今天咱們來繼續看12個核心結論的後六個（包含2個核心結論和4個反常識的洞察），特別是反常識的部分，也許會有部分打破你對於AI的固有認知。

先來繼續完成核心結論部分。

觀點7: 從專利層面，中國依舊數量碾壓，但美國技術輻射更強

截至2024年的資料來看，全球2024年一年新的AI相關的專利數量達到13萬個左右，而中國主導的AI相關的專利達到全球的7成以上。

但從專利的影響力角度，美國專利被全球引用佔比超50%，技術影響力更強。

從每10萬居民來看AI專利的話，韓國是全球第一，盧森堡的人才密度也很高。

專利資料一般是來看產品化的處理程序。從以上的資料我們可以看出，中國AI產業應用落地速度還是全球第一，因為從數量是絕對的碾壓。而從核心技術和原創性來講，美國的影響力仍有不可代替的地位。韓國的人均專利第一本身很有意思，這與韓國目前在半導體+AI的佈局直接相關，海力士、三星等企業，還是在專注小而精的創新路線，本身效果從他們本身的股價上可以清晰可見，這個路線本身也值得其他國家所借鑑。另外全球專利同質化的現象也比較嚴重，顛覆性創新還是太少，這導致AI產業在顛覆性創新到來之前，還是低水平的重複競爭內卷。

觀點8: 人才危機，美國吸引力暴跌，性別鴻溝化顯著

2017年至今，流入美國的AI研究者的數量下滑了89%，近一年降幅達到80%。以及全球各國AI領域男性的佔比都在70%以上。

人才流動的資料其實最能反映全球AI格局的變化。美國人才吸引力呈現斷崖式的下滑，說明全球AI中心已經不是美國為中心的單極化，已經呈現多極化轉變。但我們也可以看到女性的佔比還是比較少，但IT行業整體全球也大概是3～4：1的狀態，也就是說大概男性佔比75%左右，女性在25%左右。從這個角度是保持一致的。

4個反常識洞察：沒準兒打破你的固有認知

洞察1: 小模型不一定弱，比起參數規模更重要的是資料質量

我想講一下OLMo3，它是艾倫人工智慧研究所（AI2）推出的新一代完全開放原始碼的大語言模型家族。這個模型提倡“全端透明”（Full-Stack Transparency）。AI2不僅僅公開了模型權重，還完整的開源了整個生命周期流程，包括訓練資料、訓練程式碼、日誌，甚至連訓練過程的檢查點（checkpoint）也開源了出來，真心是推動了AI的開放科學研究。

這個OLMo3的32B版本（還有一個7B的），參數量僅僅為Grok 4的90分之1，但依靠高品質的資料清理、去重、精選和科學基準，我們看到的份依舊有大模型的80%以上的能力。

我們從上圖可以看到Olmo3的訓練資料集還是很可觀的。

“小參數模型智能並沒有與大參數模型相差那麼大”，這個結論還是挺反直覺的。我們以前可能都認為“參數越大越智能”，但是OLMo3證明了資料質量其實才是模型智能最重要的維度，比參數量更為重要。讓我想到以前的GIGO（Garbage in Garbage out），在大模型訓練場景被證明同樣有效。在訓練階段的資料污染、提示詞階段的糟糕Prompt和微調階段的不良指令，都會直接影響最終模型的智能度。所以這個發現可以指引中小型企業，沒有必要再盲目追求大參數的大模型，通過資料最佳化也可以大幅提高生產力和競爭力。這也許是AI可持續發展的另一種新的思路。

洞察2: 純合成資料無法做大模型訓練，資料枯竭已經迫在眉睫

我們從報告中可以知道高品質的網際網路人類文字，已經接近枯竭，Epoch預測高品質的資料將會在2026-2032年耗盡，而人工混合資料無法超過之前模型的智能上限。並且我們發現自從2025年1月起AI生成的新的內容已經超過了全網內容總量的51%。

洞察3: 算力成本暴跌，但環境負擔超重，長期營運持續惡化

從上圖我們可以看到，GPU的成本從2006年到目前，已經下落了超過99%。

人類每8次大模型的問答查詢，所消耗的算力電量就可以為兩部手機充電。

GPT-4o每年製冷過程中消耗的水能夠養活120萬人，這還不是最新的模型，最新的模型可能會更多，但新模型的此類資料沒有被公佈。

我們也能看到目前AI系統的耗能量已經超過了芬蘭或者澳大利亞一個國家一整年的用電量。而之前的加密貨幣的挖幣的耗電量也是很恐怖的，大約是AI系統的一倍。

這是很典型的“成本轉嫁”的邏輯，硬體成本通過工業製造的邊際效應和技術進步下降了，但是能源、水資源和碳排放等環境成本卻被指數級拉高。如果為了AI要算一筆ROI的話，那麼除了之前的CaPEX和OPEX之外還需要加入“環境成本”。這部分成本最終會通過政策（例如碳稅）、社會生存壓力、環境惡化等方式轉嫁給全人類。該報告預測未來5年內，環境成本可能會超過硬體成本，成為AI企業的最大支出項。

洞察4: 韓國人均AI專利斷層第一，小而精的路線成為新選擇

大家可以看一下這張圖，感受一下韓國在人均AI專利上，斷層領先的跨度之大。這是非常典型的“生態位錨定”（Niche Anchoring）的策略，這種小而精的模式很可能會成為除了中、美之外，絕大多數國家和地區在AI時代發展的唯一參考模式。

我們知道韓國的硬體卡位是世界級的軟硬體閉環生態，包括三星、SK海力士掌控著全球HBM（高性能記憶體）和儲存半導體的命脈。AI算力永遠離不開高速儲存，所以韓國將AI演算法直接“刻”進晶片裡（例如記憶體計算），這種軟硬一體的創新，是獨特的存在。韓國的創新高度依賴三星、SK、NAVER等巨頭，如果比拚全量大模型可能不會比中美等大國更好，但是如果在特定半導體、汽車、造船等行業賽道，這種研發力量和投入都是高度聚焦的。

類似的還有丹麥在能源道路上的積累，屬於綠能和風電場景的場景驅動型，從能源AI的角度進行切入，也是一條小而美的道路。

好了，到此為止，我們基本上通篇把這篇報告中最核心的一些觀點（Top Takeaways）都已經詳細的看過了。接下來我們不僅會看內容，還會透過內容看一些方法層面的東西，我會像玩魔方一樣，從不同的側面進行展開。 (大廠續航)