筆記君說：在AI浪潮席捲各行各業的今天，每一位企業家和創業者都面臨同一個問題：未來的機會究竟在那裡？被譽為“AI教母”的李飛飛，在前兩天的一次深度對話中，給出了她的答案。以下是李飛飛這次訪談中的自述部分，希望她的這些話，對你有所啟發。一、“空間智能”是AGI的一把關鍵鑰匙1.世界遠不止語言那麼簡單我先說一下我的信念：在技術上，確實有一些相通的概念，所以我也能理解有些人說“語言即世界”。宏觀地來說，我堅信這個世界遠不止語言那麼簡單。如果我們說的語言概念，指的是那種離散的、本質上更偏向“一維”的資訊——即便它能表達多維的內容，語言本身的呈現形式還是比較一維的。但這個世界其實要豐滿得多。我一直強調，空間智能包含諸多特性，比如物理屬性這些，都是超越語言範疇的。而且不管是人類的行為，還是大自然的運轉，很多東西既沒法用語言完全表述清楚，也不可能單靠語言就實現所有想做的事。我們每天睜開眼，從生存、工作、創造，到感受、感知，再到人與人之間豐滿的情感，這些日常裡的種種，從來都不是只靠語言就能完成的。當然“語言即世界”這樣的話確實挺好聽，聽起來也沒錯，因為它是非常籠統的一句話。當你一句話很籠統的時候，它可能錯不了。但從技術層面看，現在數位化是必然趨勢：視覺模型、空間智能、機器人模型，本質上都會走向數位化。可要是把數字和語言完全畫等號、當成一回事，那這個概念就變味了。如果連數字都能被叫做“語言”，那相當於啥都能往“語言”裡套，這就沒什麼好爭論的了。在我看來，資訊遠不止語言這一種，還有空間資訊，它和語言一樣美妙、一樣重要。2.“空間智能”到了爆發前夜現在AI大環境裡，大家對AI的期待確實有點太激進了。但我可以告訴你，我選擇創業的核心原因，就是覺得時間點到了。畢竟創業和搞科研不一樣，創業得緊密結合市場、尊重市場規律。但就像很多比我優秀的企業家說的，創業最關鍵的是踩準時間點——不能太早，市場和技術都沒成熟；也不能太晚，否則就沒了機會。空間智能技術在World Labs（中文名：空間智能）剛成立時，確實還早了點，但也沒早到需要等五六年、十年的程度。我判斷未來一兩年，它會迎來爆發式增長。你看現在視訊生成技術的飛速發展，再到我們做的World Models，我堅信這類技術在一兩年內還會有質的飛躍，市場應用的可能性也越來越清晰。我沒法簡單定義現在發展的速度是快還是慢，但能肯定的是，現在正是做空間智能的好時機。我們現在做的“世界生成”（world generation）模型，真的特別令人激動。它的應用場景太廣泛了——從數字創意、遊戲開發、影視製作、設計領域、建築行業，到VR、XR、AR技術，再到機器人模擬，每一個大領域裡又能細分出無數小場景。而這些場景，其實都藏著對三維空間的強烈訴求。生成式AI有個很特別的價值：它能降低原本高難度事情的門檻，進而打開很多你意想不到的新市場。生成三維空間就是件超難的事——這個世界上沒多少人能做到，而且用到的Blender、Unity這類工具，操作起來特別繁瑣。我自己試過，頭都大了。其實很多創作者腦子裡裝滿了好想法，只是被工具卡住了，而非缺乏創意。而AI既能給現有創作者賦能，還能讓很多原本覺得“這事跟自己沒關係”的人，發現新可能。就像我，以前根本不會碰Blender、Unity這類軟體，覺得又麻煩又費時間，但現在AI能賦予我這種能力，我肯定願意用——它能帶來太多新靈感、新機會了。所以我覺得三維世界模型特別讓人興奮：它原本是件對普通人來說難度極高的事，而AI能降低這項能力的使用門檻，這本身就是打開市場的絕佳機會。在我看來，沒有空間智能，沒有三維世界的生成式模型，就談不上AGI（通用人工智慧）。AGI就像一扇門，上面掛著好多把鎖，需要不同的鑰匙去開啟。我始終認為空間智能是其中一把關鍵鑰匙——不過這扇門並非非開即關，而是被一點點推開的。其實我一直不太糾結AI和AGI的區別。因為兩者的夢想是相近的，都是源於一種“科學”的好奇心：機器能不能思考？能不能自主完成事情？這是AI最初的夢想，AGI的目標似乎也沒偏離太多。不管叫什麼，這個夢想都得一步步實現，我們每往前走一步，就離它更近一點。而空間智能，必然是通往這個夢想的重要一環。不管是賦能人類的創造力（從遊戲、設計到工業應用），還是給機器人賦能，亦或是元宇宙、AR/VR的內容生成與落地，都離不開空間智能。3.演算法與資料，都是AI的核心工程、數學的發展路徑和進化的路徑是不一樣的，這就像蘋果和橘子的比較，它們的進化都是很慢的。進化的迭代速度遠慢於演算法迭代，而且碳基與矽基的運算邏輯也大不相同，所以從時間維度來看，兩者沒法放在一起比。但即便如此，進化依然給了我們很多啟發和靈感。這就說到資料的重要性了。當初我們實驗室提出“資料”相關概念，其實也借鑑了不少進化的思路：漫長的進化歲月，本質上就是一段巨量資料訓練的過程；但到了數字時代，我們不用再等幾十億年去收集資料，而是可以大規模、快速地積累資料。和大自然通過進化完成的“資料積累”比起來，我們現在一次能處理、看到的資料，可能相當於進化幾千萬年才沉澱下來的量。相信自己深思熟慮後的假設，也不是什麼怪事吧？走在科學路上，對於那些經過深度思考的假設，你總得有所堅信。但作為科研人，也得清楚有些假設註定是錯的——我當然也有過很多失敗的假設。而我現在堅信的這個假設，是琢磨了很久才得出的：它在數學上是歸納推理的邏輯。我整個博士階段都在做模型、搞演算法，積累了不少領悟，才慢慢意識到這一點。說白了，AI到今天在數學層面的核心，就是“泛化”（generalization）——本質上就這一件事。而泛化怎麼實現？核心就兩點：演算法和資料，而且兩者息息相關。演算法太複雜但資料不足，會過擬合（模型在訓練資料上表現優異，但在面對新資料時性能顯著下降，無法有效泛化的情況）；資料太多但演算法不夠好，同樣會過擬合——這裡面藏著明確的數學邏輯。我算是電腦視覺領域早期做機器學習的那批博士生，很幸運的是，我的博士研究剛好趕上電腦視覺的轉折點——我們大量運用機器學習的理念，這讓我對“泛化”的理解更深刻（當然，不一定只有我理解得深）。但我那時候就明確看到了資料的重要性，所以一直堅持了下來。這又回到了好奇心的話題——那個求證假設的過程其實挺有意思的，全程充滿激情，就像一路打怪升級。只要沒被“妖怪”打敗，就接著往下打唄。模型和資料的關係，本質是螺旋式上升的。當年,ImageNet搭建起電腦視覺領域最大的資料庫，直接推動了電腦視覺的蓬勃發展；後來網際網路催生了海量自然語言資料，大語言模型也跟著迎來爆發；再看現在的視訊模型發展得這麼快，核心也是有足量視訊資料支撐；自動駕駛能飛速進步，也離不開頭部公司積累的海量路況、行駛資料。現在看似“又回到了資料和演算法”，其實根本算不上“回歸”——它們從來就沒離開過AI的核心。我有時候覺得挺有意思：就算AI發展到今天，大家還是更看重演算法。但真正做AI的人，不管是創業者還是大公司從業者，心裡都清楚：資料不是說比演算法更重要，至少是同等重要。演算法聽著更“酷炫”，資料的價值反而容易被忽視。但實際上，資料本身就是一門科學。4.空間智能，賦能於“機器人”的發展① 自動駕駛，是簡化版的世界模型自動駕駛汽車其實就是機器人——它是人類最早量產的機器人，但其實挺侷限的。你想啊，它就是個方盒子，基本只在二維路面上活動，只要別碰到別的東西，不管是車、行人還是路邊設施。但我們未來要做的三維機器人不一樣：它得在三維世界裡主動“碰”各種東西，幫我們洗碗、做飯、疊衣服。這麼一對比，就知道自動駕駛汽車其實還是挺簡單的機器人。所以對應的，它的世界模型也更簡單——畢竟要做的事兒就那麼點。當然我不是說自動駕駛不厲害，特斯拉、Waymo（全球自動駕駛標竿，前身為 2009 年Google自動駕駛項目）這些公司都很了不起。但從科學和宏觀的角度看世界模型與機器人技術，這頂多隻是個開始，接下來要做的事情複雜多了。我無法斷言特斯拉有沒有（世界模型）相關佈局。但至少不會是一個強生成性的模型，畢竟業務場景本身不需要這件事。但機器人不一樣，機器人訓練離不開生成式模型——你不可能收集到足夠多的真實場景資料。而且我們做的事情都和創意、設計相關，這些本身就需要生成能力，“生成”本身就是核心應用場景之一。② 機器人的三維能力，還在早期階段現在矽谷的機器人領域大火，我也特別喜歡這個領域，也一直很看好機器人的前景。但同時，我也覺得要保持冷靜：機器人研究其實還處在早期階段。首先，最核心的問題是缺資料。汽車行業發展了幾十年，還有無數人在開車過程中持續蒐集資料；可機器人目前基本沒有商業化應用場景，尤其是日常消費級場景，資料自然難收集。而生成式AI的出現，給機器人領域帶來了一條有意思又有前景的出路。像視訊生成這類技術，不僅提供了豐富的訓練想像空間，還能用於擬態——比如我們正在做的機器人模擬，就特別有前景；甚至在推理階段，還能用視訊模型輔助線上做規劃。可以說，正是機器人周邊領域（比如生成式AI）的快速發展，在反過來帶動機器人技術進步，這一點確實讓人激動。但機器人要真正實現商業化，還有一段路要走，尤其是日常消費級機器人。不過工業機器人早就落地了，畢竟它的應用場景相對單一，容易約束環境，而且也積累了不少資料。自動化駕駛和機器人兩者之間，既有可比性，也有不可比之處。自動駕駛從概唸到商業化，走了近20年：Google2006年就成立了小型自動駕駛研發團隊，直到2024年Waymo才正式上路。汽車行業的供應鏈、OEM體系、客戶場景都非常成熟，這一點讓自動駕駛的商業化比機器人快得多；但當年AI技術不成熟，自動駕駛在AI這條路上走了很久，而現在AI的發展速度肯定會更快。可除了工業機器人（或者說場景單一、易約束的工業機器人），目前並沒有像汽車那樣成熟的機器人應用場景。所以機器人商業化之路會比20年快，還是更慢，真的很難說。但我相信，AI層面的進展會比當年自動駕駛時期快一些；可反過來，機器人面臨的問題也更複雜——它要應對的是完整的三維世界。AI已經能做到非常出色，可要說今天的空間智能，能達到人類睜開眼就有的那種對三維世界的深層理解，還差得遠。比如物體間的物理關係、材料屬性、物理特性，這些我們人類能直觀感知的豐富資訊，AI還沒法完全掌握；更別說對社交資訊、人與人之間情感的理解，這些都屬於視覺理解的範疇，而我還沒提語言層面的複雜認知。人類本身就是極其複雜的存在。所以從進化和能力來看，AI在某些方面已經追上甚至超越人類，但在很多核心維度上，還遠遠不及。而且我作為深耕AI和科技領域多年的人，對空間智能的信仰，絕不是盲目崇拜。它源於對技術的深刻理解，源於這麼多年在這個領域的深耕，也源於我和同事們看到的技術機會與發展方向。創業確實需要情懷，但對科技趨勢的判斷，更需要紮實的邏輯和科學的判斷。二、AI的未來：人類有責任讓其“向善”1.機會，並非贏家通吃綜合來看，資料、算力、人才的整合能力很關鍵——現在能做好這些資源整合的公司，存活機率和勝率會更高。但我覺得，不能只盯著這些顯性因素。畢竟顯性因素一眼就能看到，也容易被大家熱議追捧，但光靠這些遠遠不夠。舉個簡單的例子，在AI coding領域，微軟應該是第一個下場的，推出了Copilot（微軟推出的跨平台生成式 AI 助手）。它可謂佔盡了天時地利人和：手握所有資源、坐擁現成場景，連GitHub（微軟旗下的開發者平台）都是自己的。可微軟最終沒能成為行業標竿，反倒是矽谷現在火起來的Cursor、Claude Code這些小公司，在巨頭圍剿下實現了突圍。這就說明，光有顯性因素根本不夠。如果大家都只盯著這些表面資源下判斷，很容易出現偏差。人類歷史上，從來沒有那個時代是大公司獨霸天下的——即便每個時代的大公司都手握超強的資源整合能力。所以這裡邊還藏著更關鍵的東西：創造力、機遇、執行力，還有對時間點的把握，這些都是決定成敗的核心變數。再加上，AI本身就是一門橫向技術，能催生出無數應用級機會，大公司根本做不完。這些機會，恰恰給了小公司足夠的空間：把某個應用做到極致，慢慢撕開市場缺口，完全有可能實現彎道超車。2.AI只是工具“AI是工具”，這其實是常識。工具本就是雙刃劍：人類史上所有工具，小到最初的火、石斧，大到核彈、生物技術，再到如今的AI，無一例外。我當然也認為，工具的使用必須向善，但同時也要防範它被誤用，不管是有意還是無意。所以我覺得，兩種極端都不理性：只追求發展而無視安全與向善，必然是災難；但天天空談倫理向善而停滯發展，也會錯失技術帶來的諸多福祉。就像做父母，你會教孩子用火做飯吧？既要告訴他們火能做飯的好處，也得讓他們知道用火的危險，這是再簡單不過的道理。AI既是權力的工具，也是向善的工具，但它永遠只是工具。在我看來，這工具會越來越強大，但在它真正不可控之前，它始終屬於人類——人類有責任讓它保持可控。但就像所有工具一樣，我們從來不會指望工具自己明白該做什麼：向善與否，本質是人類的責任。所以對AI的控制與引導，是法律、制度、教育和整個社會的共同責任。不同社會、不同個體或許有差異，但這份責任終究在人類身上。3.教育體系，到了徹底變革的時刻AI時代迫切需要我們更新教育理念和方式——既要讓孩子們學會用這個工具，借助它賦能創造力、助力學習；也要讓他們清楚工具可能存在的問題與風險。而且這絕不僅僅是教育孩子的事。我們總覺得該教育孩子，殊不知最需要被教育的其實是成年人自己。所以，自我教育、面向公眾的科普、給政策與法律制定者提供充足資訊和學習機會，這些都至關重要。說到底，對AI的發展與治理，本質上就是我們人類自身的學習、發展與治理——核心還是人的問題。在這個AI成為具備智力能力的工具的時代，它帶給我們的最大啟發，或許是讓我們更好地瞭解自己、治理自己——這裡的“自己”，既包括每個個體，也包括人類群體。現在關於AI的討論沸沸揚揚，大家都熱衷於談論這項技術。但說到底，不管是個體人性還是群體人性，欠缺的或許還是那份自省吧。對個體來說，時代正在劇變，再做“鴕鳥”逃避現實絕非明智之舉。這種變化必然帶來工作形態的重塑。任何重大科技革命都會引發職業變遷，有時是短暫陣痛、軟著陸，有時可能伴隨社會動盪。作為個體，還是要保持好奇心——對生命、對世界的好奇。那怕這份好奇心，在成年人的世界裡源於對未知的恐慌也沒關係，至少它能成為驅動你主動學習的動力。這一點，值得每個個體自省。而從群體層面來看，AI時代最急需革新的，是我們的教育體系。不管是國內的K-12教育，還是美國這邊雖不唯應試但仍包含應試、仍側重“知識填充”的教學模式，都亟待更新。AI正在不斷證明，很多事情機器能做得更好。如果還讓人類花十幾年、幾十年時間，去重複大半機器可替代的工作，無疑是對人類潛能的浪費。所以我特別想呼籲：所有關注教育、能影響教育政策以及踐行教育的人，都要牢牢抓住這個時代機遇。我們的教育方法論，已經100多年沒有本質變化了。我最大的期待是，100年後歷史學家回望21世紀上半葉時，會看到人類完成了一次真正的教育革命。借助AI賦能教育者與學生，把節約下來的大量時間和精力，讓學生們在老師的引導以及自我探索中，去積累那些AI永遠做不到的認知與核心能力。人類的潛力其實無比巨大，每個個體都是如此。我們的大腦遠未被充分開發，不管是作為個體還是群體，都還沒發揮出全部潛能。你只要看看人與人之間的能力差異，就能感受到這份潛力有多驚人：有些人展現出的能力，簡直像“超人”一樣。這說明，這種極致的潛能本就藏在人性之中，只是大多數人都沒能把它激發出來。而AI這個工具的出現，甚至它對人類工作帶來的衝擊，恰恰給了我們一個契機——重新審視並重構整個教育體系。我覺得真正的教育變革，應該打破工科與文科的固有界限：畢竟AI能讓所有人都學會程式設計，那這些人還能簡單歸為工科生嗎？AI也能幫更多人更好地感知美、讀書、作詩，文科的邊界也被打破了。所以，以前的分科邏輯完全可以改變——AI給了我們打破這種侷限的機會。但說到底，關鍵還是人怎麼使用這個工具。我最擔心的，是人類會放棄自我：覺得“AI這麼聰明，有沒有我都一樣”，這種想法太可怕了。“躺平”這個詞很形象，但背後的心態真的危險。人類有太多未被發掘的潛力，有太多創造世界的可能，有太多讓這個世界變得更美好的機會。而AI，終究只是一個工具而已。如果我們放棄了自身的能動性（agency），就等於放棄了改變自己、改變世界的好奇心與動力。說實話，我真的不懂什麼叫“AI就是世界”。就像有人說“一花一世界”，我能理解那份意境，但“AI就是世界”的說法，我實在摸不透它的核心含義。其實“AI只是工具”這句話的背後，本質是我們如何看待AI與人的關係——把AI當工具，意味著人類始終把自身放在更重要的位置，意味著我們更該關注自我的成長與價值。說到底，“AI是工具”這句話裡，藏著我對人的信仰——我信仰人性的潛力，信仰人類社會的韌性，我信仰的是人，而不是AI。尾聲李飛飛，是對技術趨勢的清醒判斷者。AI，是我們這一代人此生最大的機會。她說，AI時代，人類迎來一次教育的革命，從知識性教育到技能型教育，到認知結構，到人本身的教育，都可以改變。正是在這個時代背景下，筆記俠推出了中國首個面向企業家的AI時代PPE（政治、經濟、哲學）底層認知課程。以AI時代為背景，通過人工智慧科學、AI文明、經濟學、政治學、哲學、智能商業等視角，從底層把握AI時代，激發創業者們在AI時代的潛力，培養能駕馭AI範式轉移的決策者。如何擁抱AI時代，需要理解那些？要理解技術。人工智慧必然重構人類社會的底層邏輯。成為新人類，是決策者的宿命。要理解商業。當AI成為核心生產要素，企業的價值創作邏輯和增長範式會發生根本性變化。要理解世界。在波譎雲詭的世界中生存發展，決策者需要深刻理解AI時代下國際政治經濟體系運行的規律和趨勢。要理解中國。中國走向現代化的道路，必然建築在中國的文化基因上，理解中國才能穿越宏觀周期，活在中國，贏在中國。要理解自己。活出內心的自由和篤定，不被AI時代外界的震盪所撼動，決策者才有心力成為企業的定海神針。這，就需要回到決策的源頭：AI技術與文明、哲學、政治、經濟，重構我們的底層認知邏輯。我們一起做AI時代保持清醒和篤定的決策者。 (筆記俠)

中美主導全球生成式AI早已成為不爭的事實，但其他國家也並非都是陪跑角色。瑞銀近期發佈一份研究報告，稱海灣地區憑藉低成本高韌性電力接入的適宜土地，以及支援推理設施建設的強力政策，正成為全球資料中心開發的核心優選區域。據瑞銀測算，在完全折舊的前提下，電力成本佔資料中心整體物料成本的5%-10%。海灣地區充裕的電力容量使其成為建設AI推理設施的低成本區域。此外，海灣地區發展動能正逐步積聚：與超大規模雲服務商、晶片製造商的數吉瓦級合作已逐步落地，貿易限制持續放寬，電網升級計畫與國家級戰略穩步推進，同時終端與企業側對AI推理的旺盛需求，共同構築了良好的產業發展環境。不過，鑑於地緣政治重要性與敏感性，瑞銀判斷用於預訓練的超大型資料中心園區仍大機率保留在美國。Part.01 AI縮放定律近年來，AI資本開支規模與投入強度的大幅增長，源於模型智能度與算力/資料規模的強相關性，這一規律被稱為AI縮放定律。在過去的深度學習時代，該定律發生了範式轉變：更大規模的資料集、高性能硬體及演算法最佳化共同推動算力需求激增。據EpochAI資料，2010-2024年，AI訓練所用算力呈指數級增長，每6個月便實現翻倍，遠高於20世紀50年代機器學習系統誕生初期超20個月的翻倍周期。與此同時，每一輪算力擴容都伴隨能耗的顯著攀升。新一代晶片的單GPU功耗持續走高：輝達晶片的最大功率需求已從安培架構的400瓦，提升至霍珀架構的700瓦、布萊克韋爾架構的1200瓦，預計魯賓架構將達到約1800瓦。除單晶片功耗外，算力叢集規模的擴大進一步推高整體能耗；儘管硬體能效提升可部分抵消算力增長帶來的電力需求，但綜合來看，EpochAI測算2010-2024年，前沿AI模型訓練的總電力需求年均增幅仍超100%。上述趨勢凸顯了電力成本對資料中心營運的關鍵意義——電力已成為資料中心最大的營運成本項。Part.02 合作驅動海灣地區AI基礎設施增長全球頭部生成式AI基礎設施建設方已與海灣地區達成多項合作，其中阿聯的合作項目最為典型：阿聯星門項目2025年5月，輝達、甲骨文與OpenAI宣佈在阿布扎比落地星門項目，複製其在美國的星門基礎設施建設模式。根據規劃，該項目將依託輝達最先進的GB300晶片打造1吉瓦算力容量，且是總投資規模預計達5000億美元的全球星門計畫的組成部分。同時，這也是“面向國家的OpenAI”全球倡議下的首份協議，該倡議隸屬於美國星門計畫，旨在幫助美國以外地區建構自主AI能力。1吉瓦算力叢集將由當地科技企業G42承建，甲骨文與OpenAI負責營運，輝達、思科及軟銀提供技術支援，叢集將落戶阿布扎比新建的美阿AI園區，該園區是整體AI基礎設施基地的一部分，未來總算力規劃達5吉瓦。微軟在阿聯的佈局微軟已承諾2023-2029年在阿聯投資152億美元，其中包括向G42注資15億美元，並近期宣佈在該區域建設200兆瓦資料中心園區。此外，微軟聯合貝萊德、MGX及全球基礎設施夥伴成立AI基礎設施合作聯盟，承諾總投資規模達1000億美元，輝達與xAI已於今年早些時候加入該聯盟。沙烏地阿拉伯的合作項目Google與沙烏地阿拉伯公共投資基金達成100億美元合作，將在沙烏地阿拉伯建設並營運全新的雲與AI樞紐，聚焦區域本土化AI應用。亞馬遜與沙烏地阿拉伯PIF旗下AI企業HUMAIN達成超50億美元投資協議，將打造開創性的“AI專區”，該區域基礎設施將配備約15萬顆晶片（含亞馬遜Trainium晶片及輝達GPU），此投資為亞馬遜此前宣佈的53億美元沙烏地阿拉伯基礎設施投資（2026年投用）的增量項目。高通與HUMAIN達成合作，計畫2026年採用高通加速器建設200兆瓦資料中心，但因細節尚未披露，該項目的確定性低於上述合作。Part.03 海灣地區AI應用落地進展如何？海灣地區是技術前瞻性極強的區域，擁有成熟的消費市場、創新技術資本及強力政策支援。例如，阿聯早在2017年便將AI列為國家戰略優先事項，目標2031年成為全球AI領導者，推動AI在醫療、能源、水務、教育等領域的跨行業融合，並以此提升政府治理效能。因此，海灣地區的終端與企業AI滲透率整體處於全球領先或持平水平：德勤資料顯示，阿聯及沙烏地阿拉伯58%的消費者會每日或每周使用AI工具，顯著高於英國的約20%。微軟AI滲透報告指出，阿聯的人均AI使用量位居全球第一，遠超全球均值。企業端方面，德勤調研顯示海灣合作委員會國家在AI應用意願、工具落地普及率及智能體部署進度上與全球企業基本持平，考慮到AI智能體整合的成本與時間投入，瑞銀預計海灣地區國家AI工具的普及將與全球趨勢同步。瑞銀認為，AI擴散規則的調整及AI縮放定律驅動的算力需求快速增長，為GCC國家成為領先AI基礎設施區域奠定了堅實基礎；疊加充裕電力、深厚資本市場及高技術接受度的消費群體，該區域AI相關基礎設施具備強勁增長潛力。 (智通財經APP)

最近有一個PPT在矽谷被廣泛傳閱，作者就是全球科技圈最頂尖、最具影響力的獨立分析師之一：Benedict EvansBen最顯赫的履歷是曾在 Andreessen Horowitz (a16z) 擔任合夥人，a16z 是矽谷最傳奇的風投機構（投過 Facebook, Airbnb, GitHub, Coinbase 等）。當然，在 a16z 期間，他不是負責敲程式碼的，而是負責“思考”的。他的工作是為投資人和創業者提供宏觀戰略視野，判斷未來 10 年的風向。目前他是一名獨立分析師，核心思考“產品”包括超過 17 萬人訂閱的的“周報”，以及我們今天要解讀的“重磅PPT”——《2025 Autumn AI》本文中，我們將對該報告進行全景式拆解，深度探討算力基建的貨幣化難題、無限算力下的勞動力重構（傑文斯悖論），以及“意圖經濟”對傳統網際網路商業模式的終極顛覆。01. 第五次摺疊未知的物理極限與軍備競賽回顧過去五十年的科技史，我們實際上只經歷了四次真正的“平台遷移”：大型機、個人電腦（PC）、網際網路、智慧型手機。每一次遷移，都不是舊事物的改良，而是底層互動邏輯、分發管道和價值捕獲方式的徹底重設。2025 年，我們確認無疑地站在了第五次遷移的震中：生成式 AI。然而，Benedict Evans 在報告開篇就拋出了一個令人不安的差異點——“不可知性”（The Unknown）。回望PC和智慧型手機時代，技術演進的路線圖是清晰的：比如在2007年iPhone發佈時，我們就知道螢幕會變大、網路會變快、電池會耐用。哦，對了，當時摩爾定律也沒有失效，它提供了一個相對精準的時間刻度，讓我們能夠預測未來 5 年甚至 10 年的硬體極限。但在大語言模型（LLM）時代，我們發現沒有“指南針”了。是，我們有Scaling Laws（擴展定律），Scaling Laws告訴我們，只要堆疊更多的資料、更大的算力，模型就會變強。但這種變強是線性的還是指數的？是否存在一個物理上的“天花板”？GPT-5、GPT-6 乃至 AGI（通用人工智慧）的臨界點在那裡？沒有人知道。正是這種“物理極限的未知”，製造了科技史上規模最大、也最瘋狂的“囚徒困境”。對於微軟、Google、Meta 和亞馬遜這四大巨頭（Hyperscalers）而言，擺在面前的只有兩個選擇：選擇1，過度投資的風險：可能會浪費數千億美元建設了過剩的資料中心，導致股價回呼。選擇2，投資不足的風險：可能會直接錯過下一個時代，像當年錯失移動網際網路的微軟一樣，從牌桌上消失。如果你是科技大廠的掌舵人，你會怎麼選？相信你會跟Google的CEO Sundar Pichai 和Meta的創始人Mark Zuckerberg 做出同樣的選擇：選2.他們認為：投資不足的風險遠大於過度投資，注意，是遠大於。在這種邏輯驅使下，2025 年全球科技巨頭的 AI 資本開支（Capex）預計將達到 4000 億至 7500 億美元。為了讓這個數字具象化，Ben的報告是這樣說的：這相當於我們在一年之內，要將全球電信行業的基礎設施重新建設一遍。 或者說，這相當於重新建構整個美國的電力網路。OpenAI 更是激進地規劃了每年 1GW（吉瓦）的電力擴容需求，其目標是建設價值數兆美元的算力叢集。如果是這樣龐大的規模，就造已超越了軟體行業的範疇，進入了重工業、能源甚至地緣政治的領域。不過，這種狂熱的基建投入背後，隱藏著一個巨大的隱憂：商業回報的滯後性。目前的 AI 收入呈現出一種“循環收入”（Circular Revenue）的怪圈——微軟投資 OpenAI，OpenAI 用這筆錢買輝達的晶片，輝達的收入增長又支撐了股市的繁榮，反過來讓巨頭有錢繼續投資。但這筆錢，最終有沒有從真正的“終端使用者”口袋裡賺出來？我們之前的文章中也反覆在探究這一點。很遺憾，Ben目前的答案依然是模糊的。02. 應用的“死亡谷”為什麼8億使用者依然不夠？前面我們說到，AI供給端的基建可以說是“狂飆突進”，不過，在需求端，落地現狀則顯得“冷熱不均”了。報告披露了一組關鍵資料：ChatGPT 的周活躍使用者（WAU）已經達到了驚人的 8 億——這是一個足以與 Instagram 或 TikTok 早期相媲美的數字。但與使用者量形成重大反差的是，使用者行為的深度，或者說“粘性”，遠遠不夠。這體現在2個方面：1，“遊客”多於“居民”大多數使用者對生成式 AI 的使用，依然停留在“偶爾為之”的階段。人們會用它寫一首打油詩、查詢一個複雜的程式碼問題，或者生成一張圖片。但它遠未像微信、WhatsApp那樣，每天要被高頻地使用。資料表明，絕大多數使用者是“輕度使用者”，甚至很多人在嘗試了幾次後就流失了。2，企業的“2026 時間表”B端市場的情況則更為複雜。雖然媒體天天喊著“AI 顛覆企業”，但，根據 Morgan Stanley 和高盛的 CIO 調查，接近 40% 的大型企業表示，真正的大規模 AI 部署計畫要等到 2026 年甚至更晚才會啟動。為什麼？因為企業軟體的更替周期本身就是漫長的，比如，這中間容錯率的問題吧，傳統軟體（如資料庫）是確定性的，1+1 必須等於 2，但 LLM 是機率性的，它會有“幻覺”。這對於銀行核算，簡直就是災難。再比如，你用上AI了，公司的流程也得重構吧，而企業重新設計業務流程需要時間，更需要組織變革的勇氣。在Ben看來，我們目前正處於技術成熟度曲線（Hype Cycle）的“低谷期”：基礎設施已經鋪設完畢，但殺手級應用尚未誕生。這就像是2000年的寬頻網路：光纖鋪到了家門口，但 YouTube 和 Netflix還沒有出現。03. 勞動力重構傑文斯悖論與無限實習生一個被很多人探討的問題是：AI到底會替代人類？還是會增強人類？Benedict Evans 引入了一個極其深刻的經濟學視角：傑文斯悖論（Jevons Paradox）。19 世紀的經濟學家傑文斯發現，當蒸汽機提高了煤炭的利用效率（即做同樣的事需要更少的煤）時，煤炭的總消耗量並沒有下降，反而因為成本降低、應用場景擴大而呈指數級上升。AI 就是智力領域的“蒸汽機”。所以，Ben在報告裡提出了一個核心隱喻：AI 賦予了你“無限的實習生”（Infinite Interns）。在過去，受限於人力成本，我們只能做那些“高價值、低頻次”的工作。例如，一個行銷團隊一周只能打磨 2 篇深度稿件；一個程式設計師一周只能寫 1000 行核心程式碼。那我們推演一下，如果 AI 能瞬間以極低的成本生成內容和程式碼，會發生什麼？企業會因此裁掉行銷經理嗎？可能不會。但這個行銷經理的KPI可能會改變，從一周2篇變成使用AI達到一周分發 2000 篇針對不同受眾的個性化內容。碼農會因此失業嗎？也不會。在推演中，因為編寫軟體的成本大幅下降，我們可以為那些以前“不值得寫程式碼”的長尾需求開發軟體。例如，為一家只有 5 個人的小公司開發一套專屬的 ERP 系統，以前需要幾十萬，未來可能只需要幾句話。所以，在生產力的極大豐富，選擇接近無限的AI未來，帶來的不是需求的萎縮，而是需求的爆發。同時，未來的組織形態將發生劇變。我們可能會看到大量“超級個體”和“袖珍跨國公司”的誕生：一個 10 人的初創團隊，利用 AI 這一槓桿，將擁有過去 500 人企業的研發、行銷和客服能力。對於城市管理者和產業規劃者而言，這不僅不是就業危機，反而是人才紅利二次釋放的巨大機遇。04. 商業模式的終局“意圖經濟”Ben在討論完技術和組織後，就開始觸及最核心的利益分配了：網際網路商業模式的終極顛覆。過去二十年，Google、Amazon、淘寶等巨頭的商業大廈建立在“推薦演算法”之上，其底層邏輯是“相關性”（Correlation）：這個好理解，舉個例子：系統監測到你買了一卷透明膠帶，推測具有相關性的產品，於是給你推更多膠帶，或者剪刀。但講真，這種邏輯很愚蠢。因為你買膠帶不是為了收藏，而是為瞭解決某個問題，但愚蠢且無聊的系統不知道那個問題是什麼。生成式 AI 的出現，將把商業競爭的維度從“流量”提升到“意圖”（Intent）。Ben說，在 AI 時代，機器不再是簡單地匹配關鍵詞，而是擁有了推理能力。咱們重複前面的例子：當你購買膠帶、紙箱、記號筆時，AI 會通過推理得出結論：“這個使用者的意圖是搬家。”於是，AI就不會給你展示膠帶或者剪刀的廣告，而是向你推薦：“我幫你對比了三家搬家公司，價格如下；另外，你需要為新家購買保險嗎？宜家最近有新房裝修的優惠券，需要領取嗎？”這就是“意圖經濟”（Intent Economy）。誰能最精準地理解並解決使用者的“意圖”，誰就掌握了價值鏈的最高入口。這對現有的網際網路巨頭是毀滅性的打擊。如果 AI 能直接給我答案並執行操作（Agent），我為什麼還要去 Google 搜尋一堆藍色連結？這意味著，未來的商業競爭將不再是比拚誰的 App 日活高，而是比拚誰的 AI Agent（智能體） 更懂使用者。所有的垂直行業（SaaS、電商、服務業）都面臨被 AI Agent 這一新中間層“截胡”的風險，但也面臨著通過接入 Agent 獲得精準客戶的機遇。05. 才技術“消失”革命才真正完成在報告的最後，Benedict Evans 用一張 1950 年代的照片結束了這場宏大的論述：一個有操作台的電梯。一百年前，每一部電梯裡都必須有一位專業的操作員，負責拉閘、停靠、開門。當時的人們也許爭論過“自動電梯是否安全”、“操作員失業了怎麼辦”。隨著繼電器和自動控制技術的成熟，電梯實現了自動化。操作員消失了……但今天，我們不會指著電梯驚呼：“看！這是一家自動化公司！”或者“這是高科技！”。因為電梯已經融入了建築，成為了背景，成為了像水和空氣一樣理所當然的存在。AI 的終極命運，也是“消失”。目前的喧囂、焦慮、模型跑分大戰、甚至那 7500 億美金的基建投入，都只是大變革前夜的噪音。未來，不會有專門的“AI 公司”，就像現在沒有專門的“電力公司”（指使用電力的公司）一樣。所有的公司都將是 AI 公司。當 AI 真正成功的那一天，它將從我們的視野中隱退，下沉為底層的作業系統。它將不再是一個需要我們專門去學習的“工具”，而變成一種無處不在的基礎設施能力。站在 2025 年的這個深秋，面對這份厚重的報告，我們應當從中提煉出那些行動指南？首先，保持戰略定力，看穿泡沫：7500 億美金的基建投入可能會在短期內引發泡沫破裂的恐慌，但從長周期看，這是通往下一個時代的必經之路（過橋費）。不要因為短期的股價波動而動搖對數位化轉型的投入。其二，關注“應用層”的爆發點：基礎設施已基本就緒，接下來的 3-5 年是應用層（Application Layer）的黃金窗口期。關注那些能解決實際問題、而不僅僅是炫技的 AI 產品。此外，重構組織而非單純採購：不要指望買一套 AI 軟體就能解決效率問題。真正的紅利在於利用“無限實習生”的特性，重新設計組織架構，打造更敏捷、更高產的“超級團隊”。值得提醒的是，儘早佈局“意圖經濟”生態，特別是盯住垂直行業佈局。AI 正在吞噬世界，但它消化的結果，是一個更高效、更智能、充滿無限可能的新世界。 (TOP創新區研究院)

阿里雲拿下Gartner四項第一，亞太唯一生成式AI的技術周期正在進入一個前所未有的高速區間。面對日新月異的生成式AI技術，企業正陷入選擇難題：如何挑選一個平台，才能跟上快速迭代的創新步伐？最近，Gartner發佈了最新《生成式AI技術創新指南》系列報告，從雲基礎設施、模型工程、模型提供商、AI應用四大維度掃描全球廠商。結論顯示：阿里雲是唯一在全部四個維度均被列入領導者象限的亞太公司，並與Google、OpenAI並列於全球前列。Gartner這次把競爭的底層邏輯攤開了：在技術快速更迭的時代，全端能力才是制勝關鍵。這恰好與阿里雲提出的“全端AI服務商”定位完全契合。01全端能力沉到底層阿里雲是真能打的那家Gartner將GenAI能力分為四層，對應阿里雲從基礎設施到應用的全端體系。在底層基礎設施維度，重點是訓練、推理、大規模服務的資源與網路調度。阿里雲與Google、微軟、AWS同列，是唯一入選的亞太雲廠商。今年其AI資料中心全面升級，HPN8.0已實現十萬卡級高穩定互聯。在模型工程維度，評分集中在資料處理、訓練調度、精調與可觀測性。阿里雲在縱軸特徵和橫軸潛力上均領先三大國際雲廠商。PAI平台與通義協同後，訓練端到端加速比提升三倍，推理效率同步提升。模型本體維度考察模態覆蓋、開放性、安全與生態。阿里雲位於領導者象限，指標領先AWS與微軟，僅次於Google和OpenAI。通義模型覆蓋輕量到全尺寸，並保持多模態迭代。在最上層的知識管理與生產力應用維度，阿里雲依舊處於領導者象限，是唯一來自中國的廠商。面向企業檢索、對話與內容協作的工具體系已成熟，百煉平台過去一年模型呼叫量提升十五倍，使大模型在企業內部可視化落地。多家國際機構的結論與Gartner一致。沙利文顯示通義是中國企業採用最多的大模型；Omdia指出財富中國500強中七成已部署GenAI，阿里雲滲透率過半。在更聚焦的AI雲市場，阿里雲2025上半年份額超過三分之一，高於第二到第四名總和。從模型、平台到基礎設施與應用，阿里雲已形成清晰的全端閉環，“全端最強”具備逐層可驗證的技術能力。圖說：按照縱軸產品特徵（feature）、橫軸未來潛力（futurepotential），新興市場共分為四個像限。阿里雲在“面向GenAI的基礎設施”維度位列新興領導者象限。（報告截圖）02誰都可以宣佈第一全端領先者只有一個今年“AI雲第一”的說法層出不窮，各家機構都在按不同口徑給出第一：模型能力第一、企業採用率第一、市場滲透率第一……多重口徑疊加，讓“第一”本身變得嘈雜。Gartner的意義在於，它把大模型時代的“漢堡包”拆開，讓行業看到真正影響競爭力的底層結構。全端之所以成為終極門檻，原因只有兩個。第一，協同最佳化的複利效應。AI算力的昂貴眾所周知，而通過“雲+AI”的全端協同，可以將硬體性能壓榨到極限，從而大幅降低推理成本。Qwen3-Next推出後推理成本下降90%，正是因為模型、平台和基礎設施在同一技術體系內協同最佳化。對於客戶而言，這直接轉化為更具競爭力的API價格和更低的試錯成本。第二，緊耦合帶來的落地確定性。雲和AI本質上是伴生關係。Qwen3-Next推出後推理成本下降90%，正是因為模型、平台和基礎設施在同一技術體系內協同最佳化。企業已經用選擇給出了答案。Omdia資料顯示，2025年上半年阿里雲在中國AI雲市場的份額高達35.8%，超過了第2到第4名的總和，更有53%的中國500強企業選擇了阿里雲部署GenAI。企業用腳投票證明了：他們需要的不只是一個模型，而是一套穩定、便宜且能快速落地的全端服務。Gartner將GenAI切成基礎設施、模型工程、模型本體、知識管理四層，給出的正是更貼近市場真實需求的結構：底層越重，護城河越深。在這四個維度中同時位於領導者象限的，亞太範圍內只有阿里雲一家。這意味著，在全端技術競爭裡，它已經建立起跨層互相強化的能力結構。模型的迭代速度依賴基礎設施最佳化，模型工程的工具鏈效率反過來提升模型的使用門檻，而上層應用又能及時把企業需求反哺到模型層。它不是某一環領先，而是整個技術堆疊沒有明顯短板。圖說：阿里雲在“GenAI模型提供者”維度位列新興領導者象限。（報告截圖）03AI+雲的全球競爭裡能對標的只有Google與阿里如果站到全球維度觀察，GenAI的競爭正在形成兩種路線。第一種是以模型為核心，由模型向外延展生態，例如OpenAI。第二種是以雲為核心，由雲能力向下延展到模型與晶片。而在Gartner的結構下，能夠真正做到“雲+模型+晶片”垂直整合的廠商，全球只剩兩家：Google與阿里。Google依託自研TPU，搭配Gemini模型家族，形成從裝置端到企業端的完整體系。2025年11月18日發佈的Gemini3在多項基準測試中領先：Humanity'sLastExam得分45.8%創該測試最高紀錄，該模型100萬token輸入窗口和原生多模態支援，使其成為當前最強大的通用AI模型之一。配合Gemini3發佈的還有圖像生成模型NanoBananaPro。該模型在圖像編輯排行榜上位居全球第一，能同時處理14張不同圖像或5個角色並保持一致性。短短4天內，NanoBanana為GeminiApp新增1300萬使用者。Google的垂直整合深度體現在晶片演進速度。從TPUv6（Trillium）到v7（Ironwood）僅7個月，Trillium在密集LLM訓練中比v5e快4倍，擴展效率在6144顆晶片規模下仍保持94%。阿里在架構邏輯上與其類似。一方面，以通義模型覆蓋從輕量化、場景化到旗艦大模型的全尺寸結構。另一方面，依託自研晶片與大規模智能算力網路，建構訓練、推理與應用的統一體系。第三層，是以百煉平台與企業級生產力工具，對外部需求進行快速整合。這種“三段式結構”正好貫穿Gartner的四個技術維度。因此在最新一期的報告裡，Google與阿里雲穩坐四大維度領導者象限。更有趣的是，兩者在C端的戰略也驚人一致。就在Google用Gemini迅速搶奪OpenAI使用者的時候，阿里的千問App全面爆發，整合了搜尋、文件、創作等功能，下載量一周內迅速突破1000萬大關，成為新的超級流量入口。這不是偶然，是技術路徑本身決定的。AWS和微軟有雲和晶片（AWS的Trainium、微軟的Maia），但缺少頂級自研模型，依賴於Anthropic、OpenAI的合作關係。OpenAI只有模型，在成本控制和性能最佳化上受制於雲服務商。未來的GenAI競爭，會越來越像移動網際網路時代的“端雲一體”。只有底層算力、模型架構與中介軟體平台同時具備，才能讓企業用得穩，也能讓應用快速生長。04結語Gartner的報告把GenAI的競爭全貌拆成可驗證的四個層次。也讓“全端領先”這件事變得清晰可見。在這套框架裡，阿里雲是唯一在四個像限都處於領導者位置的亞太廠商，也是能與Google並列的全球雙核心玩家之一。技術風暴會繼續加速，企業的窗口期會繼續縮小。而在全端競爭裡，能夠把基礎設施、模型、工程體系與應用能力持續整合的廠商，會成為未來幾年最穩定的AI基座。阿里雲顯然正在將自己推向這個位置。 (硬AI)

生成式AI一、openEuler發佈全球首個超節點作業系統，專為AI打造1. 開源歐拉社區正式開啟新的5年發展之路，將於2025年底正式上線面向超節點的作業系統（openEuler 24.03 LTS SP3），成員單位超2100家，全球貢獻者突破2.3萬人；2. 該作業系統具備全域資源抽象、異構資源融合和全域資源檢視三大關鍵特徵，旨在充分釋放超節點算力潛能，加速基於超節點的應用創新；3. 靈衢互聯協議2.0由開放，並將向社區貢獻支援超節點的作業系統外掛程式碼，提供記憶體統一編址、異構算力低時延通訊和全域資源池化等關鍵能力。二、CEO劈柴兩個神秘表情，或暗示Gemini 3.0等下周登場1. GoogleCEO劈柴用兩個"若有所思"表情回應Gemini 3.0下周登場傳聞，69%網友押注下一代AI模型即將發佈，該模型有望成為Google的重大轉折點；2. 提前流出的內測顯示Gemini 3.0可一句話直出作業系統、動態建構Windows系統、5秒搭建網站，前端設計能力驚豔，被稱"前端工程師末日"；3. 巴菲特已投入43億美元重倉Google股票，Gemini 3.0寄予了所有人美好期望，其表現將決定Google能否向AI王座發起衝擊。三、Google發佈遊戲SIMA 2，不用開外掛，「像人一樣」練級1. GoogleDeepMind推出SIMA 2智能體，能像人類一樣觀看螢幕使用虛擬鍵鼠打遊戲，突破了單純指令跟隨的侷限，具備推理和學習能力；2. SIMA 2可在未經預訓練的情況下攻克全新遊戲，能理解多模態提示（路線草圖、符號表情），並通過自我學習和基於Gemini的反饋引導實現自我提升；3. 系統採用符號回歸方法，整合Gemini作為核心引擎，目標是成為未來機器人應用的基礎模組，但目前在長期複雜任務和精細操作方面仍有侷限。四、EverMemOS發佈，一款面向AI的長期記憶作業系統1. 陳天橋盛大團隊推出EverMemOS長期記憶作業系統，在LoCoMo和LongMemEval-S評測集上分別取得92.3%和82%高分，顯著超越SOTA水平；2. 系統受人腦記憶機制啟發，創新設計四層架構（代理層、記憶層、索引層、介面層），採用"分層記憶提取"與動態組織解決純文字相似度檢索難題；3. 目前已在Github開放開源版本，預計今年晚些時候發佈雲服務版本，為企業使用者提供資料持久化與可擴展體驗。五、2000 元的 AI 戒指，心率睡眠都測不了，只能聽你碎碎念1. 前Meta員工創立的Sandbar發佈Stream智能戒指，售價249-299美元，砍掉所有健康監測功能，專注於"語音滑鼠"式AI語音互動；2. 戒指採用"握拳私語"互動方式，按住觸控板啟動錄音，動態切換多個大模型處理任務，但續航僅16-20小時遠不如傳統智能戒指；3. 配套iOS App使用ElevenLabs生成語音模型可模仿使用者聲音，所有資料端到端加密不保存原始音訊，但隱私和價值主張仍存疑。六、NotebookLM放大招，更新Deep Research重量級功能1. GoogleNotebookLM推出Deep Research功能，可自動收集N個相關網頁源並整理到上下文列表，幾分鐘內圍繞主題搭建專屬資料庫；2. 系統支援2500萬token上下文處理，所有回答必須基於使用者提供的來源且帶引用標註，可驗證性強，避免AI幻覺問題；3. 其視訊概覽功能，可將文件、網頁、視訊轉化成互動式視訊並生成相應畫面，Google明確承諾不會使用使用者個人資料訓練模型。前沿科技七、北大團隊新突破 AI「牛頓」，看一眼資料，推出物理定律1. 北京大學團隊推出AI-Newton系統，採用符號回歸方法，在無監督、無物理先驗知識前提下，成功重新發現牛頓第二定律、能量守恆定律和萬有引力定律等基礎規律；2. 系統由符號化概念、特定定律與普適定律構成的知識庫支援，通過物理領域專用語言表示知識，各測試用例中平均識別出約90個物理概念和50條一般定律；3. AI-Newton展現出漸進性和多樣性兩大特性，雖目前仍在研究階段，但為AI驅動自主科學發現提供了新範式，有望擴展到具身智能領域。報告觀點八、可解釋性新研究：OpenAI又Open成果，來自對齊團隊1. OpenAI發佈可解釋性新研究，提出訓練神經元連接少但神經元數量多的稀疏模型，通過強制大部分權重為0使模型內部機制更易被理解；2. 研究團隊找出模型完成特定任務的"最小回路"，通過邊數幾何平均值量化可解釋性，發現訓練更大更稀疏的模型可生成功能更強但回路更簡單的模型；3. 論文通訊作者為Leo Gao，曾是Ilya超級對齊團隊成員，但研究仍處早期階段，稀疏模型比前沿模型小得多且訓練效率較低。九、馬斯克以Grok為核心，X與特斯拉雙平台的AI未來展望1. 馬斯克在X與特斯拉雙平台推進xAI，Colossus超算資料中心122天部署20萬塊H100 GPU，用於訓練Grok-4和即將推出的Grok-5；2. xAI採用"求真、不設禁忌"路線，讓AI生成合成資料重構知識體系打造"Grok百科"，特斯拉下一代AI5晶片性能將提升40倍；3. Grok很快將進入特斯拉汽車，馬斯克預計2030年AI總體能力可能超越全人類，xAI開源Grok-2.5模型並計畫半年後開放Grok-3。 (騰訊研究院)

(點滴科技資訊)

一、行業轉型：AI 從 “效率工具” 升級為 “阿爾法夥伴”，CEO 認知與人才結構已先行AI 在投資管理領域的定位已發生根本性轉變，從 2024 年聚焦營運效率，轉向 2025 年直接賦能投資決策，行業頂層認知與人才儲備同步跟進：CEO 層面：AI 成生存必修課，74% 擔心 2 年不落地將失業據Dataiku 發佈的 Harris Poll 調研（覆蓋全球 500 位 CEO），74% 的 CEO 認為若無法證明 AI 帶來的可量化業務成果，未來 2 年可能失去職位；金融行業 AI 滲透率已從 2023 年 40% 升至 2025 年 52%（輝達調研），投資管理領域增速更快，超 60% 頭部機構已將 AI 納入核心戰略。人才層面：AI 相關崗位佔比激增，北美成核心聚集地2024 年全球 AI 相關崗位佔比達 2.2%（2010 年僅 0.3%），其中北美佔比最高（3.2%），遠超亞太（1.7%）、歐洲（1.5%）、拉美（1.2%）；投資管理領域 AI 分析師、AI 策略師等新崗位招聘量 2024 年同比增長 80%，避險基金和主權基金成為主要僱主。應用層面：從“中後台效率” 到 “前台投資決策”2024 年花旗調研顯示，80% 機構僅將 AI 用於文件總結、資料錄入等中後台任務；2025 年隨訪發現，65% 機構已在投資端測試 AI 應用，其中 30% 實現 “AI + 人類” 協同決策，史丹佛大學開發的 AI “基金經理” 甚至在 30 年回測中跑贏 93% 人類基金經理，平均超額收益達 600%（僅用公開資訊調整組合）。二、技術合力：生成式AI + 智能體 AI（Agentic AI），解鎖 “自主決策” 新能力AI 對投資管理的顛覆，核心來自生成式 AI（GenAI）與智能體 AI 的協同，前者擅長資訊合成，後者實現任務自主執行，二者結合突破傳統 AI 的能力邊界：生成式AI：處理 “人類不可能完成” 的資訊規模基礎能力覆蓋多類型資料處理—— 可同時分析 30 + 份賣方研報、10K 財報、 earnings call 紀要等非結構化資料，將傳統需數周的分析（如關稅對組合的影響）壓縮至數小時；量化領域可快速挖掘另類資料（如衛星圖像、信用卡交易資料），訊號識別效率較人類分析師提升 5-10 倍。智能體AI：自主規劃 + 執行 + 適配，從 “輔助” 到 “代理”區別於傳統AI 的單一任務執行，智能體 AI 可自主完成多步驟流程：例如監測特定行業新聞→識別宏觀指標影響→自動呼叫生成式 AI 分析相關公司 filings→生成初步報告→按預設風險參數建議組合調整，全程僅需人類稽核異常點；當前 35% 頭部避險基金已在測試 “智能體 AI + 投研” 系統，任務自動化率達 40%。應用場景擴容：投資、分銷、營運全鏈條滲透投資端新增“AI 投研助手”“交易執行協同” 等場景，分銷端實現 “客戶微群體分類”“生成式引擎最佳化（GEO）”（替代傳統 SEO），營運端可完成 “歸因分析自動化”“合規文件解讀”；未來待落地場景包括 “AI 投資副駕駛”“即時風險避險建議”，覆蓋從前端獲客到後端風控的全流程。三、核心應用：基本面與量化投資雙軌突破，四大維度重塑投研流程AI 在基本面與量化投資中的應用各有側重，但均實現從 “工具輔助” 到 “價值創造” 的跨越，具體體現在資訊合成、工具普惠、分析深度、自主決策四大維度：（1）維度 1：資訊合成革命 —— 處理量提升 100 倍，隱藏關聯自動浮現基本面投資：傳統分析師日均處理2-3 份研報，AI 可同時分析 30 + 份研報 + 10 年財報 + 即時新聞，例如研究某藥企時，AI 能自動交叉驗證管理層言論與臨床試驗資料、同行進展，發現人類易忽視的 “研發進度滯後 - 供應鏈成本上升” 關聯；2025 年測試顯示，AI 資訊合成後提出的投資假設精準率較人類單獨分析提升 35%。量化投資：AI 可快速處理另類資料（如高頻交易資料、社交媒體情緒），訊號挖掘範圍從傳統結構化資料擴展至衛星圖像、感測器資料等，2025 年量化基金用 AI 發現的 “物流資料 - 消費企業營收” 領先訊號，平均提前 3 個月預警業績拐點。（2）維度 2：工具普惠 —— 分析師人人可享 “超級算力”，效率提升 50%自動化預處理：AI 可自動完成研報標籤分類、資料清洗（如從 10K 檔案中提取毛利率、研發費用等關鍵指標），將投研準備階段時間縮短 60%；某大型資管機構測試顯示，用 AI 自動化因子研究後，量化團隊新因子挖掘效率提升 2 倍。跨層級能力平等：初級分析師可通過AI 工具發起 “行業比較”“估值建模” 等複雜分析，無需依賴資深團隊支援；2025 年調研顯示，採用 AI 工具後，不同層級分析師的投研產出差異縮小 40%，工具普惠性顯著。（3）維度 3：分析深度 —— 行為分析 + 即時反饋，阿爾法來源新增基本面：管理層行為語言學分析AI 結合法醫語言學，可識別 earnings call 中 “過度自信”（如高頻使用 “絕對”“必然”）、“迴避”（如繞開核心問題）等訊號，2025 年案例顯示，AI 識別出的 “管理層溝通異常” 訊號，後續 6 個月內對應公司股價平均下跌 8%；同時可即時篩查財務報表異常項，某基金用 AI 發現某零售企業 “應收帳款周轉率異常”，提前規避 15% 的股價下跌。量化：歷史記憶+ 場景分析AI 可儲存 20 + 年 earnings call 等歷史資料，精準還原長期趨勢（人類記憶通常僅覆蓋 3-5 年）；在場景分析中，AI 可模擬 “利率加息 + 地緣衝突” 等多因子組合影響，某避險基金用 AI 完成 1000 + 種場景測試，耗時僅為傳統模型的 1/20。（4）維度 4：自主決策 —— 智能體 AI 全程操盤，即時風險響應基本面：行業/ 公司深度追蹤自動化智能體AI 可自主監測某行業宏觀指標（如新能源的裝機量、政策補貼），若出現 “補貼退坡” 訊號，自動呼叫生成式 AI 分析相關企業盈利影響，生成 “減持高成本廠商” 建議；2025 年測試中，該流程從訊號出現到建議生成僅需 4 小時，較人類團隊快 12 倍。量化：因子/ 組合即時監控智能體AI 可全程管理因子研究流程（資料獲取→回測→最佳化），同時即時監控組合風險因子（如波動率、行業敞口），若突破預設閾值，自動觸發避險操作；某量化基金用 AI 後，組合風險因子偏離度從 5% 降至 2%，避險響應時間從 1 天縮短至 1 小時。四、實施建議：從“觀望” 到 “落地”，破解 “買 vs 建” 困境 + 資料基礎搭建機構落地AI 需解決 “技術路徑選擇”“資料基礎”“人才適配” 三大核心問題，花旗給出具體實操框架：路徑選擇：模組化思維破解“買 vs 建”，聚焦差異化能力建議機構優先“外購非核心能力 + 自建核心能力”：例如分銷端的客戶聊天機器人、營運端的文件處理可採購第三方（如 Digipal、Kasisto），投資端的阿爾法訊號挖掘、組合最佳化需自建；2025 年調研顯示，採用 “模組化” 策略的機構，AI 落地成本降低 30%，見效速度提升 50%。資料基礎：資料網格（Data Mesh）替代傳統集中式，解決 “資料孤島”傳統集中式資料湖易形成瓶頸，資料網格讓各業務團隊（如投研、分銷）自主管理資料，AI 可直接呼叫各模組資料，減少 IT 依賴；某資管機構採用資料網格後，AI 模型訓練資料獲取時間從 7 天縮短至 1 天，資料質量提升 25%， hallucination（幻覺）率降低 15%。人才適配：“人類在環（Human-in-the-Loop）”+ 全員 AI 培訓必須保留人類稽核環節（如AI 生成的投資建議需分析師確認），同時設定 “緊急關閉開關” 應對異常；人才培訓需覆蓋 “AI 工具使用”“結果質疑能力”，2025 年案例顯示，完成全員 AI 培訓的機構，AI 投研產出錯誤率降低 40%，分析師接受度提升 60%。五、未來方向：六大新興應用蓄勢待發，時間序列預測+ 圖神經網路成突破口AI 在投資管理的應用將向 “長期策略”“複雜關係分析” 延伸，六大新興方向已進入測試階段：1. 戰術 vs 戰略訊號：從 “短期動量” 到 “長期趨勢”當前AI 擅長短期訊號（如 1 個月內的情緒動量），未來將探索長期訊號（如 3-5 年的行業格局變化），某主權基金用 AI 分析人口結構、政策趨勢，提前 2 年佈局 “老齡化 - 醫療裝置” 賽道，收益較基準高 18%。2. 時間序列預測：智能體 AI 自主選模型，動態最佳化智能體AI 可根據資料特徵（如股價、宏觀經濟資料）自主選擇最優 LLM 模型，若模型預測準確率下降（如從 85% 降至 70%），自動切換模型；2025 年測試中，該方式預測誤差較固定模型降低 20%。3. 圖神經網路（GNN）：挖掘公司間隱藏關聯GNN 可建構 “公司 - 供應鏈 - 宏觀指標” 知識圖譜，例如發現 “某晶片廠商產能下降 - 某手機品牌毛利率承壓” 的間接關聯，2025 年量化基金用 GNN 發現的 “跨行業訊號”，年化收益較傳統因子高 12%。其他方向：生成式AI 合成無偏資料（解決歷史資料偏見）、智能體 AI 管理檢索增強生成（RAG）減少幻覺、多 LLM 協同分析（如一個 LLM 做因子研究，一個做風險評估）、生成式 AI 可解釋性（XAI）提升透明度。六、風險挑戰：過度依賴、監管差異、人才缺口成三大攔路虎AI 落地雖快，但行業仍面臨認知、合規、人才三重挑戰，需針對性應對：挑戰1：過度依賴導致 “認知債務”，MIT 研究證實神經連接變化MIT 腦科學研究發現，長期依賴 LLM 的使用者，大腦神經連接模式與 “獨立思考組” 差異顯著，出現 “接受 AI 輸出而不質疑” 的認知惰性；2025 年調研顯示，40% 分析師承認 “未驗證 AI 結論直接引用”，導致投資建議錯誤率上升 15%。挑戰2：全球監管框架碎片化，歐盟罰款最高達年營收 7%歐盟《AI 法案》（2025 年 2 月生效）對 AI 分類監管，投資決策類 AI 屬 “高風險”，違規最高罰 3500 萬歐元或全球年營收 7%；美國採用 “州 + 聯邦” 分散監管（如加州 AI 法案、SEC 指引）；中國要求 AI 生成內容必須標註，三大標準規範 GenAI 安全；機構需投入 20%-30% AI 預算用於合規適配。挑戰3：人才缺口達 40%，“AI 系統管理者” 需求激增投資管理領域AI 人才缺口 2025 年達 40%，其中 “懂 AI + 懂投資” 的複合型人才最稀缺；崗位需求從 “AI 使用者” 轉向 “AI 系統管理者”（如最佳化智能體 AI 任務流程），2025 年這類崗位薪資較傳統分析師高 80%。七、總結：AI 是投資管理的 “seismic shift”（地震式變革）花旗認為，AI 已不是 “可選項” 而是 “必選項”，機構需從 “被動適應” 轉向 “主動佈局”，具體建議如下：場景優先：優先落地“資訊合成”“行為分析” 等已驗證場景（ROI 明確），再探索 “長期訊號生成” 等前沿方向；技術組合：採用“生成式 AI + 智能體 AI + 資料網格” 組合，平衡效率與安全，避免單一技術依賴；人才儲備：短期內引入外部AI 專家，長期建立 “全員 AI 培訓體系”，培養 “人類 - AI 協同” 能力。 (資訊量有點大)