AI 能力在加速，這是共識。但真正的問題是什麼？2026 年 2 月 20 日，OpenAI CEO Sam Altman 在新德里的一場訪談裡，給出了他的答案：四道題。能力到那了？算力夠不夠？工作怎麼變？社會跟得上嗎？他沒給標準答案，但把每道題的難點說清楚了。比如 First Proof 為什麼能做對 7 道研究題，Codex 在印度為什麼增長最快，算力瓶頸到底卡在那，工作到底是被替代還是被重寫。拋開字斟句酌的公關話術，這是一次難得的坦率交底。我們整理了訪談的核心內容：AI 能力到那了?算力天花板在那?工作會怎麼變?治理為什麼最難?第一道題｜能力到那了：已經跨入“研究級”門檻關於 AI 的真實能力邊界，Altman 強調，過去這一年，模型絕不只是“變聰明了一點”，而是任務難度完全不同了。過去一年，模型從高中數學跨到了研究級數學；從能解釋程式碼，到能生成可運行的應用；從回答物理概念，到推導物理學的新結果。1、從做題到做研究Altman舉了兩個例子： 在 First Proof 實驗（11位頂尖數學家發起的AI測試）中，模型面對10 個研究級數學問題，成功解出了7個。這7道題都有完整推導過程，靠的是邏輯推演。在理論物理學領域，AI也開始推導新的物理學結果，觸及人類知識的前沿。2、工程師的工作重心在變程式設計領域的變化更直觀。很多開發者現在給Codex一個功能描述，它就能生成初版應用：介面、互動、邏輯都有。印度成了全球使用者增長最快的市場。Altman說，大量年輕開發者跳過了傳統程式設計師必經的底層訓練，直接上手就能做出作品。這在開發者群體快速增長的國家特別明顯。3、AGI 已經很接近主持人問到 AGI還有多遠。 Altman的回答很直接:已經很接近了。他給出了一個很有意思的視角：如果時間倒退回六年前，告訴大家有一個系統能做前沿研究、能寫複雜程序、能勝任各種高難度的知識工作，當時的大多數人一定會驚呼“這就是 AGI”。只不過現在，我們身在其中，逐漸對強大的工具習以為常了。按照目前的速度，到 2028 年底，全球 AI 系統同時處理的工作量，可能會超過全人類的總和。從數學、物理、程式設計這些最難突破的領域看，今天 AI 能完成的，已經包括過去只有高技能人才才能處理的知識工作。看懂了今天 AI 這種驚人的能力躍升，我們才能真正明白，為什麼 Altman 接下來會如此急迫地談論“算力瓶頸”。第二道題｜算力夠不夠：遠遠不夠主持人問：未來三到五年，AI 最大的限制是什麼？Altman 毫不猶豫地說：算力。 能不能讓足夠多的人，用上足夠強的 AI？這是當下最現實的問題。1、強模型有，但 GPU 不夠用Altman 透露，團隊在實驗室裡看到的模型能力，比公開版本要強得多。之所以沒有全量發佈，是因為算力成本太高。我們有頂級的模型，卻沒有足夠的 GPU 來支撐它全天候為所有人服務。為瞭解決這個問題，OpenAI 在多條線上同時推進：繼續加深與輝達的合作；支援新興晶片公司做推理端的最佳化；同時推進 OpenAI 自己的自研晶片計畫。外界將此解讀為“多線平行”，但 Altman 給的理由極其簡單：要把更強的 AI 推向更廣泛的人群，算力必須大幅擴張。所有能擴產能的路，都必須走。2、真正的天花板：不是水，而是電針對外界流傳甚廣的“每次呼叫 AI 要消耗 17 加侖水”的說法，Altman 明確予以否認。他表示水的使用量被嚴重誇大了，真正需要關注的是能源。他給出了一個對比：訓練一個高智商的人類同樣極其耗能。你需要投入 20 年的時間，以及這 20 年裡他吃掉的所有食物；甚至，還需要算上過去數千代人在進化中學會躲避掠食者、發展出科學，你才有了今天的智慧。相比之下，當模型訓練完成後，AI 回答一個問題的能源效率，其實已經趕上了人類。但真正的挑戰在於“規模”。 下一代資料中心的耗電量將是驚人的。模型越來越龐大，使用者急劇增加，每次呼叫都需要海量晶片協同工作。未來的算力命脈，將極度依賴核能、風能、太陽能，甚至需要為 AI 專門建造超級能源站。3、未來的需求到底有多大？Altman 反問了一個問題：“你個人希望有多少個 GPU 隨時待命為你工作？”答案從來沒有低於過 1 個。甚至有人開口就要 1000 個。試想一下，如果全球 80 億人每人都需要 1000 個專屬 GPU，那就是 80 兆個。這個規模，短期內根本做不到。這意味著，算力需求的上限遠超我們當下的想像。當 AI 徹底融入每個人的工作流，呼叫量將是現在的數十百倍，算力會像今天的水和電一樣，成為最底層的社會基礎設施。這也是為什麼 Altman 感嘆：“擴充算力，可能是人類歷史上最複雜的合作工程。”靠傳統的人力去搞基建，絕對完不成這個任務。好消息是，未來的 AI 和機器人會反過來幫我們建造這些設施。4、基建搞到太空裡？現在還太早。當被問及是否有建造“太空資料中心”的極端可能性時，Altman 明確表示：在目前的情況下，這個想法非常荒謬。發射成本、GPU 的太空維修、能源的穩定供應…… 這些問題一個都還沒解決，近十年內，軌道資料中心都不可能大規模落地。如果說第一道題是在講 AI “能做什麼”，那麼第二道題的核心就是：“你能不能用得上”。 在這場競賽裡，率先掌握穩定且龐大算力的組織，就能拿走下一輪效率革命的入場券。第三道題｜工作怎麼變：性質在變，不會消失在對話中，主持人問到最敏感的問題：AI 會讓多少人失去工作？Altman 說，過去一年他看到的變化是：工作沒有消失，但做事方式完全不同了。1、知識型崗位受衝擊最明顯過去一年，程式設計師群體感受最明顯。Altman拿自己舉了個例子：“我本人就是學軟體工程出身的，但我當年學程式設計的那套方法，現在已經徹底過時了。手工編寫C++程式碼的時代，已經結束了。”軟體工程師還需要，但工作內容變了。以前寫程式碼是從零開始搭結構、寫邏輯、偵錯；現在，大段的初版程式碼都由AI一鍵生成，人做的是結構調整、細節修正、風險檢查、體驗提升。這個變化不只發生在程式設計領域。影視創作也一樣：字節跳動 2 月發佈的Seedance 2.0，能從幾句文字描述直接生成電影級視訊片段，導演賈樟柯用它創作了短片《賈樟柯的舞蹈》。大多數知識工作都類似：AI 生成初稿，人負責方向、質量和判斷。2、新機會在那裡？每次技術革命都會洗牌，但最終總會湧現更多的新崗位，只不過這次的浪潮來得更快、更猛。Altman 總結了三個正在發生的趨勢：“超級個體”崛起： 過去開發一個產品需要設計、前端、後端、營運齊上陣；現在，一個人配上一套 AI 工具鏈，就能打造一家完整的“一人公司（OPC）”。創作門檻大幅降低： 不僅僅是程式設計，視訊剪輯、產品設計、文案寫作，過去需要長年專業訓練的技能，現在幾天就能上手。企業內部分工在變： 純做財務的人可以利用 AI 搭建流程自動化系統；不懂程式碼的營運也能直接生成實用的內部工具。用 Altman 的一句話概括就是：“AI 讓很多專業技能變簡單了：以前要專門學，現在會用工具就夠。”3、什麼能力變得更重要？與 AI 深度協作的能力： 會提出好問題（Prompt），會審查生成結果，會組合各種 AI 工具。你要把 AI 當作一個需要磨合的長期合夥人。極致的適應力： 技術迭代在瘋狂加速，過去十年的跨度現在一年就能跑完。能不能在劇變中迅速找到自己的新生態位，是生死攸關的能力。對“人”的深刻理解： AI 再強大，也不知道“什麼樣的設計能直擊人心”、“什麼樣的功能最懂人性的軟肋”。這是人類獨有的嗅覺。此外，Altman 強調了“情感連接”的不可替代性。比如圖像生成 AI 剛出來時，很多人哀嘆插畫師完了。對於批次生產的商業設計（比如生日賀卡）確實如此；但在純藝術領域，AI 生成的畫作價格很低，而人類藝術家創作的作品價格依然在漲。因為人們在乎的是作品背後的那個人。同樣，他提到最近去醫院的經歷，他在意的是護士的細心照料與情感安撫。如果換成一個冷冰冰的機器人，再聰明、再精準，他也會感到排斥。有些工作的核心價值，建立在人與人的連接之上。4、教育方式也在調整既然工作性質變了，教育體系就必須隨之徹底重構。Altman 說，AI 不會讓孩子變懶，關鍵是教學方式能不能跟上工具變化。他回憶起自己上學時，Google剛剛問世。中學老師覺得：如果能直接在Google上查，為什麼還要背歷史日期？他的回答是：死記硬背本來就是浪費時間。幾年後，老師們逐漸接受了，教育系統也在演進。新工具帶來的過程都是這樣：能力提升，要求也提升，我們開始教人們更深入地思考、創造更多。如果學生一直被要求“背內容”、“做重複練習”，自然會被 AI 替代。但如果強調思考方式、項目能力、如何用工具解決問題，AI 反而會讓學習更高效。教育的重點，也將會從“會不會”轉向“怎麼用”。未來的每個人競爭力在於誰能更快把 AI 融入日常工作，讓自己從重複勞動中解放出來，把時間用在更高價值的部分。第四道題｜社會跟得上嗎：這是最難的前三道題講了能力、算力、工作。最難的題是：社會跟得上嗎？模型訓練速度在加快，能力在跳躍，可能一年就跨越多代。但社會結構的變化，職業體系、企業流程、法律框架、公共認知，不可能同步跟進。Altman 說：能力提升容易，學會怎麼用才難。1、治理的核心：給社會留出適應時間面對外界對 AI 失控的恐慌，Altman 坦言，他最擔心的是大眾對“治理”的誤解。很多人把監管等同於“阻擋技術前進”，卻忽略了監管的真正目的：是幫助社會打好地基，去安全地擁抱這種前所未有的新能力。他給出了破局的三個關鍵點：逐步開放新功能。新功能上線，使用者學習，行業適應，風險暴露，再調整。這就是“迭代部署”的意義：給社會留出適應時間，不是一次性放開。讓更多人用得起最強工具。如果只有少數人用得起，創新、教育、創業都會受限。普惠既降低風險，也擴大機會。真正的風險來自不會用。模型不懂人類價值，但人懂。問題出在不知道怎麼正確使用，不具備判斷能力，用老辦法應對新工具。2、治理靠分散智慧，各國在探索現在，各個國家正在嘗試不同的監管方法。Altman 認為這是好事：接下來幾年，我們會看到很多不同的嘗試，觀察那些有效、那些無效。世界會傾向於更有效的方法。他尤其強調，當 AI 滲透到千行百業，單靠任何一家科技巨頭，都不可能搞懂所有領域的細節風險。Altman 說：“好的辦法是讓各行各業的人都來討論，而不是只靠科技公司制定規則。”各行各業參與能減少風險，但不能消除不確定性。面對這樣強大的技術，Altman 說，最重要的是保持謙遜。我們最好的猜測也可能是錯的，AI 的發展已經帶來了很多意外，未來還會有更多。結語｜說透了什麼這場新德里的訪談，Altman 講了四道題：能力到那了：已經能做研究級工作算力夠不夠：遠遠不夠工作怎麼變：性質在變，不會消失社會跟得上嗎：這是最難的他沒給答案，但把每道題的核心矛盾說清楚了。能力在跨越，算力在追趕，工作在重塑，社會在適應。誰能更快把 AI 融入日常工作，誰就能在這輪變化中佔據主動。 (AI深度研究員)

當GPT系列和Gemini在AI大模型打得有來有回時，Google和OpenAI也在生命科學開展了新一輪競逐。OpenAI和Google都將生命科學視為AI技術落地的重要領域，但兩者的戰略有顯著差異。OpenAI更偏向於通過建構通用的、超強的基礎模型能力，並通過廣泛的合作，賦能生命科學研究和醫療保健。Google則以底層科學突破為切口，將其AI能力深度嵌入到生命科學研發的每一個具體環節，並且推出了一系列生命科學模型。一個是老牌網際網路大廠，在醫療健康賽道佈局多年，底蘊深厚；一個是AI新貴，對生命科學重金投入，虎視眈眈。但毫無疑問，兩家AI巨頭都在豪賭一個未來：AI將從根本上重塑生命科學的研發範式，這其中蘊藏著兆等級的商業價值。01 Google：聚焦底層科學突破，實現生態閉環作為頂級網際網路大廠，Google已經數次對生命科學發起了衝鋒。然而，Google的探索也並非一帆風順。此前通過Calico、Verily等子公司進入醫療健康領域，但沒有做出什麼成果，甚至組建過Google Health試圖整合但最終失敗，公司無奈關停。但如今Google有個重要的殺手鐧：建構基礎模型能力。尤其，Google旗下DeepMind發佈的AlphaFold2破解了生物學的基本難題——蛋白質結構預測，已經榮獲2024年諾貝爾化學獎。以此為里程碑，Google的戰略聚焦於將AI能力用於底層科學突破，近兩年來，Google在生命科學已發佈了多個模型。模型帶來的底層技術能力的突破，正在讓Google實現其更大的醫療野心，根據AlphaFold2成果已經轉化出Isomorphic Labs，並獲得了高達6億美元的融資。Isomorphic Labs正在用AI建立一個通用的藥物設計引擎，不僅能用於單一靶點或單一藥物類型，更能反覆應用於任何不同的疾病領域。此外，Google還以雲業務為切口，成為醫療健康行業的數位化底座和AI創新平台。Google雲通過提供一系列專門為行業需求打造的解決方案，將DeepMind等部門的基礎科研突破，轉化為藥企、醫院和研究人員即開即用的生產力工具。當前，Google雲已經整合了多個藥物研髮套件，以及前沿基礎模型，系統地賦能醫療健康產業的AI以及數位化轉型。另一邊，Google還有不容忽視的投資部門——GV（Google Ventures）。生命科學與健康是GV核心的投資賽道之一。當前，GV已經過投資上百家生物技術公司，GV幫助Google在藥物發現、疾病治療、醫療資料等多個關鍵環節建立了廣泛的生態佈局。在AI生命科學領域，GV已經投下了OpenEvidence（AI+醫生搜尋引擎）、insitro（AI藥物研發）、Isomorphic Labs（AI藥物研發）、晶泰科技（AI賦能科學平台）等公司。如今，Google在生命科學領域的戰略重心日益清晰：即Google DeepMind以及其他研究團隊主攻基礎科研，產生顛覆性成果；通過Google雲整合模型以及行業解決方案，建構以自身技術為核心的行業生態，打造行業基礎設施；通過GV廣泛投資生命科學企業，為Google建構龐大的創新網路，並通過戰略協同推動行業變革。02 OpenAI：連結多方，持續重資產投入早在ChatGPT剛出世之時，OpenAI的模型就被各大初創公司和平台進行微調，提供各類醫療服務。但如今，OpenAI不再僅僅滿足於做一個工具提供者，而是立志成為利用AI推動下一次生物技術革命的核心參與者。它不只研發，還通過投資、合作等方式，將AI技術滲透到藥物研發、生物安全、再生醫學等多個細分領域，建構一個廣泛的技術應用生態。而言，OpenAI在生命科學的佈局，正在經歷越來越“重資產”投入的過程：第一階段：作為技術服務商，為行業提供基礎模型服務第二階段：廣泛進行業內合作，投資了多家AI+醫療保健前沿公司第三階段：開始直接招募高管、組建團隊，開發自有醫療和科研產品如今，OpenAI近年來在生命科學領域積極佈局，與多家機建構立了重要合作關係，涵蓋包含藥企、患者管理、臨床輔助、監管等多方重要企業，深入連結了產業鏈的上下游。從上圖多筆合作可以建安初，OpenAI更偏向提供企業級AI工具，使得生命科學公司的效率大幅度提升，從而降低開發成本，提升患者體驗。在大模型方面，OpenAI不僅提供通用模型，還會為特定的生命科學問題開發定製化的AI工具。OpenAI聯合Retro Biosciences打造了生物學大模型GPT-4b micr，並成功設計出了山中因子的蛋白質變體，使得重程式設計效率提升50倍。此外，OpenAI還發佈開源醫療基準測試平台 HealthBench，旨在評估醫療AI應用的安全性與精準性，搶佔行業標準制定的話語權。投融資方面，OpenAI及其CEO山姆·奧爾特曼（Sam Altman）在生命科學領域的投融資活動相當活躍，主要聚焦於AI製藥和長壽科學等前沿方向，投下了包括Retro Biosciences、1910 Genetics、Chai Discovery、Valthos等公司。未來，OpenAI更是提供了一個宏大的暢想：目標是到2028年開發出真正的自動化AI研究員，實現重大科學發現。如今公司內部成立"OpenAI for Science"部門，組建頂尖學者團隊，其戰略核心是打造下一代科學發現平台，加速科學研究。甚至，OpenAI基金會在起步階段承諾投入250億美元，用於醫療健康以及“人工智慧韌性”。寫到最後簡單來說，Google和OpenAI都在生命科學進行了全方位的、系統性的押注。兩家公司都希望通過建構AI基礎平台，在這個傳統且低效的生命科學領域，找到巨大的商業機會。Google以其深厚的科研積澱和生態系統，建構了一個從底層科學突破到行業基礎設施的完整閉環。而OpenAI則以通用大模型為基石，通過廣泛的合作與深入的價值鏈滲透，展現出更強的靈活性和擴張野心。而在AI for Science的技術趨勢下，Google與OpenAI的這場豪賭，或許將是整個人類的未來。 (智藥局)

一、AI引擎：從“技術儲備”到“商業奇點”的躍遷長期以來，人工智慧被視為阿里巴巴的核心技術基石。但最近的進展，讓其AI能力從幕後的“技術儲備”走向了前台的“商業奇點”。這一轉變的核心，正是其自主研發的“通義（Tongyi）”大模型家族。通義千問（Qwen）：作為核心大模型，它被深度整合到阿里雲、釘釘、淘寶等核心業務中。在淘寶，它能最佳化搜尋結果，為消費者提供更智能的購物推薦；在釘釘，它能成為高效的智能助理，提升企業協同效率。通義萬相（Vision）：這是一款強大的圖像生成模型。它能將文字描述轉化為高品質圖像，為電商平台的商家提供創意設計工具，大幅降低內容製作成本，從而提升內容行銷的效率和吸引力。通義聽悟（Hearing-Insight）：該模型能將視訊、音訊內容快速轉化為文字，並進行智能摘要和分析。它為企業提供了高效的會議記錄和內容整理工具，在提高生產力的同時，也為阿里雲的To B服務增加了新的價值點。這些大模型的應用，不僅僅是技術的炫技，而是阿里AI戰略的具象化落地。它們正在滲透到阿里巴巴龐大商業帝國的每一個角落，從底層的雲基礎設施，到最前端的消費者體驗，都在悄然發生變革。二、市場信心：當AI敘事取代“監管魔咒”在此次股價上漲之前，阿里巴巴的市值長期徘徊在低位，主要受到宏觀經濟放緩和監管政策不確定性的影響。而AI進展帶來的股價飆升，標誌著市場對阿里巴巴的估值邏輯，正在從過去的“監管折扣”轉向未來的“技術溢價”。新的增長引擎： 華爾街分析師普遍認為，AI大模型將成為阿里巴巴除電商和雲端運算之外的第三個戰略增長極。它不僅能提升現有業務的營運效率，更將催生全新的商業模式和收入來源。成本效率的革命： 在全球科技公司普遍追求“降本增效”的大背景下，AI大模型能顯著降低營運成本。例如，在客戶服務、內容稽核和物流規劃等環節，AI的介入將大幅減少人力投入，從而提升公司的盈利能力。投資者心態的轉變： 過去兩年，投資者對中國科技巨頭的信心普遍不足。而阿里巴巴在AI領域的突破性進展，向市場傳遞了強烈的訊號：這家公司仍在積極創新，其技術基因並未因外部環境而削弱。這種積極的敘事，是重塑投資者信心的關鍵。三、巔峰對決：阿里巴巴的AI“護城河”能有多深？在中國AI大模型的賽道上，阿里巴巴並非一枝獨秀。這是一場由科技巨頭們主導的“巔峰對決”，競爭異常激烈。百度： 作為先行者，百度憑藉其“文心一言”（Ernie Bot），已在中文自然語言處理領域積累了深厚的技術優勢。其在搜尋和內容生態上的佈局，使其在To C端擁有天然的流量入口。華為：華為憑藉其強大的硬體實力和雲端運算基礎設施，打造了“盤古（Pangu）”大模型。它更專注於面向B端客戶，在工業、醫療、礦業等垂直領域形成了強大的解決方案能力。騰訊： 騰訊的“混元（Hunyuan）”大模型則更多地聚焦於內部業務應用。其龐大的社交和遊戲生態，為大模型的訓練和應用提供了海量資料。相比之下，阿里巴巴的優勢在於其龐大且多元化的商業生態。從電商到雲端運算，從物流到金融，其每一個業務場景都是AI落地的絕佳試驗田。這種“場景驅動”的模式，使阿里巴巴的大模型能更快地迭代和最佳化，並最終形成難以複製的“護城河”。四、帝國新版圖：AI如何重塑阿里巴巴的未來？阿里巴巴的AI戰略，遠不止於提升效率或增加營收，它更是一場對商業模式的深刻重塑。從“貨”到“服務”： 阿里正在利用AI將自己從一個單純的“賣貨平台”，轉變為一個“提供智能化服務”的綜合體。商家可以通過AI工具更精準地觸達使用者，而消費者則能獲得更個性化的購物體驗。雲端運算的二次騰飛： AI大模型對算力的巨大需求，將直接驅動阿里雲的業績增長。阿里雲不僅將成為AI大模型的訓練基地，更將成為向全球企業提供AI算力服務的“公共基礎設施”。全球化的新機遇： 在AI技術的加持下，阿里巴巴能更高效地拓展海外市場。AI翻譯、智能行銷等工具，能幫助其在不同國家和地區實現更精準的本地化營運。此次股價飆升，是市場對阿里巴巴AI戰略的肯定，也揭示了AI技術對重塑大型商業帝國潛力的巨大想像空間。它表明，在經歷外部環境的重重考驗後，阿里巴巴正在用其最核心的技術基因，尋找新的增長引擎。未來，這場由AI驅動的轉型，將不僅決定阿里巴巴自身的命運，更將深刻影響中國乃至全球的科技與商業格局。 (視界的剖析)