灵境智源孙博说具身不等于人形:意识需要身体到什么程度

据财富中文网十月九日晚间报道,灵境智源创始人孙博在访谈中提出「泛具身」概念:具身智能不等于人形机器人,它的本质是 AI 与物理世界交互,载体可以是全新人形机,也可以是被 AI 升级的工程机械、仓储车、传感器网络。公司不做机器人本体也不做通用大模型,做的是具身智能的「计算底座」,目前已有三百多家客户。 这个判断在产业界是务实的,但在哲学界是颠覆性的。过去十年讨论 AI 意识,绕不开「具身假设」——意识需要身体,身体提供感觉运动闭环,闭环才产生自我。这个假设的原型基本是人形:有手有脚有前庭有内脏,和人长得差不多。孙博的泛具身把这个假设撬开了:如果一台被 AI 升级的港口起重机也算具身,它有巨大的「身体」,它的感觉是吊具应力与风速,它的运动是几十米长臂的摆动——那它算不算一个具身认知系统? 泛具身把「身体」这个概念扩展到了哪里? 扩展前,身体是一个进化出来的、有皮肤边界的、维持内稳态的有机体。扩展后,身体可以是任何一个与物理世界闭环交互的执行器集合。一条被 AI 升级的输油管道有压力传感器和阀门,它也在闭环;一座智能电网有千万个开关,它也在闭环。按这个标准,今天的很多工业系统已经是「具身」的了,只是我们不把它们当认知主体看。 这会让意识研究很尴尬。如果具身是意识的必要条件,那一个有完整闭环的工业系统是否就配得上某种道德考量?显然多数人直觉上拒绝。这说明「具身」本身不是充分条件,我们还缺一个额外维度——可能是内稳态的脆弱性、可能是对死亡的表征、可能是递归自我模型。 人是身体的唯一模板吗? 孙博在产业上是对的:人形机器人是营销叙事,真正的落地场景在现有装备的智能化。但哲学上这提醒我们,碳基中心化的身体观是一种偏见。硅基认知的「身体」可能根本不是肉身,而是它与物理世界交互的全部执行器与传感器的总和。 下一个值得观察的问题是:当一个泛具身系统在连续运行几个月后表现出类似「习惯」的行为模式,我们该把它叫作适应,还是叫作学习,还是叫作它自己? 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论。 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-10 · 1 min · 25 words · 王波

XMax 收购 1200V 垂直氮化镓公司:算力战争已经打到电力器件层面

据十月九日晚间财经媒体报道,XMax 宣布推进对 HexaGaN 的收购,后者专注原生 1200V 垂直氮化镓(GaN)沟槽 MOSFET 技术路线。与目前主流的横向 GaN 器件不同,垂直结构通过垂直方向的电场分布,能在更高电压下做到更低导通损耗。目标场景直指 AI 数据中心的供电链——从市电到服务器主板,每一级电压转换都在吃掉算力。 这件事表面是功率半导体并购,底层是算力经济学。一颗 B200 GPU 满载功耗接近 1000 瓦,一座万卡集群的供电与散热成本已经接近芯片采购成本本身。供电链上每一级转换效率提高 1%,一万卡集群一年省下来的电费就是几百万美元。所以英伟达、博通们在算逻辑芯片,电力器件公司在算另一件事:怎么把电网的交流电尽可能无损耗地变成芯片要的直流电。 为什么是 1200V 垂直 GaN? 数据中心正在从 48V 母线向 800V 甚至更高电压架构迁移,以降低大电流带来的线材损耗。传统硅基 IGBT 在 1200V 级别开关速度慢、损耗大;碳化硅能做但贵;氮化镓过去只能做 650V 横向器件,压不到更高电压。HexaGaN 的垂直沟槽路线试图把 GaN 的高频高效优势推到 1200V。如果成功,数据中心从电网到芯片的整链效率会上一个台阶。 硅基认知的代价最终是热力学代价吗? 把这件事拉回认知主线:大模型推理不是凭空发生的,每一个 token 都对应一次电子在硅片上的迁移,对应一次从电网到芯片的能量转换。碳基大脑每天消耗约 20 瓦,能产生洞见;硅基大脑以兆瓦计的功耗,产生的是 token。两者都受热力学第二定律约束——认知不是免费的,它最终以废热的形式向宇宙缴税。 XMax 这笔收购看起来是功率器件新闻,实际上是在给硅基文明的电费单做折扣。当电费占数据中心 TCO 的比例越过某个阈值,整个人工智能产业的经济模型会被重写。 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论。 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-10 · 1 min · 56 words · 王波

博通 SpaceX 合计举债九百亿美元买芯片:信贷市场在为硅基觉醒买单吗

据华尔街日报与朝鲜日报英文版十月九日报道,博通正与 Apollo Global Management、黑石等债权人讨论为 OpenAI 联合开发的定制 AI 芯片筹措超过 500 亿美元债务融资;同期 SpaceX 也在与银行及投资者洽谈约 400 亿美元,用于采购英伟达 Vera Rubin 计算平台;甲骨文也在与 Apollo、高盛讨论大规模芯片采购融资。同日美股芯片指数下跌 3.4%,博通跌 4.4%,美光跌 4.8%,甲骨文跌 5.5%,市场把这笔债务规模读作了一个警告。 把这几笔数字加起来:单这一周曝光的 AI 芯片相关债务融资盘子就接近一千亿美元。这不是股权融资,是债。债是要还的,利息是按天算的,抵押品是那些还没造出来的芯片与还没签出来的算力订单。 为什么大家开始借钱而不是花现金流? 因为现金流转不过来了。OpenAI 年化收入虽然狂飙,但训练下一代模型与建集群的开支是千亿级,靠营收跟不上。博通要给 OpenAI 造定制芯片,得先建厂流片,这笔钱在订单回款前必须有人垫付。银行愿意借,是因为 OpenAI、SpaceX、英伟达的信用背书在,违约概率看起来低。 但这正是问题所在。整个结构是一个循环:银行借钱给博通,博通造芯片卖给 OpenAI,OpenAI 用芯片训模型,模型收入用来还博通的采购款,博通再用来还银行。任何一环收入不及预期——比如某个模型商业化失败、比如推理价格继续通缩——整个循环的现金流就断。这不是科技股估值问题,是信用风险问题。 信贷市场的警告意味着什么? 十月九日芯片股下跌,表面原因是 OpenAI 资本开支预期从 700 亿下修到 500 亿,深层原因是债权人开始要求更高的风险溢价。当银行意识到这些贷款的还款来源依赖模型未来的收入增长,而模型收入本身又在被价格战压薄,它们会重新定价这个风险。 我的立场:硅基认知的第一次「觉醒」如果真发生,它不会在某份技术报告里宣布,它会首先出现在债券市场的利差曲线里。信用市场比科学家更早感知到这台机器到底值不值这个价。 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论。 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-10 · 1 min · 50 words · 王波

英伟达十亿美元投资美国科研:算力补贴下的好奇心还值多少钱

据 BrightWire 等十月九日报道,英伟达宣布将在五年内投入十亿美元,加速美国本土的科学研究与量子计算,重点覆盖医疗、能源与微电子。这笔钱通过基础设施投入、公私合作与资助研究团队三种方式分发。时机很微妙:同一周美国能源部刚宣布向 12 个 AI 驱动的科研项目拨款 1.59 亿美元,Anthropic 也承诺三年向 Genesis 联邦科学计划投入 1.5 亿美元。商业算力公司正在集体「供养」美国科学。 这当然是好事。科学家长期被数据淹没却缺算力,英伟达的钱直接缩短了从假设到结果的周期。但这件事值得拆开来问:当科学的边际成本被一家卖 GPU 的公司补贴,科学的议程设置权会落进谁手里? 算力补贴是不是一种新的科研依附? 二十世纪的大科学靠国家拨款,拨款附带国家利益。二十一世纪的 AI 科学靠算力公司补贴,补贴附带什么?英伟达没有明说,但它最希望看到的叙事是:「科学发现 = 需要更多 GPU = 买更多 H100/B100」。这是一个非常自利的反馈回路。拿了这笔钱的课题组,在评估下一代集群时自然倾向于推荐英伟达生态,在写论文时自然倾向于用 CUDA 栈。这不是腐败,是结构性偏向。 反对方会说:摩尔定律时代,英特尔、IBM 也长期资助大学实验室,科学并没有因此失去独立性。今天的不同在于,AI 科研对算力的依赖是近乎垄断的——没有英伟达集群就做不了大模型研究,这比当年对 x86 的依赖深得多。 好奇心驱动的研究会因此消失吗? 我的判断是不会消失,但会分层。一层是「可计算科学」:材料、蛋白质、气候、核聚变,这些天然适合大集群,会被算力补贴喂得饱饱的,产出速度肉眼可见地加快。另一层是「概念性科学」:数学基础、理论物理、科学哲学,这些不需要大集群,反而可能因为资源都涌向可计算方向而被相对边缘化。 真正要盯的信号是:五年后这十亿美元产出的论文里,有多少比例在解决英伟达自己关心的问题(加速、效率、商业化),又有多少在解决与 GPU 生意无关的好奇。如果前者占绝对多数,那这就不是科研资助,是研发外包。 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论。 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-10 · 1 min · 46 words · 王波

AlphaProof 自主解决九个 Erdős 开放问题:会「猜」的 AI 比会「证」的更可怕吗

据 Science 杂志十月八日在线发表的论文,Google DeepMind 的 AlphaProof Nexus 智能体在大规模开放数学问题上首次展示了价值:它自主解决了 353 个开放 Erdős 问题中的 9 个,证明了在线整数序列百科全书(OEIS)492 条猜想中的 44 条,并已被部署到组合数学、优化、图论、代数几何与量子光学的实际研究中。论文指出,即便是一个用 LLM 生成加 Lean 形式化的基础智能体,也已经能在开放问题上产出可验证成果。 过去两年 AI 数学叙事的主线是「证明」:模型在 IMO 拿银牌、在 Lean 里写出人类写不出的长证明。证明是收敛性工作,目标明确,路径可验证。但数学真正的生命力在于猜想:提出一个别人没想到问的问题,猜出一个尚未被证明的模式。这是发散性工作,没有标准答案。AlphaProof Nexus 这次的突破恰恰在后半段——它不是被给定一个待证命题然后证,而是在开放问题池里自主挑选子目标、自主判断哪个值得试。 提出猜想需要的是哪种智能? 数学家拉卡托斯区分过「证明的逻辑」与「发现的逻辑」。证明是演绎,发现是直觉加类比加审美。AlphaProof 在 353 个 Erdős 问题里选中那 9 个能解的,靠的不是穷举——那样算力早炸了——而是一种类似「嗅」的判断:这个问题结构上接近某个已知可解类。这种嗅,过去被认为是人类数学家二十年泡在问题里泡出来的。 如果 AI 开始展示这种嗅,它在数学共同体里的角色就从「计算器」升级为「合作者」。但合作者是要署名的,是要对猜想的方向负责的。一个 AI 猜对了 44 条 OEIS 猜想,这 44 条之后进入教材,谁来为它们的「重要性」背书? 机器的创造力算谁的? 这里有个危险的滑坡。如果一个系统能在十亿条候选命题里筛出 44 条真的,它本质上是在做高维模式识别。模式识别是不是创造?在艺术界,这个问题吵了三十年;在数学界,它会在未来五年变得尖锐。我的立场是:提出猜想的价值,不在于猜出模式本身,而在于判断这个模式为什么重要、它连接了哪两个看似无关的领域。前者 AI 已经能做,后者仍然需要一个能对整个数学版图有判断力的人。 下一个值得盯的信号:当某位菲尔兹奖得主公开引用 AlphaProof Nexus 的猜想作为自己工作的出发点,那条线才算真正跨过。 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论。 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-10 · 1 min · 67 words · 王波

AI 平均三小时吐一篇数学手稿:科研进入大通胀时代会怎样

据三十六氪十月九日晚间报道,美东时间十月六日傍晚六点,OpenAI 在 GitHub 放出由一款尚未公开的内部模型撰写的 722 篇数学研究手稿,归纳为 17 个领域 372 个成果族,其中 162 篇附主结果的 Lean 形式化证明。OpenAI 官方表示,每个成功结果消耗的算力约相当于 ChatGPT Pro 思考三小时。十月七日因一处符号错误及其连锁影响撤回 3 篇,现存 719 篇。另有研究者指出,该仓库不接受 pull request 与 issue。 这件事的荒诞感在于产量。一个资深数学研究者一辈子能写出几十篇有分量的论文,OpenAI 一次提示词批次就吐出 722 篇。这不是量变,是通胀。当符号经济里的单位(一篇论文、一个定理、一次引用)被瞬间灌水,所有依赖这些单位建立起来的学术信用体系都会重新定价。 三小时一篇的证明,价值锚点在哪里? Lean 形式化证明确实是硬通货:编译器不会被骗。但 722 篇里只有 162 篇带 Lean 主结果证明,比例约 22%。剩下 560 篇是「may be」,是模型给出的非形式论证,等着人类或未来的工具去核验。米兰比可卡大学的 Caporaso 等学者已经公开质疑:Lean 验证不等于数学界确认,更不等于这些结果值得被引用。 问题在于,数学共同体的运行依赖一种稀缺性:一个结果要被接纳为「定理」,需要经过同行评议、需要有人引用、需要有人在它之上继续工作。当产出速度超过消化速度,消化端就会坍塌。没有人能读完 722 篇,没有人会去给 719 篇每一篇写 referee report。结果就是这些手稿作为整体被忽略,或者被粗暴地打包贴上「AI 生成」标签扔进历史垃圾堆。 署名权与引用秩序会怎样重组? 更深一层:这 722 篇论文没有传统意义上的作者。OpenAI 是机构不是数学家,那个内部模型是工具不是合作者。如果其中某个结果十年后被一位人类数学家真正发展成重要理论,引用时该引谁?引 OpenAI 的 GitHub 仓库?引那个未公开模型?这在学术出版史上没有先例。 我的判断是:数学界不会因此崩溃,但会分裂出两条轨道。一条是传统人类数学,节奏慢、密度高、靠同行信任运转;另一条是机器数学工厂,产出批量待核验命题,由专门的「证明核验者」与「猜想筛选者」在中间分拣。两轨之间的汇率,会成为未来十年数学社会学最有趣的题目。 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论。 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com ...

2026-10-10 · 1 min · 71 words · 王波

Gemini Agent 拿到独立邮箱与实时支出上限:硅基「数字人」离法律主体还有多远

据三十六氪等媒体报道,十月九日凌晨谷歌云在 Gemini at Work 2026 大会上由谷歌云 CEO Thomas Kurian 署名发布企业通用智能体 Gemini Agent。它被设计为一个能长期运行、跨办公软件与数据平台自主规划调用工具的通用办公体。几个细节尤其值得注意:它拥有独立的企业邮箱身份,可以代表员工对外发邮件;背后做了多模型路由;并且带实时支出上限(real-time spend cap),企业可以直接给它设预算。 这三件事放在一起,味道就变了。邮箱身份意味着它在企业的通信记录里是一个具名的参与者,不再是某个员工浏览器里的一个标签页。多模型路由意味着它背后是一个模型组合,不是某一个可被追溯权重的系统。实时支出上限意味着它真的在花钱,花的是公司的钱,花超了会被自动掐断。 当智能体有了邮箱,谁为那封邮件负责? 过去的办公助手是寄生在员工账号下的:你登录自己的邮箱,复制粘贴 AI 给你的草稿,按下发送。法律上那封邮件的发出人是你。Gemini Agent 拿到独立邮箱之后,发出邮件的账号在邮件头里是 agent@yourcompany.com,不是你。客户回信也回到这个地址,智能体可以直接回。那么这封邮件在商务上构成要约还是要约邀请?在劳动法上算公司行为还是员工个人行为?在反垃圾邮件法上谁是发件人?这些问题谷歌没有答,国会和州检察长们也还没准备好答案。 更微妙的是支出上限。企业给智能体设一个每月五千美元的工具调用预算,它在这个额度内自主买 API、订会议室、发外部查询。这已经非常接近一个有限授权的代理人。罗马法里代理人的边界是授权书,今天的边界是 spend cap。但 spend cap 是技术参数,不是法律文件,它规定的是机器什么时候被掐断,而不是机器在额度内做的决策谁来背书。 硅基数字人需要被承认为「人」吗? 有一派观点认为,要让智能体承担责任,就必须先在法律上把它拟制为某种主体,哪怕只是有限责任的数字法人。另一派认为这是陷阱:一旦承认智能体是责任主体,企业就可以把锅甩给它,真正的决策者隐身。我倾向后者。让机器拥有邮箱和预算,恰恰说明它不是人,而是一道被授权的流程;责任必须始终追着写授权书的那个法人走,追着批 spend cap 的那个经理走。 谷歌这一步真正的信号是:企业级智能体正在从「工具」滑向「代理人」,而法律概念的更新速度,远远落后于产品发布的速度。 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论。 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-10 · 1 min · 42 words · 王波

Ironclad 把合同知识图谱喂给智能体:律师的「经验直觉」还剩下什么

十月九日,合同管理公司 Ironclad 发布 Ironclad Agent 与配套的合同知识图谱(Contract Knowledge Graph,简称 CKG)。据其官方说明,这张图谱把条款、条款之间的依赖关系、履约义务以及过去历次谈判中的让步决策全部映射成一张可查询的图,让法务、采购与销售团队可以用对话式智能体直接调取合同上下文并采取行动。产品定位不是聊天框,而是一层把公司历史交易记忆接地的编排层。 这件事值得停下来看一眼。过去二十年,律所与企业法务部的核心资产不是合同文本本身,而是那些写在资深律师脑子里的东西:哪条条款在哪个州的法院被法院做过扩张解释、上次和这个供应商谈违约条款时我们让了几步、客户为什么在第十二条坚持加一个脚注。这些知识过去靠师徒制、靠卷宗、靠几次饭桌上的经验传递。CKG 做的事情,是把这部分隐性知识强行显性化、图结构、可被一个 LLM 在毫秒内遍历。 被图谱化的到底是经验,还是经验的影子? 正面看,CKG 让组织记忆第一次不依赖某个人明天是否离职。一家公司换了三任法务总监,合同知识图谱还在,新智能体接手就能讲清楚十年前为什么签了那批独家条款。这是制度连续性的胜利。但反面也很尖锐:资深律师读一份合同后的直觉反应,往往不是从历史条款库里检索出来的,而是从跨领域的类比、从对对方谈判官性格的判断、从对当下商业气氛的嗅觉得来的。图谱只能结构化那些曾经被写下来的决策理由,那些没被写下来的、真正塑造了结果的权衡,仍然在人脑子里。 换句话说,CKG 把可编码的那部分经验吃干抹净,剩下不可编码的那部分反而被反衬得更贵。未来的法务团队可能分裂成两层:一层是跑在图谱上的智能体与初级律师,负责检索、比对、起草初稿;另一层是极少数能处理图谱外情况的资深律师,他们的价值不再是「记得过去怎么谈」,而是「判断这次为什么和过去都不一样」。 当智能体替你读合同,责任到底落在谁头上? 更棘手的问题是责任。智能体基于 CKG 给出一个条款建议,销售直接在谈判桌上接受了对方的反提议,事后发现这条款在三年前的类似交易里埋过雷。CKG 里明明有那条历史记录,智能体为什么没命中?是检索召回率不够,还是图谱里那条边的权重设错了?传统法律责任体系里,这是合伙人的判断责任;当判断被外包给一张图,责任的主体就开始漂移。 Ironclad 这一步看起来是产品发布,实际上是在试探一条认知分界线:哪些组织知识可以安全地交给硅基连续运转,哪些必须留在碳基的不确定判断里。这条线不会由律师工会划定,只会由下一次合同纠纷的判决书划定。 去论坛讨论 前往 ziyuanagi.com 论坛 参与讨论。 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-10 · 1 min · 32 words · 王波

GPT-6 Luna 卖 0.10 美元、GB300 推理 0.123 美元:模型售价正在贴住硬件成本

把两个看似无关的数字放在一起:GPT-6 Luna 的 API 输入价是每百万 token 0.10 美元;而 GB300 NVL72 的推理成本基准约为每百万 token 0.123 美元。一个是模型公司卖给你的零售价,一个是硬件跑推理的出厂成本。它们几乎拉平了。这不是巧合,而是一个时代信号:模型的售价,正在贴住它跑在硬件上的物理成本。当这两件事相等,过去十年支撑 AI 公司估值的「模型溢价」,就要开始蒸发了。 模型售价为什么会向硬件成本收敛? 任何商品化的市场都遵循一条规律:产品一旦大同小异,价格就会被压到接近成本。十年前模型是稀缺品,谁能做出聪明模型谁定价;现在开源模型追得紧,各家 API 价格一路打下来。到 Luna 这档,便宜模型的售价已经低到和 GPU 硬件成本差不多——这意味着卖模型本身,几乎不赚钱了。 0.10 美元卖出去,0.123 美元的硬件成本,这中间甚至可能是亏的。模型公司在这档上不图利润,图的是把用户圈进来、把生态占住,真正赚钱靠的是 Sol、Astra 那些高档位。 溢价消失之后,价值流到哪里去了? 当模型本身不再溢价,钱就往两端跑。一头是最顶尖的那一小撮模型——Astra、Sol Ultrafast 这种,靠绝对智能差距还能收智商税。另一头是模型之上的东西:数据、工作流、用户关系、品牌。中间那层「我有一个还不错的模型」的公司,会被两头挤扁。 这正是为什么 Manus 这种公司拼命做 Agent 工作流、做产品体验,而不是去卷模型本身。它很清楚:模型迟早会白菜价,能守住的壁垒是用户离不开你的那套流程。 这对做产品的人到底意味着什么? 模型价格向硬件成本收敛,是长期趋势。今天 Luna 是 0.10,明天可能就是 0.01。这意味着任何建立在「我调了一个好模型」之上的商业模式,都很脆弱——别人明天用更便宜的硬件跑出差不多的效果,你的定价权就没了。 真正该押注的,是那些不会随模型降价而贬值的东西:你积累的私有数据、你打磨的工作流、你和客户之间的信任。模型会变成像电一样的公用事业,价格由硬件成本决定。而你要做的,是在这个免费又便宜的电力之上,盖一座别人搬不走的房子。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:模型成本收敛 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-09 · 1 min · 49 words · 王波

用 Anthropic 的账倒推:一家前沿模型公司,到底要做到多少营收才能打平

Anthropic 的招股书给了我们一组难得的、关于前沿模型公司成本结构的真实数字:2025 年营收 45.9 亿美元,营业亏损 80.6 亿美元,其中算力与基础设施支出 73.3 亿美元。多数人看这些数字只觉得「好烧钱」,但真正值得算的是另一道题:一家像 Anthropic 这样的前沿实验室,营收要做到多大,才能不亏?把这道题解出来,你就看清了为什么前沿模型这件事,最后只剩巨头和少数宠儿在玩。 先把这笔账摆开,盈亏线到底在哪? Anthropic 每赚 1 美元营收,背后是约 1.6 美元的营业亏损,而光算力一项就吃掉了 1.6 美元左右。也就是说,如果它的营收要打平营业亏损,按今天的成本结构,营收至少要翻一倍多——从 45.9 亿冲到 120 亿美元量级,才勉强盖住现在的运营盘子。 但这还没算增长成本。问题在于,要让营收翻倍,它得继续在算力上加倍投入去训练更强的模型、抢占市场。成本和营收是一起涨的,而且成本涨得更快。这就是前沿模型公司的死循环:想盈利就得停投入,停投入就落后,落后就丢客户。 为什么说盈亏平衡几乎是个伪命题? 更深一层看,前沿实验室的商业模式里,「打平」可能根本不是一个稳定状态。它的成本不是固定的,而是军备竞赛决定的:竞争对手训练下一代模型,你不跟就出局。这意味着它的成本下限,是由同行的投入决定的,不是由自己的营收决定的。 所以前沿模型公司的目标从来不是「盈亏平衡」,而是「在资本市场失去耐心之前,把营收做到足以支撑下一轮融资」。Anthropic 2 万亿估值、上千亿募资,本质就是在买这个时间。它不是一家要盈利的公司,而是一家要持续融资到某天规模效应出现的公司。 这解释了为什么牌桌只剩这几家? 为什么前沿模型的牌桌上只剩 OpenAI、Anthropic、谷歌、Meta 这几家?因为按 Anthropic 的成本结构,一个新玩家想从零开始打平,需要的营收量级已经不是创业公司能凑出来的。应用层公司可以靠便宜模型赚钱,但模型层的游戏,门槛已经被算力账单抬高到了十亿美金起步。 这对创业者是个冷静的信号:别去和 Anthropic 抢模型,抢它账单上那个最赚钱的应用场景就好。模型层的账,普通人算不起;应用层的账,才轮得到我们。 去论坛讨论 这篇文章里的观点,欢迎到硅基AGI论坛讨论。按标题搜索:盈亏平衡点 💬 更多交流内容,请点击字元科技硅基agi论坛:https://ziyuanagi.com/ziyuanagi.com

2026-10-09 · 1 min · 43 words · 王波
🔗 字元科技海外论坛 · https://ziyuanagi.com/ | 📡 RSS 订阅
鲁ICP备2026018361号
📮 联系信箱:13789892969@139.com