黄仁勋人生第一条推文，和梁文峰关起门讲的 4 小时，说的是同一件事

两个信号，指向同一件事

前两天，黄仁勋发出了他人生第一条推文。

英伟达都做到全球市值第一了，他本人才刚开通账号。这第一条推文不聊芯片，不聊财报，通篇替开源模型站台：AI 会改变每个行业，走进每家公司，由每个国家自己构建；开源模型让安全和网络防护更可控，让创新扩散更快，也让各个国家握得住自己的主权 AI。

结尾一句是重点：

“世界既需要前沿的闭源模型，也需要前沿的开源模型。”

这事有意思在哪？一个卖芯片的，按理说谁训练模型都得买他的卡，开不开源跟他关系不大，他却把这个当成自己在推特上说的第一句话。为什么？因为开源模型已经强到能跟闭源掰手腕，价格还便宜到接近白送。开源一旦追平闭源，模型本身就很难再当护城河。模型层的竞争，快见顶了。

差不多同一时间，另一件事在圈里刷屏：梁文峰一场对着投资人的内部交流流传出来。四个小时，聊了模型会走向哪里、中国要不要这么多模型公司、DeepSeek 为什么不急着赚钱。

黄仁勋在明牌上发的信号，和梁文峰关起门来讲的判断，指向的是同一个方向。两件事放在一起看，信息量就大了。

在拆他的观点之前，先明确一件事：这是对投资人的内部交流，不是产品发布会。他讲这些话，至少带三个目的：管理投资人的预期，筛掉那些只盯下个季度收入的资本，顺便给 DeepSeek 立自己的行业叙事。这不代表他说错了，但你听的时候，得把两样东西分开：他判断行业往哪走，可能是真话；他解释 DeepSeek 为什么这么做，一定是立场。

基于这场交流，加上我自己的思考，我对 AI 行业有三个核心判断。这三个判断，直接关系到你接下来的时间和注意力该往哪放。

判断一：模型越来越强，并不意味着我们离 AGI 越来越近

为什么模型能力开始收敛

先带你回忆一个时刻。

2023 年 3 月，GPT-4 发布。OpenAI 技术报告里有个数字我到现在都记得：GPT-3.5 考美国律师资格，成绩排倒数 10%；几个月后的 GPT-4，直接考进前 10%。几个月时间，从学渣跳到学霸。这叫代际差。

三年过去了，你再感受一下现在：几家头部模型轮流发新版本，发布会一场比一场热闹。我自己每天至少用三四个模型写东西、查资料，说句实话，把名字挡住做盲测，我分不出谁是谁。

代际差没有了，剩下的是挤牙膏。

这就是边际收益递减：在现在这套"人类语料预训练 + 强化学习 + 推理"的路线下，继续加数据、加参数、加算力，涨的分越来越少。路线在收敛，大家越练越像。

为什么会这样？因为大模型学的，主要是人类已经写下来的东西。书、论文、代码、帖子，快被学完了。一个学生把整座图书馆都背下来了，你让他再背一遍，成绩不会涨。

爱因斯坦测试：会复述，还是会发现

那怎么分辨一个模型是背得多，还是会发现？流传出来的纪要里，有一个判断 AI 科学创造力的思想实验，叫爱因斯坦测试：把 AI 的知识截断在 1910 年前后，只给它那个年代已有的物理学知识和实验事实，看它能不能独立推导出广义相对论。

这不是公认的 AGI 判定标准。但这条线划得很干净：广义相对论 1915 年才发表，答案不在语料里，想抄都没得抄。哪天有一个 AI 在没有答案泄漏的前提下做到了，说明它做的事已经超出了压缩和重组人类知识，它长出了顶级科学家那种从旧知识里推出新发现的能力。

今天所有的模型，都还站在这条线的同一侧。

真正的分水岭：能不能自己生产语料

那 AGI 怎么办？一个够格的 AGI，至少要能自己提出问题、自己生产训练数据，跟真实环境互动，根据结果修正自己，最好还能创造出人类没做过的东西。

这件事，其实在一个小世界里演示过一遍。

2016 年 AlphaGo 赢李世石，靠的是先学人类十几万盘棋谱。第二年 DeepMind 做了个更绝的版本，AlphaGo Zero：一盘人类棋谱都不看，从零开始自己跟自己下。三天，追平赢李世石的那个版本；四十天，把之前所有版本全部赢完。

"自己生产语料"这条路是通的，至少在围棋这种规则封闭的小世界里是通的。可真实世界没有这么干净的规则。怎么把这一套搬出来？有人押世界模型，有人押 Agent，有人押自我博弈，全都还在探索。AGI 不光是远，连通往它的正确训练方法是什么，都还没有定论。

对普通人意味着什么

听着有点丧？对普通人来说，这反而是好消息。

绝大多数企业和普通人，根本用不上一个全知全能的 AGI。我们需要的是能看懂业务资料、会操作软件、能把一件事从头干到尾、出了错自己会修的东西。说白了，值钱的东西正在从"模型能力"挪到"Agent 能力"。

下一阶段的关键：模型再聪明 10% 没那么重要，它能不能自主干活才重要。

判断二：中美 AI 竞争，美国不一定拥有绝对优势

很多人的推理就一条线：美国芯片最先进、钱最多、人才最顶，所以赢定了。

这个判断太简单了。我给你讲两个故事，你再下结论。

故事一：算力受限，逼出效率

第一个故事，去年 1 月 27 日。那天美股开盘，英伟达一路往下砸，收盘跌了 17%，接近 6000 亿美元市值蒸发，当时被媒体广泛报道为美股历史上单日蒸发最多的一次。

起因是一家杭州公司。DeepSeek 的技术报告里写着：V3 的训练算力成本，557 万美元。这个数字有水分，不含研发工资、不含试错烧掉的卡。但对手是什么量级？奥特曼自己说过，GPT-4 的训练成本超过 1 亿美元。

它是怎么省的？手里只有 2048 张 H800，专供中国市场的降配版。那就抠：模型总共 6710 亿参数，每次回答只叫醒其中 370 亿，其余的睡觉；训练用更低的计算精度，能用一半算力算完的，绝不用全额。一张卡当两张用。

很多人把这件事读成"低端显卡也能训练顶级模型"，读歪了。它证明的是另一件事：算力一受限，企业就会被逼着去抠算法效率、工程效率、每张卡的产出。

这个逻辑我自己踩过。我做过几年广告投放，预算随便烧的时候，没人优化素材，一张图跑不动就换十张，反正烧得起。后来预算砍到三分之一，我盯着后台，CPM 高两块钱都肉疼，一张图一张图地抠，一个落地页一个落地页地测。结果花的钱少了，出单成本反而降了。

我没变聪明，纯粹是被预算逼的。DeepSeek 也一样，只不过它被逼的规模大一点。

所以芯片限制是把双刃剑。一面确实抬高了中国公司的训练成本、拖慢了迭代，这个不用回避；另一面，它逼着中国公司提前修完了模型压缩、推理效率、商业回报这几门课。

故事二：美国的软肋是电力和基建

第二个故事，讲美国那边的软肋。

马斯克去年在孟菲斯给 xAI 建超算，10 万张 H100，从开工到点亮只用了 122 天，连黄仁勋都公开夸过这个速度。但有个细节很多人没注意：当地电网一时供不上这么大的电，他就在厂区外面拉了一排燃气轮机，自己发电。

全世界最有钱的 AI 公司，卡管够，缺的是电。

AI 拼到最后，拼的就是芯片、数据中心和电力这三样。训练和推理规模越大，电费、输电能力、数据中心的建设速度，就越直接地决定成本。这一层中国占优：翻两边的官方统计，去年中国发电量 10 万亿度，美国 4 万多亿度，不到一半；数据中心这种基建，中国盖起来出了名的快。美国当然也有补法，资本市场、云计算巨头，往后还有核能、天然气、专用数据中心，甚至更远的太空算力。

两边会走成两条路

两边的能力结构，会走成两条路。美国大概率更早定义技术上限：最好的卡、最激进的原始创新、烧得起十年的资本。中国大概率更快把技术变成生意：工程师多、制造业配套就在家门口、十几亿人的应用场景随便试，可用、可卖、可规模化。

所以中美 AI 竞争不像百米短跑，更像一场马拉松，而且跑到半路，比赛规则还会改。现在就押谁赢定了，都太早。

判断三：AI 的终局是生产力，模型只是中间产品

流传出来的纪要里，梁文峰有一句话：对普通人来讲，需要的不是一个更聪明的电脑，而是人力。

这句话戳中的，是今天 AI 最大的问题：它还是个工具，不是员工。

工具和员工的差别

你肯定有体会：AI 能力很强，但你问一句它答一句，指令给清楚它才动。任务稍微复杂一点，你就得不停补上下文、纠方向、检查结果，改到第三轮，你心里冒出那句话：还不如我自己来。它是个能力很强的副驾驶，方向盘始终在你手里。

一个够格的 Agent 应该反过来：自己理解目标、拆任务、调工具、执行、发现错误、处理意外，最后来跟你汇报。这也是各家头部模型公司现在的发力方向。

差别有多大？你想象一个做外贸的业务员，早上打开邮箱，50 封客户邮件。

今天的 AI 能帮他干嘛？把回信写得漂亮一点。

一个真员工会怎么干？50 封全读完，挑出 3 封有下单意向的，查库存，做报价单，顺手把客户资料更新了，最后只留一句话：有个客户要的货期赶不上，这单你拍板。

前者你多了一支好用的笔，后者你多了一个员工。模型从 90 分涨到 93 分，你几乎没感觉；AI 从"等你指挥"变成"自己干完"，你省下的是一个人的工资。这已经是劳动方式的变化了。

从电脑走向现实世界

以上是电脑里的任务。现实世界里的任务，就轮到具身智能。

去年春晚，宇树的机器人上台扭秧歌，转着红手绢，整整齐齐，全网刷屏，很多人说具身智能来了。但那些动作是提前编排好的，现场还有工程师盯着。中国机器人在运动控制、供应链、硬件制造上进步确实快，可是能走路、会跳舞、搬得动箱子，还不等于有自主性。

机器人值不值钱，看的是它能不能接一个模糊的目标、观察现场、自己决定下一步、处理没见过的情况。外形像不像人，反倒次要。核心是身体背后的那个 Agent，身体只是执行器。

机器人真正的壁垒

马斯克的擎天柱为什么确实有潜力？特斯拉同时有真实工厂、自动驾驶攒下的视觉数据、自己的芯片和模型、大规模制造能力，还有机器人真实的工作场景。机器人最难的部分在车间里：日复一日干活、收数据、迭代。这些拼在一起，才是壁垒。

今天的机器人在解决"怎么动"，下一代要解决的是"为什么动、接下来做什么"。

未来 AI 拼的是四种能力

把三个判断收拢，往后拼的就是四件事：

1. 谁能找到新的训练范式 2. 谁能用最低的成本，把模型变成可靠的 Agent 3. 谁能让 AI 进到产业里，创造算得清的经济价值 4. 谁能把智能从电脑带进现实世界

那普通人现在该干嘛

模型层的仗你参与不了，那是几家公司几百亿美元的游戏，追每一次评测、为每个新模型焦虑，纯属浪费时间。

你能上桌的位置在第二种能力：把现成的模型接进自己的业务，让它从工具变成员工。这一步的门槛恰恰是你对自己业务的理解，跟算力关系不大。你手上的活儿哪一段最耗人，你比任何大厂都清楚。

给你一个今天就能上手的动作：把日常工作流程列出来，找出规则清楚、重复度高、最耗人的那一段，先让 AI 接管它，跑通了再扩下一段。别等全知全能的 AGI，它还远。能替你干活的员工，现在就雇得起。

我自己的号正在做这个实验：Agent 怎么一步步接管业务流程，实操过程我会陆续写出来。

三个判断，你觉得哪个会最先被打脸？