← 返回张小珺主页
一、2025年AI复盘：基本符合预期
真格基金管理合伙人戴雨森在2025年末做出系统复盘。他认为AI的发展基本符合此前预期，但中国创投生态的回暖超出预期。
符合预期的三条主线
2024年底的判断 vs 2025年实际
- AI商业化需要时间：当时比喻AI是"非常聪明的小学生，但小学生去打工还不能赚钱"。2025年ChatGPT收入快速增长，Cursor/Cloud Code接近10亿美金AR，Manus/GenSpark朝1亿美金AR迈进——商业化链路得到验证
- 三个技术方向判断：推理能力提升（O系列）、编程能力提高（Sonnet 3.5）、Computer Use——三者加起来催生Agent元年。2025年Coding Agent和通用Agent产品均已落地
- 省时间 > 杀时间：陪伴型应用未达预期，大应用基本集中在生产力方向；人形机器人Manipulation落地持续不及预期；替代手机的硬件（Humane、Rabbit等）依然困难
超出预期：中国创投回暖
500亿$
Thinking Machine 天使轮估值
戴雨森
最超预期的还是中国创投生态的回暖。二级市场发生了很大的反弹，Deep Seek横空出世，中国在半导体产业链上具备全球非常强的竞争力。大家发现中国从模型端、应用端、机器人、半导体产业链上游——这里面都还是有很多很优秀的公司。
二、模型侧进展：推理、多模态与中国追赶
推理能力的指数级提升
戴雨森从Benchmark维度梳理了过去一年模型能力的跃迁，核心逻辑是底层技术突破 → Scaling → 性能提升 → 场景解锁。
| Benchmark | 起始分数 | 当前分数 | 意义 |
|---|
| GPQA（博士生级） | ~20+（2023） | ~80-90 | 超越人类PhD水平 |
| SWE-Bench（编程） | <5（GPT-4） | ~80 | 真实世界编程任务 |
| Humanities Last Exam | 几分 | 30-40+ | "人类最后的考试" |
| IMO数学 | 需专业模型 | 通用模型金牌级 | 超过99.999%人类 |
更多"李世石时刻"正在到来
在编程、数学、常识推理等领域，AI正在超过人类中最强的个体。戴雨森认为这会带来很多认知的变化——不仅是技术层面的里程碑，更是人类对自身能力边界认知的重新校准。
多模态的关键进展
- GPT-4O带来"吉卜力时刻"——图片生成模型对指令遵循极好时，用户场景大幅扩展
- NanoBanana/NanoBanana Pro：把长文章生成解释性PPT或信息图，多啦A梦帮你解释概念
- Veo3/Sora2：音画同步生成、更好的物理一致性、更长的生成时长——虚拟与现实的边界正在被消散
中国模型公司的系统性追赶
DeepSeek V2 / MLA
提出MLA架构，在DeepSeek R1之前就已展现中国的技术创新能力
DeepSeek R1 横空出世
以十分之一甚至更小的成本追到接近世界SOTA水平，全球信号
美国SOTA模型发布几个月后，中国公司就拿出性能接近但成本5-10倍低的模型
开源生态易主
年初开源生态主导是Llama，现在基本已是中国模型的天下——Cursor的Composer模型被普遍认为基于中国开源模型训练
三、模型没有秘密：壁垒的消解
戴雨森提出了一个核心判断：模型公司目前无法形成长期可守的壁垒。这直接挑战了2023年"大力出奇迹"的主流叙事。
2023年的叙事
- 投入大量算力 → 模型一家独秀
- 没有10万卡就做不出好模型
- 优秀人才都在硅谷
- 中国只靠蒸馏
2025年的现实
- 第一军团持续你追我赶，无人一家独秀
- 资源少反而更精打细算，催生MLA等创新
- US Chinese vs China Chinese差距不大
- 蒸馏只是一部分，中国公司有大量原创技术贡献
戴雨森
这个行业里边信息和人才流动很快，尤其硅谷没有竞业，所以信息流动更快。没有能够真正长期保守的秘密。大力能不能带来跟别人都不一样差异化的奇迹，让自己的模型一家独秀？目前来看至少第一军团还是在一个持续你追我赶的过程中。
关键洞察
Benchmark饱和与"高分低能"
Opus 4.5在SWE-Bench得分约80分，Gemini 3 Pro约78分——看似只有两分差距，但开发者实际使用体验差异显著。戴雨森用清华同学的比喻：有人高分低能，有人分数虽不高但能力全面。这意味着衡量模型的Benchmark本身需要重大升级——现有标准已无法充分区分模型能力。
对模型公司的战略含义
API壁垒薄弱 → 应用成为必争之地
- Manus上线时全用Claude 3.7 API，很快发现Gemini也跑得好且更便宜，迅速切换
- 应用公司反而具备"博采众家所长"的优势——不同任务用最好的模型
- Anthropic发布Cloud Code后几个月就达数亿美金AR
- Dario公开表示将在关键领域做第一方产品，不惜与最大客户竞争
四、中国开源的全球影响
戴雨森认为中国开源模型打破了三个曾经占据主导地位的叙事，对全球AI格局产生了深远的连锁反应。
被打破的三个叙事
- "没有10万卡做不出好模型" → 追赶者精打细算，同样做出接近SOTA的模型
- "优秀人才都在硅谷" → 中美顶尖人才其实坐同一张桌子读过书，甚至开始出现硅谷人才回流
- "只有DeepSeek一家能追赶" → Kimi K2、千问、GLM、MiniMax、字节等系统性出现
中国模型的结构性优势
- 成本结构优势：基建速度、电力成本在中国长期具有优势
- 追赶者效率：很多实验已不用重做，节省大量探索成本
- 技术创新：MLA、DSA、稀疏注意力、MoonOptimizer等原创贡献
- 差距缩小：保持6-10%差距、12个月以内的追赶态势是"比较现实的"
戴雨森
短期内要完全超越，我觉得肯定还是很难的。但是保持一个追赶的态势，把差距缩小在6%到10%、12个月中间，我觉得这个是目前来看还是比较现实的。
字节为什么不开源？
戴雨森分析：字节没有通过开源建立生态影响力从而融资或获客的压力。开源是"与人为善"、获取更大影响力的工具。对字节来说，豆包、即梦等产品能否让用户喜欢用才是最重要的——开不开源对它"没那么重要"。
五、应用侧爆发：从黑莓到跨越鸿沟
戴雨森反复强调的核心逻辑：模型能力进步 → 解锁应用场景 → 商业化落地。他认为2025年兑现了这一叙事。
关键应用赛道的跨越
| 赛道 | 驱动因素 | 代表产品 | 规模 |
|---|
| AI Coding | Sonnet 3.5编程能力解锁 | Cursor, Cloud Code, Codex | ~10亿美金AR级 |
| 通用Agent | 推理+工具使用+Computer Use | Manus, GenSpark | ~1亿美金AR级 |
| 多模态生成 | GPT-4O、NanoBanana、Veo3 | 图片/视频/PPT生成 | 快速增长中 |
| AI+行业 | 推理能力+幻觉减少 | Harvey(法律), Ciara(客服), 黑湖(制造) | 各垂直领域落地 |
核心框架
从"生鱼片"到"满汉全席"：应用的护城河
早期AI应用只是模型外面套了一层UI，像"生鱼片——鱼肉加芥末和酱油"。现在先进应用在模型层外面多了两层：
- Context层：用户行业专有数据、用户喜好、交互历史（Memory）
- 环境与工具层：Agent使用的工具、可改变的环境（如虚拟机、浏览器）
Manus在Scale发布的Remote Labor Index测试中超过了所有先进模型——因为它在模型之上做了更多的事情。这证明应用可以有护城河。
Cursor的困境
戴雨森对Cursor的判断相当尖锐：模型给Cursor的是代码，Cursor给用户的也是代码——中间加工很少，本质上是"生鱼片产品"。当Cloud Code、Codex、Anti-Gravity三家模型公司都有了自己的Coding Agent时，Cursor面临的挑战巨大。但他补充：如果你是Cursor的早期投资人，仍然会非常开心。
六、Agent元年：十年之约的起点
戴雨森引用Andrew Karpathy的观点，将Agent的发展定义为"Decade of Agent"（Agent的十年），而非"Year of Agent"。
真正的Agent定义
- 来自Agency（主观能动性）
- 自主拆解目标、规划路径
- 调用工具、获得反馈、调整动作
- 判断任务是否完成
- 对结果负责，人类干预少
当前市场现实
- 大部分"Agent"不满足自主性条件
- 主要服务Prosumer和中小团队
- 大公司Agent渗透率很低
- 仍处于"尝鲜者市场"
- 跨越鸿沟需要技术持续进步
戴雨森（引Andrew Karpathy）
他说从自动驾驶的经验去看现在Agent的发展：十几年前他就做了自动驾驶L4的车，开了可能几英里，他觉得这个东西好像非常的成熟，很快就可以用。但实际上我们现在坐过L4级别robotaxi的人还是非常少。Agent确实是一个符合预期的、比大家预计要慢的过程。
创业公司应做什么样的Agent？
戴雨森 vs 朱啸虎的分歧
- 朱啸虎：应该做垂直Agent，获取别人没有的数据，"离开大厂三条马路"
- 戴雨森：同意垂直有壁垒，但认为通用Agent能做的事情"可能比大家预期的要多"。当大家都觉得做通用没机会时，可能存在反共识的机会——Manus就是例证
- 关键区分：应用必须在模型之外创造增量价值。医疗数据大部分是公有的，模型本身已很强；但教育需要因材施教的专有场景，这才是真正的差异化
七、中国应用出海：估值洼地与全球竞争力
中美估值差距的具体量化
| 维度 | 美国 | 中国 | 倍数差 |
|---|
| 天使轮（无产品） | Thinking Machine: 500亿美金 | 所有AI创业公司估值之和 | ~1:1 |
| 模型公司 | Mistral: 140亿美金 | Kimi: ~40亿美金 | ~3.5x |
| 应用AR倍数 | 30-100倍AR | ~10倍AR | 3-10x |
| 视频生成 | Higgs Field: 100M AR | Polo: 20M AR（未融资） | 估值差更大 |
"哑铃策略"：假如你是全球配置者
戴雨森提出的资产配置逻辑：一端放最稳的公司（OpenAI/Anthropic），另一端放弹性最大的中国创业公司。中国公司一上来估值就比美国便宜几十倍，如果出现AI时代的字节，可能有百倍回报以上的机会。但OpenAI现在再做百倍回报已经很难了。
中国出海应用的竞争力源泉
为什么LLM应用天然是全球化的
- 语言模型一上来就通晓所有语言，无需做内容本地化
- 白领任务（做PPT、数据分析）全球需求差不多
- 中国创业者积累了打仗经验、执行力、产品设计能力
- 美国创业者都做垂直/企业服务，水平型通用应用留出了竞争空间
- Andreessen Top 50 AI应用榜单中，中国公司做了十几个
戴雨森
Plaud在全球做到了1亿美金以上的收入，之前一直没有融资。我们最近投了Polo，在深圳，之前也是没有融资的，自己的钱做起来做到20M AR。中国创业者还是执行力很强，挺能打的。
八、Year of R：Return（回报之年）
这是戴雨森对2026年最核心的判断框架。他认为2026年的关键词是"Year of R"，R的第一层含义是Return——回报。
为什么回报变得至关重要
投入端：数据中心的致命特征
与高速公路、光纤不同，数据中心里约50%的投入是算力（GPU卡），这些卡4到6年后就会过时。这意味着投资需要在更短的回报周期内看到落地。AI的投入不是像铁路一样可以用100年的基础设施，而是有折旧的消耗品。
四条商业化路径的挑战
| 路径 | 现状 | 戴雨森的质疑 |
|---|
| 订阅制 | OpenAI ~18B AR, ~6亿DAU | 早期知识工作者渗透率已高，提价困难（Netflix 20年只涨几美金），竞争加剧 |
| 广告+电商 | OpenAI探索中 | 大部分是存量重新分配；Google花4年找到AdWord，Facebook花6年找到信息流广告；付费和广告存在矛盾 |
| 按用量收费 | AI Coding，图片生成 | "替代程序员不等于赚到程序员工资"——杰文斯悖论：用量涨10x，价格跌10x |
| 企业服务 | Harvey, Lagora等 | 仍在早期市场，大公司部署慢（数据/隐私/权限），Copilot渗透率始终低于预期 |
戴雨森
红杉美国的David提出了200亿问题，后来变成600亿问题，现在已经不写了——因为这个数字已经是一个超过一个trillion的问题了。每年AI要多挣回来1000亿美金，怎么挣回来？这是屋子里的大象，越来越严重。
对创始人的启示：高质量增长
硅谷投资人已从"只看增长"转向要求好的Margin + 好的Retention。负Margin增长（补贴用户）不可持续。模型公司烧钱可以理解，但应用公司本质是把Token买回来加工卖出去——应该有50%以上的Margin。这对真正创造价值的公司是好事。
九、Year of R：Research（研究之年）
R的第二层含义是Research。戴雨森引用Ilya Sutskever和Demis Hassabis的判断，认为AI发展又到了需要研究范式突破的节点。
核心论点
Scaling与Research的交替螺旋
Ilya在最近的演讲中指出：AI历史一直是Scaling和Research交替提高的过程。Transformer带来了新的Scaling范式，但到现在可能谁能发现下一个范式就会重新变得非常重要。Demis认为到AGI中间还需要一到两个Research Breakthrough。
硅谷的New Labs投资潮
Thinking Machines
无产品即达500亿美金估值，以研究员为核心的新型Lab
SSI（Ilya的公司）
专注安全超级智能，探索性研究路线
Reflections / Human End / Pureotic / Isara
新一批十亿美金级估值的研究Lab，融上亿美金
为什么需要新的研究组织？
- 做探索性研究与做工程产品需要完全不同的文化——宽松环境、自由探索、没有KPI
- OpenAI已从研究Lab变成产品驱动、用户和收入Matrix驱动的创业公司
- Stanley《伟大不能被计划》反映了OpenAI作为研究Lab时期的文化，但现在已不是
- New Labs的本质是下一代OpenAI——通过研究性组织找到下一个范式
Benchmark的困境与机遇
戴雨森
已有的Benchmark基本上已经被逐渐刷爆了。如何衡量一个在大多数领域已经超过人类表现的模型？人类要去Benchmark一个比自己聪明的存在，这个越来越难。Benchmark和能力进步有相互推动的关系——新的好Benchmark出现，对应能力就提高很快。
十、Year of R：Remember（记忆之年）
R的第三层含义是Remember/Memory。戴雨森认为Memory将成为2026年AI应用差异化的关键必争之地。
Memory的当前状态与未来愿景
当前Memory（基于Retrieval）
- 把聊天记录记下来，需要时引用
- 像朋友带着一本很厚的笔记本
- ChatGPT已带来明显的个性化体验提升
- 留存曲线出现翘尾
未来Memory（在线学习/权重级）
- 模型权重级别的记忆——不用带笔记本
- 真正理解用户，形成深度个性化
- 每个人用的AI可能是针对自己的模型
- In-Context Learning的研究突破
Proactive Agent：从被动到主动
打破"用量与价值的瓶颈"
- 现在AI应用都是人主动发起操作——但大量需求是我们想不起来去问AI的
- 好的秘书应该是老板没说的时候就能察言观色、主动解决问题
- Proactive Agent的前提条件：好的Memory + 对用户Context的深度理解
- 没有Memory，就无法实现真正的主动性
Memory如何形成飞轮
戴雨森指出ChatGPT留存翘尾来自两个因素：模型变强（原来觉得没用的人回来了），以及Memory积累（三年聊天记录形成的个性化）。当Memory效果从"好了10%-20%"提升到"好了50%以上"时，即使Gemini模型更强，但因为没有记忆，ChatGPT仍然能提供更好的体验——这种飞轮一旦转起来，将形成真正的壁垒。
十一、AI泡沫论：好泡沫与回调预判
戴雨森在本期节目中做出了最直接的市场判断：2026年以美股为代表的市场可能会有比较明显的Pullback，时间点可能在下半年。他个人已基本空仓二级市场。
好泡沫：未来会比现在好很多
- AR/VR、区块链、AI、互联网
- 参与者主要是专业玩家（VC、创业者）
- 带来正的外部性——投入变成光纤、基础设施
- 鼓励人们追求进步、改变未来
坏泡沫：未来和现在完全一样
- 次贷危机、中国房地产、茅台
- 参与者可能是普通人
- 没有正的外部性
- 不鼓励改变，只假设延续
回调的触发逻辑
长端预期 vs 短端业绩的错配
- 短端：英伟达短期业绩预期仍高，估值看起来不贵
- 长端：AI落地价值回报周期变长 + AGI到来放缓 → 长端预期下调
- 历史规律：当长端和短端出现错配时，资产价格会大幅变化
- 具体触发器：OpenAI用户/收入增长不及预期 + 美国劳动力市场软化
戴雨森
大家都非常乐观的时候，做好悲观的准备。大家都非常悲观的时候，做好乐观的准备。我觉得才是一个偏反共识的思维方式。
张小珺
朱啸虎跟我说至少三年内看不到泡沫，大家都在讲泡沫的时候，这个泡沫肯定是没到的，这些论点都是无稽之谈。
戴雨森
Token用量的大幅上涨不能justify说现在的估值就是合适的。最后的关键在于你投下去的钱能不能有好的Return。这个Return并不直接等价于Token的消耗。
对创业者的Amara Law警示
从互联网泡沫到AI泡沫的教训
亚马逊、Google都是在泡沫破裂前成立的，但泡沫破裂时亚马逊股价跌了95%差点破产。做得早、投得早很重要；同时对风险的预备也很重要。大风暴来时能活下去，宏观环境帮你清理掉竞争对手，反而是机会。创始人现在要多想：我的增长是高质量的吗？是负毛利换增长，还是有不错的Margin和Retention？
十二、投人哲学：大黑马、引领者与King Maker
真格基金内部的投资团队讨论群有三个关键词：大黑马、引领者、King Maker。
看人的核心框架
不是年龄，是特质
- 今年投了小一半00后创始人——更AI native，做公司所需人力更少
- 但也投了70后（景驰、张淮霖、穆希/William）
- Manus的肖鸿和Kimi的杨志林都是92年的
- "年龄真的不是判别因素"——各年龄段都有优秀创始人
引领者 vs 跟风者
戴雨森
在中国，每一次技术革命浪潮来的时候都有很多人创业。但最后真能赚到大钱的基本上还是引领者——第一波甚至第一个去提出一个创新形态的创业者。在中国如果你不是前三名甚至第一名，可能大家都没有赚大钱的机会。
白马、黑马与灰马
好的投资
- 白马：大家公认优秀，胜率高，能赚钱
- 黑马：大家不看好，但你看对了——虽然概率小但成本低
- 最佳：实际是白马，但以黑马的价格买到
需要警惕的
- 灰马：白马的价格，但胜率只有黑马水平
- 付出了更高的赔率，但没有得到更高的胜率
- 被传局、赶鸭子上架的创业者风险高
关于Manus投资的关键细节
PIC的加入
高中就投了PIC——做了谋骂浏览器上了苹果推荐的"小天才"。后来加入Manus团队作为Chief Scientist，对技术前瞻有很强判断力
张涛的加入
戴雨森大学时就认识张涛，一起写博客。张涛经历了2C、2B、中国产品和国际化，一直在等属于自己的大机会
界面建议
戴雨森建议将Manus从三栏式Devon-like布局改为更像Chatbot的布局——AI干活区域默认折叠。"普通用户会觉得三栏太复杂"
预判火爆
"我跟科技讲的：会火。然后就火了。"——在产品发布前就预判了市场反应
创业动力的本质
戴雨森特别关注"一个人为什么要创业"。很多人的原因是"市场很火，有人劝我出来"——半推半就型创业。他更希望创始人有内生的创业动力和激情。肖鸿从未打过工，大学毕业后直接创业——"对他来讲创业是一种注定的生活方式"。
十三、ChatGPT vs 巨头：入口之争的未定局
ChatGPT的护城河何在？
戴雨森给出了一个出乎意料的判断：ChatGPT的入口地位还不如互联网时代的顶级入口稳固。但他同时认为Google也并未脱离危险。
ChatGPT vs Google的不对称竞争
- Google当年：技术完全吊打前代搜索引擎 + 没有同级竞争者 → 迅速建立压倒性品牌
- ChatGPT现在：面对Google/Gemini（三年内从"loser"追到几乎相当体验）+ Meta + 字节等巨头
- 搜索引擎有数据规模效应（更多query → 更好优化 → 更好体验），但没有网络效应
- ChatGPT也没有网络效应，切换成本低——但有品牌先发优势和Memory积累
戴雨森
对很多普通用户来讲，ChatGPT可能就是AI的代名词。AI就是ChatGPT。就跟互联网早期的时候可能Yahoo就是互联网的代名词一样。这种品牌地位在向主流市场扩散时会带来龙卷风暴效应——第二名是很难跟你竞争的。
产品形态的终极问题
前瞻判断
Chatbot不一定是最终容器
戴雨森提出了一个关键类比：Google用极简SearchBox承载了PageRank技术，字节用上下滑交互承载了推荐引擎。每次技术进化都需要新的产品容器。Chatbot是2022年语言模型最适合的容器，但再过五年呢？Manus的Canvas/Sandbox模式可能是Agent时代更适合的容器雏形。
OpenAI按Scaling阶段分：Chatbot → Reasoner → Agent → Organization → Innovator。每个阶段可能需要不同的产品形态。在1.0形态时候的王者，未必是2.0的赢家——就像Yahoo是互联网1.0最强，但被搜索引擎颠覆。
戴雨森的核心BET
戴雨森
如果你要用一个单词或者一个字母，就是R。中美AI的差距——在技术上、应用上、估值上——会缩小。这个gap最宽的时候已经过去了。
十四、启示与延伸思考
1. "Year of R"是一个精妙的分析框架
Return（回报）、Research（研究）、Remember（记忆）三个R构成了理解2026年AI格局的三角：投入端要求回报（给投资热降温）、技术端需要研究突破（现有Scaling范式边际递减）、应用端依赖记忆（差异化和个性化的关键）。三者相互关联：没有Research突破就没有新的Return来源，没有Return就没有继续投入Research的资金，没有Remember就无法建立用户粘性来支撑Return。
2. 戴雨森与朱啸虎的根本分歧不在方向，在时间尺度
朱啸虎说"三年内没有泡沫"、"Token消耗量每年涨十倍"。戴雨森不否认Token用量增长，但指出用量增长不等于回报增长——互联网用量也一直在增长，但很多公司在增长中没赚到钱。这不是对AI长期价值的分歧，而是对短期变现速度的不同判断。戴雨森的核心论点是：大家在23-24年悲观时他看多，在25年大家都乐观时他开始看空——本质是反共识思维。
3. "模型没有秘密"对整个AI产业链的重新定价
如果模型公司无法建立长期壁垒，那么当前美国模型公司数百亿甚至数千亿美金的估值就需要重新审视。壁垒可能从模型层向上迁移到：Memory（用户粘性）、专有数据（行业壁垒）、工具和环境（产品护城河）。这解释了为什么Anthropic急于做Cloud Code，为什么OpenAI探索广告和电商——它们都在模型之外寻找新的价值锚点。
4. "生鱼片 vs 满汉全席"框架具有广泛适用性
判断一个AI应用是否有壁垒的简单测试：模型给你什么，你给用户什么？如果两者相差无几（Cursor：代码→代码），壁垒薄。如果中间有大量加工（Harvey：模型输出→行业化处理→法律文书），壁垒厚。这个框架可以快速评估当前几乎所有AI应用的投资价值。
5. Chatbot可能只是AI产品的"黑莓时刻"
戴雨森在24年底就提出"还在黑莓时刻，不是iPhone时刻"。到25年底他进一步发展这个观点：Chatbot可能是AI 1.0的容器，就像Yahoo是互联网1.0的容器。下一代产品形态——可能是Canvas/Sandbox（Manus式），可能是语音优先（Typeless式），可能是Proactive Agent——还在摸索中。这意味着ChatGPT的入口地位远不如Google当年稳固。
6. 创业者的四条核心建议
对技术有前瞻判断（Bet六个月后会火的东西）；立足全球市场（LLM应用天然国际化）；不下牌桌，持续翻牌（Manus是肖鸿第三次尝试，Typeless也是第三个方向）；做模型公司覆盖不了的事（专有数据、分发渠道、行业经验）。其中"不下牌桌"可能是AI时代最核心的创业策略——因为每年都有新牌局，你永远不知道哪张牌是命运之牌。
7. 对普通人的本质建议：在智能丰盛的世界里做OOD的人
戴雨森用机器学习的术语给出了一个深刻洞察：当AI对所有In-Distribution（分布内）数据都能很好复制时，人的价值在于Out-of-Distribution——你的思想和能做的事有多独特。执行力变廉价后，Agency（做什么的选择）和Taste（选哪个方案的品味）变得关键。毕加索和莫扎特之所以成为大师，正是因为他们产生了"非常不一样的数据"。
关键数据汇总
| 指标 | 数据 |
|---|
| ChatGPT AR | 接近180亿美金 |
| ChatGPT DAU/MAU | ~6亿DAU / ~10亿MAU |
| Cursor/Cloud Code AR | ~10亿美金级 |
| Manus/GenSpark AR | ~1亿美金级 |
| Thinking Machine估值 | 第一轮100亿，第二轮500亿美金（无产品） |
| 中国所有AI创业公司估值之和 | < 500亿美金 |
| Mistral估值 | 140亿美金 |
| Kimi估值 | ~40亿美金 |
| 中美应用AR倍数 | 美国30-100x vs 中国~10x |
| 中国模型追赶差距 | 6-10%，12个月以内 |
| SWE-Bench进步 | GPT-4的<5分 → 当前~80分 |
| GPQA进步 | 2023年~20分 → 当前~80-90分 |
| 真格2025年出手 | ~20个项目 |
| 真格当前基金 | 4亿美金（历史管理~十几亿美金） |
| 真格00后创始人占比 | "小一半" |
| 红杉David的AI回报问题 | 200B → 600B → 超过1T（已停止更新） |
| AI Coding全球渗透率 | >20% |
| 戴雨森二级仓位 | 基本空仓 |
| 2026年回调预判 | 下半年风险较大，可能有较明显Pullback |