让每一场长谈，渡你抵达要点

何小鹏复盘 2025 年的「更大赌注」：他叫停了花了几十亿、已经能用的第一代自动驾驶体系，全面转向用大模型驱动的第二代 VLA，并把小鹏从「AI 汽车公司」重定义为「物理 AI 公司」。他反复强调数字 AI 与物理 AI 是两套方法论——数字世界只看长板，物理世界还要把短板做长、把窄板做宽；用软件流程套 AI 工具做出来的只是「AI 缝合怪」。机器人 Iron 选了最难的「最像人」的通用人形路线，他自评胜率两成（已是中国最高），并认为人形机器人创业比造车难 20–100 倍、但一旦跑通规模化可能更快。也聊了那场「剪开机器人」的风波、新旗舰 GX，以及技术剧变下 CEO 的焦虑与「绝不服输、愿赌服输」的心态。

真格基金戴雨森在第二次「创投观察」里复盘：他对 C 端 return 的担忧看对了，却没料到 Anthropic 的 coding 收入会爆发——因为「智力是烧开水式的突变」。他提出 Harness 正成为 AI 时代的「操作系统」、模型则是可插拔的「处理器」，好的 Harness 靠数据飞轮反哺模型；但 Anthropic 收入大涨并不等于 return 被解决，只是把回报压力下推给了客户。展望 2026，他认为应用创业机会反而更大——要做 horizontal、做大厂看不上的创新，而不是把移动互联网的信息流旧范式套到 AI 上。最后他谈到把思考外包给 AI 的风险，强调要刻意练习「agency」。

硅谷投资人 Freda（Ultimate Capital）返场，从 AI 的新计量单位 Token 聊起：dollar per token 像工业时代的电价，但 token per task 才是关键、不同模型能差几十倍，所以「按 token 收费」终将转向「按效果付费」。她复盘了对 coding 市场规模的离谱误判、「负向滚雪球」为何被收入陡增打破、每 Gigawatt 算力的收入上限被系统性低估，以及 Anthropic 用 3000 人做出上千万/人收入对「销售重要性」的颠覆。借电力和计算机的历史，她指出 AI 现在只是「把电机塞进蒸汽机」，真正的生产率要等组织从「接力赛」重构成「篮球赛」。最后转向感性：在人人焦虑、孤独的当下，以信息交换为目的的对话正被 AI 掏空，人和人之间剩下的，是情感连接。

从理论物理转战 AI 的研究科学家姚顺宇（曾在 Anthropic、现在 Google DeepMind，参与过 Cloud 3.7/4.5、Gemini 3）做客 4 小时长谈。他认为 AI 已进入「不担心能不能做、只担心是否被良好定义」的阶段：三家模型能力被拉平、纸面 benchmark 都在 80% 附近、差异多是噪声。他判断预训练 scaling law 远未到头（觉得到头多半是工作里有 bug），做模型的关键是「把简单的事做到最干净」和「靠谱」，而非花哨技巧。他对比了 Anthropic 的 top-down、敢 make bet 与 Google 的 bottom-up、工程管理强，并直言「个人英雄主义已经过去——每个人都是冲浪的人，往前走的是 AI 这道浪」。最后他从宁夏小城、清华极客班到斯坦福理论物理的经历，引出那个让他离开物理的「大教训」：要做有客观标准、能对世界产生影响的事。

全球大模型季报第 9 集，广密带来的核心判断是：Coding 是 AGI 的第二幕，也是仅次于 GPU 的新一代加速器。过去一个季度最关键的转折是 Anthropic 从 Opus 4.5 到 4.6 完成了一次「GPT-3 到 GPT-4」级的跨越——AI 从能聊天的 chatbot 变成了能干高价值任务的 agent，前沿实验室的研究员基本已不再亲自写代码（人写的代码占比从七八成降到不足 1%）。他提出「语言即世界、代码即方案」：code 能表达数字世界的绝大多数任务，做好 coding agent 就能自动化大部分白领工作；而 coding 的反馈闭环最短，所以最先跑通。他逐一拆解硅谷御三家的真相：Anthropic 是战略、专注与文化的胜利（top-down、放弃 C 端与多模态、把数据刻进基因），OpenAI 赢了 C 端却对 coding 严重误判、不够聚焦（想跨过 coding 直接做「爱因斯坦」），Google 的 Gemini 3 被高估、也误判了 coding，但算力最足、最稳、worst case 还能让 TPU 变成另一个英伟达。他还判断模型正成为新一代操作系统、是 Global GDP 的 OS；Cursor/Manus 这类「壳」吃的是模型溢出红利、是阶段性窗口；并直面白领通缩与失业窗口——知识与智力正在廉价化，社会还没做好准备。投资上他越来越极致：最领先的三五家模型公司可能各值十万亿美金，几乎可以全仓做一个模型基金。

硅谷101 在英伟达 GTC 现场办了场线下圆桌，拆解黄仁勋抛出的「2027 年 Blackwell+Vera Rubin 累计订单 1 万亿美元」。核心矛盾是：需求端是万亿订单，供给端却从先进封装 CoWoS、HBM 到电力配送处处卡脖子——而产能「砸钱也砸不出来」。嘉宾们判断现金流正从训练滑向推理，英伟达想从 GPU 公司变成「AI 工厂」；Groq/LPU 这类纯 SRAM 推理芯片在低延迟 agentic 场景能把 token/s/user 拉高 30 倍。英伟达的两条护城河是快速执行力和供应链把控，但 CUDA 在 kernel 层已能被 AI 写到 90%，真正难复制的是系统 know-how 和开发者生态。最后做 GPU 云的 Alex 点出：数据中心铺设很快，真正的瓶颈是土地和电力——美国电网已经 bone dry。

月之暗面 CEO 杨植麟时隔一年半再访，以《The Beginning of Infinity》的「无限雪山」串起全场：问题不可避免、但问题总能被解决，AGI 不再是某级台阶、而是一个持续攀登的方向。他复盘过去一年的两大范式——基于强思考的推理 RL（O1 式「缸中之脑」，靠不断提出猜想-自我验证把 pass@k 变成 pass@1）与 Agentic RL（多轮交互、调用工具），二者本质都是 test-time scaling。K2 的目标是做一个更好的 base model：用 Muon 优化器替代沿用十年的 Adam，把 token efficiency 拉到约两倍（30T 当 60T 用），并对数据做改写以提升泛化；过程中最大的坑是 Muon 在大规模下 MaxLogit 爆炸，靠 MuonClip 修复。他反复强调 Agent 当前最大的瓶颈是泛化——RL 容易过拟合到单点 benchmark，真正的解法是「用 AI 训练 AI」、用 L4（innovation）的能力去解 L3（agent）的问题。还谈了一方产品 vs 脚手架逆向工程、开源闭源与市场收敛、模型即产品、long context 与智商的冲突、用 RL/SFT 平衡来管理团队与组织（防止 reward hacking 与丧失创造力），以及把 Kimi 视为「人类文明的放大器」、K2 是「世界上最难的那座山峰」。

阶跃星辰首席科学家张祥雨（ResNet 作者之一）人生第一次公开访谈，和广密从纯技术视角复盘了多模态研究的十年挣扎史。他先讲清 CV 为什么长期没有自己的「GPT 时刻」——对比学习、MIM 这些自监督方法学到的只是人工设计的「不变性」，没有真正的 learn from data、缺少 scaling 特性；静态图像在「生成、理解、人类对齐」三件事上天然隔裂，所以生成与理解极难统一。随后他抛出一个尚未被广泛讨论的「怪现象」：模型越大，对话/情商/知识越强，但数学等推理能力却先升后降。他把根因归到 next-token prediction 的本质缺陷——它优化的是压缩率而非计算正确率，大模型因此倾向「跳步」，长链一步错则全错。O 系列之所以是又一个「激励时刻」，核心不在 RL 算法而在「思维链的 pattern」——通过注入反思（reflection）扩展被预训练过度压缩掉的动作空间，本质是 meta-CoT；它惊人的泛化力来自预训语料中稀疏但交错存在的思考 pattern。由此他预判未来两年还有两个 GPT-4 时刻：多模态推理（把 CoT/Long-CoT 带进视觉空间，实现真正的生成-理解一体化，他乐观估计一年内）与自主/在线学习（两到三年甚至两年内）。他还系统批评了当下对 long context 的迷信，主张用「双 LM + 思维链带工具」模仿人类的分层记忆与「翻书」，并把 OpenAI 的五级智能路线图解读为「每一级都需要一套全新算法」。