把AI競賽推向高潮的公司，開始呼籲“慢一點”。近期，Anthropic CEO 阿莫代（Dario Amodei）更是公開呼籲“為前沿AI放慢步伐”，並獲得OpenAI CEO奧特曼（Sam Altman）、特斯拉CEO馬斯克（Elon Musk）等人不同程度的背書，這一表態重創全球AI基建類股，部分明星AI概念股兩日跌幅就突破10%。
但AI基建的狂飆突進，例如晶片、伺服器和資料中心的投資，早已建立在一個高速增長的預期之上：模型會越來越強，客戶會越來越多，消耗的Token也會持續增加。
此外，安全對齊問題時不時也被推至風口浪尖。安全評估需要時間，資本卻要計算回報。一個問題隨之擺到投資者面前：如果模型研發和商業化的節奏改變，已經投入的算力能否被充分消化，後續的基建投資又是否需要重新安排？
企業客戶也在重新算帳。一些原本交給昂貴模型的任務，正被轉交給更便宜的模型，或通過最佳化流程減少呼叫。過去，Token消耗增長被視為需求旺盛的訊號；如今，投資者需要追問，其中有多少對應真實、持續的業務需求，又有多少會在企業控製成本時被削減。對模型公司，這是收入增長能否延續的問題；對晶片和雲廠商，則要看新增使用量能否抵消效率提升帶來的需求變化。
真相是什麼？一線業內人士究竟怎麼看？對此，騰訊財經調研了來自華爾街、矽谷的多位AI基建投資人和模型開發從業者。
01 “呼籲模型減速”早非新聞
坐落於矽谷的資深AI基建投資人Christina Xu（辰子Tina）對騰訊財經表示，“‘呼籲模型減速’對我們在矽谷的人來說早就不是新聞了。7月14日， Alphabet 首席科學家Demis Hassabis就已經髮長文討論，Google應該率先建立更嚴格的前沿 AI評估機制。而且一個很容易被市場忽略的點是，模型公司不發佈新模型，不代表它們不訓練。訓練周期和產品發佈周期本來就是兩回事，超過50%的算力仍在用於下一代模型和AGI研究。”
“Anthropic仍在大規模擴充訓練和部署基礎設施，這很難和‘停止AI基礎設施投資’畫等號。”
她提及，輝達CEO黃仁勳的表態也很有意思。他說不會讓AI slowdown（AI放緩）發生。
“我覺得行業現在討論的並不是‘AI還要不要發展’，而是前沿能力發展的速度和安全治理應該怎麼匹配。”
“呼籲模型減速沒什麼用。 潘多拉魔盒已經打開了， 加上中美在AI 競爭都不允許輸， 這種減速也就是呼籲而已。 ”美國資深投資人、Voyager Capital 創始合夥人陳培基博士對騰訊財經稱。
無獨有偶，華爾街投行高盛也表示，最終被迫縮減的支出規模可能相當有限。從另一個角度看，那些站在技術最前沿的人之所以呼籲放慢，恰恰因為他們親眼見證了技術進步的驚人速度——這本身就是對AI技術能力最有力的背書。
02 “安全對齊”短期難迎頭趕上
減速的呼籲可能只是一句口號，但更多業內人士認為，安全對齊倒是真正關乎人類未來。
“安全對齊至關重要。”陳培基表示，“可惜現在中美在激烈競爭中都已殺紅眼了。 短期不可能看到政府在模型發展的全鏈條上介入監管。 估計要到真有幾件對社會造成嚴重影響的事件出現，政府才會被迫開始強監管措施。”
原Hugging Face工程師、獨立AI研究人士王鐵震對騰訊財經稱，有效的監管在單一司法轄區內往往就需要數年時間，而要在全球範圍內實現統一監管，則需要更長時間。我們當然必須推動建立國際標準，但監管框架推進得太慢，難以應對眼下迫在眉睫的威脅。
“在我看來，目前最緊迫的前沿風險是網路安全。”王鐵震認為，如果前沿模型已具備發動大規模網路攻擊的能力，那麼留給我們採取行動的時間正在迅速縮短。
事實上，絕大多數企業的IT系統都還沒做好準備，而近期Hugging Face遭遇的安全漏洞事件，只是一個較早出現的公開警告。如果自主智能體繼續突破沙箱限制，並開始攻擊DNS網路等關鍵數字基礎設施，其後果可能在全球範圍內造成災難性的影響。
正因為監管存在滯後，透明度必須成為我們當下最優先考慮的問題。在這方面，前沿AI實驗室肩負著全球性的責任。
王鐵震認為，它們應當向嚴格的第三方審計以及更廣泛的公眾監督開放其系統，讓我們真正瞭解目前這些模型究竟發展到了什麼程度。與開放權重模型相比，前沿模型在很大程度上仍是一個“資訊黑洞”。
此外，我們還需要提高對大語言模型本身的透明度和可解釋性——不僅需要知道一個系統得出了什麼答案，還需要知道它為什麼會得出這個答案。這涉及模型的訓練方法、資料來源與流轉過程（data lineage），甚至模型架構本身——既包括研究層面，也包括工程層面。
在業內人士看來，充分的可見性能夠讓研究人員在模型訓練過程中就發現並消除惡意行為，而不是等到模型完成訓練後，再依賴脆弱的安全過濾機制進行補救。
當然，這一切要踐行起來仍任重道遠。
03 對AI投資意味著什麼？
在減速論的衝擊下，AI投資主題暴跌。那麼這一切對未來的AI投資意味著什麼？
就目前而言，華爾街和矽谷投資人普遍認為，市場焦慮過度。
“關於AI投資回報的擔憂每隔幾個月就沖頂一次，市場來一波閃崩，華爾街很難理解AI超級周期的本質——但這對我們反而是機會。"Christina稱。
無獨有偶，高盛最新提及：“微軟、Meta和中國科技公司突然停止投入的可能性極低，更現實的結局是引入獨立評估機構對模型開發進行背書，並建立更嚴格的安全門檻。安全與對齊方面的擔憂確有其真實依據，但‘AI真的有效’這一訊號，已經內嵌在警告本身之中——市場反應過度。”
事實上，在圈內人看來，比起“AI減速”的呼籲，對於投資判斷更關鍵也更有跡可循的趨勢是——Token Maxxing（token最大化）變成了Value Maxxing（價值最大化），企業第一次開始系統性地管理 AI 成本。
在這一趨勢下，Christina認為，對前沿模型試驗室而言，真正要重新思考的，不是 OpenAI、Anthropic 會不會被開源取代，而是市場是否需要重估它們的 ARR（年化經常性收入） 增長假設。
一個直白的判斷：Anthropic 上半年的高增長裡，有一部分來自“拿最貴的模型干雜活”——用 Opus 級模型跑非前沿任務。
下半年，這些任務要麼被 Token Optimization（token最佳化） 砍掉，要麼被路由給便宜模型。昂貴模型仍承擔最高價值的任務，但收入增長將更多依賴高價值推理，而不是所有 token 同步膨脹。
對半導體環節而言，投資人反而更樂觀。擔心token最佳化壓制 GPU 需求的人，忽略了傑文斯悖論（Jevons Paradox）：單位成本下降不會減少總消耗，反而會擴大總需求。便宜的模型會把 AI推向主流。更何況，中國缺算力，這些開源模型最終仍要託管在算力充裕的地方。
同時，行業重心會從訓練逐漸轉向推理，但 GPU、HBM、高速網路、先進封裝仍是AI基建裡確定性較高的方向。一個不可忽視的細節是：像 Kimi K3 這樣的巨型開源模型，只有最高 HBM 密度的機架才裝得下——開源模型越大，記憶體廠商越開心。
就雲基礎設施來看，雲廠商未來比拚的不再只是有多少 GPU，而是誰能幫客戶以更低成本完成推理——推理效率、模型部署、調度能力和 TCO （總體擁有成本）會越來越重要。中國模型的部署，實際上在增加而不是減少雲端算力需求。
Christina認為，未來最大的機會正在從模型層轉嚮應用層和調度層。模型逐漸商品化，而能幫企業自動選模型、最佳化成本、提升 ROI 的平台價值反而在上升，包括：Routing（路由）、Inference Infra（推理基建）、Agent 編排等。
整體而言，圈內AI從業者和投資人甚至對AI主題更為樂觀，只不過AI 的競爭範式已經發生變化，各界開始更關注安全，更注重效率，即“Intelligence per Dollar”（每美元有效智能）。未來一年的AI演進無疑將更有看頭。(騰訊財經)