入規模有望達到500億美元。Alphabet的自研TPU已經在雲業務中規模化部署，並將發佈第八代產品。微軟也在推進自研晶片以最佳化長期成本。這一趨勢對輝達而言構成結構性變數：短期內，巨頭們仍是其最大客戶；中長期看，自研晶片的成熟可能分流部分需求。此外，伴隨著大模型競賽轉向Agent時代，AI的商業化驗證進入關鍵階段。亞馬遜高管多次提到Agentic（智能體化），Google稱每分鐘處理的Token數量已超過160億個，微軟Copilot付費使用者突破2000萬，Meta的AI廣告系統帶來了可量化的轉化率提升。此外，Google和亞馬遜的雲業務積壓訂單大幅增長，表明AI的商業化已從簡單的文字生成轉向了重塑生產力的核心邏輯，同時一些企業級AI產品已開始形成規模收入。野村中國科技及電訊行業分析師段冰對記者表示，在AI商業化節奏方面，中美基礎模型平台均處於變現探索期，海外頭部企業因模型能力與付費環境優勢變現更快。而上層應用企業面臨底層模型功能外溢的壓力，一些標準化的應用容易被替代。但AI對利潤率的貢獻仍處於早期階段，一些巨頭的資本支出同比增速高於營收增速，Meta的投資回報路徑尚不清晰，亞馬遜有相當比例的利潤來自非經常性收益。在美股七姐妹中，輝達是唯一沒有正式披露業績但又無處不在的一家。該公司將於5月20日左右公佈最新季度業績。六巨頭的資本支出計畫為它提供了強勁的需求側支撐，但當它的大客戶們同時成為自研晶片的競爭者，輝達同樣面臨考驗。在其餘幾家相繼公佈財報後，輝達市值再度跌破5兆美元。 (第一財經資訊)

一、發展歷史：兩種基因，兩條路1、輝達：賭出來的王者輝達的起點和"GPU"這個名字一樣——做遊戲顯示卡。1993年黃仁勳帶著"為PC增加真實感"的想法創立，最初連正經辦公室都沒有，靠著給世嘉做遊戲晶片的副業活了下來。轉折點在2006年——輝達推出CUDA架構，把GPU從"遊戲專用"變成了"通用計算"。當時沒人看好這個決定，因為GPU處理平行計算的能力雖強，但根本沒人在CPU之外寫程序。輝達硬是砸了多年錢，補貼學術圈，培養了最早一批在GPU上跑AI研究的人。2012年是歷史性時刻：多倫多大學的AlexNet用兩塊輝達GTX 580在ImageNet競賽中碾壓傳統演算法，深度學習時代開啟。從那以後，輝達的所有投入——CUDA生態、NVLink、TensorCore——全部被驗證是對的。2、華為：被迫長大的海思華為進入晶片領域是被逼的。2004年海思成立，最初做的是視訊解碼晶片和基帶晶片，沒有人會把它和GPU聯絡在一起。真正的GPU故事要從2019年說起——美國實體清單把華為逼到了必須自研晶片的死角。昇騰910在2019年8月發佈，被宣傳為"全球算力最強AI晶片"，對標輝達A100。雖然事後被證明良率和生態差距巨大，但在極限封鎖下能拿出可用產品，已經說明華為的晶片工程能力不容低估。二、投入強度：錢不是問題，問題是買不到1、輝達輝達2025財年研發投入超過350億美元，佔營收的20%左右。這個數字什麼概念？相當於中國頭部AI晶片公司投入的10倍以上。而且輝達的研發投入是"系統性"的——晶片設計、封裝工藝、EDA軟體、CUDA生態、InfiniBand網路，每一塊都在砸錢。2、華為華為沒有單獨披露海思的研發投入，但整體研發費用率常年維持在20%以上，2023年研發總投入超過1600億人民幣。分到海思身上大約在200-300億人民幣量級。3、關鍵差距不在錢，在於工具鏈輝達用的是全球最領先的EDA工具（Synopsys、Cadence）和最先進的製造工藝。華為被封鎖之後，EDA工具斷供（Synopsys/Cadence均已停止服務華為），製造被卡在7nm（台積電斷供，中芯國際14nm勉強能用）。這意味著華為每往前走一步，都要比輝達多付出幾倍的工程代價。三、製程限制：華為的七吋這是華為最現實的困境。輝達H100/H200用的是台積電4nm工藝，B200用的是3nm。晶片製程不是單純"越先進越好"，而是直接決定了：-電晶體密度：同樣面積能放多少計算單元-功耗效率：每度電能跑多少算力-發熱密度：散熱設計難度華為昇騰910C據報導用的是中芯國際7nm N+2工藝，實際良率和性能都存在較大不確定性。一位國內晶片工程師私下說："7nm做出來的和台積電7nm做出來的，性能可能差30%，功耗可能差50%。"輝達的Blackwell B200單晶片算力達到20PFLOPS（FP4），華為昇騰910據官方說法是256TFLOPS（FP16），差距大約80倍——當然這個數字要打個折扣，因為測試標準不同，但數量級差距是客觀存在的。但有一種觀點值得注意：封鎖讓華為無法追逐最先進製程，反而倒逼了"系統級創新"。昇騰通過"達文西架構"的3D Cube技術，在特定AI算子上的效率比輝達A100高；通過最佳化記憶體頻寬和互聯頻寬，部分場景可以彌補製程劣勢。四、開發者生態：這是最難跨越的護城河如果說晶片是硬體，生態就是空氣——看不見摸不著，但一刻也離不開。1、輝達：CUDA就是壁壘全球有超過600萬開發者熟悉CUDA程式設計。所有主流AI框架（PyTorch、TensorFlow、JAX）都以CUDA為第一優先順序支援目標。全球幾十萬家AI創業公司，從第一天寫程式碼就是在輝達的生態裡。這個生態的壁壘有多深？不是靠"性能更好"就能打破的。假設華為明天發佈一顆晶片，理論性能比H100強50%，但PyTorch不支援、C++編譯器不支援、所有開源模型沒針對華為NPU最佳化——沒有開發者會用的。2、華為：正在建，但差距是數量級的華為有MindSpore框架，有CANN計算架構，有昇騰社區。但和CUDA比，MindSpore的開發者數量差了至少兩個數量級。更致命的是，全球AI開源生態幾乎全部建構在CUDA之上，華為要推動生態遷移，估計需要付出十年以上的時間和幾千億元的投入。五、產業應用：輝達吃肉，華為喝湯1、全球AI算力市場現狀輝達在全球資料中心GPU市場的份額超過88%。全球四大雲廠商（AWS、Azure、GCP、阿里雲）都在大量採購輝達的H100/H200。訓練一個GPT-4量級的大模型，需要大約1萬到10萬塊H100，這個門檻已經把絕大多數玩家攔在門外。2、華為：中國市場的"替代陷阱"在中國市場，華為是政策推動下的"正確選擇"。由於美國對中國的出口管制，中國企業無法獲取A100/H100，昇騰成了唯一的替代方案。百度、科大訊飛、商湯等公司都宣佈接入華為昇騰生態。但"替代"和"能用"是兩回事。一位國內大模型公司的技術負責人說："用昇騰訓練一個百億參數模型，要比用A100多花3到5倍時間。開源模型遷移到昇騰，偵錯適配的工作量大約是6到12個月。"這不是華為的問題，是整個中國AI算力生態的短板。六、未來走向：兩個平行宇宙1、輝達的劇本輝達正在推進"全端AI公司"的戰略——從晶片到伺服器（DGX），從網路到軟體（CUDA、X86上的AI企業套件）。Blackwell之後是Rubin架構，每年一代的速度在迭代。輝達的終極目標不是賣晶片，而是賣算力即服務——通過DGX Cloud，讓企業直接租用算力，不需要買硬體。這個模式下，輝達的護城河會從"晶片性能"延伸到"維運能力"和"軟體生態"。2、華為的劇本華為的算力戰略高度依賴政策保護和市場壁壘。如果輝達中低端晶片繼續實施限制，華為昇騰在中國的市場份額會繼續擴大。但如果封鎖持續，華為的晶片迭代速度會逐漸放緩（因為7nm之後往5nm/3nm走會越來越難）。華為另外一個籌碼是"軟硬一體"——鴻蒙作業系統、昇騰晶片、MindSpore框架、盤古大模型，這是中國唯一具備端到端能力的AI全端。但這整套東西的競爭力，目前主要體現在中國市場。七、結論：誰贏了這個回合？輝達贏了嗎？ 贏了，而且贏得毫無懸念。在全球市場，華為短期內沒有挑戰輝達的可能性——製程、生態、應用，一個都打不過。華為輸了嗎？ 沒有。在中國市場，華為是唯一現實的大規模AI算力供應方。沒有華為，中國的AI大模型訓練會不會停擺不知道，但至少token經營無從談起。這本身就是一種價值。真正的博弈在別處：算力競爭從來不只是晶片競爭，而是標準競爭、生態競爭、人才競爭。美國有輝達CUDA，有台積電製造，有PyTorch生態；中國有華為，有中芯國際，有MindSpore。前者開放但可封鎖，後者自主但封閉。兩個體系未來大機率會長期並存，形成事實上的"算力兩極格局"。 (大饒不老)

這個4月，AI圈簡直炸了鍋。先是DeepSeek創始人梁文鋒親自確認，新一代旗艦大模型V4將於4月下旬正式發佈，兆參數架構直接拉滿國產大模型的天花板。緊接著，阿里的HappyHorse-1.0（快樂馬）橫空出世，直接屠了全球AI視訊盲測榜，把字節、Google的頂流模型全甩在了身後。就在所有人都在熱議國產AI的高光時刻，我突然想起了馬斯克在X平台上撂下的那句話：“人工智慧將在3年後超過所有人類智能。”很多人把這兩件事分開看，把DeepSeek和HappyHorse（快樂馬）當國產AI的崛起新聞看，把馬斯克的話當“大佬的狂言”聽。但如果你把它們放在一起就會發現，這根本不是巧合，更不是單個產品的普通迭代，而是在通往AGI（通用人工智慧）的路上在加速前進。一、不是單點突破，是全球AI競賽全面打響很多人看新聞，只看到了“發佈新模型”“登頂榜單”這幾個字，卻沒看懂背後真正的份量。先說說DeepSeek V4。很多人對大模型的印象，還停留在“能聊天、能寫文案”的階段，可DeepSeek V4這次的升級，是從根上的全面革新。它用了1兆參數的MoE架構（Mixture of Experts，混合專家架構），處理速度直接比上一代飆升了35倍，能耗反而還降了40%。這是什麼概念？就是以前你花1個小時才能讓AI幹完的活，現在1分多鐘就搞定了，還比以前更省電、更便宜。更誇張的是它的“記憶力”。它的上下文窗口直接拉到了100萬token（詞元，AI處理文字的基本單位），相當於一口氣能讀完15-20本長篇小說，連裡面的人物關係、細節伏筆都記得清清楚楚，絕不會出現聊到後面，就忘了你前面說過什麼的情況。最關鍵的是，它全程基於國產華為昇騰晶片原生開發，徹底擺脫了海外算力的“卡脖子”問題，這意味著國產大模型，已經正式從“跟跑”邁入了“並跑”的核心賽道。再說說橫空出世的“HappyHorse-1.0”，這匹“快樂馬”，直接踢翻了全球AI視訊圈的牌桌。它登頂的Artificial Analysis Video Arena榜單，是目前全球公認最權威的AI視訊評測平台。它的排名機制特別殘酷，用的是國際象棋等級分制度的Elo積分制，全程純盲測。什麼意思？就是使用者完全不知道視訊是那個模型生成的，系統隨機甩兩段視訊過來，你只能憑那個畫面更流暢、更符合指令、觀感更好來投票，完全排除了所有品牌光環，只比真實體驗。不止國內在瘋狂衝刺，海外的AI賽道早就進入了“不進則亡”的競賽狀態。OpenAI、Google、Anthropic輪番發佈新模型，從文字到多模態，從推理到智能體，每一次更新都在瘋狂壓縮技術迭代的周期。更可怕的是，整個行業的頭部玩家，都在集體“跳錶”，把AI超越人類的時間線，一縮再縮。二、他們到底在慌什麼？AI的“硬起飛”就發生在眼前看到這裡，你可能會問：不就是出了兩個新模型嗎？至於這麼大驚小怪，上升到人類倒計時的地步嗎？那我再給你看馬斯克說的另一句話，他說：“我們現在就處於‘硬起飛’階段，就是現在。”什麼叫“硬起飛”？以前我們說AI發展，是“人推著AI往前走”。我們給它定目標，給它喂資料，給它調參數，手把手教它學習，它每往前走一步，都離不開人類的推動。但“硬起飛”不一樣。它是AI自己給自己踩油門，進入了自我加速的失控式增長階段。不用人催，不用人教，它自己就能完成迭代、實現突破，甚至連它進化的速度，人類都已經跟不上了。馬斯克自己是這麼描述的：“我晚上睡覺時，AI取得了一項重大突破；等我醒來，又出現了另一項突破。老實說，很難跟上節奏，這讓人有點暈頭轉向。”而這場“硬起飛”裡，最可怕的核心，是AI已經進入了“遞迴自我改進”階段。以前，我們訓練一個AI模型，要程式設計師寫程式碼，演算法工程師調參數，資料團隊清洗資料，全流程都離不開人。但現在不一樣了，新一代的AI模型，已經由上一代模型深度參與訓練了。從程式碼編寫、資料清洗，到參數調優、效果測試，AI能做的事情越來越多，人類在這個循環裡，角色越來越邊緣化，越來越插不上手。馬斯克給出了一個更讓人後背發涼的預判：“可能今年年底會實現完全自動化的自我改進，最遲不會晚於明年。”換句話說，最快今年，AI就能徹底脫離人類的輔助，完成自我迭代、自我進化，進入完全的自我加速周期。到那個時候，AI的進化速度，會快到我們根本無法想像。很多人以為，馬斯克眼裡的AI，就是能寫文案、做報表、生成視訊的工具，那你就太小看他了。他描繪的AI終極藍圖，是一個消耗比全人類文明多一百萬倍電力的智能體，能解決人類能想到的所有問題。為了突破電力這個最大的瓶頸，他甚至計畫2-3年內把AI資料中心送上太空，用太空裡沒有晝夜交替的太陽能，徹底釋放AI的算力潛力。而當AI和機器人接管了所有生產，人類社會會變成什麼樣？馬斯克的答案是：錢會變得不再重要，商品和服務的產出會遠遠超過需求，AI和機器人會把所有事都幹完，人類最終會因為全方位的服務，而“無事可做”。馬斯克和Altman（奧特曼）不是在製造焦慮，而是看到了我們普通人看不到的風景。他們怕的不是AI本身，而是人類根本沒做好準備。三、倒計時1095天，最危險的是你以為“還有時間”看到這裡，很多人心裡還是會有一個僥倖的想法：3年呢，還早，急什麼？3年，聽起來很長，其實只有1095天。就是你換2份工作的時間，就是你學一個新技能、考一個行業證書的完整周期，就是你家孩子從幼兒園升到小學的時間，一眨眼就過去了。更關鍵的是，AI的進化，從來都不是線性的，是指數級的。舉個例子：一個池塘裡的荷花，每天都會以前一天兩倍的數量開放。如果到第30天，荷花就開滿了整個池塘，那請問：荷花在第幾天開滿了半個池塘？答案不是第15天，是第29天。前29天，荷花只開了半個池塘，可第30天，一天之內，就開滿了剩下的整個池塘。這就是指數級增長的可怕之處。你以為它還很慢，還離你很遠，可等你反應過來的時候，它已經瞬間鋪滿了你的整個世界。我們現在，可能就處在這第29天的晚上。這場AI競賽，最先衝擊的，就是90%的辦公室白領工作。現在不妨停下來，問自己兩個問題：你每天的工作，有多少是AI分分鐘就能替代的？1095天之後，當AI真的超越了所有人類智能，你的核心競爭力，到底是什麼？四、不想被時代淘汰，你必須立刻做對3件事難道我們就只能等著被AI替代，一點辦法都沒有嗎？當然不是。具體該怎麼做？記住這3件事。第一件事：做決策，提問題很多人對AI的理解，完全搞反了。他們天天用AI干自己的本職工作，寫郵件、做報表、寫方案，然後把AI的產出改一改，就交上去了。看起來是省了力氣，提高了效率，可實際上，你是在天天給AI喂資料、當陪練，幫它在這場競賽裡變得越來越強，最後把自己替代掉。在德州超級工廠接受的深度訪談中，馬斯克也談到“任何涉及敲擊鍵盤、移動滑鼠、處理資訊的任務，AI都能勝任。”你要明白，AI是工具，不是你的競爭對手。工具是用來幫你幹活的，不是用來取代你的。你要做的，是使用工具的人，是決定“做什麼”“為什麼做”的人，而不是聽指令“怎麼做”的人。就像馬斯克，他不寫程式碼，不調模型參數，不親手造火箭，他做的只有一件事：決定我們要做什麼、為什麼做。他決定我們要造電動車，要去火星，要做通用人工智慧，剩下的，交給工程師和AI去執行。AI做執行，你做決策；AI給答案，你提問題；AI算資料，你定方向。不要沉迷於“把事情做對”，要學會“做對的事情”。第二件事：放棄舒適區的標準化，學習臨場發揮很多人在職場裡，追求的是“熟練工”的安全感。同一件事，我幹得比別人快，比別人熟，我就有安全感。可在AI時代，這恰恰是最危險的事。AI最擅長的，就是標準化、常規化、重複性的工作。你在這件事上越熟練，就越容易被替代。普華永道（PwC）在2025年公開承認，正在大幅縮減初級崗位招聘，審計部門的初級崗位到2028年預計將減少39%。與此同時，畢馬威英國近兩年畢業生招聘人數也從1399人降至942人，縮減近三分之一。這些變化的直接推手，正是AI。原本由初級審計員花數周時間完成的憑證核對、底稿整理、資料清洗，現在AI幾小時就能完成，且不出錯。但有趣的是，四大並沒有一刀切地砍掉所有招聘。PwC的AI鑑證負責人Jenn Kosar明確表示，公司正在把被AI釋放出來的人力，轉向戰略諮詢、複雜問題解決等更高價值的領域，甚至開始培訓初級員工“像管理者一樣思考”。因為AI能搞定99%的標準化審計流程，但遇到企業財務造假的隱蔽跡象、複雜的跨國稅務糾紛、客戶特殊訴求的權衡判斷，AI就束手無策了。你的價值，從來不是你能把常規工作做多好，而是你能處理多少AI搞不定的“異常情況”。這些“異常情況”，沒有標準答案，沒有標準化流程，需要的是你的經驗、你的判斷力、你的臨場反應，這些都是AI永遠學不會的東西。接下來，把你的時間和精力，從這些機械性的工作裡抽出來，去解決那些複雜問題，去應對那些突發狀況，去打磨那些非標準化的能力。第三件事：做與“人”打交道的事AI在虛擬的位元世界裡，可以說無所不能。那怕是這場競賽裡最頂尖的視訊模型HappyHorse（快樂馬），也只能在數字世界裡生成完美的畫面，卻無法在現實世界裡，完成一個簡單的開門動作。這就是AI最大的短板：它能玩轉虛擬的位元世界，卻搞不定真實的原子世界。就像馬斯克說的“除了必須親手操作原子、搬動物理實體的工作，人工智慧現在已經有能力完成一半以上的白領工作。”而這，恰恰是我們最大的機會。所以，我們要主動增加和真實物理世界、真實的人打交道的比重。比如，做設計的，不要只在電腦裡畫圖，多去現場看施工、和工人溝通落地細節；做電商的，不要只看後台資料，多去線下和供應鏈、使用者面對面交流；做教育的，不要只做線上標準化課件，多花時間做一對一個性化的陪伴和溝通。去深耕那些需要和真實世界、真實的人打交道的能力。你的動手能力，你的實地判斷能力，你的人際溝通能力，你的共情能力，你的線下服務能力，這些，都是AI短期內根本無法替代的。結語AI的到來，從來不是人類的末日，而是對人類的一次終極篩選。最終淘汰你的，從來不是AI，不是這場瘋狂的競賽，是那個原地不動、拒絕改變、總以為還有時間的你自己。 (筆記俠)

晶片製造商輝達公司首席執行長黃仁勳表示，人工智慧（AI）就像一塊蛋糕。聊天機器人等AI應用位於最頂層；往下一層是軟體，比如支撐聊天機器人運行的大語言模型等；再往下是硬體，即訓練AI模型所需的半導體。今年春天，中國的AI公司正忙著打造這塊蛋糕的每一層。字節跳動推出了一款新的視訊生成應用。備受矚目的AI初創企業深度求索（DeepSeek）即將發佈一款功能強大的新大語言模型。而中國科技巨頭華為將推出一款新的AI晶片。儘管這些企業讓中國在美中AI競賽中保持競爭力，但它們並未推動中國取得領先地位。不過在黃仁勳所描繪的AI蛋糕中，還有位於最底下的一層，那就是能源。半導體需要消耗大量能源才能完成支撐AI模型的數兆次計算，而中國電網提供的廉價電力遠超西方。這種差異被稱為“電子差距”。中國能否利用這一優勢來取得AI領導地位？中國電網優勢顯著美國公司似乎對這一前景感到擔憂。開放人工智慧研究中心（OpenAI）首席執行長薩姆·奧爾特曼預測，AI的成本“最終將與能源成本趨於一致”。去年10月，該公司曾警告稱，中國的電力優勢可能“危及我們（在AI領域的）領導地位”。次月，黃仁勳基於同樣的理由預測，中國“將在AI競賽中勝出”。今年1月，另一家美國人工智慧公司xAI公司的老闆埃隆·馬斯克表示，鑑於中國的電網優勢，“根據當前趨勢，中國在AI算力方面將遠超世界其他地區”。AI企業對能源供應的擔憂正日益加劇。為了支援更智能的模型，它們正在建造規模更大、能耗更多的資料中心。其中一些資料中心的規模已達到吉瓦（GW）等級——相當於一座核電站的發電能力。據美國智庫蘭德公司的研究人員稱，到2027年，全球範圍內AI資料中心對電力的需求可能激增至68吉瓦，到2030年則可能達到327吉瓦。美國日益老化的電網已經難以跟上需求的增長。大量資料中心正排隊等待接入電網。企業還面臨當地居民的反對，因為資料中心可能會推高居民使用者的電價。一些公司正在建設自己的離網發電機。還有企業提出諸如在太空而非在美國境內建設資料中心等想法。一家半導體公司表示：“許多AI項目如今面臨的制約因素不是晶片供應，而是有沒有可靠充足的電力供應。”中國則無需為此擔憂。它擁有全球規模最大的電網，並且得益於國家的大力投資，其電網仍在以驚人的速度擴張。僅去年一年，它就新增裝機容量500多吉瓦，總發電裝機容量達到3800吉瓦，是美國的兩倍多。未來五年，中國新增裝機容量預計將是其競爭對手的六倍。風電和太陽能發電項目的蓬勃發展正推動著這一增長。全球一半的核電站建設項目也落戶中國。根據官方資料，中國資料中心的電力成本約為每千瓦時3美分，僅為許多美國資料中心電力成本的一半左右。而且由於政府單獨制定居民電價，耗電量大的基礎設施項目幾乎不會引發民眾反對。算力建設迎來突破不過，儘管人們對中美之間的“電子差距”感到擔憂，但中國尚未將這一優勢利用起來。中國的算力基礎設施遠未達到其電力供應所能支撐的水平。但有跡象表明，中國很快將開始利用其電力優勢。今年的政府工作報告中首次提及“超大規模智算叢集”，並承諾今年將啟動“算電協同等新基建工程”。與此同時，中國正加大力度投資建設超大規模算力設施。據瑞銀分析師廖啟華預計，到2029年，中國將新增25吉瓦的AI資料中心——相比之下，過去兩年僅新增5吉瓦。廖啟華指出，要想以這種速度進行擴張，關鍵在於中國能否在國內製造更多高端晶片。其多年來為此付出的努力正在結出碩果。中國自主研發的AI晶片雖然性能仍不及美國產品，但通過大量堆疊，可以縮小兩者之間的性能差距。雖然這會消耗更多能源，但在電力成本低廉的情況下，這一點並不那麼重要。官員們正鼓勵西部各省建設資料中心，這些地區擁有豐富的風能、太陽能和水力資源（且平均氣溫較低）。到2028年，中國希望將所有這些資料中心連接起來，成為統一的資源池，以實現在全國範圍內提供廉價算力資源這一目標。廈門大學中國能源政策研究院的林伯強認為，到本世紀20年代末，這些舉措應該能使中國憑藉電力優勢完全彌補其在晶片領域的短板。他說：“我們所要做的就是繼續建設。”就目前而言，中國主要專注於部署AI應用：努力將AI工具推廣到更廣泛的經濟領域，以提升生產效率。充足的能源以及較廉價的AI模型應該會有所幫助，因為企業將更有可能實際使用這些模型。對於像奧爾特曼這樣的美國科技大佬來說，中美“電子差距”在涉及通用人工智慧（AGI）這一概念時更令人擔憂。AGI消耗的電力可能遠超今天最先進的AI模型。那麼，中國會是最終開發出AGI的國家嗎？今年3月，中國為2026年至2030年發佈了新的五年規劃，其中提到探索AGI的發展路徑。 (參考消息智庫)