← 返回张小珺主页
深度研究 Deep Dive

AGI大基建时代：电+芯片=产出智能

#64 和广密聊AGI大基建时代
2024.4 · 张小珺Jun｜商业访谈录
🎙 小宇宙 📺 B站 🎧 Apple Podcasts 🎵 Spotify

目录

  1. 2024Q1全球大模型大事件复盘
  2. 大模型公司梯队与XAI黑马
  3. 英伟达GTC与黄仁勋的"算力税"
  4. AGI的定义与"渐进式解锁"
  5. 改变软件生产方式与挑战Google
  6. AGI的登山路线图：南坡与北坡
  7. 模型公司即价值沉淀之地
  8. AGI大基建：物理瓶颈与能源账本
  9. 训练GPT级模型的算力与成本
  10. Scaling Law：加速、减速还是暂停
  11. 开源vs闭源：格局变化
  12. 中美AGI大基建差异
  13. Sora、多模态与AGI主线之争
  14. 自动驾驶与机器人：从数字到物理
  15. OpenAI解析与巨头结盟
  16. AGI时代的投资与Killer App
  17. 关键数据汇总

一、2024Q1全球大模型大事件复盘

2024年一季度，全球AI领域密集发生了一系列重大事件。李广密（实相科技CEO）从信息密度和战略影响两个维度做了系统复盘。

Q1核心事件清单

事件广密的判断
OpenAI发布Sora比预期来得早，多模态理解和生成的进步幅度会很大，会解锁很多新东西
Anthropic发布Claude 3Sota易主，但OpenAI并没有如预期快速反击
GPT-4.5/5未发布比预期来得慢，说明AGI战线被拉长拉宽
马斯克XAI加入开源全球范围内争夺第一梯队的唯一黑马，开源水位线大幅提升
Google加入开源大战发的是小模型，不会把最强模型开源，开源主力仍是XAI和Llama
英伟达GTC被冠以"新科技界春晚"，英伟达股价一年涨三倍
微软收购Inflection模型公司收敛的信号，Inflection成为"第一个失败的VC重铸的大模型公司"
李广密
去年初觉得AGI是一个百米冲刺，大家都没做好准备。今年就觉得AGI应该是马拉松，大家都有充足的时间做准备。

从百米冲刺到马拉松的认知转变

这是广密在一个季度内最大的认知变化。去年觉得可以"无限加GPU加数据就能到AGI"，但突然发现GPU数据中心和物理硬件是巨大的瓶颈。物理硬件成为阻碍AGI时间表的最大因素——这一判断贯穿全篇。

二、大模型公司梯队与XAI黑马

广密对全球大模型公司做了明确的梯队划分，并指出了每个梯队的生死线。

3家
确定的第一梯队
1家
唯一黑马（XAI）
4家
美国最终存活

全球梯队划分

梯队公司判断
第一梯队OpenAI、Anthropic、Google明确的第一梯队，人才密度最高
第二梯队（含黑马）XAI、Mistral、Meta LlamaXAI是唯一有机会冲击第一梯队的黑马
出局/危险Inflection、Character、Cohere"今年年内就得找买家了"

Inflection提供的案例教训

  • 没想到模型收敛如此之快，计算竞争是很残酷的
  • Inflection没有绑定一个更深的巨头——"大模型VC是投不动的，还是一个巨头的游戏"
  • 关键还是人才密度：前三家加上XAI明显高一阶，其他公司有明显差异
李广密
XAI有两个层面：第一它是全球范围内争夺第一梯队的唯一的黑马；第二如果它持续开源，对整个模型的格局生态和商业价值影响比较大。

生死线判断

三、英伟达GTC与黄仁勋的"算力税"

广密亲赴GTC现场，对黄仁勋和英伟达在AGI浪潮中的地位给出了极高评价。

李广密
硅谷最亮的仔，就从马斯克切换到老黄了。很多马斯克的粉丝变成老黄的粉丝，投资者的资金也从Tesla转到了英伟达。

黄仁勋的核心贡献

主权AI：把GPU卖给政府

黄仁勋的市场扩展

  • 以前GPU卖给美国科技公司，现在提出"主权AI"——把GPU卖给政府吃国防预算
  • 美国军费每年8800亿美金，2-3%买GPU就是一个巨大的量
  • GPU是"极其重要的战略储备物资"
  • 销售能力超强——市场规模又大了一步

老黄的管理风格

T5T制度

  • 内部每双周，每个大组发出最重要的五件事
  • 这是一个非常好的管理习惯

工作文化

  • 鼓励在办公室吃早饭和午饭
  • 但鼓励大家晚饭回家陪家人
  • 不鼓励996
核心判断

"算力税"与"智能税"

广密提出了一个结构性判断：人类社会将新增两道税——

  • 算力税：所有商业社会都要给英伟达交算力税，就像过去十年给苹果交入口税
  • 智能税：模型公司将收取"智能税"——模型能力最强的公司顺理成章解锁最伟大的应用

人类又多了两个"收税的基石公司"。

四、AGI的定义与"渐进式解锁"

广密认为对AGI的理解尚无共识，"就很像共产主义或者财务自由，因人而异"。

AGI的三种理解角度

角度一：三个90%

最激进的定义：AGI能在90%的行业，超过90%的专家，完成都有经济价值的工作。"我觉得这三个90%还是很激进的。"

角度二：智能能力本身

最重要的还是智能能力本身，不是形态和载体。"但肯定会从数字世界走向物理世界"——物理的机器人和设备怎么把智能产品化，是创业者很大的机会。

角度三：渐进式解锁（核心观点）

AGI不是一蹴而就的。广密提出关键词——"渐进式解锁"：画一条登山路线图，模型能力每涨一些，就会解锁一些场景，诞生一些应用，创造相应的经济价值。

李广密
AGI能在未来10到15年让全球GDP翻倍，从今天的100T涨到200T。但今天100T的GDP和这波AGI直接相关的可能还不到0.1%。离解锁90%还很远。
AGI渐进式解锁：从0.1%到90%的GDP渗透路径
"5秒任务"理论

Sam曾提出不应从替代人的角度思考，而是看所有工作任务中有多少需要5秒内就能完成的——这些是模型第一波能做掉的。广密认为这个框架结合"渐进式解锁"来理解最为合适：从5秒任务扩展到5分钟任务，再到5小时任务，每一次扩展都解锁新的经济价值。

五、改变软件生产方式与挑战Google

广密认为AGI登山路线图的近处，最值得期待的两个方向是：改变软件生产方式和信息检索的变革。

软件生产方式的颠覆

过去的软件（自动贩卖机）

  • 有限的SKU供给
  • 大量非标需求未被满足
  • 固定需求抽象 + 开发团队开发
  • 开发者几千万人

未来的软件（98调酒）

  • 任何口味都可以调出来
  • 精准/简单的自然语言描述
  • 模型用工具调用或coding生成复杂代码
  • 人人都是产品经理
李广密
三年内是有机会看到coding领域的AGI的——也就是做各种任务都不错的一个程序员。因为大部分任务，其实没有像软件开发这么明确和有逻辑。

挑战Google的历史性窗口

为什么这次不同

  • 过去20年无数对手挑战Google都失败了——核心原因是没有fundamental的技术变革
  • 这一次大模型给了大家机会——搜索从"搜出链接和网页"变成"搜出答案"
  • 问答可能是"皇冠上的明珠"——能解决好就能获得用户信任和长期留存
  • ChatGPT从5000万DAU突破到几个亿必须做搜索——"这是挑战Google过去20年可能唯一的一个技术窗口"

SaaS公司的危机

微软和OpenAI激进推进，有可能把很多工具型、feature型的SaaS都干掉。只有积累了很深的workflow和数据的软件公司（如Salesforce、ServiceNow）可能还能发展。广密对SaaS公司的建议："只能积极拥抱，组织上多用好年轻人。"

六、AGI的登山路线图：南坡与北坡

广密用登山的比喻构建了AGI的完整路线图——南坡是模型，北坡是产品。

南坡：模型能力

底层：Scaling（更多数据+GPU+能源）

看产出智能的效率是否能持续提高。

核心：推理能力（Reasoning）

模型最重要的能力，需要复杂推理才能完成有经济价值的工作任务。

关键信号：Coding代码能力

"可能是AGI最早落地的一个信号——它既是一个走向AGI的能力，也是一个产品。"

多模态能力

对自动驾驶和机器人有提速作用，更多数据交互效率。

Agent

关键词但今天还不太work——"最主要是模型的Reasoning能力不够强也不够准确，多步推理下来很多任务都失败了。"

北坡：产品

李广密
如果让模型看1万次苹果掉下来，它能不能发现万有引力定律？如果更充足的更广范围的数据灌进去，它们能不能发现人类没有发现的问题、没有发现的规律？我觉得这有可能是一个新的文艺复兴。

南坡和北坡必须是一家公司吗？

广密的判断

  • 不一定在一家公司——对组织能力、文化、人才和资源挑战很大
  • 但模型公司做产品更容易——产品解决不了的任务可以向下改模型；产品公司改不了模型
  • SpaceX类比：火箭发射是基础能力（每年几十亿收入），Starlink是Killer App（几百万终端），Starship可能颠覆波音空客
  • "如果大模型是电，那灯泡不一定是电厂做出来的"

七、模型公司即价值沉淀之地

广密提出了一个重要的价值链判断：模型公司可能是价值最终沉淀的地方。

核心论点

两层价值结构

AGI时代的价值链与移动互联网完全不同：

  • 移动互联网的价值沉淀在设备厂和广告平台
  • AGI的价值将沉淀在芯片公司（算力税）和模型公司（智能税）
  • 模型公司的附加值后面肯定比较高——"模型能力最强，就可以顺理成章解锁最伟大的应用"

模型公司做Agent的逻辑

广密认为Agent可能是模型公司的核心附加值体现：

巨头投入的受益链条

第一波：芯片

英伟达和台积电最先受益。

第二波：广告平台

Meta广告变现效率提高，Google广告变现效率可能在提。

第三波：云厂商

芯片和模型都跑在云上，企业上云需求很强，年化15%复合增长可能保持很长时间。

最终：两个终端

Apple（手机入口）和Tesla（物理AI终端）。

八、AGI大基建：物理瓶颈与能源账本

广密提出了本集最核心的概念——AGI大基建。他将当前AGI的状态类比为上世纪90年代克林顿推出美国信息高速公路建设：没有基建，就不可能有应用的大爆发。

核心框架

AGI的本质公式

电 + 芯片 = 产出智能

未来就看这个智能的产出效率和能力到底有多高。但最主要问题是——今天没办法给智能定价。所有AI产品定价都是20美元/月（SaaS based），未来能不能有Value based的定价？

历史上的大基建类比

时代基建内容催生的成果
曼哈顿计划造原子弹现代电子技术和整个计算机体系
美国登月太空竞赛电子产品微型化，个人电脑
1993年克林顿信息高速公路建设（GDP的5-6%）互联网泡沫+互联网黄金20年
中国近20年公路、5G、城市化短视频、直播、外卖、电商
当下AGIGPU产能、数据中心、能源基建待解锁——"基建来了应用才能大爆发"

能源账本：具体数字

训练不同级别模型的电力消耗对比

关键能源数据

  • 三峡单日最大发电量 / 上海日均用电量：约5亿度
  • 美国德州日用电量：约10亿度
  • GPT-3.5训练（500张H100，15天）：约25万度电 = 三峡/上海的0.05%
  • GPT-4训练（8000张H100，100天）：约2600万度电 = 三峡/上海一天的5%
  • GPT-5训练（3.2万张H100，100天）：约1.1亿度电 = 三峡/上海一天的20%
  • 10万张H100年用电量：约12.4亿度 = 上海年用电量的0.8%，德州的0.3%

美国能源基建的结构性困难

美国过去20年总用电量稳定在4万亿度，数据中心用约2000亿度（5%）。但预计到2028年，数据中心用电将增至6700亿度——5年涨三倍，从5%增长到16%。广密指出："这对制造和基建能力明显退化的美国来讲，挑战是很大的。"美国能源基建是四五十年前规划的，能源结构突然新增大量用电需求，"确实跟不上"。

九、训练GPT级模型的算力与成本

广密给出了训练不同级别模型的详细成本拆解，这些数字揭示了AGI大基建的真实门槛。

训练成本拆解

模型级别GPU需求训练时长买卡成本租卡成本
GPT-3.5~500张H10015天-较低
GPT-48000张H100（有效近万卡）100天3亿美金（含周边设备）1-2亿美元/年
GPT-5（估算）3.2万张H100100天12-13亿美金-
明年标配（预测）10万张-40-50亿美金-
李广密
3亿美金是GPT-4的入场券。现在有些公司是可以付得起的。中国公司也是可以负担得起的。但今天的万卡集群中国还是比较少的，瓶颈不在钱上——万卡集群是有钱不够的，它很难的。

训练量的科普公式

基本计算

训练量 = 参数量 x 训练Token数 x 6

以GPT-4为例：1.8万亿参数 x 13万亿Token x 6 = 25,000张A100（19.5 TFLOPS）x 60秒 x 60分钟 x 24小时 x 100天 x 利用率（一般50%，最强到60-70%）。

OpenAI的投入规模

数据中心建设的物理难题

万卡集群的挑战

  • 互联通信难度大——不是一层网络而是三层网络，拓扑结构很复杂
  • 稳定性要求极高
  • 能耗和降温要求高——很多人在提液冷
  • 需要找到适合GPU数据中心的土地和稳定便宜的电
  • "比特驱动的数字世界迭代很快，但原子驱动的物理世界迭代跟不上"

十、Scaling Law：加速、减速还是暂停

对于Scaling Law是否还有效，广密给出了细致的分析。

GPT-4的已知参数

1.8T
参数量（MOE架构）
~3T
训练数据量
2.5万
A100训练100天

Scale Up的算力瓶颈

如果下一代模型要Scale Up

  • 3倍参数 x 3倍数据 = 9倍Compute —— 老黄公布的3.2万张H100集群加上优化效率提升刚好够
  • 10倍参数 x 10倍数据 = 100倍Compute —— 现在GPU算力集群明显不够用
  • 又回到大基建问题：物理机器的瓶颈导致今天无法Scale Up

数据瓶颈

李广密
Scaling Law是没有减速的。如果说变慢了，就是算力和数据没凑够。GPT-3.5走到GPT-4大概用了二三十倍的算力提升，GPT-4走向下一代今天还没凑够二三十倍有效算力。

Scaling Law的终极结论

广密认为Scaling Law目前仍是通往AGI最大概率的路线——"没有找到除了这条路线以外的其他路径"。在没有证伪之前，应对投入更多资源验证。关键变量是两个：数据和GPU。电力不是Research问题，通过投入能解决。但他也提出了一个深层疑问：Next Token架构到底能不能解决长期规划的问题？如果不能解决任务，Scaling下去意义不大。

十一、开源vs闭源：格局变化

广密在开源与闭源的判断上发生了微妙但重要的变化。

认知变化

上季度的观点

  • 闭源比开源好，而且好很多
  • 对开源价值持保留态度

本季度的调整

  • 闭源最强的仍然比开源强很多（复杂推理）
  • 但简单任务开源模型可以完成
  • 开源会打掉闭源模型的部分商业价值
  • 开源模型会覆盖很多企业内需求场景

开源打掉闭源商业价值的逻辑

  • GPT-3.5水平的模型一旦开源，大家就不需要调用OpenAI的3.5 API
  • 如果马斯克的XAI持续开源，开源模型水位会很高
  • 但开源模型没有忠诚度——之前觉得Llama最好，现在觉得Mistral最好，未来Grok开源可能更好——"哪个好用就用谁"

影响模型差异的最大因素

李广密
如果只说一个，我觉得就是数据。大部分模型的架构比较统一，Training包括各种Recipe也比较统一。数据决定了这个模型作为产品的特点——也就是说数据决定了这个模型的性格。

广密特别指出，OpenAI同时具备数据的经验、基建和投入意愿。而对很多Researcher来讲，数据是脏活累活，很多人不愿意干——"有很多公司人才密度很高，但数据并没有做好"。Google就是例子：版权包袱重、Legal关注度高、方向没有拦到一起。

十二、中美AGI大基建差异

美国的优势

  • 大航海发现精神——面对不确定性的乐观冒险精神
  • 资本充足、退出畅通，支持0到1的试错和发现
  • 历史上芯片、计算机、互联网都是美国搞出来的
  • 重投入的传统，相信科学
  • 真的在做AGI

中国的特点

  • 解决问题的能力很强，但提出新问题很少
  • 0到1很少，但1到100很强
  • VC更"争气"——投了国内几家大模型公司从0到1起来
  • 芯片受限——"只能期待国产芯片，期待华为的卡"
  • 还在追GPT-4和审视低明——辨识度不够

一个反直觉的现象：美国VC反而miss了大模型

硅谷VC几乎全线miss掉了大模型投资——全都是巨头在支持的。中国VC好像更争气一些，还投了国内几家大模型从0到1起来。原因可能是：硅谷VC喜欢"小钱办大事"、以前在重资产上吃过亏（也miss了Tesla和SpaceX）。但这次不一样了——价值链发生了大变化，价值会沉淀在模型，大家都要交学费。

大基建的时间与规模

10-20年
大基建周期估计
3-4千亿$
3-4年后AI GPU产业年规模
30%+
GPU产能年复合增长率

广密预测：2024年GPU产能约400万片，2025年可能600多万片，未来每年复合增长不低于30%。"大基建看不到结束的那天"——计算的迭代可能停不下来，从单颗芯片的摩尔定律到整个数据中心的摩尔定律，再到跨数据中心效率提升。

十三、Sora、多模态与AGI主线之争

多模态的三层作用

  1. 补充数据：文本数据不够用了，多模态可以补充
  2. 用户体验：理解能力变强，交互效率大幅提升
  3. 生成能力：视频生成效果今年会大幅提升

但关键问题是：多模态数据对模型推理能力有没有大幅提升？今天还没有验证。这是不是AGI的主线，广密认为"见仁见智"。

Sora的技术门槛与成本

复刻Sora的难度

  • 训练环节是LLM的好几倍：估计4000-10000+张H100做一个多月的最后训练
  • 推理算力消耗很大：如果生成TikTok一天上传量（1500多万分钟），推理成本与训练差不多
  • 需要采集收集几千万到上亿小时视频数据，并用GPT-4V打标签——"一般团队弄不了"
  • 数据来源可能包括YouTube、游戏数据等
  • CTO Mira提到有机会把推理成本降到与图片生成差不多——那时才会公开release
李广密
Sora更多说明多模态能力进展会很快。OpenAI战线铺得更广了，好像不是那么高度聚焦在AGI这个事了。

创业公司应该跟进Sora吗？

广密直言"很凶险"：需要融几亿美金，数据获取难度在LLM和机器人之间，卡和数据成本都很高。而且"视频等不等于智能"还有争议，"是不是一定要做到效果最好才有人买单更看不清"。建议创业公司不如想想如何定义Sora的产品形态和未来AI内容的消费形态。

不同模态的上限差异

模态上限建议
大语言模型 + Coding最高智能能力强，核心竞争
视频很高进展会很快
声音、图片较低必须做好产品保证优势

十四、自动驾驶与机器人：从数字到物理

Tesla的矛盾处境

广密对Tesla的估值拆分

  • 汽车销售业务：约150亿美元利润，20倍PE = 3000亿美金
  • AI业务（FSD + 机器人）：值另外两三千亿美金
  • 但华尔街今天还不太认FSD——FSD未对新车销售带来fundamental影响
  • 基本盘业务比较悲观：欧美疲软，中国竞争压力大，销量甚至负增长
  • "如果股价跌到100出头，我还是愿意买一点它的股票"

大模型对自动驾驶的帮助

机器人：比自动驾驶更难

机器人 vs 自动驾驶：关键维度对比

机器人的核心挑战

  • 最核心的还是数据问题——语言模型有过去几十年互联网积累的文本数据，机器人没有
  • 很多人想做机器人的Foundation Model（大脑），但没有大量训练数据
  • 现在很多机器人公司不超过100台机器，像Aloha那样采数据——数据量级太小
  • 不像Tesla几百万辆车全球每天采数据回传训练
  • 今天还不是商业和工业落地问题，还是research问题

机器人的希望

  • 多模态带来fundamental突破解决数据问题
  • 语言模型和机器人模型可能是一个模型
  • 通用机器人长期看好——可能是大模型之后最大的事
  • 成本降低：只有Tesla或中国供应链能解决

机器人的担忧

  • 现在没有像手机/汽车那样的刚需场景
  • 一台人形机器人10多万美金，离大规模商用很远
  • 现在加入"不知道要加入哪个"公司
  • 担心像2016年做自动驾驶——太早了
李广密
如果有机会深入下场创业，应该加入机器人团队。先去大模型再去机器人——机器人还需要更久一些。

十五、OpenAI解析与巨头结盟

对OpenAI的新认知

OpenAI的战略预测

广密的判断

  • OpenAI很难跟微软抢2B、跟英伟达抢芯片、跟Apple抢终端
  • Google是个软柿子——去抢信息检索市场比较make sense
  • 垂直领域不一定做（法律、金融、教育），但垂直领域数据会持续加上去
  • 比较关注OpenAI会不会做机器人——以前做过觉得太慢，但最近投了三家机器人公司

全球巨头结盟格局

联盟状态
微软 + OpenAI目前很稳定，但关系复杂（微软又投Mistral又收购Inflection还自己Train）
AWS + Anthropic互相被迫深入绑定，AWS销售已全线卖Claude 3
Google自成一体（TPU + 全栈）
XAI长期不排除并入Twitter/Tesla
Mistral必须抱大腿——未来一年得融1-3个Billion做万卡集群
阿里分散投资所有中国模型公司——辨识度不够高，但投资可绑定算力消耗

对Sam Altman的评价

李广密
Sam在OpenAI成名之前已经坚持做这个公司六七年了。很多人以前还不相信AGI这些东西。相比之下马斯克中途是下车了的。Sam非常值得尊敬——有很大的勇气去探索完全没有探索过的东西。

但广密也指出Sam的争议面："感觉他不够真实，一直在努力维持一个比较有爱的形象"。以及一个硅谷都好奇的问题："他怎么能有那么多钱？投一个公司都几千万上亿美金"。

十六、AGI时代的投资与Killer App

硅谷VC的三大投资主题

Coding
但核心能力来自模型公司
Agent
但模型公司会很激进做Agent
机器人
比较容易讲故事但太早

广密对这三大件都有怀疑：Coding一定在大模型公司和微软核心射程以内，模型公司可能会很激进做Agent，机器人很多Researcher创业因为容易讲故事但还有很多research问题没解决。

Killer App的形态

可能不是App形态

  • App还是互联网产物，AGI时代可能是更随时随地的Agent或Multimodal Agent
  • 信息检索是潜在Killer App方向——搜出答案而非链接
  • 自然语言编程确定性比较高——人人都是产品经理
  • 灵感激发/Brainstorm——广密个人用Claude 3最多的场景
  • 比较期待Agent今年能有一两个好的Use Case

对朱啸虎观点的回应

朱啸虎说"AGI至少5到10年看不见"、能量量级需升级。广密表示大部分观点认可，但有几点不同：

十七、关键数据汇总

判断具体内容
AGI时间线从"百米冲刺"调整为"马拉松"，至少3-5年甚至5-10年
AGI大基建周期10-20年，看不到结束的那天
AGI与GDP关系未来10-15年全球GDP从100T到200T，当前直接相关不到0.1%
第一梯队OpenAI、Anthropic、Google（3家确定）+ XAI（唯一黑马）
美国最终存活4家：OpenAI、Anthropic、Google、XAI
GPT-4训练成本买卡3亿美金起步，8000张H100训练100天
GPT-5训练成本3.2万张H100训练100天，约12-13亿美金
明年标配集群10万张H100，40-50亿美金
H100售价约3万美金/张，租金3-4美元/小时
英伟达H100年出货量2024年约400万片，2025年约600万片
AI GPU产业规模3-4年后将达3-4千亿美元
OpenAI年硬件投入约100亿美元
美国数据中心用电当前约2000亿度（5%），2028年预计6700亿度（16%）
训练GPT-5用电约1.1亿度 = 上海/三峡日用电量的20%
Scaling Law没有减速，瓶颈在算力和数据凑不够
Coding领域AGI三年内有机会看到
ChatGPT DAU约5000万，需突破到3亿才能fundamental影响Google
ChatGPT付费用户不到1000万，目标3000万（年60亿美金订阅）
OpenAI估值约1000亿美金（可看作微软AI部门）
云厂商增长年化15%复合增长可保持很长时间
数据中心大客户收敛到4-5家：微软、Meta、AWS、Google、XAI
人形机器人成本10多万美金，离大规模商用较远
模型差异最大因素数据——"数据决定了模型的性格"

启示与延伸思考

1. "电+芯片=产出智能"是AGI时代最简洁的本质公式

广密将AGI还原到最底层的物理逻辑：能源和计算硬件是产出智能的基础设施。这意味着AGI的竞争不仅是算法竞争（Research Lab之间的较量），更是基建竞争——谁能建更大的集群、拿到更多的电力、维持更长的投入周期。这解释了为什么巨头而非创业公司主导这个赛道，也解释了为什么Sam提出7T美金融资——因为这本质上是一个基建工程。

2. 物理世界的迭代速度是AGI真正的"减速带"

广密最核心的认知转变是：AGI从百米冲刺变成马拉松，不是因为算法遇到了瓶颈，而是因为物理硬件跟不上。数据中心建设要几个月、万卡互联通信极其困难、美国能源基建是四五十年前规划的。"比特驱动的数字世界迭代很快，原子驱动的物理世界迭代跟不上"——这一判断在两年后看依然深刻，也被后来英伟达持续供不应求所验证。

3. "两道税"结构改变了整个科技产业的价值分配

广密提出的"算力税+智能税"框架是理解AGI时代价值链最清晰的模型。过去十年的"苹果入口税"让Apple成为3万亿公司，而算力税+智能税同时作用，意味着价值将更集中地流向英伟达和头部模型公司。这与传统VC"小钱办大事"的逻辑完全冲突——难怪硅谷VC全线miss掉了大模型投资。

4. "渐进式解锁"才是AGI的正确打开方式

广密反复强调AGI不是一个"某天突然到来"的临界点，而是一个从0.1%到20%到90%的GDP渗透过程。每次模型能力提升都会解锁新场景、诞生新应用。这意味着：(1) 不需要等到"真正的AGI"才能创造价值；(2) 每一次Scale Up的ROI都需要被具体场景验证；(3) Agent能否落地完成复杂任务是关键观测点。两年后回看，coding确实成了AGI最早落地的信号。

5. 数据中心大客户收敛到4-5家是结构性判断

广密预测建大集群的客户会收敛到微软、Meta、AWS、Google和XAI这4-5家。这意味着AGI的底层基础设施实际上是寡头垄断的。对创业公司而言，不在这个名单上就意味着永远在租算力——成本结构和迭代速度都会受制于人。Inflection的出局是第一个案例，后续还会有更多。

6. 开源的价值在于"拉高水位线"而非"替代闭源"

广密对开源的认知发生了微妙变化：不再认为闭源对开源有压倒性优势。开源模型在简单任务上已经可用，会打掉闭源模型的部分商业价值。但闭源在复杂推理上仍然领先很多——这是完成有经济价值任务的关键。开源的战略意义在于马斯克XAI：如果持续开源，整个开源水位线会被大幅拉高，二三线闭源公司的商业空间会被严重压缩。

7. 机器人是"大模型之后最大的事"但时机未到

广密对机器人的判断充满矛盾性的诚实：一方面认为"如果有机会深入下场创业应该加入机器人团队"，另一方面承认"今天不知道要加入哪个"——因为现有的机器人公司"都不像能scalable一直走很远的"。核心瓶颈仍是数据：语言模型有几十年互联网积累的文本数据，而机器人数据采集量级太小。广密期待多模态突破能从根本上解决这个问题。这与后来的VLA（视觉-语言-动作模型）方向高度吻合。

8. Scaling Law没有减速，但Next Token架构能否解决长期规划？

广密在坚定支持Scaling Law的同时提出了一个深层质疑：Next Token架构到底能不能解决长期规划问题？如果Agent不能完成复杂任务，Scaling下去意义不大。这个问题在两年后仍然是AGI研究最核心的争议之一——OpenAI后来通过o1/o3的推理链、Anthropic通过Claude的工具使用能力，都在试图回答这个问题。

9. "挑软柿子"——OpenAI最理性的战略方向是打Google

广密用排除法推导出OpenAI的最优战略：难打微软的2B、难抢英伟达的芯片、难夺Apple的终端，Google的信息检索市场是"最肥的软柿子"。ChatGPT做到3亿DAU + 3000万付费用户就能年入60亿美金，健康支撑AGI投入。这个预测与OpenAI后续推出SearchGPT、与Perplexity在搜索领域的竞争完全吻合。

延伸阅读

理想国 深度研究系列 · #64 和广密聊AGI大基建时代
基于张小珺《商业访谈录》EP.64 文字稿逐段分析生成
最后更新 2026-06-02