离开 OpenAI 不到一天研究员 Andrew Ho 在 X 上写下一篇长文质疑整个前沿 AI 实验室的商业模式。「前沿 AI 实验室赚的钱或许根本撑不到 AGI 到来。」AI 圈知名播客主持人 Dwarkesh Patel 随后发文反驳只要模型能力仍在快速增长领先本身就能创造巨大的商业价值一旦真正的 AGI 出现它就会主动扩散。马斯克迅速评论支持这样乐观的预期。这场争论指向一个很现实的问题AI 越来越强大模型公司就一定越来越赚钱吗烧钱的模型竞赛大模型公司可能是当下最光鲜却也最难赚钱的一门生意。2025 年OpenAI 实现约 130 亿美元收入总成本和费用却达到 340 亿美元经营亏损超过 200 亿美元。换句话说OpenAI 每赚进 1 美元就要支出约 2.6 美元。Andrew Ho 将当前的模型竞争描述为一种 「惩罚性循环」。训练下一代模型需要更多芯片、电力、数据和人才。实验室只有不断扩大投入才有机会实现能力的领先。但这种领先只能维持几个月。竞争对手会推出水平接近的闭源模型开放权重模型也会继续追赶。率先突破的实验室承担了探索能力的全部成本上一代能力却可能很快变成价格低廉、随处可得的商品。最近发生的两件事正好展现了这种压力。GPT-5.6 系列在 7 月 9 日发布三周后的 7 月 30 日OpenAI 便将 Luna 的 API 价格下调 80%、Terra 下调 20%。并且就在此前几天月之暗面开放了 2.8 万亿参数 Kimi K3 的完整模型权重允许第三方自行部署和继续开发。前沿实验室几乎没有停下来的空间。同时即使保持能力领先这种领先也不会自动转化为商业收入。一项新技术出现后人们通常需要经过很长时间的尝试才能推出符合市场并且可以长期获利覆盖成本的产品。Andrew 甚至认为即使模型能力停留在今天的水平社会也可能需要 20 年以上才能将大语言模型充分整合进日常生活。这意味着前沿实验室既要持续承担越来越高的研发成本又可能要等待多年才能看到新技术大规模落地带来的收入。也正因如此Andrew 质疑这些公司的股权是否真的值现在这么多钱。如果有机会按照 OpenAI 或 Anthropic 最近一轮融资的估值买入他也不确定自己是否愿意。能力领先三个月到底值多少钱Dwarkesh 并未完全否定 Andrew 的推导。他承认如果模型能力的增长真的越来越慢、越来越零散并且受到数据限制那么前沿实验室当前的估值确实很难成立。分歧在于Andrew 认为模型增长正在接近平台期而 Dwarkesh 相信模型能力仍会以足够快的速度向前推进。在快速进步阶段能力领先三个月意味着产品功能的明显跃升。三个月前这款模型只能生成代码而三个月后模型可以独立完成调试和部署。只要领先模型能够完成竞争对手无法稳定完成的任务用户就可能愿意支付数倍价格换取更高的成功率和更少的人工返工。问题在于模型价格本身也在快速下降。斯坦福大学《AI Index 2025》显示达到 GPT-3.5 水平的模型推理成本从 2022 年 11 月至 2024 年 10 月下降了超过 280 倍。模型公司必须在竞争对手追上之前尽快把能力优势转化成收入然后继续投入下一轮训练。随着竞争的加剧领先能力的「价格保质期」正变得越来越短。Andrew 担心这份保质期不足以覆盖研发成本Dwarkesh 则相信如果下一次能力跃升足够快、足够大领先者就能不断获得新的定价空间。AI 落地要等 20 年吗在「技术扩散」的问题上Andrew 看到的是一种时间上的错位训练成本需要立刻支付经济回报却需要等待企业慢慢改造组织。Dwarkesh 则认为这种判断低估了 AGI 与过去技术的根本差异。如果 AGI 真的相当于 「运行在服务器上的人类」它就不会像一套普通软件那样等待企业为它设计完整的部署流程。它可以自己阅读公司的云盘和内部文档了解组织结构观察同事如何工作主动询问哪里需要帮助并逐渐接管更复杂的任务。它还可以将一个 AI 员工学到的经验迅速复制给大量实例让其他 「新员工」 省去从头培训的过程。Dwarkesh 将这种 AGI 类比为一名高技能、有经验、具有创业能力的移民。一个人进入陌生社会后会主动找工作、学习规则、建立关系也可能创办自己的公司。他不需要等待整个社会先为自己准备好使用说明。AGI 同样可以做到这些而且复制成本更低。因此Dwarkesh 提出了一种判断AGI 会自己扩散。按照这套逻辑当前 AI 进入企业的速度仍然缓慢可能意味着模型能力还不够强。只要模型仍需要人类替它拆解任务、清洗数据、连接系统和检查结果它就仍然是一项需要部署的工具。等到 AI 能够自己完成这些工作技术扩散可能从一项持续数十年的组织改造变成一次快速增加 「数字员工」的招聘过程。Dwarkesh 认为引入一个经过安全验证、可以直接复制的 AGI甚至可能比招聘、培训和管理一名人类员工更加容易。奇点到来之前评论区有人指出即使 AGI 没有立刻出现前沿实验室的商业模式仍有两条可能的出路。在成本端OpenAI、Google 等公司正在向芯片产业链上游移动希望通过定制芯片和自建基础设施降低生产单位智能的成本减少被芯片和云计算供应商拿走的利润。而在收入端大模型也具有传统企业不具备的规模效应。一种能力只需训练一次便可以同时出售给数百万用户。如果模型在编程、制药、金融或法律等高价值领域取得突破巨额训练成本就可以由大量客户共同分摊。最引人注目的还是这条评论。你怎么看 前OpenAI研究员看空大模型公司，Dwarkesh发文反驳：AGI会自己找工作
离开 OpenAI 不到一天研究员 Andrew Ho 在 X 上写下一篇长文质疑整个前沿 AI 实验室的商业模式。「前沿 AI 实验室赚的钱或许根本撑不到 AGI 到来。」AI 圈知名播客主持人 Dwarkesh Patel 随后发文反驳只要模型能力仍在快速增长领先本身就能创造巨大的商业价值一旦真正的 AGI 出现它就会主动扩散。马斯克迅速评论支持这样乐观的预期。这场争论指向一个很现实的问题AI 越来越强大模型公司就一定越来越赚钱吗烧钱的模型竞赛大模型公司可能是当下最光鲜却也最难赚钱的一门生意。2025 年OpenAI 实现约 130 亿美元收入总成本和费用却达到 340 亿美元经营亏损超过 200 亿美元。换句话说OpenAI 每赚进 1 美元就要支出约 2.6 美元。Andrew Ho 将当前的模型竞争描述为一种 「惩罚性循环」。训练下一代模型需要更多芯片、电力、数据和人才。实验室只有不断扩大投入才有机会实现能力的领先。但这种领先只能维持几个月。竞争对手会推出水平接近的闭源模型开放权重模型也会继续追赶。率先突破的实验室承担了探索能力的全部成本上一代能力却可能很快变成价格低廉、随处可得的商品。最近发生的两件事正好展现了这种压力。GPT-5.6 系列在 7 月 9 日发布三周后的 7 月 30 日OpenAI 便将 Luna 的 API 价格下调 80%、Terra 下调 20%。并且就在此前几天月之暗面开放了 2.8 万亿参数 Kimi K3 的完整模型权重允许第三方自行部署和继续开发。前沿实验室几乎没有停下来的空间。同时即使保持能力领先这种领先也不会自动转化为商业收入。一项新技术出现后人们通常需要经过很长时间的尝试才能推出符合市场并且可以长期获利覆盖成本的产品。Andrew 甚至认为即使模型能力停留在今天的水平社会也可能需要 20 年以上才能将大语言模型充分整合进日常生活。这意味着前沿实验室既要持续承担越来越高的研发成本又可能要等待多年才能看到新技术大规模落地带来的收入。也正因如此Andrew 质疑这些公司的股权是否真的值现在这么多钱。如果有机会按照 OpenAI 或 Anthropic 最近一轮融资的估值买入他也不确定自己是否愿意。能力领先三个月到底值多少钱Dwarkesh 并未完全否定 Andrew 的推导。他承认如果模型能力的增长真的越来越慢、越来越零散并且受到数据限制那么前沿实验室当前的估值确实很难成立。分歧在于Andrew 认为模型增长正在接近平台期而 Dwarkesh 相信模型能力仍会以足够快的速度向前推进。在快速进步阶段能力领先三个月意味着产品功能的明显跃升。三个月前这款模型只能生成代码而三个月后模型可以独立完成调试和部署。只要领先模型能够完成竞争对手无法稳定完成的任务用户就可能愿意支付数倍价格换取更高的成功率和更少的人工返工。问题在于模型价格本身也在快速下降。斯坦福大学《AI Index 2025》显示达到 GPT-3.5 水平的模型推理成本从 2022 年 11 月至 2024 年 10 月下降了超过 280 倍。模型公司必须在竞争对手追上之前尽快把能力优势转化成收入然后继续投入下一轮训练。随着竞争的加剧领先能力的「价格保质期」正变得越来越短。Andrew 担心这份保质期不足以覆盖研发成本Dwarkesh 则相信如果下一次能力跃升足够快、足够大领先者就能不断获得新的定价空间。AI 落地要等 20 年吗在「技术扩散」的问题上Andrew 看到的是一种时间上的错位训练成本需要立刻支付经济回报却需要等待企业慢慢改造组织。Dwarkesh 则认为这种判断低估了 AGI 与过去技术的根本差异。如果 AGI 真的相当于 「运行在服务器上的人类」它就不会像一套普通软件那样等待企业为它设计完整的部署流程。它可以自己阅读公司的云盘和内部文档了解组织结构观察同事如何工作主动询问哪里需要帮助并逐渐接管更复杂的任务。它还可以将一个 AI 员工学到的经验迅速复制给大量实例让其他 「新员工」 省去从头培训的过程。Dwarkesh 将这种 AGI 类比为一名高技能、有经验、具有创业能力的移民。一个人进入陌生社会后会主动找工作、学习规则、建立关系也可能创办自己的公司。他不需要等待整个社会先为自己准备好使用说明。AGI 同样可以做到这些而且复制成本更低。因此Dwarkesh 提出了一种判断AGI 会自己扩散。按照这套逻辑当前 AI 进入企业的速度仍然缓慢可能意味着模型能力还不够强。只要模型仍需要人类替它拆解任务、清洗数据、连接系统和检查结果它就仍然是一项需要部署的工具。等到 AI 能够自己完成这些工作技术扩散可能从一项持续数十年的组织改造变成一次快速增加 「数字员工」的招聘过程。Dwarkesh 认为引入一个经过安全验证、可以直接复制的 AGI甚至可能比招聘、培训和管理一名人类员工更加容易。奇点到来之前评论区有人指出即使 AGI 没有立刻出现前沿实验室的商业模式仍有两条可能的出路。在成本端OpenAI、Google 等公司正在向芯片产业链上游移动希望通过定制芯片和自建基础设施降低生产单位智能的成本减少被芯片和云计算供应商拿走的利润。而在收入端大模型也具有传统企业不具备的规模效应。一种能力只需训练一次便可以同时出售给数百万用户。如果模型在编程、制药、金融或法律等高价值领域取得突破巨额训练成本就可以由大量客户共同分摊。最引人注目的还是这条评论。你怎么看 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
