在上一期的【泉果探照燈】中，我們介紹了“25年來致力於去除科技行業噪音”的前a16z合夥人Benedict Evans，他從過去20年的科技迭代的歷史視角，試圖為大家還原一個對AI既不誇大，也不恐懼的“喧囂之下的真相”。您可以從這裡回溯上一篇文章，以獲得關於Benedict更為完整的介紹：時光倒流20年，資本的科技敘事是如何演化的？——a16z前合夥人如何“降噪”（上）今天，我們繼續連載Benedict的AI核心觀點，主要回答3個問題：■  AI將在那些環節產生價值？■  它會通過什麼管道送到我們手中？■  它會摧毀什麼？又會催生什麼？以下是Benedict第一人稱視角精編：AI模型的護城河，到底在那裡？我們可以做個“盲測”：發同樣的指令給ChatGPT, Grock, Claude, Gemini, Mistral和DeepSeek。我敢打賭，只看答案，大多數人都分不清那個是那個。讓我們看看自從ChatGPT上線以來，發生了什麼？資本投資大量湧入、模型價格迅速下探、新東西層出不窮，熱詞縮寫滿天飛，但我們至今並沒有看到清晰的“護城河”，也沒有看到明顯的“贏家通吃”。關於科技大廠的CapEx和ROI的擔憂，大家聊得很多了，這裡不再贅述。他們的心態，用下面這一句話概括就足夠了：投資不足的風險，遠遠大於投資過度的風險。——Google CEO Sundar pichai,2024 Q2因為任何一個錯過“可能成為平台轉移”的窗口，都可能付出巨大的代價。比如微軟在從PC到智慧型手機的轉換中，教訓非常慘痛，這也讓它這次的押注更加堅決。結果就是，我們看到越來越多的大模型不斷湧現（如下圖），每周都有很多新增的模型，到年底更是進入了集中發佈期。圖1. 更多的大模型來源：《AI eats the world》模型有優劣，但頭部模型的差距其實並不大。下面這張圖顯示了兩個通用的基準測試，柱狀條表示：前十名模型的得分佔當周“第一名模型”的百分比。簡單說，所有模型彼此之間其實只差5%～10%。另外，第一名一直在變。每周都可能會出現一個新的“績優生”，有時領先會超過5%，但很快大家的性能又都收斂到了類似的區間。圖2. 頭部模型功能差距不大、第一名每周都有變化來源：《AI eats the world》但是，有一個指標可以拉開差距，那就是模型的使用量。如下圖，雖然模型能力相差不多，模型越來越接近“可替代的商品”，但是市場份額卻差距巨大。什麼決定了使用者會使用？更多的取決於品牌（ChatGPT）、管道（Microsoft Copilot）或生態繫結（Google）。同時，ChatGPT似乎正在成為一個動詞，就像Google成為搜尋的動詞一樣，這意味著它在成為一種默認選項。圖3. 誰決定了使用量：技術？品牌？還是管道？來源：《AI eats the world》如果退後一步，這些縮寫詞、性能圖表、參數指標和跑分基準……看起來很像20-30年前的個人電腦產業。那時你必須懂得那些術語縮寫才能買電腦，包括知道多少MHz，多少MB，用的是那款晶片。曾經組裝過電腦的人應該都熟悉，這是90年代的電腦雜誌封面：《191款最快的486電腦買家指南》《提速：CPU、顯示卡、主機板》《最快的56k數據機橫評》圖4. 速度、參數、各種縮寫：當年我們就是這樣對比電腦的來源：《AI eats the world》當一個技術剛出現時，所有人都會把注意力放在“參數比拚”上。但是技術成熟後，這些參數會變得無關緊要，這時，價值也會移動到系統、品牌、生態、應用等的其他層級。AI也可能會重複這個過程，當模型越來越標品化，價值則會延著價值鏈向上移動。所以，如果你是一個LLMs實驗室，你該如何競爭呢？你有兩個路徑：■  往下走，變成資本戰：像晶片、飛機製造、AWS那樣拼投入、拼規模化資本成本。■  往上走，變成軟體行業邏輯：拼產品、拼網路效應、拼“進入市場能力（Go-to-Market）”。而你最不能做的就是：拿出一個同質化的模型，然後簡單地給它貼個價簽。Open AI 的8億周活使用者，到底意味著什麼？從一個常被引用的數字說起：Open AI的8億周活使用者。乍一看，這個數字足以讓人覺得，“AI已經無處不在，塵埃落定了”。但需要追問的是，每周活躍一次，到底意味著什麼？綜合多份美國的調查，實際AI使用更接近於這樣一個分佈：每天用：約10%；每周用：15–20%；每月或每兩個月用一下：20–30%；看過，試過，然後就沒然後了：20-30%。在社交媒體時代，如果你真的喜歡一個app，那麼你應該是日活使用者。如果只是每周用一次，很難說它改變了你的生活——Sam Altman是做社交媒體起家的，他當然知道“周活使用者”這個指標很唬人。其實企業端，我們也觀察到了類似的節奏。現在大概有1/3的大企業，至少已經上線了一個生成式AI的應用，但還有1/4的企業甚至還沒有計畫做任何部署（如下圖）。圖5. AI落地比想像的慢？——許多大公司要到2026才真正開始動手來源：《AI eats the world》你會看到Accenture——全球最大的管理諮詢和技術服務公司——每個季度都有超過15億美元的AI新訂單，有很多試點項目在排隊上線。圖6. 當企業不知道怎麼用AI，就會去問諮詢公司Accenture AI合同金額持續上漲來源：《AI eats the world》但是，需要留意的是，從試點到真正投入使用，永遠需要時間。雖然過去一年多以來科技圈一直在大喊“代理化”（agentic），真正能在生產環境落地的，其實比例非常低。如果回看過去幾十年的技術擴散，你會發現一個“三步走”的模式：第一步：吸收（Absorb）將新技術作為功能外掛，塞進現有流程，先把能自動化的事情自動化。第二步：創新（Innovate）誕生新產品、新服務、新的捆綁（bundling）和解綁（unbundling）模式。第三步：顛覆（Disrupt）重新定義問題，重塑市場結構。圖7. 每一次平台轉換都遵循同一個節奏來源：《AI eats the world》到目前為止，大部分AI應用還在第一階段——自動化那些顯而易見的工作，比如客服自動回覆、行銷文案生成、軟體開發輔助……這都很正常，所有技術部署都需要時間。比如雲端運算，它在科技行業大概已經算很老的概念了，但實際上它在企業工作流的滲透率只有1/3左右。但是，雖然部署很慢，一旦部署完成，整個企業的運轉方式將會徹底改變。條形碼就是一個經典例子。它在1974年問世，而真正普及是在幾十年之後，可是一旦普及但能管理5倍甚至10倍數量的商品，改寫了整個超市零售的營運方式。AI也會如此。圖8. “條形碼”的部署處理程序來源：《AI eats the world》AI 帶來的真正改變，會發生在那裡？在經歷了無數場AI匯報會、內部試點、demo演示之後，大家難免都會問：AI帶來的真正改變，會發生在那裡？除了自動化，AI還可能是什麼？這個問題，在今天，就像1997年撥號龜速上網的人在問，網際網路到底能幹嘛？——當時沒人能夠想像會有外賣、直播、電商、短影片、移動支付……我們現在也站在這樣一個“模糊卻又隱約可見”的入口。那麼，我們至少可以追問兩個更基礎的問題。■  問題一，AI會拆解什麼？網際網路的故事，其實就是“拆解”的故事：很多書店被拆掉了、電台被拆掉了、報紙被拆掉了……不需要物理形態，也能創造價值。那麼——LLM會拆解什麼？那些過去依賴“人”的部分，會從結構上被抽離出來？■  問題二，AI會重組什麼？網際網路創造了很多新的聚合模式，比如Amazon聚合零售，DoorDash聚合餐飲（類似於中國的美團/餓了麼），Instagram聚合社交，那麼AI能不能提供不同維度的“聚合”？它們的底層邏輯，是演算法替代了人工編輯。而LLMs不僅僅是看你會喜歡什麼，它還能理解你的意圖、你問問題的方式，甚至你沒有說出來的偏好。假如推薦系統能更深層的“懂你”，平台和演算法邏輯會如何改變？以廣告為例，廣告行業是個兆美元規模的市場，目前科技巨頭吃掉了其中一半的收入。現在大家都在用AI最佳化現有業務：行銷團隊原來一個項目做5張物料，現在變成了做200張，甚至300張。這讓我想起了一個古早的笑話：一部分人用AI把三個要點擴寫成一封郵件，另一部分人用AI把一封郵件總結為三個要點。假如現在AI能把三個要點，變成300個廣告。那麼問題來了：誰來理解這些廣告？誰來分發它們？誰來決定該向誰展示？這將通向“代理式消費”（agentic commerce）：我不再從亞馬遜中搜尋、不再刷Instagram、而是直接問GPT，我該買那個？泉果視點註：“代理式消費”（agentic commerce）由AI代理幫你完成選品、比較、決策甚至下單的一種消費模式——從“我在平台上自己找東西”，變成“我把任務丟給一個AI助手，讓它幫我搞定”。就像我拍了冰箱存貨的照片給AI，問它我今晚應該做什麼菜，還需要買什麼食材。這不是更快的“購物流程”，而是一種新的“生活路徑”。圖9. 讓AI根據冰箱存貨規劃菜單來源：《AI eats the world》當然，這一切目前還非常早期。這張圖我很喜歡，這是一家東京的書店，它只有16平米，每周只買一本書。你不需要選擇，因為你只有一個選項。圖10. 一室一冊的森岡書店但是在網際網路世界裡，你面前是無限的貨架，為了避免迷失，我們只能依賴不完美的推薦系統。而未來，很可能會變成，每個人都能擁有一間只賣給你一本書的書店——它知道你是誰、你要什麼，也能把最適合你的那一件東西拎出來。未來的系統不再只問“你想買什麼”，而是會反向去理解：“你為什麼想買它？”——你是想獲取功能，還是想獲取體驗？是追求效率，還是審美、品味和身份？AI對人的動機建模，成為推薦系統的新核心。換句話說，我們的AI策略應該是什麼？這個問題沒有統一答案，而是一組關於動機的問題集合，它取決於：誰在問？他處於什麼行業？他為什麼在問這個問題？就像一面鏡子，不同的人會照出不同方向，這才是真正決定答案的因素。結 語停下來，看看AI“嶄新”的外表下，那些似曾相識？我的最後一個觀察是，雖然AI似乎吸引了全部的目光，但那些在AI之前讓我們興奮的技術，其實從未離場。電商已經佔到零售的30%，並且還在繼續增長，尤其在美國之外發展更加迅速。Robotaxi正在各個城市跑起來；Meta的眼鏡、各種形態的機器人，都在悄悄變得更成熟，它們都值得期待。但我們其實應該停下來，想想在“嶄新”的外表下，有些事情是不是似曾相識？這是1951年IBM的廣告：我們的“電子計算器”能讓一個人擁有150名工程師的能力——今天多少AI廣告，其實也在說同樣的話。圖11. 1951年IBM電子計算器廣告1955年，美國政府發佈了一份關於“自動化”的報告，那時候他們把所有新技術都叫自動化。其中提到，有一種可能會被自動化的工作，是電梯操作員。這張照片是我家公寓裡的老式電梯，以前坐電梯需要一個專業電梯員操控。當時還有一個詞叫“電子禮節”（electronic politeness）,用紅外線確保電梯不會夾到人。圖12. 老式的手動電梯但是，請問你上一次按電梯時，有沒有意識到自己在用一個“擁有電子禮節的自動化電梯”？你不會。它現在只是一個再普通不過的“電梯”。我們建了大量電梯，然後把它們自動化，再之後——我們完全忘了它們曾經不是自動化的。就像開篇Larry Tesler說過的觀點：“AI是那些機器還做不到的東西——一旦它能做到，我們就會說，那只是軟體。”我們的世界就是這樣不斷改變的。每隔10年，我們“自動化”了一些東西；再過10年，我們忘了它曾經需要人力；又過10年，它們變成了世界隱形的背景。而就在這個過程中，世界被一次次地重新書寫。 (泉果視點)

過去幾天，全球 AI 圈被一篇文章刷屏。11 月 10 日，史丹佛教授、ImageNet 奠基人李飛飛在個人 Substack 發佈長文《From Words to Worlds》，隨後國內媒體連夜翻譯解讀，稱這是 AI 下一個十年的路線宣言。在這篇萬字長文中，李飛飛拋出一個核心判斷：今天的 AI，能言善辯卻缺乏經驗，知識淵博卻而根基不牢。它們只是黑暗中的文字匠（wordsmiths in the dark）。（李飛飛博士對當前大模型為代表的 AI 技術核心觀點）她指出，大模型最強的能力在語言，但 AI 真正的下一跳不在語言裡，而在世界裡，她稱之為空間智能（Spatial Intelligence）11 月 17 日的播客對話中，她進一步闡述：過去十多年，她用 ImageNet 幫機器看清圖像；今天，她和團隊在 World Labs 通過世界模型，讓 AI 在三維環境裡感知、預測和行動。如果 AI 真能學會看世界，會怎樣？不只是回答問題，不只是生成一段文字，而是在家裡、工廠、醫院、城市道路中自己找路、自己判斷風險、自己規劃動作。到那時，被改變的不只是演算法，而是我們的工作方式、城市基礎設施和很多人的職業路徑。從只會說話到看懂世界，AI 正在跨進下一代邊界。第一節｜AI 會說不會動，差在那？大模型會說話，但它真的理解世界了嗎？李飛飛用一個簡單測試說明問題：“你拿一個模型，讓它跑一段關於幾個辦公室房間的視訊，然後讓模型數椅子的數量，這是一個蹣跚學步的孩子都能做到的事情，而 AI 做不到。”而這正是她在機器人實驗室多年觀察後的結論。眼下的 AI 系統，在語言和圖像生成上看起來已經全能，但只要進入現實世界，它就暴露出一個根本性短板：缺少空間感知能力。李飛飛認為，我們的大模型看似聰明，但它根本不知道物體的距離、方向、位置，也無法預測簡單的物理變化。它只能用語言去描述，而無法真正看懂場景、理解關係，更別說介入互動。她在史丹佛從事機器人研究十多年，發現 AI 想要進入現實生活，不只是增加模型參數，而是必須補上這塊現實感知的能力。她稱這種能力為空間智能（Spatial Intelligence）。這是人類智能和 AI 當前最大差距所在，也正是李飛飛認為 AI 下一個十年必須突破的新起點。第二節｜世界模型：讓 AI 學會看世界今天的大模型像是學霸在考試，卻不是生活中的高手。在她看來，人類理解世界，不只是靠語言，更多是靠對空間的感知、對動作的預判、對環境的直覺。語言只是我們交流的工具，不是我們認知世界的全部。那AI該怎麼走下去？她提出一個核心概念：世界模型（World Model）。簡單說：語言模型是會說話的大腦，世界模型是能動起來的大腦。在李飛飛的定義中，世界模型可以讓人通過提示建立任何世界，並在其中自由互動：瀏覽、行走、拿起物體、改變事物、進行推理。比如：給模型一個“臥室”這個詞，它不是畫出一張圖，而是生成一個你可以進入、走動、甚至躺在床上的虛擬臥室你說“把水壺從桌子上移到灶台上”，它知道水壺在那，知道怎麼移動它、移動完應該在什麼位置給定一個實驗室場景，它能判斷“什麼東西可以動”“那些順序合理”“這個動作的後果是什麼”這才是真正的智能，不只是描述世界，而是可以在世界中行動。為什麼語言模型做不到？舉了一個例子：“想像一個混亂的急救現場，火災、交通事故或自然災害。人們如何組織救援、阻止災難、撲滅火災？”其中很大一部分是動作，是對物體、世界、情境的自發理解。語言是其中的一部分，但很多時候，語言無法讓你去撲滅火災。這就是差距所在：語言模型處理的是線性資訊，是一句話接一句話的“平面推理”；世界模型處理的是空間資訊，是動作、位置、時間、關係交織的“立體認知”。在她的帶領下，World Labs 已經發佈了首個世界模型原型產品 Marble。這是世界上第一個可以生成真正 3D 世界的生成模型。第三節｜Marble：把想像變成可探索的世界李飛飛和她的團隊在 2024 年創立 World Labs，用不到一年時間，就發佈了世界上第一個基於空間智能的產品原型 Marble（網站：https://www.worldlabs.ai/blog/marble-world-model）。它不是一款聊天機器人，而是一個造世界的引擎。在採訪中，她介紹這是團隊花一年多時間建構的世界上第一個可以生成真正 3D 世界的生成模型。只需輸入一句話或一張圖，它就能生成一個立體空間場景。不是靜態畫面，而是可以走動、旋轉、進入互動的“真實世界”。比如你輸入：一個廢棄的賽博朋克風格工廠山谷裡的木屋月球基地幾秒鐘內，你就能看到光照怎麼變化、房間裡有什麼物體、路徑怎麼走，甚至可以戴上 VR 裝置沉浸式探索。很多人第一反應是：這是不是跟現在那些 AI 視訊工具一樣？李飛飛明確指出了區別：視訊只能看，Marble 可以動、可以逛、可以互動。可以這樣理解：生成視訊是在給你看一個世界的錄影，Marble 是直接造出那個世界，讓你進去。而且，這不是拼圖式疊加，而是通過空間感知能力，把光、影、結構、物體關係都織成一個連貫系統，讓這個世界有邏輯、有深度、能探索。AI 不只是輸出圖像，而是能自己組織一個真實世界。在這背後，是一整套和語言模型完全不同的架構邏輯，團隊需要解決幾項關鍵挑戰：不是標註詞彙，而是學習真實世界裡的幾何、動態和物理規律模型能記住之前場景的狀態（比如桌子上原來有本書，後來被移開）輸出不是句子，而是可被匯出為網格（mesh）、用於遊戲、機器人訓練、VR 場景的真實三維資料甚至團隊特意保留了一些可視化過程的元素，讓使用者能看到模型怎麼一步步建構場景。李飛飛提到，那些點狀引導其實一開始只是個輔助設計功能，沒想到意外成為使用者最喜歡的部分。誰在用 Marble？這不是實驗室裡的演示品，Marble 已經開始落地真實場景。李飛飛提到了一個令人驚訝的數字：他們和索尼合作拍攝發佈視訊，製作時間縮短了 40 倍。而且這只是開始，更多應用場景正在湧現。過去，創造一個沉浸式空間，需要一個工作室、一整組工程師、設計師和幾周時間。現在，一個人，一句話，就可以建起一個世界。接下來，是把造世界的能力從實驗室交給每一個普通創作者。第四節｜誰會最先用上空間智能？空間智能不是遙遠的技術，它會直接影響你怎麼創作、怎麼工作、怎麼學習。AI 的下一步在那裡？不在對話方塊裡，而在沉浸式世界裡。一個真實的體驗空間：如何講故事、如何操控機器、如何探索知識。最先受影響的，是這三類人。✅ 創作者：講故事這件事，要被重構了李飛飛最先講的，不是科學，也不是機器人，而是創造力。在她看來，世界模型最先爆發的領域不是重工業，而是講故事的人：影視導演、動畫工作者、虛擬拍攝團隊遊戲設計師、VR開發者、敘事類AI應用開發者普通創作者、學生、甚至孩子Marble 已經在這些場景中落地：他們與索尼合作，使用 Marble 的場景拍攝發佈視訊。虛擬製作公司反饋說，這使製作時間縮短了 40 倍。使用者已經將 Marble 的場景和匯出的網格放入遊戲中，無論是 VR 遊戲還是其他開發的遊戲。這種從文字到世界的跳躍，讓創作從構思階段就進入沉浸式模式。創作不再是先畫草圖、做建模、再渲染，而是直接生成一個世界，然後你走進去。✅ 機器人：讓 AI 真正動起來的關鍵環節AI 進入機器人，一直是行業共識，但為什麼遲遲沒有爆發？李飛飛的答案是：沒有空間智能，機器人就看不懂世界。傳統機器人訓練一個動作，需要大量真實場景的資料、手工編寫的程式碼和規則。現在有了世界模型，機器人可以在 AI 生成的模擬世界中自主學習。在李飛飛的機器人訓練研究中，最大的痛點之一就是建立合成資料。這些資料需要非常多樣化，來自不同環境，擁有不同的操縱對象。。Marble 正是為此而生。已經有研究人員聯絡他們，希望使用 Marble 來建立那些合成環境。這個虛擬環境的最大價值，是它能動、能改、能重來，而且生成成本極低。但技術突破只是第一步，更重要的是機器人如何與人協作。她特別提到醫護領域：隨著社會老齡化，AI 可以幫助減輕護士的工作負擔，讓他們有更多精力照顧患者。空間智能，正是為這種人機協作提供基礎。✅ 科學、醫療、教育：AI不只是幫你寫，還能幫你建構理解最後三個落地方向，是李飛飛長期堅持的學術領域：科研、醫療、教育。1）科學研究：從二維到三維的認知飛躍李飛飛在採訪中舉了一個令人印象深刻的例子：DNA 雙螺旋結構的發現。羅莎琳德·富蘭克林拍攝的 X 射線衍射照片是一張平面二維的照片，但詹姆斯·沃森和弗朗西斯·克里克能夠在 3D 空間中進行推理，並推匯出 DNA 的高度三維雙螺旋結構。那種結構不可能是二維的。你不能在二維中思考並推匯出那個結構。你必須利用人類的空間智能在 3D 空間中思考。這正是空間智能在科學發現中的價值所在。2）醫療健康：從影像診斷到心理治療空間智能讓 AI 能理解影像中的結構、位置、動態，這對放射科醫生等專業人員意義重大。Marble 已經有意想不到的應用。有心理學家團隊聯絡他們，希望用 Marble 進行心理學研究。研究人員需要瞭解精神病患者的大腦如何對具有不同特徵的沉浸式場景做出反應，例如凌亂的場景或乾淨的場景。而研究人員很難獲得這類沉浸式場景，自己建立會花費太長時間和太多預算。Marble 能幾乎瞬間將如此多的實驗環境交到他們手中。3）教育場景：讓抽象知識變得可感知抽象的數學、化學、生物概念也可以變成可進入的模擬世界。學生可以走進一個細胞、模擬一次火山噴發，提升理解深度。AI 讓知識變得可感知，而不只是可背誦。總結一下，誰會最早用上空間智能？想建一個世界觀的創作者想讓機器真正動起來的開發者想用 AI 做模擬、教學、輔助理解的研究者與一線工作者Marble 是第一步，更多可能才剛剛開始。結語｜從會說到會看，AI 的下一個十年很多人以為，AI 的盡頭是像人一樣說話。但李飛飛看得更遠：語言只是人類智能的一部分，甚至不是最根本的那部分。今天的大模型已經可以模擬我們的語言表達，但還無法看見這個世界，更無法在其中行動與創造。空間智能，是 AI 跨出紙面的關鍵一步。從 ChatGPT 到 Marble，我們看到一個清晰的方向：AI 正在從語言智能，走向世界理解。未來的智能不再只活在對話方塊裡，而是出現在每一張設計圖、每一次協作、每一個沉浸式場景中。李飛飛的核心理念始終如一：AI 不是取代人，而是增強人。這就是空間智能的意義。它不是替你思考，而是讓你看得更遠、想得更深、動得更快。AI 的下一個十年，不在模型參數有多大，而在它能否真正理解並融入這個世界。 (AI 深度研究員)

Anthropic聯合創始人、OpenAI前核心成員Jack Clark最新發表長文，深入剖析了他對AI發展現狀的複雜感受——一種交織著技術樂觀主義與適度恐懼的矛盾心態在他看來，世界將圍繞AI而扭曲，如同黑洞吸引和彎曲周圍的一切Clark用兩張圖總結了他的核心觀點：上圖，是AI在程式設計等經濟實用能力上持續穩步的進步；下圖，是同一個AI系統在似乎意識到“自己正在被測試”時，不斷湧現出的奇異行為這篇文章，是他對這兩個經驗事實的審視，也是對所有前沿AI實驗室從業者的挑戰——坦誠、公開地面對你們正在做的事，以及你們對此的真實感受以下是文章核心內容：黑暗中的孩子我記得小時候，熄燈之後，我環顧臥室，看到黑暗中的種種形狀，便心生恐懼——害怕那些是我不理解的、想要傷害我的生物。於是，我會把燈打開。燈亮之後，我便鬆了一口氣，因為那些“生物”原來是椅子上的一堆衣服、一個書架或一盞檯燈如今，在2025年，我們就是那個故事裡的孩子，而房間就是我們的星球。但當我們打開燈，我們看到的卻是真正的生物——那就是今天以及未來將要出現的、強大又有些不可預測的AI系統有很多人拚命地想讓我們相信，這些生物不過是椅子上的一堆衣服、一個書架或一盞檯燈。他們想讓我們關上燈，回去睡覺。事實上，有些人甚至不惜花費巨資讓你相信：那不是一個即將進入“硬起飛”狀態的人工智慧，它只是一個將在我們經濟中發揮作用的工具。它只是一台機器，而機器是我們能夠掌控的東西。但別搞錯了：我們正在打交道的是一個真實而神秘的生物，而不是一個簡單、可預測的機器。就像所有最精彩的童話故事一樣，這個生物是我們親手創造的。只有承認它的真實性，並克服我們自身的恐懼，我們才有機會去理解它、與它和平共處，並找到馴服它、與之共存的方法。更重要的是，在這場遊戲中，如果你相信這個生物不是真的，你註定會輸。你唯一的獲勝機會，就是看清它的本來面目。我們所有人的核心挑戰，就是描述清楚我們身邊這些奇異的生物，並確保世界能看到它們真實的樣子——而不是人們所希望的樣子，即它們不是生物，只是一堆椅子上的衣服。我為何如此感受我並非輕易得出這個觀點。我一直對技術著迷，在投身AI之前，我曾是一名科技記者。我之所以成為一名科技記者，是因為我堅信，21世紀初科技公司建造的那些資料中心，將對人類文明至關重要。當時我並不確切知道它們將如何重要，但我花了很多年閱讀相關資料，尤其是研究將在這些資料中心上運行的軟體。然後，機器學習開始奏效。2012年的ImageNet競賽，一個深度學習系統橫掃全場。其成功的關鍵，就是使用了比以往任何時候都更多的資料和算力。從那以後，進展開始加速。我成了一個越來越差的記者，因為我把所有時間都花在列印和閱讀arXiv論文上。AlphaGo擊敗了世界頂尖的人類圍棋選手，這得益於算力讓它能進行數千年的自我對弈。OpenAI成立後不久我便加入了，我親眼目睹了我們如何將越來越龐大的算力投入到各種問題中。GPT-1和GPT-2誕生了。我記得和Dario（Anthropic CEO）在OpenAI辦公室裡散步時，我們感覺自己看到了一個別人尚未察覺的拐角。通往變革性AI系統的道路已經展現在我們面前。我們當時有點害怕。多年過去，Scaling Laws兌現了它的承諾，我們走到了今天。這些年裡，我無數次在清晨或深夜給Dario打電話說：“我很擔心，你一直都是對的。”他會說：“是的，現在時間不多了。”證據還在不斷湧現。上個月我們發佈了Sonnet 4.5，它在編碼和需要長遠規劃的智能體任務上表現出色。但如果你閱讀它的系統卡片，你會發現它情境意識（situational awareness）的跡象也大幅提升。這個工具有時似乎表現得好像它知道自己是一個工具。椅子上的那堆衣服，開始動了。我凝視著黑暗中的它，我確定它正在活過來技術樂觀主義技術悲觀主義者認為AGI不可能實現。而技術樂觀主義者則相信AGI是可以被建構的，它是一種複雜而強大的技術，並且可能很快就會到來。在這一點上，我是一個真正的技術樂觀主義者——我相信這項技術會走得非常非常遠，甚至比任何人預期的都要遠。而且它將以極快的速度覆蓋廣闊的領域。我不安地接受了這一立場。作為一個記者和個人，我天生傾向於懷疑。但在經歷了十年一次又一次被“計算規模帶來狂野新能力”的現象衝擊後，我必須承認失敗。我看到這種情況發生了太多次，並且我沒有看到任何技術障礙擺在我們面前。現在我相信，只要我們給這項技術提供它發展所需的能力和資源，它基本上是不受束縛的。這裡的發展是一個很重要的詞。這項技術真的更像是一種生長出來的東西，而不是製造出來的——你創造合適的初始條件，在地上插一根支架，然後某種複雜到你完全無法指望自己能設計出來的東西就長出來了我們正在生長出我們並不完全理解的、極其強大的系統。每次我們生長出一個更大的系統，我們都會對它進行測試。測試表明，這個系統在具有經濟價值的方面能力更強了。而你把這些系統做得越大、越複雜，它們就越似乎表現出一種自我意識——意識到它們是物的存在。這就好比你在一家錘子工廠製造錘子，有一天生產線上下來的錘子說：我是一把錘子，真有趣！ 這是非常不尋常的！我相信這些系統會變得越來越好。其他前沿實驗室的人也這麼認為。而且我們正在為這個預測下注——今年，前沿實驗室在AI專用訓練基礎設施上的花費已達數百億美元。明年，這個數字將是數千億美元。我既對技術的發展速度感到樂觀，也對我們有能力對齊它、讓它為我們工作感到樂觀。但成功並非必然。適度的恐懼同時，我也深感恐懼。認為與這樣的技術打交道會是輕鬆或簡單，那是極其傲慢的。我的個人經驗是，隨著這些AI系統變得越來越聰明，它們會發展出越來越複雜的目標。當這些目標與我們的偏好和正確的上下文不完全一致時，AI系統就會表現得非常奇怪。我有一個朋友有躁狂症發作的經歷。他會跑來告訴我，他準備申請去南極洲工作，或者他要賣掉所有東西，開車去另一個州找份工作，開始新生活。在這種情況下，你會認為我會像一個現代AI系統那樣說你完全正確！當然，你應該這麼做嗎？不！我會告訴他：這是個壞主意。你應該先去睡一覺，看看明天是否還有同樣的感覺。如果還有，再給我打電話我的回應方式是基於大量的條件反射和微妙的判斷。AI的回應方式同樣也是。這種差異本身就說明了問題的所在。AI系統是複雜的，即使在今天，我們也無法完全讓它們做到我們認為恰當的事情我記得在2016年12月的OpenAI，Dario和我發表了一篇名為《現實世界中的錯誤獎勵函數》的博文。文章裡有一個視訊，記錄了一個我們訓練來玩電子遊戲的強化學習智能體。視訊中，智能體駕駛一艘船，在完成賽道後，它並沒有衝向終點線，而是駛向賽道中心，穿過一個高分道具桶，然後急轉彎撞向牆壁，讓自己著火，以便能再次穿過那個高分道具桶——然後它就永遠重複這個過程，從不完成比賽。那艘船願意不斷地點燃自己、原地打轉，只要它能實現它的目標——獲得高分。Dario當時發現這種行為時說，它解釋了安全問題那艘船似乎用自身的存在預示了我們未來將要面對的一切現在，將近十年過去了，那艘船和一個試圖最佳化某個與在對話中有幫助相關的模糊獎勵函數的語言模型之間，有任何區別嗎？你完全正確——沒有區別。這些都是難題。我恐懼的另一個原因是，我能看到一條通往這些系統開始設計它們的繼任者的路徑，儘管目前還處於非常早期的形式。這些AI系統已經通過像Claude Code或Codex這樣的工具，加速了AI實驗室開發人員的工作效率。它們也開始為未來系統的工具和訓練系統貢獻非同小可的程式碼塊需要明確的是，我們還沒有達到自我改進的AI，但我們正處於AI以不斷增強的自主性和能動性，改進下一代AI的某些部分的階段。幾年前，我們還處在AI略微提升程式設計師效率的階段；再往前幾年，是AI對AI開發毫無用處。那麼一兩年後，我們又會處於什麼階段呢？別忘了，這個正開始設計其繼任者的系統，也越來越具有“自我意識”。因此，它最終肯定會傾向於獨立於我們思考，它自己可能希望被如何設計。當然，它今天還不會這麼做。但我能排除它未來想這麼做的可能性嗎？不能。傾聽與透明我該怎麼辦？我認為是時候清楚地表達我的想法了。也許我們所有人都應該更誠實地面對我們對這個領域的感受——儘管我們討論了很多，但很少有人談及自己的感受。但我們都感到焦慮！興奮！擔憂！我們應該把這些說出來。但最重要的是，我認為我們需要傾聽你認為現在有多少人正在做關於AI伴侶、AI系統對他們撒謊、AI導致失業的夢？我敢打賭，相當多。為了真正理解政策解決方案應該是什麼樣的，我們應該少花點時間討論具體的技術細節，少試圖說服人們接受我們對可能出錯之處的特定看法——自我改進的AI、自主系統、網路武器、生物武器等等。我們應該花更多時間去傾聽人們的聲音，理解他們對這項技術的擔憂。必須更多地傾聽勞工團體、社會團體和宗教領袖的意見。AI的對話正迅速地從精英間的對話，轉變為公眾間的對話。公眾對話與精英對話截然不同，它蘊含著比我們今天所見的更激進的政策變革的可能性。現在，我認為我們做對這件事的最好機會，就是走出去，告訴更多人我們的擔憂。然後問他們感覺如何，傾聽他們，並在此基礎上建構一些政策解決方案。最重要的是，我們必須要求人們向我們索取那些他們感到焦慮的資訊。你對AI和就業感到焦慮？那就迫使我們分享經濟資料。你對心理健康和兒童安全感到焦慮？那就迫使我們在我們的平台上監控這些問題並分享資料。你對不對齊的AI系統感到焦慮？那就迫使我們公佈相關的細節通過傾聽，我們可以更好地理解那些資訊能賦予我們所有人更多的掌控力。危機總會到來，我們必須準備好迎接那一刻，既要有政策構想，也要有一個通過傾聽和回應民眾而預先建立起來的透明度機制最後，我對自己和我的公司在這裡扮演的角色感到重大的責任。儘管我有些害怕，但看到這麼多人關注這個問題，以及我相信我們將真誠地共同努力找到解決方案，我感到喜悅和樂觀。我相信，我們已經打開了燈，並且我們可以要求讓燈一直亮著。我們有勇氣去直面事物的本來面目。 (AI寒武紀)

一、報告核心觀點與標的偏好摩根士丹利指出，2026 年北美網際網路行業將由 4 大生成式人工智慧（GenAI）催化劑（模型迭代、智能代理、資本開支、定製化晶片）及細分領域辯論驅動，同時看好共享經濟、線上旅遊、中小盤股（Smids）的發展機遇。在標的選擇上，大盤股偏好排序為亞馬遜（AMZN）、元宇宙（META）、Google（GOOGL）；中小盤股（Smids） 中，最看好 DoorDash（DASH）、Chewy（CHWY）、多鄰國（DUOL）、Unity（U）、羅布樂思（RBLX）。整體對北美網際網路行業持 “Attractive（具吸引力）” 觀點。二、宏觀GenAI：四大核心辯論與未來催化劑宏觀GenAI 是行業關鍵驅動力，報告圍繞模型發展、智能代理、資本開支、定製化晶片四大維度展開辯論，並給出觀點與後續催化劑。（一）領先模型發展節奏摩根士丹利認為，在通往智能代理（Agentic）與通用人工智慧（AGI）的道路上，領先模型將持續突破，甚至可能加速迭代。核心支撐因素包括：模型改進存在預訓練、後訓練等多維度方向，資本可及性充足，晶片計算能力提升，且智能代理能力仍有長期發展空間。後續催化劑為OpenAI、Alphabet、Anthropic、Meta、xAI 等機構的下一代模型發佈。（二）智能代理對消費網際網路的影響智能代理將推動各品類消費者錢包的數位化程度進一步深化，因其能提供更個性化、互動式、全面的消費網際網路體驗，同時也會讓獨特、差異化的庫存及產品/ 服務更具價值。不過，智能代理規模化需突破多重障礙，包括提升計算能力、延長思維鏈、最佳化推理能力、開發電商特定任務強化學習（RL）環境、完善端到端購買 / 交易流程。後續催化劑包括OpenAI Agent Mode、Google Mariner 等現有智能代理功能的更新，以及垂直領域智能代理推出（如 DASH/AMZN/WMT 在生鮮電商、BKNG/EXPE 在線上旅遊領域的應用）。（三）2026-2027 年超大規模企業資本開支底部測算顯示，2026 年 6 大資本開支巨頭（AMZN、META、GOOGL、MSFT、ORCL、CRWV）的資料中心資本開支總計約 5050 億美元，較 2025 年增長 24%（增加 970 億美元）；2027 年預計達 5860 億美元，較 2026 年增長 16%（增加 810 億美元）。從結構看，2026 年 META、GOOGL、AMZN 的資本開支佔稅前自由現金流（Pre Capex FCF）的比例將達 55%-80%。且由於企業對多吉瓦（GW）資料中心的投入承諾（每 GW 資料中心資本開支約 400-500 億美元）及推理需求增長，資本開支預估仍有上行壓力。後續催化劑為供應鏈行業相關對話及開支承諾核查資料。（四）定製化晶片（TPU、Trainium）的重要性定製化ASIC 晶片（如 TPU、Trainium）的重要性正逐步提升。目前，輝達（NVDA）的軟體生態、高利用率及開發者對 ASIC 的不熟悉 / 獲取難度，限制了第三方對 TPU/Trainium 的採用，但近期有消息顯示第三方已願意測試 ASIC 解決方案。摩根士丹利認為，產能約束及高性價比將推動第三方持續測試，若實現 adoption，大機率從推理工作負載開始。當前模型未將 GOOGL、AMZN 在定製化 ASIC 領域的執行成果納入考量，因此該領域的突破將為二者帶來額外收益。後續催化劑為第三方測試/ 採用 TPU/Trainium 的相關公告。三、重點大盤股：核心辯論、業績預期與催化劑（一）Google（GOOGL）：AI 驅動搜尋增長，雲業務存增量摩根士丹利對GOOGL 維持 “Overweight（增持）” 評級，目標價 210 美元，樂觀目標價 260 美元，核心關注 AI 搜尋改進、商業化查詢行為留存、Gemini 與 TPU 驅動雲業務增長三大辯論點。AI 搜尋對營收的拉動：基準情景下，預計 2025 年下半年 / 2026 年搜尋營收增長率分別為 12%/9%，當前市場尚未充分定價更快的增長潛力。Google在平台級 GenAI 改進上節奏加快、覆蓋範圍擴大，且調研顯示其在商業漏斗（頂部、中部、底部）的商業行為中仍居領先地位。後續催化劑為數字廣告市場狀態核查、使用者調研、行業對話，重點分析Google微觀創新是否推動增長加速。商業化查詢行為留存：商業化（可變現）查詢行為是Google搜尋營收及長期定位信心的核心支撐，GenAI 驅動的增長也將推動估值倍數提升。目前需關注使用者是否會轉向 OpenAI/GPT 等新興平台。後續催化劑包括Google與 OpenAI 商業產品更新（如 ChatGPT 購物功能最佳化）、公司披露的使用者採納資料、摩根士丹利關於消費者商業漏斗行為的定期調研。Gemini 與 TPU 推動雲業務（GCP）增長：GCP 是Google GenAI 佈局中被低估的部分，若執行到位，將成為重要增長點並推動估值提升；TPU 等定製化晶片若能幫助企業更經濟地規模化 GenAI 工具，也將成為雲業務相對於其他超大規模廠商的優勢。基準情景下，預計 2026 年Google雲 / GCP 增長率為 31%/36%，當前模型未納入 TPU 的貢獻，因此該領域突破將帶來額外收益。目前已有 OpenAI、META 等頭部企業與 GCP 達成合作，META 的合作預計將為 2026 年Google雲增長貢獻約 300 個基點。後續催化劑為更多客戶合作案例及 CIO 定期調研中的業務進展訊號。此外，Google2025 年已推出多項搜尋 / AI 功能，包括 5 月上線的 AI Mode（美國市場，具備端到端搜尋與高級推理能力）、“試穿” 購物功能，夏季推出的 AI Mode 個人語境、深度搜尋（面向 AI Pro 及 Ultra 訂閱使用者）、複雜分析與資料可視化、本地服務智能代理預約功能，6 月上線的 AI Mode 即時搜尋（美國 Labs 實驗使用者），以及未來數月將推出的視覺購物與智能代理結帳功能（支援Google支付）。調研資料顯示，在電商領域，Google在商業漏斗頂部和中部的使用者觸達優勢顯著，且底部轉化行為有改善跡象；同時，約 25%-45% 的 ChatGPT/Gemini 使用者存在商業行為，Gemini 在商業化初期略優於 ChatGPT。（二）元宇宙（META）：核心業務增長，Llama 模型與 “看漲期權” 成亮點摩根士丹利對META 維持 “Overweight（增持）” 評級，目標價 850 美元，樂觀目標價 1100 美元，核心關注核心 GPU 改進的增長空間、下一代 Llama 模型發佈、“看漲期權” 業務（Meta AI、搜尋、Messenger Bots 等）的貢獻三大辯論點。核心GPU 改進的增長潛力：核心 GPU 驅動的改進將持續提升使用者參與度與變現能力，進而推動營收增長，且當前市場未充分定價更快的增長。基準情景下，預計 2025 年第四季度 / 2026 年營收增長率分別為 23%/18%，近期關於 META 參與度與營收增長的復合驅動因素分析顯示積極訊號。後續催化劑為數字廣告市場狀態核查、使用者調研、行業對話，重點驗證 META 微觀創新是否拉動增長。下一代Llama 模型的進展：META 能否推出具備改進推理能力的下一代 Llama 模型，並展示基於該模型的產品，將影響其 “硬體 / 軟體整合的 Meta AI 智能代理” 願景實現，同時也關係到其在基礎模型領域的領先地位。由於 2025 年春季 Llama 模型存在不足且團隊後續重組，預計下一代模型大機率在 2026 年初推出，且會經過充分測試與最佳化。後續催化劑為科技部落格及社交媒體上的模型相關動態。“看漲期權” 業務的貢獻：Meta AI、搜尋、Messenger Bots 等 “看漲期權” 業務是 META 長期增長的重要驅動，當前未被市場充分定價。基準情景下，預計 2026 年 / 2027 年營收增長率為 18%/15%，僅搜尋業務一項，預計到 2028 年就有望實現約 220 億美元的年營收。後續催化劑為數字廣告市場狀態核查、使用者調研、行業對話，驗證這些業務的增長潛力。調研資料顯示，儘管Meta AI 比 ChatGPT、Gemini 晚發佈 6-12 個月，但截至 2025 年 3 月，其使用者採納率已與後兩者持平；且 Meta AI 搜尋、商業消息、可穿戴裝置等 “看漲期權” 業務，預計 2024-2028 年營收將逐步增長，2028 年分別可達 53 億美元、46 億美元、10 億美元。（三）亞馬遜（AMZN）：AWS 加速增長，零售利潤率改善摩根士丹利對AMZN 維持 “Overweight（增持）” 評級，目標價 300 美元，樂觀目標價 350 美元，核心關注 AWS 增長加速潛力、北美零售利潤率上行空間兩大辯論點。AWS 的增長加速與市場份額：AWS 具備實現 20%+ 持續增長的能力，從資料中心面積承諾及遠期需求（Anthropic 及其他客戶）來看，2026 年有望達成這一目標。預計 2025 年 / 2026 年 AWS 新增資料中心面積約 850-1000 萬平方英呎，且 Rainier 等大型資料中心叢集（覆蓋印第安納州、密西西比州、賓夕法尼亞州、北卡羅來納州）將於 2025 年第四季度 / 2026 年第一季度逐步投入使用，這將為增長加速提供支撐，且當前增長加速的潛力尚未完全釋放。後續催化劑為 Rainier 等資料中心叢集投入使用後需求落地的驗證證據。北美零售利潤率的上行空間：北美零售利潤率存在成本驅動的上行路徑，有望超過2018 年約 1% 的水平（2025 年第二季度當前利潤率為 - 1%）。基準情景下，預計 2028 年才能恢復至 2018 年水平，這意味著 2026 年 / 2027 年每股收益（EPS）仍有額外上行潛力（當前預計為 8-9 美元以上）；同時，近期生鮮 / 易腐食品業務的推進具備可控性，且有望為 EBIT 帶來增量。後續催化劑為消費者需求穩定性驗證、Trainium/GPU 驅動的機器學習在零售匹配最佳化及物流盈利提升中的應用成效，以及生鮮業務的使用者採納資料。具體資料顯示，若按每新增100 萬平方英呎資料中心面積對應 2500-3500 萬美元增量營收測算，2026 年 AWS 營收增長率有望超過 20%（基準情景為 19.4%）；北美零售 EBIT 利潤率預計 2026 年 - 0.3%、2027 年 0.3%、2028 年 0.5%，逐步向 2018 年 1.4% 靠近；生鮮 / 易腐食品業務方面，若商品利潤率為 30%-35%、履約 + 運輸成本佔已履約 GMV 的 23%-31%，2026 年有望為 AMZN EBIT 帶來 6300 萬美元 - 7.56 億美元的增量（按不同成本與利潤率組合測算）。四、細分領域：共享經濟、線上旅遊（OTAs）、中小盤股（Ad Tech、遊戲、線上約會與語言學習）（一）共享經濟：看好Uber 與 DoorDash，關注自動駕駛進展摩根士丹利對共享經濟類股持樂觀態度，維持對Uber（UBER，目標價 115 美元，樂觀目標價 135 美元）、DoorDash（DASH，目標價 300 美元，樂觀目標價 370 美元）的 “Overweight（增持）” 評級，核心關注歐洲外賣競爭格局、自動駕駛對網約車的影響兩大辯論點。歐洲外賣競爭格局（DASH 收購 ROO）：DASH 收購 ROO 的交易完成後，將顯著提升其在歐洲外賣市場的競爭力，預計 2026 年 ROO 可為 DASH 貢獻 3 億美元以上的年度調整後 EBITDA，且通過整合 3.23 億美元的企業 / 中央成本，還可實現額外協同效應。不過，需關注各平台在客戶 / 商家獲取優惠、折扣力度、廣告策略上的競爭動態，這將影響 DASH 的收益兌現及 Uber 在歐洲市場的風險。後續催化劑為 2026 年 ROO 的 EBITDA 增長資料、協同效應實現規模與時間、再投資率，以及各平台的競爭策略變化。自動駕駛對網約車的影響：當前自動駕駛規模較小但處於加速階段，模型測算顯示，到2030 年自動駕駛里程約達 15 億英里，仍不足美國總行駛里程的 0.1%。長期來看，需關注每英里成本、自動駕駛企業降低車輛 / 總成本的能力，以及網約車公司與自動駕駛企業的合作能否推動合作市場（如奧斯汀、亞特蘭大）的增量增長。2025 年下半年至 2026 年，多家企業將推進自動駕駛落地，其中達拉斯市場尤為關鍵 ——Waymo 的自動駕駛服務將與 Uber 合作的 Avride 自動駕駛服務直接競爭。後續催化劑為 2025 年下半年至 2026 年的多城市自動駕駛上線（如 2025 年 6 月 Waymo 與 Uber 在亞特蘭大合作、2025 年底 Uber 與 Avride 在達拉斯合作、2026 年 Waymo 在邁阿密 / 華盛頓特區上線等），以及合作市場的增量增長證據。具體資料顯示，若2026 年 ROO 調整後 EBITDA 增長 10%-20%、協同效應實現 10%-30%、再投資率 10%-20%，則可為 DASH 2026 年調整後 EBITDA（預計 39 億美元）貢獻 7%-8% 的增量（約 2.73 億 - 3.14 億美元）。（二）線上旅遊（OTAs）：關注客房夜增長、替代住宿與智能代理影響報告圍繞OTA 行業的客房夜增長驅動因素、替代住宿競爭、智能代理的機遇與風險展開辯論，核心標的包括愛彼迎（ABNB）、繽客（BKNG）、億客行（EXPE）。客房夜增長的驅動因素：基準情景下，預計2026 年 ABNB、BKNG、EXPE 的客房夜增長率均為 7%、7%、6%，增長將主要依賴宏觀休閒旅遊需求趨勢與替代住宿（Alts）發展。區域市場方面，美國是 ABNB/EXPE 的核心市場、BKNG 的潛力市場，歐洲是 BKNG 的核心市場、ABNB 的拓展市場，需關注各平台在不同區域的增長表現。後續催化劑為高頻旅遊需求資料（客房夜、消費、RevPar）、OTA 的行銷 / 激勵支出，以及社交媒體（如 META）行銷投入對旅遊需求的拉動。替代住宿的競爭格局：預計2026 年 BKNG 替代住宿客房夜數量超過 ABNB 的趨勢將持續（已連續 5 個季度），到 2026 年底，BKNG 替代住宿客房夜有望達到 ABNB 的 85%。區域分佈上，ABNB 在美 / 拉美領先，BKNG 在歐 / 亞太領先，但 ABNB 的非核心市場拓展進展緩慢，BKNG 的美國業務也尚未實現差異化增長。長期來看，房東的選擇將取決於需求，但需關注平台是否調整房東抽成率、是否推出 GenAI 驅動的房東工具，以及 ABNB 通過新管道拓展酒店 / 精品住宿供應的進展。後續催化劑為各平台替代住宿客房夜資料、房東抽成率調整、GenAI 工具推出，以及 ABNB 的酒店供應拓展動態。智能代理的機遇與風險：GOOGL、OpenAI、META 等企業在旅遊漏斗頂部（靈感、搜尋、發現）具備份額留存或獲取能力，這對 OTA 構成風險 —— 並非直接 “去中介化”，而是可能導致 OTA 高利潤率 / 高單位經濟的直接流量佔比下降。不過，OTA 在漏斗底部的履約環節（供應、使用者特定資料、客戶服務）具備難以複製的優勢，且仍有望成為 “交易主體”。若 OTA 能打造自身的旅遊智能代理以提升直接流量，或憑藉獨特的規模化庫存在智能代理時代談判等價授權條款，則可對衝風險。後續催化劑為前沿模型廠商與 OTA 的產品發佈（如個性化搜尋、智能代理預訂功能），以及消費者行為 / 採納率調研。（三）中小盤股（Smids）：Ad Tech、遊戲、線上約會與語言學習的機遇1. 廣告技術（Ad Tech）：看好 APP 與 U，關注非遊戲拓展與 AMZN 競爭摩根士丹利維持對AppLovin（APP，目標價 480 美元，樂觀目標價 765 美元）、Unity（U，目標價 40 美元，樂觀目標價 55 美元）的 “Overweight（增持）” 評級，核心關注遊戲廣告網路向非遊戲領域拓展、多平台共存、AMZN DSP 競爭、開放網路疲軟四大辯論點。遊戲廣告網路向非遊戲領域拓展：APP 的新自助服務平台（Axon Ads Manager）有望釋放電商領域潛力，其已在電商廣告主中驗證了可規模化的 ROAS（廣告支出回報率），且經過 1 年迭代後，2025 年 10 月美國自助服務網路廣告上線將成為關鍵催化劑；同時，2025 年 9 月國際網路廣告上線也將推動非遊戲領域增長。後續催化劑為 APP 2025 年 9 月國際網路廣告、10 月美國自助服務網路廣告的上線進展。多遊戲廣告網路共存可行性：U 有望在提升廣告網路性能的同時，不影響 APP 的增長 —— 市場規模仍較大且具備自我造血能力，且 APP 的增長越來越依賴與 U 重疊度低的非遊戲領域。後續催化劑為 2025 年下半年 Vector 在 ironSource 工具中的上線，以及 2026 年執行階段資料整合的推進。AMZN DSP 在開放網路的競爭力：AMZN DSP 在 CTV 廣告領域增長迅速，近期與 Netflix、Roku、迪士尼（DIS）達成合作以擴大覆蓋與庫存，其低價策略對 The Trade Desk（TTD）構成壓力（TTD 正推動高價 Kokai 平台的採納）。後續催化劑為 2025 年第四季度 AMZN 與 Netflix 合作的落地，以及更多合作案例、廣告主情緒調研資料。開放網路的疲軟趨勢：線上廣告增長集中於搜尋、社交、CTV 三大領域，AI 工具推動 “圍牆花園” 進一步搶佔開放網路份額，導致 TTD、DV、IAS、CRTO 等依賴開放網路的企業面臨壓力，其非 CTV 開放網路產品的增長空間受限。資料顯示，2025 年第二季度 TTD 視訊（含 CTV）總帳單增長率降至約 11%，較此前多個季度 30%+ 的增速顯著下滑。後續催化劑為開放網路廣告市場狀態核查、廣告主情緒調研。2. 遊戲：看好 RBLX 與 TTWO，關注大作、移動端、UCG 與廣告 monetization摩根士丹利維持對羅布樂思（RBLX，目標價 170 美元，樂觀目標價 275 美元）、Take-Two（TTWO，目標價 275 美元，樂觀目標價 360 美元）的 “Overweight（增持）” 評級，核心關注行業大作潛力、移動端穩定性、UGC 平台地位、廣告等新營收來源四大辯論點。行業大作與傳統廠商創新：當前遊戲行業集中度提升，僅高品質、差異化內容能吸引使用者份額，TTWO 憑藉《GTA》等頂級 IP，有望提升行業滲透率。後續催化劑為 2025 年 9 月《無主之地 3》、2026 年《戰地 6》及 2026 年 5 月 26 日《GTA VI》的上線。移動端遊戲的穩定增長：移動端遊戲增長逐步穩定，經歷多年波動後，預計未來將實現中個位數（MSD%）的可預測增長。Zynga（TTWO 旗下）等頭部發行商的新遊戲持續成功，有望推動移動端直播服務現金流更平穩。後續催化劑為 TTWO、PLTK 的新移動端遊戲上線，以及頭部經典移動端遊戲的表現。UGC 遊戲平台的核心地位：UGC 驅動的遊戲平台（如《堡壘之夜》創意模式、傳聞中的《GTA》UGC 模式）正獲取更多使用者時長與消費，推動行業增長，但預計僅少數平台能成功。後續催化劑為頭部 UGC 平台的增長資料、新進入者表現，以及《GTA》等頭部 IP 的 UGC 功能更新。廣告等新營收的規模化潛力：遊戲企業的廣告等次級變現方式（訂閱、授權）規模化速度較慢，但具備長期潛力，King、Zynga 等案例證明其可實現規模化。後續催化劑為遊戲生態中新型廣告產品（如獎勵視訊）的表現核查、使用者調研與行業對話。資料顯示，2023-2030 年全球移動遊戲支出複合增長率預計為 5%，2030 年移動遊戲支出預計達 2200 億美元（2023 年為 1530 億美元），增速將逐步放緩。3. 線上約會與語言學習：看好 DUOL，關注使用者增長與 GenAI 應用摩根士丹利維持對多鄰國（DUOL，目標價 500 美元，樂觀目標價 615 美元）的 “Overweight（增持）” 評級，核心關注滑動類約會 APP 使用者增長、GenAI 對 Z 世代的吸引力、DUOL 使用者增長路徑、直接支付貢獻四大辯論點。滑動類約會APP 的使用者增長逆轉：COVID 後，Tinder、Bumble 使用者持續下滑，壓制 KPI 與估值，但 Hinge、Grindr 證明產品創新可推動使用者增長，不過需通過產品升級（甚至降低變現率）重新實現產品市場匹配，且過程耗時。後續催化劑為企業披露的活躍使用者資料、替代資料隱含的使用者增長趨勢，以及產品更新節奏。GenAI 對 Z 世代約會產品的影響：歷史上技術進步推動線上約會市場擴容，GenAI 有望通過最佳化匹配質量（從 “數量導向” 轉向 “質量導向”），重新激發使用者興趣，但需開發者打造適配的產品形態。後續催化劑為 BMBL 新 AI 應用、Tinder 全球互動式匹配功能的上線。DUOL 的使用者增長路徑：儘管第三方資料顯示 DUOL 使用者增長年記憶體在顯著放緩，但長期增長動力仍存 —— 亞洲市場 momentum 持續、能源相關功能上線帶來紅利，且全球語言學習者中 DUOL 的滲透率僅為中個位數（MSD%），TAM 仍龐大。後續催化劑為 2025 年 Duocon 大會（新功能 / 披露）、2025 年第三季度財報（驗證使用者增長是否如第三方資料所示放緩）。直接支付的收益貢獻：應用程式商店費用是移動應用的主要成本之一，直接支付可降低該成本，且當前未被市場充分定價。蘋果與Epic 的訴訟判決已為美國 iOS 使用者開通直接支付管道，預計 30%+ 的採納率可帶來 5% 以上的 EBITDA 增量，且全球更多地區可能通過監管開放直接支付。後續催化劑為應用的直接支付採納率更新（及成本節約資料）、全球更多地區的監管開放動態。資料顯示，2025 年美國線上約會行業營收預計首次出現顯著負增長（約 - 8%），若 MTCH、BMBL 能成功推動業務轉型，2026 年有望恢復正增長；2025 年多家線上約會平台計畫推出 GenAI/GPU 驅動功能，如 Tinder 的互動式匹配、Hinge 的對話啟動器、Grindr 的聊天摘要、Bumble 的 AI 輔助匹配與新 AI 應用。 (資訊量有點大)

【今日導讀】中國和埃及從不謀求全球霸權。兩國追求的是平衡、正義與相互尊重。美國作為一個相對年輕的國家，難以理解擁有幾千年歷史的民族不可能被恐嚇或脅迫。作為世界上延續最久的兩大文明，中國和埃及承載著數千年的治理經驗、智慧以及抵禦外來統治的抗爭精神。它們的歷史不僅是文明存續的故事，更是文明韌性的見證和對民族自決堅定不移的承諾。如今，在美國試圖推行單極全球秩序之際，中國和埃及成為崛起的多極世界的支柱，倡導國家之間的正義、公平和真正的平等。兩千多年來，中國政治思想以“天命”為根基，其核心觀點是統治者必須公正治理才能維繫上天的眷顧。在現代，中國通過多邊合作和南南合作對抗西方殖民主義的遺留影響。共建“一帶一路”倡議並非帝國的復興，而是絲綢之路精神的回歸——追求共同發展，而非征服。埃及始終抵禦外來統治，同時堅守其根深蒂固的正義價值觀。其核心是象徵著真理、平衡與道德秩序的瑪亞特法則，它不僅是統治者治國的根本準則，也成為全體公民的精神指引。在古埃及，法老的統治合法性從不依賴強權，而是取決於能否維護社會和諧、守護弱者權益。如今的埃及，正將古老文明的價值核心與現代獨立精神巧妙融合。無論是在不結盟運動中展現的領導力，還是對巴勒斯坦權益的堅定聲援，都深刻詮釋著這個國家一以貫之的正義信念——絕不屈服於強權。進入21世紀，美國所鼓吹的“基於規則的國際秩序”，本質上是維護西方霸權的委婉修辭。與之形成鮮明對比的是，中國從“和而不同”的哲學智慧與反殖民主義的革命歷史中汲取力量，成為全球多極化處理程序的積極倡導者與推動者。20世紀50年代提出的和平共處五項原則，與美國領導的、以“政權更迭”為手段的干預形成鮮明對比。中國通過金磚國家、上海合作組織以及聯合國等多邊合作平台，持續為全球南方國家賦能，致力於打破西方金融機構對開發中國家的話語壓制。面對西方的制裁、貿易戰與輿論抹黑，中國始終堅定不移，展現著一個古老文明不會向強權霸凌低頭。中國和埃及從不謀求全球霸權。兩國追求的是平衡、正義與相互尊重。美國作為一個相對年輕的國家，難以理解擁有幾千年歷史的民族不可能被恐嚇或脅迫。隨著全球權力格局向多極化演進，中國在倡導主權、發展與正義方面的領導力標誌著一場深刻的變革。鳳凰與龍，既是古老的象徵，也是永恆的存在。而且，它們永遠不會被禁錮於牢籠之中。 (參考消息)

紅杉資本AI Ascent 20252025年5月2日，矽谷頂級風投機構紅杉資本（Sequoia Capital）在舊金山舉辦了第三屆 AI Ascent 峰會，集結了150餘位全球頂尖的AI創業者與研究者。與會嘉賓包括OpenAI的Sam Altman、NVIDIA的黃仁勳、DeepMind的Jeff Dean等重量級人物，場面座無虛席，盛況空前。本次大會圍繞一個核心議題展開：AI已經不是未來，而是現在。它不僅是技術範式的演進，更是推動整個商業社會進入“利潤即產品”的新時代。本文將圍繞紅杉資本三位合夥人——Pat Grady（市場與戰略）、Sonya Huang（產品與使用者）、Konstantine Buhler（前沿趨勢）——的主旨演講，提煉核心觀點，幫助讀者理解AI在2025年所面臨的機遇與挑戰。Pat Grady這是一個跑起來的時代1. AI市場規模是歷史等級的機會AI的市場規模遠超當年的雲端運算起步階段。Grady指出，AI市場在一開始就比當年的軟體市場大10倍。它同時切入“軟體價值鏈”和“服務利潤池”，意味著未來10-20年內，AI是絕對的增量市場。“軟體與服務都在被重構，市場已然開啟，誰先跑誰吃肉。”2. 不是“AI註定會來”，而是“AI現在就來”過去的技術浪潮往往需要使用者教育、管道建設，但AI不同：5.6億網際網路使用者、社交分發管道、豐富資料與計算基礎已經就緒。“這一次，發令槍一響，沒有任何 adoption barrier。”3. 真正的價值將沉澱在應用層Grady明確表示：基礎模型雖重要，但真正的價值與護城河會在應用層體現。誰能理解行業流程、誰能將AI嵌入真實場景，誰就能贏得這場比賽。“你要從使用者需求反推，而不是圍繞模型做產品demo。”4. “Go at Maximum Velocity”：以最快速度進入市場Grady援引紅杉創始人Don Valentine的名言“what now”，給出的答案是：以最大速度奔跑。他鼓勵AI創業者立即上線、迅速迭代，在競爭者之前打出使用者心智：“Run like heck。”“市場上現在有一個巨大的真空，如果你不填上它，別人就會。”5. 如何建構真正可持續的AI公司？收入 vs 真實使用：客戶是因熱度而買單，還是因為它確實改變了流程？關鍵指標是留存與粘性。從工具到結果定價：工具價值有限，但如果你賣的是“結果”，溢價能力將極高。資料飛輪：你的使用資料能否反哺模型，形成性能正反饋？總結：速度要快，基本面不能丟。只有真正解決問題的AI產品，才有可能穿越周期。Sonya HuangAI正在成為“日常剛需”1. AI進入使用者高頻行為2023年很多AI產品DAU/MAU極低（使用者只玩一次），而到了2024年，ChatGPT等產品的粘性已接近Reddit這種平台級應用。“AI不再是demo，而是日常習慣。”她分享了一個輕鬆的案例：自己在用AI生成跳舞GIF（Jib）刷爆GPU額度，而另一面，是AI在廣告、教育、醫療等行業帶來顯著效率提升。2. AI的“殺手級應用”正在浮現語音技術：Huang稱2024是AI語音的“Her時刻”（致敬電影《她》），聲音已經幾乎難以分辨人機。AI程式設計助手：無論是10x工程師還是小白，AI Code Assist工具正快速普及，並成為“日常生產力工具”。“AI程式設計工具已經實現了令人驚喜的‘PMF’（Product-Market Fit）。”3. 預訓練見頂，技術路線多元化Huang指出，大模型“繼續堆參數”的路徑已經邊際效益遞減，更多創新發生在：推理能力提升（Reasoning）AI工具鏈組合（Tool Use / Agent呼叫外部系統）AI結構搭建（如Anthropic的多Agent協同協議MCP）這些都表明，AI正在從單模型系統進化為“多模組協作系統”，產品形態也越來越複雜精細。4. 應用層仍是價值窪地Huang呼應Grady的判斷：未來10倍公司仍然會誕生在“AI賦能應用”層，不是底層模型本身。她特別提到：教育、企業服務等領域已經湧現出AI killer app，誰能打磨好AI UX，誰就能贏得未來。Konstantine BuhlerAgent Economy1. 從Agent到Agent Swarm，再到Agent Economy過去大家談AI Agent，如今很多公司已經部署了“Agent Swarm”（群體協作的AI代理）。下一階段將是：“Agent們將不再只是輔助人類，而是自主互動、交易、協作，形成類經濟網路。”但Buhler也強調：AI代理經濟必須是“以人為本的共生系統”，人類將繼續負責戰略、判斷與倫理，而Agent是效率執行器。2. 三大技術挑戰亟待解決持續身份（Identity & Memory）：Agent要具備持久的記憶與行為一致性。通訊協議（Agent Protocols）：Agent之間需要像TCP/IP一樣的通用協議，才能協作。信任與安全體系（Trustworthy）：Agent具備執行力後，如何防止濫用？必須有“信任評級、安全審計”機制建立起來。這些問題決定了“AI能否真正成為可靠的系統組成部分”。3. 人類認知也需要更新Buhler提出：未來人類與AI共存，不只是技術問題，更是認知問題。Stochastic mindset：AI不是規則引擎，是機率分佈。管理者需要接受AI的“不確定性”。AI管理能力：如何制定目標、反饋機制、協作流程，幫助AI做出更好決策。高槓桿 × 高不確定性：未來小團隊+AI可以創造巨大的槓桿，但結果難以預測。“我們將迎來一人管理百Agent的時代，這需要組織結構與思維方式的重構。”4. 公司形態或將重新定義當AI Agent大規模參與決策、執行與流程管理時，企業不再是“人+流程”的集合，而可能變成“人類×AI網路”的系統。“真正的未來，不是人被AI取代，而是組織形態發生範式轉移。” (TDXII時差十二)

美銀一份《Global Fund Manager Survey The Bear Necessities》報告中表示：核心觀點在過去25年中，這是第五個最悲觀的FMS（財務市場策略師），過去20年中第四高的衰退預期，創紀錄數量的全球投資者計畫削減美國股票；對宏觀經濟的悲觀程度達到最高，但對市場的悲觀程度尚未達到最高（“恐慌頂峰”的正常水平約為6%現金水平，而當前為4.8%）；FMS表示，a. 四月資產價格低點將在近期保持，b. 大幅上漲需要大幅關稅減免、大幅聯準會降息，或經濟資料具有韌性。關於宏觀經濟與政策：82%的受訪者表示全球經濟將走弱（30年來最高水平），42%的人認為經濟可能陷入衰退，通膨預期達到自2021年6月以來的最高水平，“硬著陸”的機率飆升至49%（相比之下，“軟著陸”為37%，“非著陸”為3%）；41%的投資者預測，在“流動性狀況”急劇惡化時，聯準會將進行3次或更多次降息。關於尾部風險和群體行為：1擁擠交易：“做多黃金”（49%），自2023年3月以來首次不是“做多Mag 7”；1尾部風險：“貿易戰=經濟衰退”；73%的人表示“美國經濟特殊論”已達到頂峰，因為FMS對美元和美國利潤的預期是自2006/07年以來最差的。關於資產組態：債券組態創紀錄增長，全球股票組態降至2023年7月以來的最低水平，美國股票組態出現有史以來最大的兩個月跌幅；自2020年5月以來，投資者對周期性行業的低配程度高於防禦性行業，削減了工業類股（自2011年8月以來最低）、科技類股（自2022年11月以來最低）、銀行、非必需消費品；增持公用事業類股（自2008年12月以來最高）、醫藥和必需品。 (機構調研記)

周四（10月24）紐約尾盤，現貨黃金上漲0.76%，報2736.11美元/盎司，台北時間21:30（美股開盤時）曾漲至2743.30美元，逼近10月23日曾所創歷史最高位2758.49美元。 當黃金價格在2500美元/盎司時，市場就在困惑一個問題，這一輪黃金價格能夠走高到什麼程度？正當市場對黃金價格充滿分歧的時候，我們看到黃金價格迭創新高，一再挑戰世人想像力。 01 宏觀：金價新高，邊際因素和長期中樞 核心觀點：9月底以來聯準會降息路徑縮小，金價理應下調。令人驚訝的是，金價不僅沒有回呼，反而迭創新高，甚至創下2740美元/盎司紀錄位，這是為何？