广密亚（海外独角兽创始人）在 2023 年几乎将全部精力投入大模型赛道，肉身超过一半时间在硅谷，团队 10 人在过去一年接近"一万小时定律"级别的投入。他的公众号和朋友圈全年几乎只发 AI 内容，平均每天三条。
他们的投资策略极度聚焦：团队 90% 的时间只 focus 三家公司——OpenAI、Anthropic、Google。年初投了两家公司，目前都进入全球 chatbot 流量前五名。
这种 all-in 策略带来了三个直接结果：（1）新旗舰基金超募；（2）年初投的两家公司进入全球 chatbot 流量前五；（3）团队进入"加速成长"状态。广密亚判断"核心的 secret 就在硅谷"，因此选择肉身驻扎。这种投资方法论本身就是对大模型这一波浪潮"赢家通吃"特征的押注。
广密亚认为其他公司带来的"噪音比较多"，只有 OpenAI、Anthropic 和 Google 这三家"有核心的 secret"。这种判断背后是他对大模型竞争格局的根本认知：这不是一个百花齐放的赛道，而是一场只有极少数选手有资格参与的登月竞赛。
广密亚用"闭上眼睛一想"的方式，梳理了 2023 年大模型行业最重要的几个分水岭。
"Chat 就等于 ChatGPT"，这个心智占位至今稳固。快速突破百万、一亿用户，稳定在 2 亿+ MAU，年化收入超 10 亿美元。
关键分水岭——代表 SOTA 最佳模型的标杆。"谁再能复刻 GPT-4，就是关键节点。"
"内部几乎复刻了 GPT-4"——比 OpenAI 晚约半年达到同等水平。
Llama 和 Mistral 发布多个模型。Mistral 团队是 Llama 1 的核心贡献者。开源最佳模型出自这两家。
Midjourney V1 到 V6 效果快速提升；Runway 和 Pika 视频生成有了大飞跃。
Pro 版本约等于 GPT-3.5，对标 GPT-4 的 Ultra 版"下个月才能发布"。Google 从头 pretrain 多模态模型，开创了新范式。
Sam Altman 被开除又回归，700+ 员工联名支持，"AGI 只耽误了四五天"。
OpenAI 在 2023 年 3 月发布 GPT-4，但实际训练完成可能更早（约一年前）。Anthropic 半年后接近复刻，Google 一年后才 deliver，全球其他团队还需 6-12 个月。这种时间差不仅是技术差距，更决定了数据飞轮的先发优势——更早的 GPT-4 能生成更高质量的合成数据，反哺下一代模型训练。
广密亚判断 2023 年首轮竞赛已经决出前三名。这三家公司是全球仅有的做出 GPT-4 水平模型的团队。
| 公司 | 估值（2023年底） | 达到 GPT-4 时间 | 核心优势 |
|---|---|---|---|
| OpenAI | ~1000 亿美元 | 2023.03（发布） | 品牌心智、产品先发、用户规模 |
| Anthropic | 150-250 亿美元 | 2023.07（内部） | Research 深度、safety 领先 |
| Google (Gemini) | —（上市公司） | 2024.01（预计） | 多模态原生训练、数据与算力 |
广密亚看好未来 6 个月三家公司有潜力做出 GPT-4 水平的模型：
广密亚认为，如果只说一个 secret，短期就是数据——预训练的数据配比、tokenizer、以及如何实现 reasoning（推理能力）。全球真正知道 GPT-4 data secret 的人只有两三百个，几乎都在前三家公司。其他公司想搞清楚，"至少得有几百次几千次充足的实验"。
广密亚强调"天才科学家的聚集效应是很强的"——这种人和这种文化组合在一起，形成了其他公司无法复制的 research lab 文化。OpenAI 的核心特征是"不知疲倦地持续做实验、做探索"，而且"research 的卡是无限的"，人均 research 用卡量是一个"非常高的数字"。
传统 VC 的投资框架习惯于把"钱"视为核心竞争要素，但大模型竞赛揭示了一个不同的逻辑：人才的稀缺性远比资金更为关键。全球仅 200-300 人掌握核心 secret，而且他们高度聚集在前三家公司。这意味着即使有充足资金，如果无法吸引这些核心人才，复刻 GPT-4 仍然极其困难。"从 GPT-3.5 走到 GPT-4，难度增加 5-10 倍"。
这是一个激烈的判断——将传统 AI（计算机视觉等）与大模型 paradigm 做了明确切割，暗示这一波技术革命需要的是完全不同的研究思维和能力集。
大模型能力随着参数量、数据量和计算量的增加而持续提升的经验规律。由 Anthropic 的 Dario Amodei 等人最早发现和系统研究。目前还没有理论支撑，只是"实验和试错总结的经验"。这是当前唯一已知的提升模型智能的路径。
| 科学家 | 所属公司 | 核心贡献 |
|---|---|---|
| Noam Shazeer | Character.AI | Transformer 最核心贡献者，最早提出 Scaling Law，提出 MoE |
| Dario Amodei | Anthropic | 系统研究 Scaling Law，发明 RLHF |
| Ilya Sutskever | OpenAI | 深度学习先驱，GPT 系列首席科学家 |
广密亚反复强调这一点：Scaling Law 是否能继续 work 是"所有人都无法回答的问题"，"还是个科研问题，还没有解决完"。如果不能继续 scale up，"那可能就停在这一代下一代"。这意味着人类正在用千亿美元赌一个尚未被理论证明的经验规律——这是这场"科学豪赌"的真正含义。
大模型训练成本分两部分：
700 亿参数是分界点：以下可以容忍很多错误，以上训练难度指数级提升，失败率非常高。
互联网产品边际成本趋近于零，而大模型训练呈现完全相反的特征：每一代模型的训练成本是前一代的数倍乃至十倍以上，且前一代模型的价值在新模型发布后迅速归零。这不是互联网式的"先亏损后盈利"，而更接近芯片制造或航天发射的逻辑——巨额固定投入、极高失败率、赢家通吃。
广密亚特别指出一个被忽视的竞争力：OpenAI 训练完 GPT-4 后，可以用新能力重新训练 GPT-3.5，将推理成本降到极低。GPT-4 Turbo 是从头训练的，能力比 GPT-4 更强，但训练成本降了 4-5 倍，推理成本降了近 10 倍。
广密亚认为大模型最相关的三个大生意依次是：芯片（NVIDIA）、公有云（微软 Azure、亚马逊 AWS）、终端（手机 + 汽车）。其中终端最终可能最关键——Apple 和 Tesla 代表的手机端和车端是离用户最近的 AI 入口。
赌的是入口。ChatGPT 代表 Answer Engine（问答引擎），Google 代表 Search。广密亚比喻说："问答引擎就像是直接点外卖，所有都做好了；Google Search 就是你去菜市场还要买菜。"如果 Answer Engine 最终颠覆 Search，那对 Google 来说就是主航道被替代。同理，Meta 的真人社交网络面临虚拟人 Agent 社交的潜在威胁，Apple 的 Siri 面临被更强 AI 替代的风险。
移动互联网时代是巨头 A 投 B 公司、巨头 C 投 D 公司，阵营分明。但大模型时代，"大家都一起进一家公司，而且可能一起进多家公司，每个人投个三五千万美金"。原因还是技术辨识度太低——"不知道该把十亿美金投给谁"。
广密亚认为大模型适合 top-down 来做，但中国目前的资源"比较分散"，每天的资源都是 3-5 亿美金，且面临 GPU 不足的硬伤。他的建议是"提前抱大腿"——像硅谷的第二阵营那样和巨头深度绑定，而非各自为政。他甚至具体点名：阿里有云和钉钉（"像微软"），字节的能力"可能在其他人之上"，百度"觉得自己行但不知道未来真的行不行"。
传统软件开源的核心在于社区协作——代码可读、可改、可贡献。但大模型是"不可编码、不可解释"的，"模型为什么有这个智能大家今天还是不知道的，就像人脑一样"。GPU 需要在单一集群连起来训练才更高效，无法像开源软件一样分布式协作。
广密亚透露他们在看 Mistral 融资时"很难做决定"，因为 Mistral 面临一个根本性风险：即使它在 7B 参数上做出最佳模型，OpenAI 也可能"顺手"训一个同等规模的模型将其碾压。"大模型公司向下覆盖"是一个结构性威胁。
广密亚用出行比喻需求分层："从北京到天津，开车和高铁都可以，没必要用火箭飞船。但从北京到旧金山，SpaceX 两小时送过去，需要 capability 很强的。"开源模型服务"北京到天津"的需求完全成立，但这并不意味着它能替代闭源模型服务"北京到旧金山"的需求。长期来看，大的 Foundation Model 可以生成任意大小的模型来覆盖所有层级需求。
广密亚判断：明年底视频生成效果会像 2023 年图像生成效果（Midjourney V1→V6）一样快速提升。当前主流方案只能做到几秒钟动画效果，更长更复杂的视频"还需要技术突破"。Transformer 的核心优势是容易 scale up，视频生成模型如果也走 Transformer 路线持续 scale，可能是关键突破口。
Agent 需要执行多步推理，而每一步的错误会累积。如果单步推理准确率是 90%，10 步串联后整体准确率只有约 35%（0.9^10），这远远不够实用。因此 Agent 的大爆发取决于底层模型 reasoning 能力的根本性提升，以及推理速度的优化。
广密亚反复强调成本优化可能是大模型公司最重要的"隐形竞争力"——"如果你能把成本做的极低，你的模型还不输，那我觉得这就是极强的核心竞争力，就像芯片了。"这种"非常像芯片"的规模效应意味着：领先者能用更低成本提供更强能力，后来者的追赶窗口会越来越窄，"可能再过两代就追不动了"。
如果手机内存在未来两年提升 4-5 倍，端侧就能承载大量 AI 推理，AI 公司的成本结构将发生根本变化——从云侧推理转向端侧推理。这对 Apple 和 Tesla 来说是巨大利好，因为"端还是离用户更近"。
| 特征 | VC 产品偏好 | 大模型公司特征 |
|---|---|---|
| 投入规模 | 数百万~数千万美元 | 数十亿~百亿美元 |
| 商业模式 | 早期可见 | "今天还没有商业模式" |
| 回报周期 | 5-7 年 | 不确定，可能需要 10 年+ |
| 风险类型 | 市场风险 | 科学风险（Scaling Law 可能失效） |
| 退出方式 | IPO 或并购 | "80%-90% 大概率还是被收购" |
广密亚提出了一个有趣的类比：以前的关键生产资料是土地，黑石靠地产做大。现在关键生产资料可能是 GPU。AI 公司买不起 GPU，GPU 就变成了类似土地的资产类别。他预测"新的债的金融产品"可能因此出现——类似于地产开发中的项目融资结构。
硅谷 VC 面临双重压力：（1）大模型投资不 match VC 产品属性，错过了这一波最大的机会；（2）微软和 OpenAI 可能把很多软件的生意都做掉，威胁 VC 传统的 SaaS 投资领地。这揭示了一个更深层的问题：AI 时代的资本形态可能需要根本性变革——从 VC 的概率模型（投 30-50 个，靠 power law 赢）转向类似曼哈顿计划或举国体制的集中投入模式。
全球 DAU 稳定在 200 万以上的大模型原生产品，广密亚只能想到 ChatGPT 和 Character.AI 两个。企业级探索中只有微软和 Adobe 比较激进，其他成功案例"还不多"。
广密亚反复将大模型比作芯片——"你要等芯片的能力和成本再迭代个两三代，上面的消费电子才会慢慢的爆发。"他判断 GPT-4 "今天还代表未来黄金十年的开端"，但"做不了太多事"。可能需要再卷过 GPT-4.5、到 GPT-5（2024 年可能看到），应用大爆发才有"一定可能性"。
广密亚提出了一个重要判断：在 AI 时代，"有可能模型即应用"——Character.AI 从用户角度是应用公司，但 99% 的体验由模型决定，团队核心都是做模型的人。用 Llama 开源模型做 Character 的效果"不够好"，只有 MiniMax 等有自研模型的公司才做好了类似产品。如果这个判断成立，意味着没有自研模型能力的纯应用公司在 AI 时代可能没有生存空间。
700+ 员工一致跟随 Sam 的核心原因是利益：大部分激励靠股票，微软的合作也由 Sam 主导。微软 CTO Kevin Scott "赌上职业生涯来力挺"。
尽管 OpenAI 在品牌、用户规模和技术上领先，广密亚指出了几个结构性弱点：（1）ChatGPT 没有搜索和推荐那样的数据飞轮——模型是预训练的，无法实时反馈；（2）chat 数据比互联网和 AI 生成的数据质量低，大概率用不到训练；（3）OpenAI 是"追求 AGI 为导向"而非"以服务用户为导向"。这些弱点为竞争者留下了窗口。
目前 Transformer + Scaling Law "是走向 AGI 最有可能的路径，还没有第二个其他路径。"
Anthropic Claude 3 和 GPT-4.5 发布，模型能力再提升一个大台阶。
Google Gemini Ultra 发布。格局形成后"很难改变"。
GPT-5 有机会看到。应用大爆发可能有"一定可能性"。
全球至少花 1000 亿美金在大模型上。数据中心用电从 2-3% 涨到 10-20%。
AI 可能让全球 GDP 翻倍（96 万亿→200 万亿美元）。替代 10 亿白领，3-50 万亿美元 market size。
这场豪赌的特殊性在于：它不是赌市场（是否有需求），也不是赌技术（能否工程化），而是赌科学（Scaling Law 是否是通向 AGI 的正确路径）。人类历史上以这种规模赌科学发现的先例并不多——曼哈顿计划和阿波罗登月可能是最接近的类比。区别在于，那两个项目有明确的物理理论支撑，而 Scaling Law"今天还没有理论支撑"。这既是最大的风险，也是最大的机会。
广密亚提出了一个大胆的推测：如果硅谷提前实现 AGI，对全球地缘政治"会有很大的影响"。大模型融合了多种语言，可能带来新的文化融合。同声传译、翻译产品的普及意味着"一个中文人是不是可以跟一个印度民族方言的人谈恋爱"。AI 创造的增量 GDP 可能是互联网过去 20 年的 5-10 倍。
| 指标 | 数据 |
|---|---|
| 全球大模型核心人才 | 200-300 人 |
| OpenAI 人才占比 | 100+（约 50%） |
| ChatGPT MAU | 2 亿+（2023 年底） |
| ChatGPT 占 Chat 流量 | 70-80% |
| OpenAI 年化收入 | 10 亿+ 美元（2023），预期 50-60 亿（2024） |
| GPT-4 训练用卡 | 2.2 万张 A100，训练 100 天 |
| GPT-4 纯训练成本 | 约 8000 万美元 |
| 下一代模型训练成本 | 10-30 亿美元（2025 年） |
| 全球未来 3-5 年总投入 | 至少 1000 亿美元 |
| Anthropic 估值 | 150-250 亿美元 |
| OpenAI 估值 | 约 1000 亿美元 |
| H100 vs A100 实际性能 | 1.5-2 倍（非宣传的 3-6 倍） |
| 训练成本 18 个月降幅 | 4-5 倍 |
| 推理成本 18 个月降幅 | 10 倍 |
| GPT-3.5→GPT-4 难度倍数 | 5-10 倍 |
| 700 亿参数 | 训练稳定性分界点 |
| 全球第一梯队储备门槛 | 100 亿美元 |
| 数据中心用电占比（当前） | 2-3% |
| 数据中心用电占比（未来） | 10-20% |
| AI 替代白领规模 | 10 亿人 |
| DAU 超 200 万的 AI 原生产品 | 仅 2 个（ChatGPT、Character） |