夜雨聆风最近看了一期对 Fireworks AI 联合创始人 Benny Chen（陈宇飞） 的长访谈。
这期访谈值得认真看，并不是因为它单纯讨论了“开源模型会不会超过闭源模型”，而是因为它实际上提出了一套比较完整的 AI 产业演进逻辑：
基础模型逐渐商品化 → 开源与闭源长期共存 → 企业竞争从模型本身转向 Data、Eval、Workflow 与垂直智能 → Agent 开始调用多个模型完成任务 → 推理需求继续爆发 → AI 基础设施投资继续扩大。
这是 Benny 对未来 AI 产业的基本判断。
但在认可其中很多观点的同时，我认为还有另外一个维度必须加入讨论：
«技术发展的长期方向，和资本市场运行的周期，从来不是一回事。»
AI 可以继续进步，AI 需求也可以继续增长，但并不意味着所有 AI 公司都能够活下来，也不意味着所有 AI CapEx 都能够无限制增长，更不意味着今天所有高估值的 AI 股票未来都能够兑现资本市场已经提前计入的预期。
下面先完整整理这期访谈的核心观点，再加入我的一些个人思考。
---
一、开源模型最终会追上闭源模型，但并不是简单的“开源消灭闭源”
Fireworks 团队很多成员来自 PyTorch。
他们一直以来都有一个非常明确的判断：
过去几十年的软件发展历史已经证明，无论是操作系统、数据库，还是很多基础软件领域，最终都会出现非常强大的开源生态。
大模型大概率也不会例外。
Benny 对于“开源模型最终追赶闭源模型”本身并不意外。
真正令他意外的是：
开源追赶闭源的速度，比他们原来想象得更快。
但这里需要区分两个问题。
第一，开源是不是会越来越强？
答案很可能是肯定的。
第二，开源是不是一定要彻底打败闭源？
答案却未必。
未来完全可能形成类似 Android 和 iPhone 的市场结构：
大量 Token 和大量普通应用由开源模型承担；
而最复杂、最高价值、最高支付能力的客户，仍然使用 OpenAI、Anthropic 等最强 frontier model。
也就是说：
«Token 市场份额和利润市场份额，可以属于完全不同的公司。»
---
二、依靠蒸馏闭源模型，不会是开源模型长期发展的核心道路
过去一段时间，一个非常重要的开源模型进化方法，是利用大型闭源模型产生大量数据，再通过蒸馏训练新的模型。
但是 Benny 认为，这种路径未来会越来越困难。
原因很简单。
当闭源模型公司发现自己的模型输出正在被用于大规模复制、蒸馏和训练竞争模型以后，它们必然会不断加强限制。
因此，开源真正长期可持续的发展道路仍然应该来自：
- 更好的训练数据；
- 更好的数据生产；
- 更好的 Eval；
- 更低的数据获取成本；
- 更高效的训练；
- 更优秀的 post-training。
也就是说：
开源最终要真正强大，不能永远依赖于复制别人，而必须建立自己的训练体系。
---
三、OpenAI、Anthropic 的收入仍然可能继续高速增长
这是访谈里面一个非常值得注意的判断。
Benny 并不认为开源模型崛起之后，OpenAI、Anthropic 这样的闭源模型公司收入就会停止增长。
相反：
它们的 ARR 很可能继续快速增加。
因为整个 AI 市场本身仍然处于快速扩张阶段。
但是这里存在另外一个问题：
«ARR 增长，并不等于最终留在模型公司手中的经济价值同步增长。»
未来模型公司需要越来越多：
- GPU；
- 数据中心；
- 云计算；
- Networking；
- 存储；
- 推理基础设施。
因此模型公司收入虽然继续上涨，但越来越多收入可能需要向云计算和基础设施供应商分配。
所以真正需要观察的不仅仅是：
OpenAI 一年收入多少钱。
还要看：
最终能够留下多少利润，以及整个产业链中究竟是谁拥有最强议价能力。
---
四、基础模型真正面临的问题，是越来越多任务开始“够用了”
过去几年最重要的问题是：
哪个模型更聪明？
但是未来很多应用可能逐渐进入另外一个阶段：
«这个模型是不是已经足够完成我的工作？»
特别是：
- 普通 Coding；
- 内部软件；
- 前端；
- Office workflow；
- 企业内部自动化。
当一个成本更低的模型已经能够完成 95% 的任务以后，企业未必愿意为了最后几个百分点的 benchmark 提升支付几倍甚至几十倍的价格。
这会直接影响 frontier model 的定价权。
所以未来真正重要的问题，不再只是：
“谁的模型最强？”
而是：
“谁能以最低的成本，达到客户真正需要的能力？”
---
五、Benny 更看好垂直 AI，而不是所有事情最终都由一个 AGI 完成
这是整场访谈里面非常重要的一部分。
法律、医疗、金融、科研、企业内部流程，每个行业真正困难的问题，并不只是模型够不够聪明。
真正困难的是：
«什么才叫正确？»
例如：
法律领域一个答案是否正确；
医学报告中的 reference 是否准确；
一个金融模型是否符合监管要求；
一个企业流程是否被正确执行。
这些问题并不存在一个通用答案。
Frontier lab 当然理论上可以训练最好的法律模型、医疗模型、金融模型。
但是它们并没有足够经济动力，把每一个行业都做到极致。
OpenAI、Anthropic、Google 的目标是：
General Intelligence。
而 Harvey 这样的法律 AI 公司，只需要把一件事情做到最好：
法律。
这就是所谓的：
Jagged Intelligence
也就是：
偏科型智能。
未来 AI 很可能不是一个模型在所有事情上都做到最好。
而是不同模型，在不同领域形成自己的优势。
---
六、真正的企业 AI 护城河，可能不是模型，而是 Data + Eval + Workflow
这也是整场访谈里面我认为最有价值的一个观点。
基础模型可以不断升级。
但是企业自己的：
- 数据；
- Case；
- 用户行为；
- Workflow；
- Evaluation；
- Reward；
- Domain Knowledge；
却会持续积累。
这些东西不会因为 GPT-6、GPT-7 或 Claude 新模型发布就自动消失。
所以真正有可能形成长期 AI moat 的东西并不是：
“我们现在用了哪个模型。”
而是：
«“我们到底掌握了什么行业数据，以及我们知道怎样判断一个 AI 输出到底好不好。”»
---
七、为什么现在定制模型越来越不容易被下一代基础模型直接淘汰
过去一年，经常出现这种情况：
一家企业刚刚花几个月 Fine-tune 一个模型。
结果新的 GPT 或 Claude 发布以后：
新的基础模型直接比定制模型更强。
前面的投入立刻贬值。
但是 Benny 认为，这种情况正在发生变化。
原因是：
Frontier model 和 vertical model 的发展方向正在逐渐分叉。
Frontier labs 越来越关注：
- 更困难的数学；
- 科学研究；
- 新药；
- General reasoning；
- AGI benchmark。
而企业真正关心的是：
- 某一个合同有没有错误；
- 医疗文献引用准不准确；
- 客户需求是不是被正确执行；
- 某个企业流程是不是正确结束。
所以：
即使下一个 Claude 或 GPT 的总体 benchmark 提升了 20%，也未必能够自动超过一个已经积累多年行业数据的专业系统。
这意味着：
«Specialized Intelligence 开始逐渐成为真正可以沉淀的企业资产。»
---
八、未来 AI 最大的应用之一，可能不是今天理解的 Coding
Fireworks 观察到，目前大量 Token 来自：
- Coding；
- Medical；
- Co-work。
但是 Benny 提出了一个很重要的观点：
很多以前我们根本不会称作 Coding 的工作，实际上正在逐渐变成 Coding。
例如：
做 PowerPoint；
修改 Excel；
处理 Word；
整理文档；
操作软件。
从 Agent 的角度看，其本质越来越类似：
理解任务
↓
调用工具
↓
修改结构化文件
↓
检查结果
↓
继续修正
所以未来：
PowerPoint 可以被理解成 Coding；
Excel 可以被理解成 Coding；
Office 操作也可以被理解成 Coding。
这里真正发生的是：
越来越多人类工作正在被转换成机器可以执行的结构化任务。
---
九、未来大量 AI workload 最终可能被归纳为两类
Benny 提出了一个非常有意思的分类。
第一类：
Coding / Tool Execution
也就是让 AI 真正执行任务。
第二类：
Deep Research
也就是让 AI：
搜索；
读取；
判断；
筛选；
验证；
归纳；
最后形成答案。
未来很多今天看来完全不同的 AI 产品，很可能最终都可以被吸收到这两个大的工作类别里面。
---
十、一个被严重低估的 AI 市场：Co-work
现在整个 AI 行业非常喜欢研究：
Coding benchmark；
Math benchmark；
Reasoning benchmark。
但是 Fireworks 从真实 Token 流量看到：
大量增长实际上来自：
- Slides；
- Word；
- 文档；
- 信息整理；
- 企业协作；
- 视频；
- Office workflow。
也就是我们传统意义上所说的：
白领工作。
因此未来 AI 最大的 Agent 市场未必只是程序员。
更大的市场可能是：
«把全球数亿白领工作人员的日常工作逐渐转换成 AI-assisted workflow。»
---
十一、Computer Use Agent 并没有沿着很多人原来想象的方向发展
Benny 曾经非常看好 Computer Use。
也就是让模型直接：
看屏幕；
移动鼠标；
点击；
操作 GUI。
但是实际发展过程中，他们发现：
很多 workload 最终又回到了文本。
原因非常现实：
Text inference 太便宜了。
如果同一个工作：
一种方式需要模型不停看屏幕、识别图像、点击 GUI；
另外一种方式只需要：
API + Text + Tool Call。
那么后者通常：
成本更低；
速度更快；
稳定性更高。
所以 Computer Use 不会消失。
但是它未必会成为所有 Agent 最终统一的工作方式。
---
十二、不要简单用 Token 排行榜判断一个 AI 模型的商业价值
现在很多公开平台会公布：
某个模型一天使用了多少 Token。
但是 Benny 认为，这种数据非常容易造成误导。
因为新模型发布以后：
大量免费试用；
大量测试；
大量 benchmark；
大量开发者 experiment。
都会瞬间产生极大的 Token 使用量。
但：
Token Volume ≠ Revenue
更不等于：
Profit
真正应该关注的是：
客户到底愿不愿意为这个模型付钱。
一个 Token 使用量不一定最大的 frontier model，完全有可能拥有非常高的收入。
---
十三、企业定制模型的目标，不应该只是“更便宜”
Fireworks 给企业训练模型的目标并不是：
达到 Claude 80% 的能力，同时便宜 80%。
真正的目标应该是：
«在客户真正关心的那个任务上，直接超过最强 frontier model。»
也就是：
Open Model
+
Customer Data
+
RL
+
Evaluation
↓
Specialized Model
↓
在某个特定任务上超过通用模型。
这是 Specialized Intelligence 真正能够产生商业价值的基础。
---
十四、未来半年开源模型 Token 使用量大概率继续高速增长
Benny 对这一点非常乐观。
但是开源究竟能够从中获取多少真正的经济价值，仍然取决于一个问题：
企业是否愿意进行 customization。
如果企业只是下载一个基础开源模型直接使用：
那么 frontier closed model 仍然可能保持明显优势。
真正能够改变整个竞争结构的是：
企业开始利用：
自己的数据；
自己的 Eval；
自己的 RL；
训练真正属于自己的 Specialized Intelligence。
---
十五、企业为什么仍然大量选择闭源模型？很多时候并不是价格问题
企业采购和个人用户完全不同。
一个普通消费者可以今天用 Claude，明天用 ChatGPT，后天换 Gemini。
但是一个大企业签订一年、两年甚至更长期的 AI 合同时，需要考虑很多东西：
- 公司会不会倒闭；
- 服务是否稳定；
- Security；
- SLA；
- VPC；
- Support；
- Roadmap；
- 企业级权限；
- 数据合规。
所以企业客户购买的实际上不仅仅是模型。
还包括：
Trust。
这也是 OpenAI、Anthropic、Microsoft 等公司非常重要的优势。
因此开源模型真正需要补齐的不只是 benchmark。
还有：
GTM 和企业信任体系。
---
十六、Open-source Model 并不意味着企业一定会自己部署
很多人认为：
既然模型已经开源，那么企业为什么还需要云推理公司？
Benny 的回答是：
Multi-tenancy。
一家企业自己买 GPU 或租 GPU，很难长期保持 GPU 100% 使用率。
但是一个大型 inference cloud：
客户 A 不使用时可以给客户 B；
客户 B 不使用时可以给客户 C。
这样就可以显著提高整体 GPU utilization。
所以：
«开源模型越普及，反而可能越有利于专业 inference cloud。»
---
十七、企业 AI 项目最大的困难之一其实是 Eval
很多企业到今天仍然是：
“我们试了一下，看起来挺不错。”
但是没有真正定义：
什么叫正确；
什么叫错误；
哪个错误最严重；
什么 case 必须通过；
新模型到底比旧模型提高了多少；
到底应该选择哪个模型。
Benny 认为：
未来企业真正非常缺的人，不一定只是会调用 LLM API 的工程师。
而是：
«能够设计高质量 Evaluation System 的人。»
---
十八、AI 软件工程正在从 Unit Test 走向 Eval
传统 SaaS 公司拥有大量 Unit Test。
AI SaaS 未来真正重要的核心资产可能是：
Evaluation Suite。
一个 Agent 每次改变：
模型；
Prompt；
Tool；
Workflow；
Router；
都应该重新执行大量真实任务。
然后判断：
Model
↓
Agent
↓
Output
↓
Evaluation
↓
Pass / Fail。
所以企业 Eval 数据本身很可能逐渐成为一种极其重要的企业资产。
---
十九、Inference Optimization 远远没有结束
现在很多人认为：
有了 vLLM；
买 GPU；
部署模型；
Inference 问题就已经解决。
Benny 并不这么认为。
Inference 仍然存在大量技术空间：
- Kernel optimization；
- Caching；
- Routing；
- Workload-specific optimization；
- Memory optimization；
- Serving optimization；
- 新模型快速适配。
尤其重要的是：
一个新的开源模型发布以后，谁能够最快把模型运行成本压下来，同时提高吞吐量，仍然是一项非常重要的技术能力。
---
二十、未来很可能不是一个模型完成全部工作，而是 Harness + 多模型
Harvey 的例子非常有代表性。
最强的 frontier model 未必需要完成所有事情。
一个复杂 Agent 完全可以：
大量简单任务使用便宜模型；
专业任务使用 specialized model；
真正非常困难的任务，再调用 frontier model。
于是整个系统变成：
Model + Router + Harness + Eval
而不是简单的：
GPT VS Claude VS Gemini。
模型本身仍然重要。
但模型将越来越像一个系统组件。
---
二十一、硬件真正的护城河并不只是 FLOPS
Benny 还谈到了 NVIDIA。
模型效率很大程度上取决于：
计算能力和内存能力之间是否匹配。
而且新的模型架构，本身也会针对某种硬件进行设计和优化。
因此 NVIDIA 真正的优势不仅仅是：
GPU 比别人快。
而是整个：
- CUDA；
- 软件；
- Kernel；
- 开发生态；
- Optimization；
- Model support；
- Developer familiarity。
所以芯片公司真正的问题并不只是：
算力是多少。
还包括：
整个模型生态是否愿意针对你的硬件进行优化。
---
二十二、不是所有企业都应该自己训练模型
Benny 特别强调了这一点。
真正适合训练 specialized model 的，通常是：
垂直 SaaS 公司。
例如 Harvey。
因为 Harvey 服务很多律所。
它可以获得：
大量不同 case；
大量用户反馈；
大量 Eval；
大量真实业务环境。
但是一家普通律所只有自己的有限数据。
它很难建立一个覆盖足够广泛的训练和评价系统。
所以对于大多数普通企业来说，更合理的路线仍然是：
Base Model + Skill + Workflow + Agent
而不是：
每一家企业重新训练一个自己的 LLM。
---
二十三、RL 真正昂贵的不只是数据，而是 GPU 和 Environment
定制模型真正困难的问题包括：
- Reward hacking；
- Environment stability；
- Environment scale；
- Rollout；
- GPU 成本。
但一个很重要的观点是：
企业不一定需要上亿条人工标注数据。
如果拥有：
1000 个高质量真实任务；
清楚定义什么叫成功；
建立稳定 Environment；
进行大量 RL rollout；
那么这些任务本身就能够不断产生新的训练轨迹。
所以未来真正珍贵的数据资产，可能不是：
“我有 100 亿条文本。”
而是：
«“我拥有 1000 个定义极其准确、可以重复执行、可以正确评价的真实任务。”»
---
二十四、新基础模型发布，并不意味着过去的训练全部作废
只要企业真正拥有：
Data；
Eval；
Environment；
Reward；
Workflow；
那么新的基础模型发布以后可以做：
Rebase。
旧 Base Model
↓
换成新的 Base Model
↓
重新训练
↓
重新跑 Eval
↓
重新上线。
因此某一个具体的 Model Checkpoint 未必是最重要的资产。
长期来看：
Evaluation System 可能比 Model 本身更加持久。
---
二十五、Fireworks 真正想做的是两门生意
第一：
Inference Infrastructure
帮助企业：
把模型跑得更快；
更便宜；
更稳定。
第二：
Specialized Intelligence
帮助企业使用：
Open Model + Data + Eval + RL
训练真正适合自己业务的专业模型。
Fireworks 更希望第二种业务最终成为核心。
原因是：
单纯 vanilla model inference 最终很容易陷入价格竞争。
而 specialized intelligence 的客户粘性和价值更高。
---
二十六、Fireworks 真正最大的长期竞争对手可能不是其他 AI Startup，而是 AWS、Azure 和 Google
CSP 拥有一个 AI Startup 很难拥有的完整体系：
Compute
↓
Training
↓
Inference
↓
Storage
↓
Networking
↓
Security
↓
Enterprise Distribution
↓
已有 Cloud Contract。
因此未来真正有能力完成整个 AI Stack 的公司，仍然是：
Microsoft；
Amazon；
Google。
Fireworks 的思路也不是完全绕开这些巨头，而是进入大型云生态，例如和 Azure 合作。
---
二十七、如果真正的 AGI 出现，今天很多 AI Infra 护城河确实可能消失
如果未来 AI 可以自己：
写 Kernel；
优化推理；
修改代码；
训练模型；
设计 RL；
那么今天很多属于工程技术的 moat 都可能被逐渐压平。
但是还有一个问题很难消失：
客户到底想要什么？
这来自：
真实业务；
真实客户；
真实需求；
行业经验；
现实世界中的反馈。
因此未来一个最难自动化的问题可能不是：
怎么写代码。
而是：
到底应该写什么。
---
二十八、未来一到两年，Compute 仍然很可能是整个 AI 行业的重要瓶颈
Fireworks 自己最现实的问题依然是：
能不能持续以合理价格获得足够 GPU。
从他们观察到的真实 workload 来看，并没有看到明显的：
AI 算力已经严重过剩。
短期来看：
大量 AI 应用依然处于：
Compute Constrained。
---
二十九、开源模型越来越强，未必利空 NVIDIA 和 AI 基础设施
这是资本市场特别值得注意的一部分。
很多人的逻辑是：
开源追上闭源
↓
模型越来越便宜
↓
AI 不需要投入这么多钱
↓
CapEx 减少
↓
GPU、存储、数据中心利空。
但是 Benny 并不认同这个逻辑。
因为另外一个完全可能发生的路径是：
开源模型越来越强
↓
AI 使用成本下降
↓
更多企业使用 AI
↓
更多应用出现
↓
Token consumption 上升
↓
Customization 增加
↓
Fine-tune、RL、Inference 增加
↓
GPU 需求继续增加。
因此：
«开源成功，并不一定降低 AI infrastructure 需求，反而可能扩大 AI infrastructure 的市场。»
---
三十、Big Tech 为什么如此疯狂投入 AI CapEx？
Microsoft、Google、Amazon、Meta 在考虑 AI CapEx 的时候，并不是简单地进行传统 ROI 计算。
不是简单问：
今年投资 100 亿美元；
明年能不能赚回来 120 亿美元。
真正需要考虑的是一个不对称风险：
如果 AI 投资过多：
可能只是几年折旧；
利润率下降；
资本效率不好看。
但是如果投资不足，而 AI 真正成为下一个计算平台：
那么公司可能永久失去未来十年甚至二十年的科技行业领导地位。
所以对于 Big Tech：
Underinvest 的风险远远大于 Overspend。
这也解释了为什么整个行业现在处于一种：
宁愿多投，也绝对不能少投。
的状态。
Benny 提出，真正判断 AI CapEx 是否开始出现系统性问题，可以重点观察：
- 债券评级；
- 企业融资能力；
- 项目延期；
- Data Center 融资；
- 是否出现资产接盘；
- 是否出现救助；
- Hyperscaler 是否降低资本投入计划。
这比简单观察某一个季度 CapEx 是否增长更重要。
---
三十一、把整个访谈浓缩成一条 AI 产业链
整场访谈实际上可以浓缩成这样一条产业演化路线：
Frontier Model
↓
能力差距不断缩小
↓
Open-source Base Model
↓
基础模型逐渐商品化
↓
Enterprise Data + Eval
↓
Fine-tune / RL
↓
Specialized Intelligence
↓
Agent / Harness / Skill / Router
↓
Inference
↓
巨量 Token Consumption
↓
GPU / Cloud / Networking / Storage / AI Infrastructure
于是 AI 的竞争核心可能经历三个阶段。
第一阶段：
«谁拥有最强模型？»
OpenAI、Anthropic 是核心。
第二阶段：
«谁拥有最好的行业 Data、Eval 和 Workflow？»
Harvey、医疗 AI、Coding AI、垂直 SaaS 越来越重要。
第三阶段：
«谁能够最低成本运行海量 Token？»
NVIDIA、Hyperscaler、Inference Infrastructure 的价值越来越重要。
---
我的补充思考一：多模型调配本身，就说明 AI 并不完美
访谈里面一个非常重要的判断是：
未来不是一个模型完成所有事情。
而是：
Router + Harness + 多模型。
但换一个角度看，这本身也说明一个事实：
AI 模型并不是完美的。
如果一个模型真正能够在所有任务中达到最优：
那么理论上根本不需要 Router。
也不需要：
这个任务调用 Claude；
那个任务调用开源模型；
复杂 Coding 使用一个模型；
Deep Research 再换另外一个模型。
未来出现大量多模型调度，恰恰意味着：
«不同模型依然拥有不同能力边界、不同错误模式、不同成本结构以及不同优势。»
因此 AI 的未来可能不是：
一个超级模型消灭所有模型。
更可能是：
AI 持续进化，同时持续分化。
---
我的补充思考二：Co-work 大幅提高生产效率，但不能简单等同于创造新的社会价值
我认同 Co-work 会成为非常巨大的 AI 市场。
AI 可以帮助白领：
写文档；
做 PPT；
整理 Excel；
搜索资料；
总结会议；
生成报告；
处理行政工作。
这些事情都会带来巨大的：
效率提升和质量提升。
但是这里必须区分：
效率提高
和
社会总价值增加。
过去一个员工需要 8 个小时完成一份报告。
现在 AI 帮助他 2 个小时完成。
这是巨大的生产效率提高。
但是这不意味着社会因此就必然多创造了四倍价值。
很多 Office 工作的 AI 化首先带来的，其实可能是：
同样工作需要更少的人；
同样员工完成更多任务；
企业降低行政成本；
白领劳动生产率增加。
所以 Co-work 的长期经济价值非常大。
但其价值来源更多是：
效率重新分配。
而不是简单凭空创造新的社会需求。
这也是为什么 AI 对白领就业结构的影响，未来非常值得观察。
---
我的补充思考三：AI CapEx 最大风险从来不是“AI 有没有需求”，而是资本是否还能持续
这是我对未来 2027—2028 年最关注的问题之一。
目前整个 AI CapEx 的基本逻辑是：
«宁愿投多，也不能投少。»
因为大型科技公司害怕错过下一代计算平台。
这个逻辑在现阶段完全成立。
但任何资本投资周期最终都会面对另外一个问题：
钱从哪里来？
AI 基础设施需要的是：
GPU；
HBM；
Networking；
Data Center；
电力；
土地；
Cooling；
Storage；
债务融资；
长期资本。
这是一套极其资本密集的体系。
所以 AI 行业真正的风险，并不一定来自：
“突然没人使用 AI。”
我反而认为，大概率不会是这个原因。
真正的风险可能来自：
«AI 需求依然非常旺盛，但资本市场已经不愿意继续以今天的价格和条件给所有公司融资。»
这两个事情完全可以同时发生。
我认为真正值得警惕的时间窗口，很可能出现在：
2027—2028 年。
不是因为 AI 没有需求。
而是因为一轮巨大的资本清算可能逐渐开始。
---
我的补充思考四：AI 很可能也会出现一场“资本绞杀”
每一个巨大科技革命早期都会出现大量 Startup。
因为资本会认为：
未来市场巨大；
只要抢到位置就可能成为下一代巨头。
于是大量资金进入。
但资本最终一定会开始区分：
谁真正拥有：
客户；
现金流；
技术；
Data；
Distribution；
Compute；
融资能力。
而谁只是依赖资本继续输血。
到那个阶段，很可能发生一场非常典型的：
资本绞杀。
首先被淘汰的并不一定是：
技术最差的公司。
而可能是：
钱最先花完的公司。
一些技术不错、产品也不错的 AI Startup，同样可能因为：
无法继续融资；
无法承担 Compute；
客户增长速度赶不上烧钱；
而被迫出售。
然后真正有资本能力的大公司：
Microsoft；
Google；
Amazon；
Meta；
甚至其他大型软件公司，
就能够用更低价格：
收购团队；
购买技术；
获得客户；
获得数据；
获得模型能力。
所以 AI 行业下一阶段完全可能出现：
大量初创企业死亡 + 大规模产业整合 + 巨头能力进一步增强。
这反而会进一步强化头部公司的优势。
---
我的补充思考五：AI 会持续进化，但也一定持续分化
AI 模型今天的本质仍然离不开：
Data。
模型不断训练的过程，本质上是在：
学习 Data；
学习人类使用 Data 的方式；
学习人类如何：
判断；
选择；
组合；
推理；
解决问题。
未来模型当然会越来越强。
但是数据本身就是高度分化的。
医疗数据和法律数据不同；
金融数据和 Coding 数据不同；
科学研究与 Office workflow 不同。
而不同人、不同公司、不同产业对于：
“什么叫正确”
本身也不同。
因此：
«AI 的未来并不会因为模型越来越强就走向绝对统一。»
恰恰相反：
基础能力越来越强之后，模型可能进一步向各种垂直方向分化。
最终形成：
通用基础模型
+
专业模型
+
企业内部模型
+
Agent
+
Skill
+
不同 Workflow。
---
我的补充思考六：投资 AI 股票，必须同时理解技术周期和资本周期
这是我认为今天投资 AI 最容易被忽略的问题。
很多讨论喜欢把股票简化成：
这个技术有没有用？
这个产品是不是未来？
这个行业是不是成长？
但资本市场从来不是这样运行的。
一个行业可以：
非常有价值；
改变世界；
拥有巨大需求；
同时让大量投资者亏损。
历史已经证明了无数次。
1800 年代的蒸汽机改变了世界。
铁路改变了整个工业和商业体系。
之后：
电力；
汽车；
电话；
计算机；
互联网，
每一个都是人类历史真正意义上的产业革命。
但是资本市场围绕这些技术的发展过程，从来不是：
一条直线上涨。
而是：
技术突破
↓
资本涌入
↓
产能扩张
↓
估值扩张
↓
过度投资
↓
资本约束
↓
行业清洗
↓
并购
↓
幸存者获得市场
↓
进入下一轮增长。
互联网就是最经典的例子。
2000 年互联网泡沫破裂，并不代表：
Internet 没有用。
恰恰相反。
互联网后来真正改变了整个世界。
但是：
技术趋势正确，不代表买入价格一定正确。
同样：
AI 最终改变世界，也不代表今天所有 AI 资产的估值都正确。
---
所以真正需要理解的是两个完全不同的问题
第一个问题：
AI 是不是未来？
我认为答案已经越来越明确：
是。
第二个问题：
今天这个价格买 AI 股票，是不是一定赚钱？
这是完全不同的问题。
投资最终仍然取决于：
利润；
现金流；
估值；
CapEx；
融资；
竞争；
供需；
资本成本；
市场预期。
所以未来两三年投资 AI 股票，不能只研究：
GPU 需求；
Token 增长；
模型能力。
还必须研究：
资本周期。
---
我对未来 AI 行业的最终判断
AI 的长期趋势，我并不悲观。
恰恰相反。
未来模型会继续进化。
Open-source 会继续发展。
Specialized Intelligence 会快速增长。
Agent 会越来越普及。
Inference Token 会越来越多。
企业 AI 应用会越来越深入。
AI Infrastructure 也依然拥有巨大的长期需求。
但是：
技术继续繁荣，并不意味着资本市场不会发生清洗。
我认为未来真正可能出现的路线是：
2026：继续高速 CapEx
↓
2027—2028：资本开始更加关注 ROI、现金流和融资可持续性
↓
融资能力弱的 AI Startup 开始出问题
↓
行业并购增加
↓
巨头低价吸收技术、人才、数据和客户
↓
行业集中度进一步提高
↓
下一轮真正成熟的 AI 商业周期开始。
因此，未来几年最重要的事情可能不是判断：
«“AI 会不会失败？”»
而应该是判断：
«“谁能够活过这一轮资本周期？”»
---
最后
这期访谈让我最认同的六个产业判断是：
第一，开源追赶闭源，并不意味着闭源模型消失，而是基础模型开始逐渐商品化。
第二，企业未来真正的 AI 护城河，很可能是 Data + Eval + Workflow。
第三，Specialized Intelligence 会越来越重要，单纯比较一个通用模型的 benchmark 意义会越来越小。
第四，未来 AI Agent 很可能是多模型、多 Tool、多 Skill 的复杂系统，而不是一个超级模型完成所有工作。
第五，开源模型成本下降，很可能继续推动 Token Consumption 和 AI Infrastructure 需求增长。
第六，Big Tech 目前仍然处于“宁愿投多，不能投少”的 AI CapEx 阶段。
但我还要再增加一个资本市场层面的结论：
«AI 最终有没有用，与 AI 股票什么时候会出现一轮巨大调整，是两个完全不同的问题。»
铁路有用。
互联网有用。
AI 也一定有用。
但所有伟大的技术革命，都没有逃脱资本周期。
下一阶段真正需要研究的，不只是模型能力、Token 和 GPU。
还包括：
谁在融资？
谁在烧钱？
谁拥有现金流？
谁的 CapEx 可以持续？
谁拥有真正的数据和客户？
谁能够在下一轮资本清洗中收购别人，而不是被别人收购？
这可能才是未来两三年 AI 投资真正决定胜负的问题。