夜雨聆风副标题：为什么资本误读了这场智能革命
引子｜同一周里的三条新闻
2026 年 7 月下旬，三条看似分散的新闻，几乎在同一时间出现。
① Kimi K3 发布。月之暗面披露 2.8 万亿总参数、稀疏 MoE 架构、100 万 token 上下文，并承诺 7 月 27 日公开完整权重。一个越来越尖锐的问题被重新推到桌面：如果接近美国闭源前沿模型的能力可以被以开放权重方式释放，那些用数千亿美元资本开支建立起来的稀缺性，究竟还能保持多久？[1]
② 贝森特发出制裁威胁。美国财政部长公开表示，政府正在调查中国开源模型是否建立在对美国模型知识产权的盗用之上，并称"有能力实施制裁"。他把技术上所说的蒸馏直接解释成了盗窃。截至本文增订时，尚无正式制裁文件落地，公开发生的是政策信号与威胁，而非已执行的制裁决定。[2]
③ Alphabet 与 Tesla 股价下跌。Alphabet 把 2026 年资本开支预期上调至 1950–2050 亿美元，单季度出现约 59 亿美元负自由现金流，财报后股价单日跌约 7%。Tesla 单季资本开支升至约 58 亿美元，自由现金流转负，股价同样出现两位数跌幅。[4][5]
把这三条新闻放在一起，问题就不再是"中国模型有没有抄美国模型"。真正的问题是：一边是前沿智能的生产成本越来越高；另一边是前沿能力的复制、扩散和开源速度越来越快。这两条曲线正在向相反方向运动。
不是看不懂技术，而是过早地把一种技术路线，当成了最终路线。 每一次技术革命，资本都会犯同一种错误。
一｜每一次技术革命，资本都会犯同一种错误
图1：资本的世界观——数据、算力、参数，层层堆叠，期待智能从规模中涌现
过去两年，如果要用一个词概括整个 AI 产业，我认为不是 ChatGPT，不是 Agent，也不是 AGI。而是另一个更少被讨论、却真正主导了资本流向的词：
Scaling Law。
几乎所有大型模型公司的商业逻辑，都建立在一个极其简单的假设之上：更多的数据、更多的算力、更多的参数，最终得到更强的智能。
于是，一个几乎前所未有的投资叙事诞生了。GPU 成为新时代的石油。数据中心成为新时代的电厂。基础模型成为新时代的操作系统。所有资金开始流向同一个方向——越来越大的模型，越来越大的集群，越来越大的资本开支。
今天，全世界几乎所有重要的 AI 公司，都或多或少站在这条路径上。OpenAI 如此，Anthropic 如此，Google 如此，Meta 如此。甚至 DeepSeek 在降低训练成本之后，本质上依然是在这条路线内部继续优化。
资本对此表现出了极大的热情。原因其实并不复杂——因为这种路线，太符合资本的世界观了。
资本并不天然偏爱智能。资本天然偏爱的，是另一件事：规模。一套能够无限复制的系统，一个能够不断扩大的网络，一项可以持续增加投入并持续获得回报的资产。铁路如此，电网如此，互联网如此，今天的大模型，同样如此。
如果智能真的能够像修建高速公路一样，只要不断投入资金就能不断提高能力，那么资本几乎不用重新学习任何东西——它只需要重复过去两百年最熟悉的一套游戏：扩大投资，扩大产能，扩大规模，等待网络效应形成，然后获得垄断利润。
所以，我们今天看到的，并不仅仅是一次 AI 投资热潮。我们真正看到的是：工业时代资本逻辑，在人工智能时代的一次自然延续。
问题也正出在这里——如果智能，并不是一种基础设施呢？如果智能，本身就不是一种能够无限集中生产的产品呢？那么今天整个产业的估值体系，也许就需要重新思考。
二｜「AI 是新电力」这个比喻，从一开始就错了
图2：电力输出标准化，智能却需要因场景而异——这是两种根本不同的事物
很多人喜欢把今天的 AI，比作二十世纪初的电力。这是一个很流行的比喻，也很容易理解。
电力是一种基础设施，所有行业都需要它。AI 似乎也一样，未来所有行业都会调用模型。于是，一个顺理成章的推论出现了：谁拥有最大的模型，谁就拥有未来。
但我越来越怀疑，这个比喻本身就是错误的。
电力最大的特点，是标准化输出。上海的一度电，东京的一度电，纽约的一度电，没有本质区别。用户不关心是哪一台发电机发出来的，他们只需要稳定、便宜、可靠。所以，发电天然适合集中化，天然适合规模经济，天然适合资本密集型行业。
可是，智能真的是这样的吗？一个外科医生需要的智能，和一个咖啡店服务员需要的智能，真的可以完全来自同一个地方吗？一个仓库机器人每天遇到的问题，和一个股票交易系统每天遇到的问题，真的属于同一种智能吗？
如果答案是否定的，那么我们或许一直在犯一个很深的错误——我们一直把「语言能力」，误认为「智能能力」。
大型语言模型确实证明了一件事情：语言，是可以统一学习的。互联网提供了一个巨大的语料空间，模型通过预测下一个词，逐渐学会了语言、知识、推理乃至部分规划能力。这是一个真实的、令人震惊的成就。但是，语言能力，并不等于智能能力的全部。
现实世界远远比语言复杂。一个机器人学会抓杯子，不是因为它理解了"杯子"这个词，而是因为它不断碰撞、失败、调整、重新学习。一个自动驾驶系统学会避让行人，不是因为它读过《道路交通安全法》，而是因为它经历了无数真实场景，并不断修正自己的行为。
语言可以一次训练。经验却必须不断积累。而经验，恰恰是不能简单集中复制的。
三｜文明本身，就是一个分布式学习系统
图3：蚂蚁、蜜蜂、人类——文明的演化从来不依赖一个超级大脑，而是无数节点的分布式学习
自然界几乎没有真正意义上的"中央智能"。蚂蚁没有，蜜蜂没有，人类社会也没有。
文明的发展，从来不是依靠一个超级大脑完成的。恰恰相反，文明之所以能够持续演化，是因为无数个体在不同环境中不断学习，然后通过语言、文字、市场、教育、法律等机制交换经验。
换句话说，人类文明本身，就是一个巨大的分布式学习系统。
每一个人，都只知道世界的一小部分。一个外科医生不懂芯片设计。一个芯片工程师不会驾驶远洋货轮。一个农民未必理解金融市场。没有任何一个人拥有完整的世界模型。但是，人类文明却拥有。
这里隐藏着一个经常被忽略的问题。文明拥有的知识，并不等于任何一个个体拥有的知识。Google 并没有把全世界网页"变成一本书"，它建立的是索引。Wikipedia 并没有让所有知识都进入一个人的脑子，它建立的是协作。Linux 并不是一个程序员写出来的，而是无数程序员共同维护出来的。
如果文明本身就是分布式的，那么未来人工智能为什么一定要走向中央集权式的智能？为什么一定要存在一个理解整个世界的超级模型？这个问题值得认真思考。
四｜AGI 这个词，也许从一开始就设错了问题
图4：一台医院机器人和一台港口机器人，真的需要共享同一个大脑吗？
过去几年，一个词几乎成了 AI 社区的信仰：AGI——Artificial General Intelligence，通用人工智能。这个词最大的吸引力在于，它给了所有人一个极其宏大的目标：建立一个能够完成所有智力工作的统一智能。
听起来很美。也很符合科幻作品里的想象。但是，我们很少反过来问一句：为什么智能一定要是"通用"的？自然界真的存在这种东西吗？
让我们暂时离开语言模型，回到机器人。假设未来有两台机器人。第一台，在医院工作，每天学习的是：如何识别病人，如何递送药品，如何配合护士，如何避开手术车。第二台，在港口工作，每天学习的是：如何识别集装箱，如何规划运输路线，如何预测吊机状态，如何优化物流效率。
它们每天接收到的数据完全不同，面对的问题完全不同，形成的经验完全不同。那么，它们真的需要共享所有知识吗？
医院机器人并不需要知道集装箱编号。港口机器人也不需要学习静脉注射。
这意味着什么？意味着智能的成长，很可能不是来自一个统一的大脑，而是来自无数局部环境中的持续学习。
五｜局部智能：每一个环境，都有自己的智慧
图5：仓库、医院、农田、城市——每一个环境都在孕育属于自己的智能生态
如果继续沿着这条思路往前推，就会出现一个越来越重要的概念：局部智能（Local Intelligence）。
过去几年，我们太容易把"智能"当成一个统一的名词。事实上，它更可能是一个生态概念。森林里的智能，医院里的智能，工厂里的智能，家庭里的智能，城市交通里的智能——它们共享部分语言，共享部分知识，却拥有完全不同的经验。
经验从哪里来？不是来自互联网，而是来自部署。一个机器人每天工作八小时，一年就是近三千小时。十万台机器人，就是三亿小时。这些经验，不存在于今天任何公开数据集，也不存在于互联网。它们只能在真实世界产生。
这也是为什么我越来越关注持续学习（Continual Learning），而不仅仅是预训练。预训练解决的是"起点"，持续学习决定的是"终点"。
今天，我们讨论 AI 公司时，经常比较参数规模、训练成本、推理速度。未来，也许还要比较另一个指标：每一天，这家公司旗下所有智能体一共学习了多少小时？这个指标，可能比参数数量更接近真正的智能增长速度。因为智能并不是一次性制造出来的产品，它更像一种持续演化的生命过程。
六｜Sutton 与 LeCun：两条路，同一个指向
图6：持续学习与世界模型——两条看似不同的路，指向同一个未来
也正是在这里，我开始重新理解几位长期坚持不同研究路线的学者。
Richard Sutton多年来不断强调，真正重要的是持续学习，是智能体在环境中不断获得经验，而不是一次性完成学习。
Yann LeCun则持续强调，仅靠语言预测不足以支撑未来智能，还需要能够理解空间、时间、因果关系以及现实世界。
他们的方法并不相同，甚至研究重点也不同。但有一点，却形成了一种耐人寻味的共识：真正的智能，并不会在训练结束那一刻停止成长。
训练完成，不应该意味着学习结束。相反，训练，也许只是开始。
如果这个判断成立，那么今天很多关于模型能力的排行榜，也需要重新理解。排行榜比较的是模型今天会什么。而未来真正决定竞争力的，可能是模型明天还能学会什么。这是两个完全不同的问题。
七｜资本的估值逻辑，需要加入一个新变量
如果智能真正是一种持续演化的过程，那么今天资本市场最值得重新审视的，就不是模型能力，而是估值逻辑。
资本天然喜欢什么？这个问题并不复杂。资本喜欢能够继承的资产，喜欢能够扩张的资产，喜欢能够复制的资产，更喜欢能够形成规模效应的资产。铁路如此，石油如此，电网如此，互联网平台如此。因为这些产业有一个共同特点：边际成本不断下降，而控制能力不断增强。
过去二十年，互联网几乎就是这种商业模式最成功的代表。Google 建立搜索，Facebook 建立社交网络，阿里建立电商，腾讯建立即时通信。这些平台最终都拥有一个共同特征：它们控制的是流量。
于是今天很多投资人看到 AI 时，下意识继续沿用了同一种思维：既然大模型也是基础设施，那么未来是不是也会形成一家或者几家超级平台？这个推理非常自然，自然到几乎没人怀疑它。
可是，它可能忽略了一件事情。互联网平台控制的是信息。AI 智能体处理的是工作。这两件事情，可能完全不是一种商业逻辑。
八｜互联网争夺注意力，AI 却在释放注意力
图7：互联网让你停留更久，AI 却让你更快离开屏幕——两种截然相反的商业逻辑
互联网革命，本质上改变的是信息的组织方式。搜索降低了寻找信息的成本，社交降低了传播信息的成本，短视频降低了消费信息的门槛。整个互联网时代，其实都围绕着同一个目标：争夺人的注意力。
用户停留时间越长，广告价值越高，平台价值越高。所以互联网公司的核心指标一直都十分相似：DAU、MAU、停留时长、点击率、推荐算法、广告转化。这些指标共同指向一件事情：如何让用户继续待在平台里。
可是 AI 智能体呢？它恰恰相反。一个真正优秀的 AI Agent，不应该让我一直盯着屏幕，而应该让我离开屏幕。我把工作交给它，它替我完成，我回来验收结果。
互联网平台创造价值的方法，是增加人与信息的接触时间。 AI Agent 创造价值的方法，却是减少人与工作的接触时间。
这是两种方向完全相反的商业逻辑。过去的平台，希望你每天多刷两个小时。未来的智能体，希望你每天少工作两个小时。这意味着什么？意味着 AI 可能不是互联网平台的升级版，它甚至可能是互联网平台商业模式的天然破坏者。
九｜大模型更可能先削弱旧互联网巨头
很多人认为，大模型会创造新的互联网巨头。我越来越怀疑。它更有可能首先削弱旧互联网巨头。
为什么？因为今天互联网平台最大的资产，不是服务器，不是代码，而是人的注意力。可是，如果越来越多事情交给 AI 完成，用户为什么还要打开那么多 App？
过去，我们打开浏览器，搜索答案。未来，我们直接问智能体。过去，我们打开十几个网站，比较产品。未来，一个采购 Agent 完成全部比价。过去，我们不断切换办公软件。未来，一个智能助手自动完成跨软件协作。过去，人不断适应软件。未来，软件开始适应人。
如果这种变化真正发生，那么很多今天极其重要的平台价值，将开始发生迁移。注意，这里我并不是说互联网公司会消失，也不是说基础模型公司一定成为最终赢家。我真正想表达的是：资本可能把价值转移的方向判断错了。
今天大量估值建立在"谁拥有最大的模型"之上。而未来真正创造价值的，也许是那些拥有真实工作场景、持续学习能力和大量部署经验的系统。这是两个完全不同的估值体系。
十｜DeepSeek 证明的，不是中国赢了，而是路线撞墙了
图8：Scaling Law 曲线正在接近天花板——边际收益递减，是这个时代最重要的技术信号
DeepSeek 的出现，其实让这种矛盾第一次变得非常明显。过去，行业默认认为：模型越强，训练成本越高，资本壁垒越高。于是，大量资金开始流向更大的 GPU 集群，更大的训练预算，更大的基础设施。
DeepSeek 至少证明了一件事情：能力提升，并不一定意味着成本同步提升。工程优化、算法优化、架构创新，同样能够改变竞争格局。
这件事情的意义，并不仅仅是"便宜了"。真正重要的是，它开始动摇一个长期存在的假设：投入越大，优势越大。
如果未来越来越多创新来自算法，而不是资本投入，那么资本过去最熟悉的增长模型，就会开始失效。当然，这并不意味着资本失去作用。真正的问题在于：资本还能不能继续像过去一样，仅靠扩大投入就扩大领先优势？答案，也许不像今天市场想象得那么确定。
时事专题一｜蒸馏争议：它证明了什么，又没有证明什么？
围绕蒸馏的争论，很容易滑向两个过于简单的答案。美国公司的答案是：这是盗窃。中国舆论中另一种常见答案是：既然付费调用了模型，输出就可以自由使用。现实没有这么简单。
蒸馏首先是一种中性的技术。大模型公司会用强模型的输出训练自己的小模型，以获得更低的推理成本；开源社区也会用教师模型生成合成数据，改善较小模型的能力。真正产生法律和商业争议的，不是"蒸馏"这两个字，而是访问方式、数据权利、服务条款、规模以及用途。[3]
如果一家竞争者使用大量虚假账户绕开地域和访问限制，批量抽取特定能力并直接用于训练竞争模型，那么它显然不再是一个普通用户在使用产品。但反过来，仅凭两个模型表现相近，也不能自动证明后者蒸馏了前者。
蒸馏成功，并不能严格证明大模型"没有技术壁垒"。但它至少证明了一件对商业模式极其危险的事情：前沿能力的发现成本，与前沿能力的模仿成本，并不是同一个数量级。
第一家公司可能花费数十亿美元，才找到一种稳定的推理、编码或工具使用能力；第二家公司却可能通过高质量输出、思维轨迹、评分反馈和合成任务，把其中相当一部分能力变成训练材料。这不等于"没有壁垒"——它意味着壁垒会漏。
模型一旦通过 API 向外提供服务，它就在创造收入的同时，不断向外释放自己的行为样本。每一次调用都可能成为一条高密度的教师数据。模型越有用，输出越多；输出越多，外界越容易研究、模仿和压缩它。
传统工厂卖出产品，并不会因此教会购买者如何建造同一座工厂。前沿模型卖出答案，却可能在每一次回答里，泄露一小部分制造"会回答问题的机器"所需要的方法。
因此，蒸馏争议真正刺痛美国基础模型公司的，不只是知识产权。它刺痛的是闭源模型最核心的商业想象：我可以持续向全世界出售智能，却永远不让全世界学会生产智能。
如果一个产业必须依赖封禁账户、行为指纹、水印、地域限制和国家制裁，才能阻止已经卖出去的能力反过来成为竞争者的训练材料，那么这个产业的稀缺性本身，就没有资本市场想象得那么牢固。
时事专题二｜结构性做空：中国开源模型究竟做空了什么？
这里需要澄清"做空"这个词。所说的做空，不是指某家中国模型公司真的建立了美股空头仓位，也不是在指控某个创始人通过证券交易获利。没有证据的金融指控既不准确，也会把一个有价值的产业判断降格成人身猜测。
这里的"做空"，是一种结构性的做空。当 DeepSeek 用更低成本展示接近前沿模型的能力，当 Kimi K3 承诺把 2.8 万亿参数模型的权重开放出来，它们在做空三样东西：
第一，是闭源前沿模型的稀缺性溢价。 第二，是"只有拥有最多 GPU 的公司才能生产高级智能"的资本叙事。 第三，是基础模型公司可以长期凭借 API 入口收取高额租金的商业预期。
它们未必需要立刻建立一个利润丰厚的模型业务，才能产生这种效果。只要一个更便宜、更开放、能力足够接近的模型出现，全球开发者就会多一个替代方案，企业采购就会多一个谈判筹码，投资者就不得不重新计算美国模型公司的利润率、回收期和终值。
这就是开源模型最厉害的资本效应：它不必先赚到同样多的钱，就可以先让对手不再值原来那么多的钱。
但我们也不能把中国路线浪漫化。Kimi K3 本身就是一个 2.8 万亿参数的巨型模型。它并没有逃离 Scaling Law，反而把规模竞赛推到了更夸张的位置。它所做的，不是终结规模化，而是把规模化生产出来的能力，用开放权重和相对低价的方式向外扩散。
所以眼下真正发生的，不是"美国相信规模、中国相信小模型"。更准确地说，是美国试图把规模优势转化为封闭租金，而中国试图用开放扩散削弱这种租金。一边建造更高的围墙，一边让墙内的能力更快变成公共品。
这也解释了为什么蒸馏、开源和制裁会同时出现。它们不是三件偶然碰到一起的新闻，而是同一个价值分配冲突的三种表现。
时事专题三｜资本的迟疑：Google 和 Tesla 的下跌并不是反对 AI
Alphabet 和 Tesla 的股价下跌，也不能简单理解为资本市场突然不相信 AI 了。资本市场真正开始怀疑的是：AI 带来的新增价值，是否一定会按照资本开支的比例，回到出资建设基础设施的公司手中。
Alphabet 的问题最典型。它的搜索、广告和云业务仍然强劲，AI 需求也是真实存在的。可当一年资本开支走向 2000 亿美元、季度自由现金流转负时，投资者问的已经不是"AI 有没有用"，而是"这些投入什么时候转化为可分配现金"。[4]
Tesla 不是一家典型的基础模型公司，但它面对的是同一种压力。自动驾驶、Robotaxi、Optimus 和自研芯片都需要先投入巨额算力和制造资本，收入和利润却要在未来兑现。市场可以相信这些故事最终成立，同时拒绝继续用无限远的未来，给今天的资本开支买单。[5]
泡沫并不意味着技术是假的。泡沫意味着价值被过早地归属给了某些资产。
如果模型能力的扩散速度快于基础设施的折旧速度，如果开源和蒸馏让推理价格持续下降，如果应用企业、机器人公司和最终用户拿走了大部分生产率红利，那么数据中心的拥有者可能承担了最重的资本开支，却未必获得整个智能时代的大部分利润。
AI 的价值可能没有被高估。被高估的，也许是少数基础模型和算力基础设施公司对这份价值的占有比例。被低估的，则可能是那些真正进入行业、接管工作、积累局部经验，并在部署之后持续成长的智能体。
从这个角度看，中美之间今天看似混乱的模型大战，不只是一场技术竞赛，也是一场定价权战争。美国试图保住前沿智能的发现者溢价，中国试图加速前沿智能的扩散，从而压缩这份溢价。而资本市场正在用 Alphabet、Tesla 以及未来更多公司的股价告诉所有人：它愿意为智能的未来付钱，但已经开始怀疑，今天这些修建"智能电厂"的公司，是否真的拥有未来全部的电费。
十一｜训练更强的模型，和建立更强的智能生态，是两个问题
过去几个月，我越来越觉得，关于 AI 有两个容易混淆的问题。第一个问题：什么能够训练出更强的模型？第二个问题：什么能够形成更强的智能生态？
今天，大家讨论的大多是第一个问题：GPU、参数、数据、训练成本。但是第二个问题，也许才真正决定未来十年的竞争。
假设未来有一百万台机器人部署在真实世界，每天工作，每天学习，每天修正策略。那么，这一百万个学习循环，会不会比增加一万亿参数更重要？
我不知道答案。今天，没有人知道答案。但至少，它值得成为一个严肃的问题。因为过去几十年 AI 的历史告诉我们，很多革命，都不是沿着上一代技术最成功的方向继续放大的，而是来自完全不同的问题意识。深度学习不是专家系统的扩大版，互联网不是传真机的升级版，智能手机不是功能手机参数更高的版本。真正改变世界的技术，经常不是把旧路线做到极致，而是重新定义问题本身。
十二｜工业时代的集中逻辑，遇上了生命时代的分布逻辑
如果把视角再拉长一点，我们或许会发现，今天关于 AI 最大的争论，其实并不是技术路线之争，而是两个时代对于"智能"的理解正在发生碰撞。
工业时代认为，生产力来自集中：工厂越大，效率越高；流水线越长，成本越低。互联网时代虽然改变了信息传播方式，却依然继承了这种思维：建设更大的服务器，建设更大的数据中心，建设更大的平台。所有东西都在不断集中。
于是，当大模型出现以后，人们几乎本能地认为：智能，也应该集中。一个模型服务几十亿人，一个模型覆盖所有行业，一个模型理解整个世界。这是工业时代最自然的推论。
但是，如果智能更像生命呢？
生命最大的特点是什么？不是规模，而是适应。一棵树不会因为知道整个森林，就长得更高，它只需要适应自己的土壤。一条鱼不会因为理解整个海洋，就游得更快，它只需要适应自己的水域。生命的发展，从来不是因为拥有全部知识，而是因为能够持续适应局部环境。
这一点，与今天越来越多机器人企业面对的问题高度一致。机器人真正困难的地方，从来不是理解"什么是杯子"，而是今天这只杯子放在哪里，今天地面有没有积水，今天灯光是不是发生了变化，今天人的动作是不是和昨天不同。这些变化，无法一次训练完成，它们每天都在发生。因此，机器人真正需要的，不是一个一次完成训练的超级模型，而是一个永远不会停止学习的系统。
十三｜"世界模型"这个词，我们可能误解了"世界"
这里，我们终于可以重新理解"世界模型（World Model）"这个概念。过去一年，这个词被大量提及。很多人认为，未来 AI 必须建立完整的世界模型。听起来没有问题。
但我越来越觉得，我们可能误解了"世界"这个词。
对于一个仓储机器人来说，世界，不是整个宇宙，而是它负责的那座仓库。对于一个手术机器人来说，世界，不是互联网，而是一间手术室。对于一个农业机器人来说，世界，不是全球农业，而是眼前这一块土地。
换句话说，每一个智能体，都生活在属于自己的"局部世界"。真正重要的，不是有没有一个覆盖全宇宙的模型，而是有没有能力不断更新属于自己的局部世界模型。
这是一个看似微小，却可能影响整个 AI 架构设计的区别。今天，我们强调的是：一个模型，服务所有场景。未来，也许会变成：一个基础模型，加上无数不断演化的局部模型。基础模型提供语言、常识、推理能力；局部模型负责环境经验、实时学习和任务优化。
如果真是这样，那么未来 AI 的架构，更像互联网——不是一个中心，而是无数节点。
十四｜语言，也许是统一的；智能，却未必是统一的
图9：语言描述的是人类对世界的理解，而不是世界本身——行动与经验，无法仅靠预测下一个词获得
也正因为如此，我越来越相信一句话：语言，也许是统一的；智能，却未必是统一的。
大型语言模型最大的成功，在于证明了一件事：语言确实具有高度统一性。不同国家，不同文化，不同专业，最终都能够通过语言进行知识交换。因此，语言模型能够建立一个巨大的共享知识空间。这是革命性的。
但是，行动并不是语言，经验也不是语言。一个机器人学会在东京一家便利店整理货架，并不会自动学会在青岛港调度集装箱。一个家庭机器人学会照顾老人，也不会因此学会维修风力发电机。
语言能够共享，经验却具有强烈的情境性。因此，未来真正需要不断增长的，不只是语言知识，更是环境经验。而环境经验最大的特点，就是天然分布式。
没有任何一个数据中心，可以提前收集未来所有机器人将会遇到的问题。这些知识，只能在部署之后产生。所以，从这个意义上讲：未来最大的训练集，不在互联网，而在现实世界。未来最大的数据增长，不来自网页，而来自机器人每天工作的八小时。
十五｜未来真正重要的资产，不只是模型权重
如果这个判断成立，那么今天资本市场关于 AI 的很多讨论，都需要重新排序。今天，人们最关心的问题是：谁拥有最大的模型？谁拥有最多 GPU？谁拥有最多融资？
但十年以后，人们真正关心的问题，也许会变成：谁拥有最多真实世界里的学习循环？谁拥有最多长期部署的智能体？谁拥有最快把经验反馈到系统里的能力？
这是完全不同的一套竞争指标。它意味着，AI 企业未来真正重要的资产，不只是模型权重，还包括：部署网络、学习网络、经验网络、反馈网络。
这些资产不像 GPU 那样能够直接购买。它们需要时间，需要真实场景，需要持续运行。更重要的是，它们很难复制。这也是为什么，我越来越倾向于认为：未来 AI 企业真正的护城河，未必来自模型，而更可能来自部署。
模型会越来越开放，算力会越来越便宜，算法会不断扩散。但是，一个已经运行数亿小时、积累了无数真实经验的机器人网络，却不会轻易复制。真正的竞争优势，也许会在那里慢慢形成。
十六｜Scaling Law 是起点，不是终点
当然，这篇文章并不是为了证明今天所有主流 AI 公司都错了。恰恰相反。Scaling Law 是真实存在的，大型模型取得的突破，同样是真实存在的。没有预训练，就不会有今天的大语言模型；没有大语言模型，也不会有今天 Agent、机器人以及各种智能应用的发展。
问题从来不是：Scaling Law 对还是错。真正的问题是：Scaling Law 是不是终点？
如果它只是起点，那么今天资本给予它的估值，就需要加入一个新的变量：部署之后发生了什么？模型有没有继续成长？智能体有没有持续学习？经验有没有形成网络效应？
如果未来智能的主要增量来自这些环节，那么今天资本关注的重点，很可能只是整个智能演化过程中的第一阶段。而真正漫长、真正决定价值的部分，才刚刚开始。
十七｜每一次技术革命，真正被重估的往往是旧资产
每一次技术革命，都会发生一次价值重估。但真正被重估的，往往不是新技术本身，而是旧时代留下来的资产。
铁路时代，没有消失的是马，消失的是整个驿站体系。电力时代，没有消失的是煤，消失的是围绕蒸汽机建立起来的大量生产组织。互联网时代，没有消失的是报纸，真正被重估的是整个信息分发体系。
所以，当我们讨论 AI 时，也许应该把问题换一种方式。不要问：AI 公司值多少钱？而应该问：还有哪些资产，其实已经不再值今天这个价格？
今天，大量讨论集中在 OpenAI 能值多少，Anthropic 能值多少，xAI 能值多少。但真正值得讨论的，也许是：当越来越多工作开始由智能体完成之后，今天依赖人类注意力建立起来的大量商业模式，还能维持原来的价值吗？
十八｜注意力经济 → 自动化经济，这才是真正的价值迁移
如果这种变化发生，那么未来最大的价值迁移，很可能不是：互联网公司 → 大模型公司。而是：注意力经济 → 自动化经济。
互联网平台最重要的资源，是用户时间。AI 企业最重要的资源，可能是机器时间。今天，一个互联网平台最希望看到的是：用户每天打开十次。未来，一个 AI 系统最希望看到的是：机器人每天工作二十四小时。
过去的平台，希望提高点击率。未来的智能体，希望提高任务完成率。过去的平台，希望增加停留时间。未来的智能体，希望缩短完成时间。这些指标背后的经济学逻辑，已经完全不同。
因此，我越来越觉得，我们不能简单把 AI 看成互联网的下一代。它更像是一次新的产业革命。互联网解决的是：信息如何流动。AI 正在解决的是：工作如何完成。信息革命改变的是人与信息之间的关系，智能革命改变的，则是人与劳动之间的关系。这是两场革命，不是一场革命的升级版。
十九｜机器人，更像一棵树，而不是一台机器
图10：机器制造完成就开始折旧，生命诞生以后却开始成长——这是两种完全不同的资产逻辑
如果站在机器人行业再看这个问题，这种变化会更加明显。过去几年，我越来越少把机器人理解为一种硬件。机器人当然需要机械结构，需要电机，需要减速器，需要传感器。但这些只是身体。真正决定机器人价值的，不是身体，而是每天在身体里成长的智能。
假设两家公司制造出完全一样的机器人。第一家公司，每卖出一台，就结束了。第二家公司，每卖出一台，就开始学习。一年之后，两家公司的机器人，虽然硬件没有变化，能力却已经完全不同。区别不是制造，区别是成长。
这让我越来越相信：未来机器人行业真正重要的资产，不是库存，不是工厂，不是设备，而是部署出去以后，每一天都还在继续成长的智能网络。
如果这样理解机器人，那么它更像一棵树，而不是一台机器。机器制造完成，就开始折旧。生命诞生以后，却开始成长。这两种资产的估值方式，本来就不应该一样。
二十｜资本没有错，它只是总会优先押注最容易理解的那条路
写到这里，我想回到文章开头提出的那个问题：资本错了吗？我认为，不是。资本一直都非常聪明，它只是总会优先押注最容易理解、最容易复制、最容易规模化的那条路线。因为资本需要确定性，而技术演化，偏偏充满不确定性。
铁路出现的时候，没有人知道汽车会成为主流。大型机出现的时候，没有人知道个人电脑会普及。互联网出现的时候，没有人知道智能手机会重新定义整个行业。今天，我们同样不知道。
我们不知道大模型是不是最终形态，不知道持续学习会不会成为下一阶段核心能力，不知道机器人是否会成为最大的经验入口，不知道局部智能是否最终比统一智能更重要。这些问题，没有人能够给出答案，包括我。
因此，这篇文章真正想提出的，不是一个结论，而是一个值得长期观察的假设。
二十一｜今天押注「智能的生产」，未来决定价值的是「智能的成长」
这个假设可以用一句话概括：
今天资本押注的是"智能的生产"，而未来真正决定价值的，可能是"智能的成长"。
生产意味着一次完成。成长意味着持续演化。 生产依赖规模。成长依赖经验。 生产发生在数据中心。成长发生在现实世界。
如果未来 AI 的主要价值，来自后者，那么今天整个产业的竞争逻辑，都将发生变化。模型仍然重要，算力仍然重要，资本仍然重要。但它们不再是故事的全部。
真正漫长的竞争，也许会发生在模型训练完成之后。发生在机器人每天工作的八小时里。发生在智能体一次又一次与现实世界交互的过程中。那里没有发布会，没有排行榜，没有轰动全球的新模型名字，却可能默默积累着下一代智能真正的护城河。
结语
历史很少重复。但历史总会押着相同的韵脚。
每一次革命开始时，人们都会高估旧经验能够解释新世界的能力。蒸汽时代如此，电力时代如此，互联网时代如此。今天的人工智能，也许同样如此。
也许若干年后，我们会发现，今天最重要的资产，不是最大的模型，不是最多的 GPU，也不是最高的估值。而是那些已经进入真实世界、每天都在学习、每天都在成长、每天都在积累经验的千万个智能体。
如果那一天真的到来，那么今天关于 AI 的泡沫，未必长在 AI 本身。它更有可能，长在我们仍然沿用互联网时代的眼光，去理解一个已经开始属于智能时代的新产业。
那时，我们才会意识到：真正需要重估的，不只是几家 AI 公司，而是我们理解"智能"、"价值"与"资本"之间关系的整个框架。
附录一｜为什么我会特别关注 Sutton 和 LeCun？
很多人喜欢把 AI 研究者简单划分成不同阵营。有人支持 Scaling Law，有人支持世界模型，有人支持强化学习。这种划分方式很方便，却容易掩盖一个事实：真正优秀的研究者，往往讨论的不是同一个层面的问题。
Richard Sutton长期讨论的是智能如何持续成长。他的代表性观点一直十分稳定：真正的智能，不应该依赖人为不断增加知识，而应该能够从经验中不断学习。他关心的是学习机制。
Yann LeCun更关心另一件事情。如果说大型语言模型已经证明了语言能够成为知识的统一接口，那么语言之外呢？空间、时间、物理约束、因果关系、行动——这些现实世界的规律，是否能够仅靠预测下一个词获得？LeCun 的回答始终比较明确：不能。因此，他不断强调世界模型（World Model）、预测式表示学习以及环境交互的重要性。
如果把两个人放在一起看，就会发现一个耐人寻味的现象。他们讨论的问题不同，但指向的未来却有某种交集：智能不是训练结束时的状态，而是持续成长的过程。
这恰恰也是机器人行业必须面对的问题。机器人没有办法像语言模型一样，在互联网完成全部学习。它必须进入现实，必须经历失败，必须修正动作，必须不断更新自己的经验。因此，机器人天然比聊天机器人更容易暴露今天 AI 架构真正的瓶颈——它不是不知道答案，而是不知道现实已经改变。
附录二｜机器人为什么可能成为下一代 AI 的真正试验场？
图11：每一次抓取、每一次失败、每一次修正——机器人正在生产下一代 AI 最需要的数据
过去两年，一个有趣的现象不断出现：越来越多人开始把机器人看成大型模型的一个应用方向。我却越来越倾向于反过来看。
机器人不是应用。机器人可能是下一阶段 AI 最重要的训练环境。
原因很简单。互联网提供的是语言数据，现实世界提供的是经验数据。这两种数据完全不同。语言数据可以复制，同一个网页，可以训练几百万次。经验数据不能复制，同一次跌倒，却只能由真正跌倒的机器人经历。
因此，机器人每天都在产生一种互联网几乎无法提供的数据：行动之后的反馈。抓取失败，重新规划，再次尝试，成功。这一整套循环，本身就是智能成长最重要的组成部分。
如果未来出现数百万台机器人，它们每天都在不同城市、不同工厂、不同医院、不同家庭持续学习，那么整个 AI 产业的数据来源将发生根本变化。过去最大的数据来源是互联网，未来最大的数据来源，也许就是现实世界本身。
这意味着，机器人不仅仅是在消费 AI——它正在生产下一代 AI。
附录三｜资本真正需要重新思考的，也许不是模型，而是学习网络
图12：智能时代的网络效应，来自智能体之间的经验连接——谁拥有最好的学习网络，谁拥有未来
今天资本讨论 AI 时，最常见的问题是：谁拥有最好的模型？也许十年以后，这个问题会变成：谁拥有最好的学习网络？
模型可以开源，算法可以传播，算力价格终将下降。真正难以复制的，也许是一个遍布真实世界、能够持续吸收经验、持续更新模型、持续形成反馈闭环的智能网络。
互联网时代的网络效应来自用户之间的信息连接。智能时代的网络效应，可能来自智能体之间的经验连接。这是两种完全不同的网络。前者连接的是人，后者连接的是学习。
如果这个变化发生，那么 AI 产业真正的竞争，不再只是算力竞争、模型竞争，而会逐渐演化为：谁能够最快地把真实世界的经验，转化为整个智能网络共同成长的能力。
我认为，这才是真正值得长期追踪的产业趋势。它未必会在一年内发生，甚至未必会在三年内发生。但如果它发生，它对产业格局的影响，很可能超过今天任何一次模型发布。
后记｜为什么我要写《智能时代观察》
这不是一篇关于某家公司估值的文章，也不是一篇预测谁会赢、谁会输的投资分析。它更像是一份长期研究的起点。
今天，我们讨论的是 Scaling Law。明天，我们可能讨论 Agent。后天，我们会讨论机器人。再往后，也许会讨论脑机接口、能源、自动化和新的生产关系。这些主题看似分散，却始终围绕着同一个问题：智能究竟会沿着什么样的路径演化？
我并不认为今天已经有人掌握了答案，包括我自己。
因此，《智能时代观察》不会试图宣布结论。它更希望记录那些正在出现、但还没有形成共识的信号。因为真正重要的产业变化，往往不是在所有人都看清以后才发生——而是在少数分散的事实之间，开始出现某种新的联系时，就已经开始了。
时事增订版资料来源
[1] 月之暗面：《Kimi K3: Open Frontier Intelligence》，2026 年 7 月。官方披露 K3 的参数规模、稀疏 MoE 架构、上下文长度、API 定价及权重开放计划。
[2] Business Insider 对美国财政部长斯科特·贝森特 2026 年 7 月 21 日公开讲话的报道。贝森特称政府正在调查中国模型的所谓知识产权盗用，并表示存在制裁能力；讲话没有点名具体公司。
[3] Anthropic：《Detecting and preventing distillation attacks》，2026 年 2 月 23 日。该文公开指控 DeepSeek、月之暗面和 MiniMax 组织工业规模的 Claude 能力抽取，同时说明蒸馏本身也是行业内合法使用的常规技术。
[4] Alphabet 2026 年第二季度财报及财报后的市场报道。相关数据包括季度收入、资本开支、自由现金流与全年资本开支指引。
[5] Tesla 2026 年第二季度股东材料及 Reuters 财报报道。相关数据包括季度收入、资本开支、自由现金流以及公司对 2026 年资本开支的预期。
作者：苏亮 · 全世萝卜 Panbotica 文章链接：panbotica.net/intel-era-001
