9月24日，吳泳銘在阿里雲雲棲大會上發言，當天阿里巴巴（09988.HK）市值漲了近3000億港元，同天阿里巴巴美股盤前又漲超9個點。我們先來看看吳泳銘說了什麼。科代表看了整個演講洋洋灑灑5000多字，核心邏輯就兩個。一、AI將會替代能源的地位，成為最重要的商品。二、AGI已是確定性事件，終極目標是發展全面超越人類的超級人工智慧ASI。AI替代傳統能源的思路很簡單，就是AI成為當下必不缺的水、電、石油。吳泳銘直接說了Token就是未來的電。至於ASI是什麼，吳泳銘認為是超越人類智能、能夠自我迭代進化的超級人工智慧，即ASI。那如何到達，要經過三個階段，第一個階段是“學習人”；第二個階段是“輔助人”，這是當前所處的階段，最後才是自我迭代實現“超越人”。注意了，經歷這三個階段的過程，吳泳銘覺得會發生兩件事第一，大模型成為下一代的作業系統。未來，幾乎所有連結真實世界的工具介面都將與大模型進行連結，所有使用者需求和行業應用將會通過大模型相關工具執行任務，LLM將會是承載使用者、軟體 與 AI計算資源互動調度的中間層，成為AI時代的OS。大模型將會吞噬軟體。大模型作為下一代的作業系統，將允許任何人用自然語言，創造無限多的應用。模型部署方式也會多樣化，它將運行在所有裝置上，並具備可持久記憶，端雲聯動的運行狀態，甚至可以隨時更新參數，自我迭代，類似我們今天的OS運行在各種環境之中。科代表畫一下重點，就是大模型，大模型將替代我們現在使用的OS和生長在之上的軟體，但是大模型的除了演算法，其生長的基礎是什麼？第二，超級AI雲是下一代的電腦。屆時。新的AI計算範式需要更稠密的算力、更高效的網路、更大的叢集規模。這一切都需要充足的能源、全端的技術、數百萬計的GPU和CPU，協同網路、晶片、儲存、資料庫高效運作。只有超級AI雲才能夠承載這樣的海量需求科代表畫一下重點，晶片、儲存、資料，所有的算力需求將爆炸性增長。所以這裡，吳泳銘演講的重點呼之慾出：算力！基於這個判斷，阿里巴巴正積極推進三年3800億的AI基礎設施建設計畫，根據遠期規劃，2032年阿里雲全球資料中心的能耗規模將提升10倍。同樣是國內的科技巨頭，華為副董事長、輪值董事長徐直軍在華為全聯接大會直接指出：“算力過去是，未來也將繼續是人工智慧的關鍵，更是中國人工智慧的關鍵”算力的基礎是晶片，對於華為來說昇騰晶片是華為AI算力戰略的基礎。華為2018年發佈Ascend 310晶片，2019年發佈Ascend 910晶片，到2025年，Ascend 910C晶片隨著Atlas900超節點規模部署。未來3年，至2028年，我們在開發和規劃了三個系列，分別是Ascend 950系列，包括兩顆晶片：Ascend 950PR和Ascend 950DT，以及Ascend960、Ascend970系列，更多具體晶片還在規劃中。徐直軍表示，我們將以幾乎一年一代算力翻倍的速度，同時圍繞更易用，更多資料格式、更高頻寬等方向持續演進，持續滿足AI算力不斷增長的需求。不僅國內巨頭在快馬加鞭的推進，前兩天科代表在文章中也說了，國外的輝達、甲骨文、OpenAI都在抱團大搞AI基建，其中的重點之一也是算力。其實AI算力是一個很寬泛的詞，具體到算力產業鏈中包括了AI晶片、伺服器整機、銅連接、 HBM、液冷、光模組、IDC的那個模組。國海在最近的研報中也做了挺全的梳理，其中寒武紀、海光資訊工業富聯還有光模組的“易中天”都早早創了新高。這裡分享一下從的來說，從巨頭的投資動作和參與項目來看，算力可以是趨勢性的類股，實在不知道從何下手的其實可以看看晶片ETF和人工智慧ETF，場外也都有聯接基金。 (科學躺贏)

縱觀商業史，依靠成功的自我革命來擺脫困境、重返巔峰的企業屈指可數。90年代IBM的“大象跳舞”和2014年後微軟的“雲轉型”，便是兩個標誌性事件，它們證明了一家巨頭在增長失速後，依然有能力完成自我重塑。今天，類似的故事似乎正在中國市場重演——主角是阿里巴巴。資本市場的反應最為直接。在經歷了漫長的調整期後，阿里股價近期再度拉升，創下自2021年8月以來的新高。這輪上漲背後，是市場對其AI戰略價值的重新定價——從持續超預期的雲業務財報，到通義大模型的高頻迭代，再到關於其自研AI晶片的最新風聲，一系列訊號正共同支撐起一個新的估值敘事。但在這輪估值重塑中，一個更底層的核心事實遠未被市場充分認知：阿里巴巴不僅是全球四朵“超級AI雲”中唯一的中國公司，更是其中少數採取“全端自研”路徑的公司——即在AI晶片、雲端運算平台和基礎大模型三個核心層面均追求頂尖自研能力，與Google形成了戰略上的跨洋呼應。要理解這一定位的含金量，必須先看清AI競賽範式的劇變。ChatGPT引爆的AGI浪潮，起初被誤解為一場“模型競賽”。移動網際網路時代“一個App引爆市場”的經驗，催生了2023年喧囂的“百模大戰”。但戰局迅速收斂，因為一個殘酷的現實浮出水面：模型能力本身，正在快速“平台化”。大模型性能趨同的“平台化”現象，不僅源於Transformer架構等技術的公開，更關鍵的是，高品質開源模型正將頂尖AI能力從少數公司的專利，加速轉變為人人可用的普惠基礎設施，加上頂級玩家在算力上的飽和投入，共同導致了各家模型在能力上的迅速拉平。這場競賽的終局形態，並非決出最聰明的單一模型，而是看誰能建構起最強大的AI全端技術體系——一套集模型、雲平台、晶片、生態於一體，並能協同演進的系統性能力。模型只是入場券決定AI競賽勝負的，不是某一刻的領先，而是兩個核心變數：迭代速度和成本效率。要同時最佳化這兩個變數，企業必須建構起一個垂直整合的AI全端技術體系。這並非一個模糊的概念，而是由四個具體且相互關聯的要素構成的系統性能力：第一，千億級的資本投入。 這是建構大規模AI基礎設施、招募頂尖人才並支撐長期研發的必要前提。第二，百萬級叢集的雲端運算能力。這是為大規模平行訓練提供所必需的計算環境，直接決定了模型迭代的速度上限。第三，世界級的基礎大模型。 這是進行軟硬體協同最佳化的核心對象，是連接上層應用與底層算力的關鍵環節。第四，自主的AI晶片佈局。這是實現成本控制的關鍵手段，通過為自研模型定製硬體，從根本上降低推理成本，以構築長期成本優勢。Google的案例，印證了這一全端體系的有效性。在ChatGPT發佈後的一年裡，這家AI巨頭一度顯得被動。但當其發佈Gemini系列模型時，外界發現，它在極短時間內就抹平了與領先者的差距。這場快速追趕的實現，並非僅僅依靠模型演算法的突破，而是其完整的全端能力——即上述四大要素協同作用的結果。這一體系從兩個層面決定了競爭的成敗：首先，它決定了模型迭代的速度。 AI技術堆疊的耦合程度極高，在一個非全端的體系中，定位和解決軟硬體協同瓶頸的周期可能長達數周。而在一個全端自研的公司裡，Google的AI科學家可以與TPU硬體團隊（核心算力）和資料中心網路工程師（雲端運算能力）緊密協作，將技術反饋的閉環速度提升到極致，從而加速了Gemini的追趕處理程序。其次，它從根本上決定了成本效率。 AI的成本分為訓練成本和更為龐大的推理成本。非全端玩家面臨“多重溢價”，需向晶片、雲平台等供應商支付利潤。而擁有自主硬體能力的全端玩家，可以通過“軟硬體協同設計”來最佳化成本結構。正如OpenAI CEO薩姆·奧爾特曼所言，誰能將推理成本降到足夠低，誰就能在商業化中佔據主動。因此，能否同時集齊這四大要素，建構起完整的“超級AI雲”體系，成為了衡量一個玩家長期競爭力的核心標尺。以這套標準掃描全球科技版圖，結果清晰明了：在美國，Google、微軟和亞馬遜三家巨頭，均已在四個維度上完成了關鍵佈局。而在中國，市場呈現出更多元的戰略分化。不同的雲和AI公司基於自身的核心能力與歷史路徑，選擇了不同的AI演進模式。當以“超級AI雲”四個標準為觀察對象時，阿里巴巴是當前唯一一家與此定義完全重疊的中國公司。首先，在全球IaaS市場，亞馬遜AWS、微軟Azure、阿里雲和Google雲構成了合計份額近80%的第一梯隊。阿里雲作為其中唯一的中國公司，其規模與技術積累是參與這場全球競賽的先決條件。同時，阿里一方面通過將通義Qwen系列大模型大規模開源，形成全球最大的AI開發者生態；另一方面則在核心算力上自主佈局，實現硬體與模型的深度協同，構築長期成本優勢。這種“模型開源吸引生態，硬體自研控製成本”的策略，與Google形成了跨洋呼應。支撐這一切的是史無前例的激進投入。早在今年2月，阿里就宣佈未來三年投入3800億元用於建設雲和AI基礎設施，超過去十年總和。其CEO吳泳銘在2026財年第一季度財報會上透露，過去四個季度已在AI基礎設施及AI產品研發上累計投入超過1000億元。至此，全球“超級AI雲”的牌桌格局已經形成：美國三家，中國一家。這四家公司，正在成為定義下一代技術基礎設施的核心力量，並深遠地影響未來的全球產業格局。兩種路徑拿到“超級AI雲”的入場券後，四家公司的戰略路徑出現了明顯分化，主要體現在如何解決“模型”這一核心環節上，並由此形成了兩種不同的模式。第一種是微軟和亞馬遜所代表的“雲+生態”模式。其核心是通過巨額資本注入和深度業務繫結，與市場上最頂尖的AI創業公司形成戰略同盟。微軟選擇了OpenAI，亞馬遜則向Anthropic注資。此舉能快速將最先進的AI能力打包提供給其龐大的企業客戶群，在商業化初期搶佔市場。但這種模式的協同效率和戰略穩定性也面臨挑戰。為避免科技巨頭過度干預，OpenAI和Anthropic都採取了特殊的治理架構，微軟和亞馬遜均無董事會席位和投票權。這種法律上的“防火牆”意味著同盟關係並非絕對繫結。2025年以來，有資訊顯示OpenAI正與甲骨文（Oracle）和軟銀接觸，尋求新的算力和資本支援，以降低對單一夥伴的依賴。與此相對，Google和阿里巴巴選擇了第二條路——“全端自研”。這一模式的價值，在蘋果公司身上得到了驗證：它通過自研M系列晶片、macOS系統和Mac硬體的全端整合，實現了出色的性能和體驗。如今，Google和阿里正將這一範式應用到AI雲領域，通過對AI晶片、雲端運算平台和基礎大模型三個核心層面的端到端自研，實現“軟硬體協同設計”。這條路徑更考驗綜合實力和長期投入，但對整個技術堆疊的端到端控制力，意味著能實現更快的創新迭代和更優的成本結構。這種深度的技術整合，正在轉化為業績增長。最新的財報季，這一趨勢尤為明顯。Google雲業務收入增速從28%加速至32%，而阿里雲收入增速也從18%大幅攀升至26%。兩家公司業績的強勁增長，都與其全端AI能力的釋放直接相關。巨額投入正迅速轉化為技術成果。7月以來，阿里接連發佈並開源了Qwen3推理模型、Qwen3-Coder程式設計模型等多個重量級模型。目前，通義千問Qwen衍生模型數量已突破17萬，超越美國Llama模型，通義成為全球第一AI開源模型。在AI這場終將回歸成本和效率的持久戰中，對整個技術堆疊擁有端到端控制力的“全端玩家”，在戰略後勁和成本結構上擁有更清晰的優勢。追趕之後2025年8月，長期堅持閉源路線的OpenAI做出了一個重大的戰略調整，宣佈開源兩款核心模型。業內普遍認為，此舉是對日益增長的中國開源力量的直接回應。以DeepSeek和阿里通義千問Qwen為代表的中國模型，不僅在技術榜單上表現出色，更通過龐大的開發者生態，開始影響全球AI的技術範式。開源模型的領先，是中國AI產業在應用和生態層面取得的顯著成果。在此基礎上，能否將這一成果轉化為長期的、系統性的產業優勢，則取決於一個更深層的問題：是否具備完整的“全端AI能力”。這背後的產業邏輯十分清晰：一個開源模型，相當於一張公開的、先進的設計圖紙。但真正的壁壘在於能否擁有將這張圖紙大規模、低成本、高效率地轉化為成品的完整工業體系。在AI領域，這個“工業體系”就是集自研晶片、大規模雲端運算平台和基礎大模型於一體的垂直整合能力。它直接決定了技術迭代的速度和商業化部署的成本結構。在雲端運算時代，阿里雲為代表的中國公司，第一次在底層技術設施領域進入全球第一梯隊，與亞馬遜、微軟形成了新的競爭格局。今天，雲端運算作為上一個時代的終點，已經成為AI這個新時代的起點。在這塊由中美共同主導的基礎設施之上，一場圍繞“全端能力”的更深層次的產業競賽已經開始。 (虎嗅APP)

矽谷投資人Tom Davidson的硬核長文預測，給出了驚人結論：全端的AI大爆炸，或將率先發生在中國！而當晶片規模擴大1萬倍時，AI將逼近物理極限。如果AI系統能自己設計出更強大的AI，智慧爆炸可能很快就會到來了！而人類，會被AI迅速甩在後面。最近，矽谷投資人、EverFi CEO兼創始人Tom Davidson等人發表了一篇長文硬核部落格，詳細討論了智能爆炸（Intelligence explosion, IE）的類型以及對應的發生機率。這篇文章裡，有許多非常爆炸的設想，但仔細一想，彷彿離變成現實並不遠了。例如，AI會改進演算法和軟體，提高AI晶片的質量，同時提高晶片的產量。這些過程，會形成幾種循環，周期分別是3個月、數月，以及數年。相對應的，就是軟體大爆炸、AI技術大爆炸，和全端大爆炸！當回饋循環首次啟動，AI進步就有有一個初始的加速。然後，作者透過計算給出了驚人的結論：在到達AI到達物理極限之前，這些反饋循環最終將導致有效計算能力增加13到33個數量級！最終，爆炸性的結論來了——AI在達到有效的物理極限之前，能進步到什麼程度？答案是，軟體效率可能提升大概13個數量級，也就是1000億倍；晶片技術可能提升100倍左右；晶片製造規模可能擴大1萬倍左右！所以，那個國家會率先實現全端大爆炸？答案是──很大可能是中國。AI為自己設計軟體，開啟進化之路今天看起來像科幻的課題，可能會在十年內成為現實。如何理解即將到來的改變？通往繁榮未來的有那些路徑？Forethough是研究型非營利組織，專注於如何應對過渡到擁有超智慧AI系統的世界。該組織認為AI系統很快可能比人類更有能力，並迅速推動技術發展。一旦AI系統能自行設計、打造出更強大的AI系統，AI的發展速度就會加快，我們可能會見證一場智慧爆炸（IE）。AI的能力會飛速提升，遠超人類水準。經典的智慧爆炸，涉及一個回饋循環：AI設計出更好的軟體，這些軟體助力打造出更強大的AI，又能進一步改進軟體，形成持續的良性循環。3種回饋，3種智能爆炸AI開發過程中，有許多環節都能產生類似的正向回饋，主要有以下三種：軟體回饋循環：AI開發出更好的軟體，包括訓練演算法、訓練後的增強、利用執行階段計算的方法（如o3）、合成資料以及任何非計算改進。晶片技術回饋循環：AI設計更好的晶片，包括NVIDIA、TSMC、ASML等半導體公司進行的前沿研究和設計工作。晶片生產回饋循環：AI和機器人生產更多晶片。三種回饋循環這些循環能引出三種智慧爆炸：一種是僅由軟體最佳化帶來的軟體智慧爆炸；一種是軟體和晶片技術共同改進引發的AI技術智慧爆炸；還有一種是軟體、晶片技術與晶片生產帶來的全端智慧爆炸。三次智慧爆炸即使軟體智慧爆炸未能實現，或很快就陷入瓶頸，AI技術和全端智慧爆炸仍然是可能的。智慧爆炸一開始可能較為平緩，但後續發展速度極有可能大幅加快。研究顯示，每個回饋循環都能推動AI的加速進步。在達到物理極限之前，有效算力可望提升20到30個數量級，使AI能力實現質的飛躍。一般來說，軟體改進的時間延遲最短，接著是晶片技術改進，晶片製造的時間最長。這些回饋循環可能推動三種不同類型的智慧爆炸（IE）：軟體IE：僅由AI驅動的軟體改進，就足以推動AI快速且持續加速發展。AI技術IE：需要AI在軟體和晶片技術兩個方面同時改進，但無需在晶片生產環節中進行最佳化。全端IE：要求在軟體、晶片技術和晶片生產三個方面均有所改進。如果有效的物理極限還遠，IE的規模就會更大，速度也會更快。預計在達到極限之前，軟體回饋循環能將有效算力提高約13個數量級（OOMs），晶片技術循環還能提高6個數量級，晶片生產回饋循環能再提高5個數量級。若能把太空中太陽的能量都利用起來，還能再提高9個數量級。若近期有效算力增加與AI能力提升之間的關係繼續成立，軟體將實現4個「GPT量級」的能力飛躍，也就是4個GPT-3到GPT-4的提升。晶片技術方面可再實現約2個「GPT量級」的提升，晶片生產大約有2到5個「GPT量級」的提升。這些智慧爆炸，擁有不同的戰略意義。例如軟體大爆炸，最有可能出現在美國，因為這些AI晶片和演算法的擁有者掌握著高度集中的權力。AI技術爆炸，最有可能出現在美國和半導體供應鏈中的其他國家和地區，例如台灣省、韓國、日本、荷蘭，而權力會更廣泛地分佈在AI演算法、AI晶片和半導體供應鏈所有者之間。而全端爆炸，更有可能發生在中國和海灣國家等擁有強大工業基礎的國家，這種爆炸也會將權力更廣泛地分佈在整個工業基礎中。三種回饋循環1965年，數學家IJ Good提出了智慧爆炸的概念：假設一台超智慧機器被定義為能遠遠超越最聰明人類的機器。由於設計機器屬於智力活動範疇，一台超智慧機器可以設計出更先進的機器，那麼無疑會發生一場「智慧爆炸」，人類的智力將遠遠拋在後面。因此，第一台超智慧機器將是人類的最後一項發明。一旦AI能自主設計和建構更強大的AI系統，就會形成回饋循環。實際上，AI開發中有許多環節可能產生正向回饋循環，其中有三個對IE有推動作用的關鍵回饋循環：軟體回饋循環：AI對自身演算法、資料、訓練後最佳化和其他軟體技術進行改進。典型例子是完全自動化AI開發實驗室的研究和工作。在這裡，AI系統改進演算法，這些演算法用於開發更好的AI系統，進一步改進演算法。晶片技術回饋循環：AI改進AI晶片的品質。典型例子是NVIDIA、TSMC、ASML等半導體公司研發部​​門的自動化，能在不增加工廠的情況下，做出運算速度更快、效能更好的晶片。在這些晶片上訓練或推理，AI能力得到提升。晶片生產回饋循環：AI增加AI晶片的產量。典型例子是機器人完全自動化晶片工廠從建設到運營的整個過程，包括開採原材料、運輸、工廠建設和日常運作。機器人建造更多的工廠、生產更多晶片，用來訓練更強的AI系統，然後設計更好的機器人去建造更多的晶片工廠。回饋循環需要多久智慧爆炸到底能多快發生呢？智慧爆炸不太可能一下子就發生，因為每個回饋循環都有時間延遲。軟體回饋循環的時間最短，晶片生產回饋循環的時間最長：訓練最先進的AI模型，大約需要3個月，這是軟體回饋循環中主要的時間延遲，不過微調等優化耗時少很多。對於晶片技術反饋循環，將新技術整合到工廠並生產新晶片，通常需要數月。建造新的晶片製造廠，往往需要數年，這是晶片生產反饋循環所需的。三種回饋循環，時間延遲以橘色表示因此，軟體改進的時間最短，其次是晶片技術改進，晶片生產需要的時間最長。進一步細分三個回饋循環，並將每個細分時間延遲的持續時間視覺化反饋循環的順序理論上，IE可以由這三個回饋循環任意組合、以任意順序出現。但實際上，軟體回饋循環很可能會先開始，然後是晶片技術，最後是晶片生產。軟體是虛擬的，因此可能最先被自動化：A I實驗室可以自行產生自動化所需的所有數據。AI實驗室直接管自己的工作流程，這就更容易把軟體自動化。和晶片技術、晶片生產回饋循環相比，軟體最初的回饋循環時間更短。從定義來看，晶片技術也是虛擬的，但可能在軟體之後自動化：晶片技術往往依賴研究人員的專業知識，而這些研究人員不在AI實驗室工作，因此更難取得訓練資料。晶片技術涉及的任務比軟體更多樣化，自動化所有任務需要更長時間。硬體研發實驗必須在現實世界中進行，很難自動判斷任務完成得好不好。晶片生產涉及半導體供應鏈的各個環節，涉及廣泛的認知與物理任務，因此可能最後被自動化。機器人技術一直是AI進步相對較慢的領域，而晶片生產需要先進的機器人技術。首先，他們會優先考慮AI軟體，當軟體的潛力挖掘殆盡後，會將精力轉向晶片設計（比輝達的硬體設計，無需改裝晶片工廠）。同時，也會想辦法研發更快建造晶片工廠的新技術，減少時間落後。三種智慧爆炸要是這些回饋循環夠強，就會帶來智慧爆炸，讓AI能力快速提升！有三種可能的類型：軟體IE：只靠軟體回饋循環就能引發，最有可能突然發生。AI技術IE：軟體和晶片技術回饋循環共同作用，因為AI在改進軟體和晶片技術時，實現了認知工作自動化，但不需要物理自動化。和軟體相比，這種IE沒那麼突然。全端IE：三個回饋循環一起發力，這種情況最不可能突然發生。三種智慧爆炸類型可能依序出現，也可能只出現其中一種或兩種，甚至一種都不出現。三個回饋循環與三次智能爆炸的關聯智慧爆炸呈現這種順序，很大程度上是由於相關回饋循環實現自動化的順序。即使軟體和晶片技術回饋同時自動化，因為軟體循環的時間延遲更短，軟體IE仍會先於AI技術IE。軟體智能大爆發目前，AI技術IE和全端IE尚未得到充分深入的研究分析。三種回饋循環的分析AI的發展，會隨著時間推移加速嗎？除了時間延遲，還有個因素要考慮，就是這些回饋循環可能不夠強，回饋太弱不足以讓AI發展加速。回饋循環剛自動啟動時，AI發展會提速。但如果循環不夠強，之後發展速度可能又會降下來。一開始，是人類推動AI發展（上圖綠色部分）。接著，改進AI的工作慢慢實現自動化（上圖橘色部分）。最後，基本上都是AI系統自我改進（上圖藍色部分）。從實際經驗來看，在最後階段，AI發展開始會加速，直到最後趨於平緩。回饋循環能不能讓發展加速，就看輸入翻倍的時候，輸出能增加多少：要是輸出增加不只一倍，那發展就會加速，因為下一次輸入翻倍，能利用的輸出比上一次多，所以速度會更快。研究改進AI軟體和硬體要付出的努力，的確能找到一些實際證據。分析發現，如果沒有監管這類人為限制，軟體智慧爆炸機率約50%，AI技術智慧爆炸大概65%，全端智慧爆炸可能性大概80%。1. 軟體智慧爆炸：很可能會加速，因為軟體回饋循環本身，就可能維持加速發展，可能性大概50%。在各個AI領域，效率提升很明顯，研究投入翻倍，計算效率提升不只一倍（Epoch估計在多個領域，投入翻倍，輸出能增加0.8到3.5倍）。考慮了效率以外的其他發展因素，再做些調整，加速發展好像蠻合理。而Davidson預計，每增加1倍的認知投入，輸出能增加1.2倍，範圍在0.4到3.6倍之間）2.  AI技術智慧爆炸：加速的可能性也很大。只要晶片技術回饋循環，就足以維持加速發展，可能性大概65%。如此看來，軟體和晶片技術反饋循環加起來，很可能推動加速發展，可能性大概75%。從歷史數據來看，硬體研發投入翻倍，每美元能換來的FLOP大概提升5倍。要是只算認知投入，這個數字會降低，如果接近物理極限，也會降低，但投入翻倍，輸出增加一倍以上還是有可能的。3. 全端智能爆炸：極有可能加速。晶片製造回饋循環本身，很可能維持加速發展，可能性大概80%。和其他回饋循環一起，全端智慧爆炸加速的可能性大概90%。要是能創造建造實體資本用的機器人和基礎設施，投入翻倍，產出基本上也能翻倍。因為不考慮資源限制，機器人多一倍，製造出來的東西也能多一倍。要是機器人還能自我改進，那投入翻倍，產出增加肯定不只一倍。當然，要是稀缺自然資源開採越來越難，投入翻倍，產出增加可能不到一倍。但從歷史經驗來看，原料稀缺的時候，創新一般能彌補這個問題。不過要注意，把監管等人為限制考慮進去，整體加速發展的可能性就會降低。在達到物理極限之前，AI能發展到何種程度？除了發展速度會不會加快，還要考慮每個回饋循環在接近物理極限前，AI能有多大發展。要是物理上限很高，那AI整體發展空間就大，而且有更多時間加速，發展的最快速度也就能更快。現在，有效訓練計算大概每3個月加倍一次。而理論上，發展最快速度能達到近期速度的100倍，差不多是「有效訓練算力」每天翻倍。但實際上，可能因為技術限制或人為因素，到不了這麼快，也可能還沒加速到速度上限，就達到物理極限了。總的來說，很難精準估計最快速度，但至少看起來會非常快。如果這些極限更高，那麼不僅可以實現更多的總進展，而且進展的最大速度（包括加速度）將更快可以從有效計算的角度，來衡量離物理極限有多遠。在達到物理極限前，估計軟體效率可能提升大概13個數量級，也就是10,000億倍；晶片技術可能提升100倍左右；晶片製造規模可能擴大1萬倍左右。1. 軟體：效率可能提升大概13個數量級，但不確定度很大。要是一開始用1e29 FLOP訓練頂級AI，比人類學習（大概1e24 FLOP）效率低5個數量級左右。和人腦相比，軟體估計還有大概8個數量級的提升空間，不確定性特別大（這裡只算訓練效率，沒算軟體其他方面的發展）。2. 晶片技術：在現在的技術模式下，可能提升2個數量級左右。要是技術接近蘭道爾極限（不可逆計算在能量效率上的物理限制），總共可能提升6個數量級左右。要是用可逆計算，可能提升空間更大。3. 晶片製造：利用地球上的能量，規模可能擴大5個數量級左右。要是用太空太陽能，把太陽發出的能量都收集起來，還能再擴大9個數量級左右。每個回饋循環在達到物理限制之前，總共有多少改進空間的估計。把這三個回饋循環的極限加起來，就能知道三種智慧爆炸在達到物理極限前能發展到啥程度：1. 軟體智慧爆炸：有效算力可能提升13個數量級左右，甚至更多。2.  AI技術智慧爆炸：有效算力可能提升19個數量級以上。3. 全端智能爆炸：利用地球上的能量，有效算力可能提升24個數量級左右；要是利用所有太陽能，可能提升33個數量級左右。對每次智慧爆炸在達到物理極限之前，總共有多少改進空間的估計。智慧爆炸的速度以下是三種比較可能出現的情況：1. 漸進狀況：全端智能爆炸慢慢發生。光軟體和晶片技術回饋循環，推動AI加速發展。因為時間延遲，全端智慧爆炸剛開始發展慢，跟2020-2024年的速度差不多。但隨著時間推移，它會加速，最後變得特別快，翻倍時間可能幾個月，甚至更短，因為有效物理極限很高。2. 波動狀況：先是軟體智慧爆炸，但再提升3個數量級左右就慢下來了。之後，AI技術和（或）全端智慧爆炸開始，一開始速度比較慢，最後變得特別快。3. 快速狀況：軟體智慧爆炸規模很大，能提升6個數量級以上，而且幾個月內就發生，而且物理極限還很高。這讓技術有很大改進，大大縮短了晶片技術和晶片製造反饋循環的時間延遲。所以，後面的AI技術和（或）全端智能爆炸一開始就很快。而且在軟體智慧爆炸趨於平穩之前，不會明顯減速。對於前兩種情況，也就是超級AI要過很久、等產業擴張後才出現的狀況，現在還沒有多少人從戰略角度好好思考過。參考資料：https://www.forethought.org/research/three-types-of-intelligence-explosion （新智元）

61天。 周志峰對這個數字記得非常清楚，這是DeepSeek在大眾中開始發酵到當日經歷的時間。 這位啟明創投的主管合夥人剛剛結束中東之旅，回到他在北京的辦公室。過去的幾天裡，他平均每天去一個國家。 「一半的時間對方都在跟我聊DeepSeek。」他說。 周志峰在這家知名創業投資機構負責科技及消費類股，而人工智慧則是他重點佈局的方向。

9月24日凌晨，OpenAI CEO 奧特曼（Sam Altman）罕見地發表了一篇長文部落格，標題為《智能時代》（The Intelligence Age），推特瀏覽量已經突破了100萬人次。 奧特曼認為，技術進步將使未來幾代人能夠完成前人認為不可能的事情。AI 將成為解決難題的工具，幫助我們建構新的支撐結構。人人擁有一支 AI 團隊將成為可能，能夠提供個性化指導和創造。他還做出預測，超級 AI 有可能在未來幾千天內完成（PS：這個天數的變數可太大了）。 在奧特曼看來，深度學習路線將會成為進入超級智能時代的鑰匙。而在這個過程中，降低算力成本和建立基礎設施對於普及 AI 至關重要。 早前針對今年一直以來的 AI 是否到達瓶頸以及進展是否會放緩的爭論，奧特曼作出了點評：“我認為這次 o1 模型發佈最重要的資訊是，AI 發展不僅沒有放緩，而且我們對未來幾年已經勝券在握（we have the next few years in the bag）。”

騰訊科技訊 9月24日消息，據國外媒體報導，美國當地時間周一，OpenAI首席執行官山姆·奧特曼（Sam Altman）在題為《智能時代》的個人部落格文章中，概述了他對人工智慧驅動的技術進步和全球繁榮的願景。這篇文章描繪了人工智慧加速人類進步的圖景，奧特曼認為，超級人工智慧可能在未來十年內出現。 奧特曼寫道：“我們可能在幾千天內就會迎來超級智能。雖然這可能需要更長的時間，但我相信我們最終會實現這一目標。” OpenAI目前的目標是創造AGI（通用人工智慧），即可以在不需要特定訓練的情況下完成許多工的人工智慧系統，其智能水平可與人類智能相匹配。相比之下，超級人工智慧超越了人工智慧範疇，它可以被視為一種假設的機器智能水平，可以在任何智力任務上大大超過人類，甚至可能達到不可思議的程度。 奧特曼將我們現在所處的時代描述為“智能時代”的黎明，這是人類歷史上繼石器時代、農業時代和工業時代之後的下一個革命性的技術時代。他認為深度學習演算法的成功是這個新時代的催化劑。

9 月9 日，美國「數位趨勢」網站傳出一則令人熱血沸騰的新聞——馬斯克的xAI 公司首席執行官埃隆·馬斯克在X 平台上霸氣宣布，超級AI 訓練集群Colossus 正式上線！ 馬斯克毫不掩飾地宣稱，這個Colossus 集群乃是世界上「最強大的AI 訓練系統」。 而其「最強大」的底氣來自於所用圖形處理器（GPU）的數量。 在令人驚嘆的10 萬個輝達H100 晶片的強勁驅動下，Colossus 的規模簡直超乎想像，或將超越迄今開發的任何其他AI 系統。