摩尔线程、长鑫存储、Kimi的共同投资人王捷：AI这艘巨轮，越过山丘后，经济系统会发生什么？

　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！

　　来源：投中网

　　AI经济是一艘巨轮，算法是甲板，而甲板还没有定型。

　　整理丨《每日天使》

　　王捷，作为中国初代AI投资人，摩尔线程的天使投资人，是那个在2020年国产GPU最不被看好的时候“投在赛道诞生时”的人，是在存储行业尚未进入AI带来的惊人业绩时投资长鑫存储的人，是在2025年底用一套“如何组织高密度的人才”框架评估模型公司从而投资了Kimi的人。在研究方面，他是深圳数据经济研究院人工智能经济研究中心联席主任——这个机构的名字，“从全球来说是第一个以人工智能经济命名的机构”。

　　2025 年6月，王捷在讲座《AI应用：浮现中的AI经济》中，从经济和思辨的角度，提出“计算能力成为了劳动力供给，第一阶段在数字世界，第二阶段进入物理世界”，预见了“将来有大量AI Coding全天候自动工作，搭建各垂直行业agent，以及相关的网站等”。刷屏半个科技投资圈。

　　半年后“龙虾热”的出现，AI 真正在社会和大众意义上从对话搜索工具，变成普通人的生产力工具。

　　在2026年3- 4 月，当王捷坐在上海天使投资大会的圆桌和面对媒体群访，以及上海天使会-人工智能创业营学员时，他谈论最多的不是投资回报，不是退出时机，而是“框架”——如何理解AI经济、如何评估模型公司、如何预判技术演进的路径。

　　他反复使用一个比喻：AI经济是一艘巨轮，算法是甲板，而甲板还没有定型。

　　这种气质在投资圈并不多见。过去十年王捷从事科技投资，2017年以来主要从事AI行业投资，投出了摩尔线程、长鑫存储、比亚迪半导体、万国数据、明略科技、月之暗面、京东科技、开思时代、奇安信等众多中国科技公司。

　　2025年，他发起了深圳数据经济研究院人工智能经济研究中心，把大量时间投入研究，先后发表了《浮现中的AI经济》、《关于AI经济的四十个问题》、《AI生产能力函数》等系列文章。

　　他的研究试图回答一个比“投什么”更根本的问题：当AI不仅能匹配信息，还能“交付结果”了，变成生产力的决定性因素，经济系统会发生什么？

　　2026年春节，这个问题的分量变得格外具体。智谱和MiniMax在港股上市后，短短三个多月，股价分别飙升数倍，市值一度突破4600亿港元和4100亿港元。市场在追问：它们的估值逻辑是什么？是泡沫还是新时代的序幕？

　　“春节的时候智谱和MiniMax涨了四倍，一度涨到了三四千亿，甚至超过了京东和快手，很多人觉得这个很奇怪，到底怎么理解？” 这个问题，正是王捷过去两年一直在思考的一部分。

　　以下为《每日天使》整理的王捷最近在上海天使会课堂上、天使投资大会、媒体群访的演讲发言的总结。

　　从投资人到“提出问题的人”

　　问：你以前是专业投资人，现在时间分配上，研究和投资哪个更多？

　　王捷：这几年来主要时间是花在研究上面。我的思维特点就是喜欢搭建框架，构建自上而下的宏观框架建立视角，同时结合微观层面的重要细节做验证，这么一个整体的方法。我的投资也是顺着这个研究的脉络。在一个行业发展的早期，研究如果做得够深入、质量够高的话，你的判断大概是会和这个行业未来延展的实际情况有一个吻合关系的。所以也会顺着这个判断的方向去做投资。总的来说是以研究驱动的投资行为。

　　问：这个转变是一直都有，还是某个转折点决定的？

　　王捷：确实是一直都有。我自己对研究一直都非常感兴趣。其实从我的角度来讲，投资也是研究的一种形式。科学研究是在实验室里面提出一个假设，做一个实验，看能否验证。投资其实也是提出假设然后验证：对一个赛道、一个公司提出假设，只不过验证方式是把钱放进去，看这家公司最后能不能长出来。所以我觉得投资和研究是本质上是一回事。只不过一个是在理论世界，一个是在真实世界。

　　要说缘起也很有意思。最开始是因为这波AI到来，我觉得是又一次的大浪潮来临，就想回到类似浪潮的早期，去看那时候的相关因素。我又很喜欢复盘，过去几年花了很多时间来复盘互联网和移动互联网，以及看跟我们现在有没有一些“历史不会简单重复，但总是押着类似的韵脚”那样的“韵脚”。这些韵脚有没有？具体是什么？这个工作做到一定阶段，我确实觉得得到一些挺有意思的发现。

　　问：你从2025年8月发表《浮现中的AI经济》，到年底发表《关于AI经济的四十个问题》，到今年的《AI生产能力函数》，为什么要做这种系统性的研究？

　　王捷：如果去复盘互联网和移动互联网，你会发现1998年美国商务部发布的《浮现中的数字经济》报告是一个重要的基础工作，报告中提出的相当部分判断在其后为行业的实际发展所验证。从我的角度，结合纵深的宏观框架，和自己过去这些年在AI领域投资积累的微观观察，确实在此AI大浪潮要展开的起点，有一些觉得可以系统呈现的观点。《浮现中的AI经济》，一是对互联网阶段的回应，二是也希望在这一波AI大浪潮中，来自中国的实践和理论能起到更主动的作用。

　　《浮现中的AI经济》主体观点在25年5月就成型了，后来陆续成文到8月发表出来。其后开始把写作过程中思考到的具体问题表达出来，一开始以为是《二十问》，后来最终成文发现是《四十问》，也就是《关于AI经济的四十个问题》。

　　这篇文章基本是我对于AI阶段经济社会变化的理解的一个目录。接下来，计划用几年时间，完成目录下的每一个子目录的研究。

　　以《四十问》为例，在《浮现中的AI经济》发表之后，AI行业继续发生了众多大事。OpenAI牵头的千亿美金“循环交易”引发“AI泡沫论”大讨论，模型公司估值来到数千亿美金级别。与AI相关的历史事实，继续以“非线性、非均匀”的特征往前发展。Scaling Law并未收敛，AI行业继续呈现加速发展的特点；同时，历史进程呈现出“非均匀”的面貌，虽然人们是在同一个时空下，但是与AI有关的经济社会活动，和与AI无关的经济社会活动，看起来不在同一个历史进程中。

　　基于这些，为了回应读者朋友对于文章的兴趣，也为了对文章所表达的内容做更进一步的阐述，整理了关于AI经济的四十个重要问题。在一个即将展开的未知大时代，我们相信要揭开其全貌，提出问题，是开始的方式之一。

　　投了什么：摩尔线程——“投在赛道诞生时”

　　问：你身上一个重要的标签是摩尔线程的天使投资人。2025年摩尔线程登陆科创板，这段经历是怎么开始的？

　　王捷：时间回到2020年前后。那时整个国产GPU赛道刚刚起步，市场对国产算力的缺口有明确共识，但路径难度同样明显。这是“赛道诞生时”。“大家都知道GPU是中国需要的，但也知道做GPU是件非常难的事情。” 那时有一批芯片行业出身的创业者选择在这个时间点入场，包括摩尔线程的张建中、沐曦股份（688802.SH）的陈维良等。壁仞科技（6082.HK）、天数智芯（9903.HK）等公司的创始人，也具有芯片或相关行业背景。

　　从我们投资的视角看，摩尔线程的天使轮投资是投研体系“自上而下”结构性判断和“自下而上”数据反馈验证的结合。国产GPU赛道大致在2018年到2020年间成型，创业者陆续下场，投资人顺势判断是否入局。至于为什么最后是摩尔线程，“其实有一定偶然性。”在GPU赛道整体成型之后，具体投到哪一家公司，是取决于契机。

　　问：现在回头看，这五年印证了什么？

　　王捷：我觉得首先印证的是一个：人生要做大胆的事情，要做有梦想的事情。因为回到2020年整个国产GPU开始的时候，大家认为中国是需要GPU的，但大家也知道做GPU是件很难的事情。这个事情本身是一个非常难而正确的事情，更多的是难本身。

　　所以像这一系列国产GPU公司的成功，给了国内的创业者，特别硬科技的创业者很强的信心——这么难的事情也能够做出来。我觉得这个可能是在产业层面之外一个非常大的意义。第二，从产业上来讲，以华为、寒武纪（688256.SH）等上一批公司为基础，这一批GPU公司补充了整个国产算力产业链的梯队和阵容，在产业链完整性和自主可控维度上，增量非常明确。

　　为什么投AI：两个β

　　问：你投了摩尔线程、长鑫存储、比亚迪半导体、京东科技等等，好像很早就持续在投AI相关。这背后的主线是什么？

　　王捷：我前几年和朋友分享过一个事情，我说为什么我们要看AI，我给他画了一张图，图上是我们这一代人一生当中最大的两个β/趋势。

　　第一个β，中国的现代化。这个大浪潮实际上是从1840年开始，中国历经接近两百年，经历几代人的不懈努力，终于走到今天这一步。对我们这代人来说，就是改革开放以来中国从后发国家赶超，整个工业化、现代化的过程。当然和其他每个国家一样，工业化、现代会都有一个先发展、后收敛的规律。

　　第二个β，人类经济活动的数字化、AI化。我当时和朋友说当下有一个新的很大的事情正在发生，它的前序是整个经济活动的数字化，从计算机的发明开始一直在进行。互联网、移动互联网的主要作用是匹配（实现匹配的最大几个领域是信息的匹配、商品的匹配、人的匹配，分别对应了搜索、电商、社交这三个互联网和移动互联网阶段最大的赛道）。但是到2022年这波AI，除了匹配，AI也能实际干活了，这是较之前互联网和移动互联网阶段的本质变化。在我画的图里，人类经济活动的AI化起始于2017年，可能在整个21世纪都会持续。

　　到今天，我们已经可以看到AI进入到了“可执行”的阶段，可以感受到AI在一些领域的工作能力比人强。那么远期来看，AI是不是会做掉我们当前的很多工作，甚至大部分工作？当这些都做掉了，AI的能力是不是就成了经济社会的基座？

　　我有一个比喻，如果AI带来的新经济系统是一艘巨轮，AI本身就是这艘巨轮的“甲板”。当下的AI产业，由于算法还未收敛，整个“甲板”还在以很快的速度变大、变厚，形状也一直在变化，所有的其他应用和各种经济活动都是构建在这个甲板上的，因此也没有定型。

　　看到了什么：越过山丘——AI的“青春期”与二级市场风暴

　　问：今年AI行业的变化非常剧烈。智谱和MiniMax在二级市场涨了三四千亿，你怎么理解这个现象？

　　王捷：春节的时候智谱和MiniMax涨了四倍，一度涨到了三四千亿，甚至超过了京东和快手，很多人觉得这个很奇怪，到底怎么理解？

　　其实往前看，这一波这类现象是从25年10月OpenAI一次性给出3000亿美元订单开始的。当时导致甲骨文的市值一夜暴涨2400亿美元，引起很大冲击，也引发美国市场关于“本轮AI是否是泡沫”的讨论。

　　当时一件同类性质的事情是， Anthropic的年化收入在24年和25年增长了接近100倍。就这样的增长，Anthropic创始人Dario Amodei自己也惊呆了，认为“在资本主义历史上没有先例”。Anthropic也即将上市，上市后预计会成为美股新的“七姐妹”之一。

　　以上两件事情，和今年初智谱和MiniMax的大涨，其实是同一类事情，即去年下半年以来AI相关经济活动的量级，远超移动互联网阶段的类似经济活动的量级，出现了“范式变化”。

　　这些“范式变化”，与AI从业者在微观层面的感知是有相关性的。不少使用了AI Coding的公司表示，公司现在十几人团队交付的工作，和创始人以前在大厂带一两百人所交付的工作，没有显著区别。而爆款应用OpenClaw出来之后，大家更是可以清晰地感知到AI Agent的提效作用。

　　所以我们说，打一个形象的比方，26年的AI已经走过童年，进入了“青春期”，我们已经可以初步可以看到AI这个巨人的身形长什么样。

　　问： ChatGPT发布之后，2023年、2024年，大家也觉得AI要改变世界，但那时体验其实一般。现在和那时有什么本质区别？

　　王捷：最大的区别是从24年10月GPT o1 （第一个推理模型）发布以来，AI模型进入了“推理”阶段。其后如Gemini， DeepSeek等迅速跟进，各家模型厂商都发布了自己的推理模型。实际上如果大家去看OpenAI发布的Chatbot-Reasoner-Agent-Innovator-Organizer五阶段路线图，会发现基本是吻合的。所以2023年、2024年，AI是在Chatbot阶段；但24年10月之后，进入了Reasoner阶段、推理阶段，AI可以真正可以去分析一个问题，然后把它解答出来。

　　关于以上，有一个很具象的指标。trackingai.org是一个“另类”AI评测网站，定期用人类的智商测验（门萨测验）给主流的AI模型测智商。在24年GPT o1发布之前，主流AI模型的智商基本都在80以内，对应人的水平来说是后10%，是很差的智力水平。所以在24年大家用很多AI产品觉得很一般，不好用。GPT o1发布之后，一些模型的智商过了100 （100是人类智商的中位数），有的甚至到120 （在人类里属于高智商了）。这里举个具体的例子， 25年6月，豆包去做了25年高考山东卷，取得了理科648分、文科683分的成绩，具备冲击“清北”的水平。

配资炒股

　　所以在25年上半年，你就可以看到AI的能力越过了一个临界点。如果要拟个标题就是：越过山丘了。

　　往后的发展趋势呢？它大概率不是线性发展的。不是说24年智商80，25年100，26年就是120。实际的发展速度可能比这个快。用AI行业的理解来说，以后可能每家公司都能有若干位拥有爱因斯坦般智商的员工，完成一个普通的任务。

　　问：那现在Scaling Law有没有看到停下来的迹象？

　　王捷：Scaling Law在哪里收敛，是当下AI行业最重要的问题。目前从AI行业算法研究的动态来看，Scaling Law还没有收敛的迹象。算法、数据、工程优化方面可以做的都还很多，比如硅谷已经开始在训练参数量10T的模型。以及说Transformer之后是不是有下一个架构？你会发现，OpenAI前段时间又在提，他们已经做了下一代模型架构的储备。

　　所以我们现在是在一艘巨轮上面，但是这艘巨轮的甲板目前没有定型，仍在不断地变大、变厚，形状也一直在变化。甲板在哪里定型呢？取决于什么呢？第一，当前transformer架构下的scaling law在哪里收敛；第二，在transformer之后，会否出现新的架构。

　　看到了多大的量级：

　　“这就是新的工业革命”、从“匹配”到“交付工作”的经济跃迁

　　问：你说移动互联网做的是“匹配”，AI做的是“交付工作”。这个跃迁意味着什么？

　　王捷：从投资的角度，我们喜欢构建框架来理解问题。怎么来理解现在整个这个事情？起点可能就是电脑的发明。电脑发明以后，它整个做的事情是把我们所有的活动去做数字化。当然你要再往前追，整个历史上有一个角度是看哪些维度的事情能够去规模化，能够Scaling。能够规模化的事情好像都会发展得比较好。

　　如果去追溯计算机从发明以来到现在的历史，会发现“经济活动的数字化”是一条必然的主线。计算机发明于1946年，互联网出现于1969年，移动互联网出现于2010年，这三者都是在把经济活动数字化，起到的最主要作用是实现匹配/matching——把所有的线下的东西搬到线上做一个映射，然后去做匹配。从这个角度来理解，我们会发现互联网、移动互联网阶段最大的三个赛道，搜索、电商和社交，分别对应信息的匹配、商品的匹配、人的匹配，就是 “匹配”项下最大的三个领域。匹配之外，互联网和移动互联网实现得不多。

　　但是到AI完全不一样了。我们前面提到，这一波AI到现在走过了三个阶段：chatbot， reasoner， agent．从推理模型和agent开始，AI可以真正完成一个任务，具备了“泛化地交付工作”的能力，也就是真正帮你把活干掉，就跟一个真的人一样。这一工作能力先在数字世界、后在物理世界实现。

　　所以到这里，“经济活动的数字化”因为计算机的发明被启动后，从“匹配”，进入到了计算机可以“交付工作”、可以“干活”的一步。从“匹配型数字经济”进入到“交付型数字经济”阶段。这也可以理解为计算机的能力越来越强、越来越接近人。

　　而如果我们从更长的时间维度来看，我们会发现这次AI浪潮的量级和影响将远远大于互联网和移动互联网，不是同一个量级的历史事件。这次AI革命的本质是让脑力/智力这一生产要素变得可复制，上次工业革命是机械的大规模应用让体力变得可复制，而再往前，土地的大规模开垦让土地这一生产要素变得可复制，人类走出“马尔萨斯陷阱” 。我们会发现，生产力的发展似乎就是关键能力/生产要素持续走向可规模化的过程。人类的伟大之处在于，不断把局部性的、个体性的、生物性的能力，转化为可规模化复制的、系统性的能力。

　　从这个角度看，为什么近一个世纪以来，计算机的发明和应用对经济发展产生了越来越大的作用？以上“可规模化/scalable”可以为我们提供一个视角。在人类与世界互动的方法中，哪些方法的“可规模化/scalable”程度比较高，这些方法就能在人与世界互动的过程中发挥更大、更持续的作用。数学就是这样一个领域。解决一个的问题，就可以解决一万个的问题。而近一个世纪以来的计算机可以看作是数学的延伸。

　　而AI的能力能走到今天这一步，归功于神经网络和深度学习的进展。大家知道AI发展过程当中有符号主义和连接主义两大流派，连接主义是一个初看起来非常反直觉的东西，两大流派经过了几十年的竞争，最后连接主义产生了可用的成果。在此过程中，Geoffrey Hinton起了非常大的作用， Hinton个人的学术探索史某种意义上也是神经网络发展史的一个代表性版本。大家可以多去关注Hinton的研究和发表。

　　问：所以AI经济能带来的产出增量到底有多大？

　　王捷：AI模型显然会是未来经济和社会的基座。当前整个经济系统，全球83亿人，所有的产出都是人创造的。现在大家已经可以看到AI的工作能力，它是在可数量化、形式化的工作上做得很好，工作能力可以超过人。所以远期来看，当前存量的大部分工作可以是AI来做的。

　　这会带来两个大的变化。第一，它没有生物性，可以7×24地工作。我们人类因为有生物性，要吃饭、要睡觉，所以是5×8的工作。第二，只要有算力、有电力、有资本，agent是可以无限复制的。人因为其生物性，每一代人是多少就是多少，这是在一个二三十年的范围内不能改变的事实。

　　所以基于这两个变化，整个经济系统的产出能力会极大的增强，我叫做“非稀缺经济”。去年8月我在《浮现中的AI经济》表示，AI大模型将带来N倍于当前人类经济总产出的产出能力。N是多少呢？我们需要在观察的基础上进行测算，但总体会出现这样一个趋势性变化。此后在2025年12月和2026年3月，黄仁勋、马斯克也分别表达了AI将把远期全球GDP增长至当下的5倍、10倍水平的判断。模型是这套新经济系统的智力供给，是新的基座。

　　而我也想起一句我去年关于ai coding的描述。这一轮的AI正在建造一个新世界，而ai coding是什么呢？是这个新世界的施工队。施工队的订单爆表，意味着什么？

　　问：目前我们知道了哪些关于AI的基础规律？

　　王捷：目前，我们已经知道大语言模型的推理成本每12个月下降90%、能力密度约每100天翻一番、完成复杂任务的能力每七个月翻倍等一些关于大语言模型的规律。

　　推理成本的下降，整体还是因为算法没收敛而驱动的。纯算法层面的进步迭代导致推理成本下降，每年降90%，意味着三年降了1000倍。这个降幅是非常夸张的。

　　国内刘知远老师团队提出的密度定律，指出大模型的最大能力密度随时间呈指数级增长，约每3.5个月翻一番。国外有一家机构叫METR（“Model Evaluation and Threat Research”）发现AI能独立完成的人类任务时长，自2018年以来平均每7个月翻倍一次。METR发布的最新研究更揭示，这一速度已由7个月翻倍加速至3个月。

　　AI的扩散过程也需要放在历史框架下理解。回看蒸汽机和电力的扩散过程，基本分为核心原理成熟、工程化成熟、跨行业和规模化部署、成为基础设施四个阶段。当前的AI，所处的阶段是核心原理成熟当中——Scaling Law尚未收敛，工程化尚有巨大发展空间——如DeepSeek、Kimi通过工程优化都实现了明显提升模型效能。蒸汽机完成上述过程用了120至150年，电力用了80至100年，我们初步预计AI完成整个过程可能会用40至60年。

　　AI经济的远景

　　问：如果我们把时间拉长，你对AI经济的最终形态有什么判断？

　　王捷：那以下我们来做一些推演。 AI会去到一个很高的工作能力。我们现在不知道AI的智商会进化到相当于人类的一百几的水平。去年是100、120，今年就已经到接近140的水平了。未来会去到哪里？举例来说，顶尖AI公司的创始人，比如Anthropic的创始人Dario Amodei，认为未来的愿景是“数据中心里的天才国家”（Country of geniuses in a data center）。这些AI“在生物学、编程、数学、工程、写作等大多数相关领域，它比诺贝尔奖得主更聪明。这意味着它能证明未解决的数学定理，写出极其优秀的小说，从零构建复杂代码库等。” 也就是我们前面说的，这一轮AI革命的本质是让脑力/智力这一生产要素变得可复制。

　　全球大概率会有上百亿个Agent和上百亿台人形机器人去干活。他们可以干什么活呢？首先，他们可以完成我们现有的百分之八九十的工作。其次，他们也可能创造新的经济体系，这个经济体系有它自己的特点。

　　前面提到的，这个新的AI经济系统，会把全球GDP推动增长至现在的N倍；N的具体数值还有待观察和测算。由于AI具有了很强的工作能力，替代了大量现有工种，而同时全球GDP又被推高到现在的若干倍，意味着财富再分配的整个蛋糕更大了，我们需要新的收入分配体系，来应对“人的就业减少、经济总量变大”在分配上带来的挑战。

　　同时，经济和社会中将出现一个近乎全知全能的“数字层”。 “数字层”由基座模型、个人 AI 助理、垂类AI Agent、AI硬件、人形机器人等组成，全面了解消费者和生产者等经济主体，也全面了解物理世界。“数字层”最终将连接全球所有的互联网和移动互联网用户，也就是全球经济活动中几乎所有的消费者和生产者。“数字层”与移动互联网阶段的“平台公司”有逻辑对应关系。

　　数字层将全面辅助人与物理世界的互动，进一步提高人类“收集信息-决策-行动”全链条的理性化程度，使得整个经济、社会的理性化程度极大提高。同时，“数字层”拥有上限非常高的智商和情商，是一个普惠的、贴身的导师，可以帮助每个人成为更优秀的自己。AI阶段会是历史上“每个人最有机会成为最好的自己”的时期。

　　就人机分工而言，我们已经看到AI非常擅长于完成可数量化、形式化的工作，如代码、计算机、数学、各类重复性工作等。留给人的主要工作空间是：判断、创造、审美、沟通，这也是新的稀缺性所在。而这些，正是“人之所以为人”的特点，从而，AI阶段有可能会是“历史上人得以最能回归人本身的时期”。

　　当这些结构性变化发生，人们在这个阶段的思考和行动将对其后的历史产生长期影响。或许，我们可以把当前称之为“数字轴心时代”的开始。人类有机会像在历史上每一个大的历史关口一样，从本原出发，来思考要选择什么样的发展方向，定义人生的意义，和最重要的价值。

　　就国际关系而言，一个经济体的“AI充裕程度”将直接影响这个经济体的竞争力，“AI充裕经济体”与“AI不充裕经济体” 可能成为国家间新的分类标准。届时，全球 Agent 和机器人建立在同一个 “数字层” 之上，全球 Agent 和机器人的工作能力将趋同，传统国际分工的要素禀赋差异前提可能被改变。在AI交付工作的能力超过人类之后，国家间的人力资本比较优势意义变小，各国需要将本国的传统优势产业以“AI交付”的形式重建，各国可以做两件事情，一是基于原来产业的业务流构建数据体系，二是建设本国的数据中心。

　　一个人类历史上从未出现过的AI经济系统正在浮现之中。这在人类经济史上是巨大的变化。而以上的图景也不是必然发生！目前看来，AI经济的发展，头顶上空有两朵乌云，一是“AI不被人类控制”，二是“AI被少数人控制”。我们必须确保人类对AI有可实现的、最终的决策和控制权，人工智能系统必须置于人的完全控制之内；我们也必须保证AI将为人类创造的巨大生产力，必须为所有人共享，而不是控制在少数人手中且只为少数人享有。要去除这两朵乌云，需要全球范围内的广泛讨论和紧密合作。

　　怎么投模型公司：“如何组织高密度的人才”与“此起彼伏的领先”

　　问：你今年年初参与了Kimi的融资。Kimi在2025年底完成了5亿美元的C轮融资，其后在2026年春节前完成了新一轮超7亿美元融资的交割，由阿里、腾讯、五源等老股东联合领投。为什么在这个节点选择进Kimi？

　　王捷：这是个很有意思的话题，也是此前比较困扰我自己的一个问题，就是怎么来评估模型公司。基础模型研究，它现在还是一个偏学术研究的事情。这和投资人熟悉的如何去看一个商业化项目、如何去看产业的逻辑是完全不一样的。投资人群体对于怎么评估一个学术研究是陌生的，所以大家也要去从头做功课。

　　对我来讲非常有启发意义的是2025年1月份DeepSeek的横空出世。尝试去归因DeepSeek模型研发的成功，到最后结论是“如何组织高密度的人才”这样一句话。其实OpenAI在设立早期也表达过类似的观点，说OpenAI自己的秘密就在于掌握了“如何组织高密度的人才”。所以为什么23年以来中国大模型行业的角逐，是DeepSeek能跑出来呢？原因在于早在幻方阶段，梁文锋就探索出来了“如何组织高密度的人才”。他的做法是无部门设置、无层级划分，让研究员自由地选题目，自己去吸引队友（而不是上级命令或指派），不设上限地给资源。相信本土有全球一线的人才，梁文锋相信通过好的方法，这些人可以被培养为全球顶尖的算法研究员。以上，就是DeepSeek的做法。梳理完以后，我把这些小结写成了《DeepSeek如何做原创性、颠覆性创新》一文。在其后半年左右，我和一些模型训练团队交流，进一步确信了这一视角（当时交流过的一些团队，如小米，到今天也都训练出了一线的模型）。到25年年中，我基本确定可以用这样一个框架来评估“什么样的团队能训练出一线的AI模型”。

　　DeepSeek R1的另一个意义是，它让“工程优化带来模型能力大幅提升”这件事情变得显性化了。而相比算法创新，工程化是一件更有迹可循的事情。因此可以合理推断的是，其他各家模型公司将步DeepSeek的后尘将更多资源投向工程优化，而这可能会带来基座模型 “此起彼伏的领先”局面。这是我在25年年初的另一个判断。

　　其后到25年的二季度，Qwen3成为了全球一线的开源模型。25年7月的Kimi K2也让人印象深刻，。我在那时候写道：“25年的AI基座模型，在DeepSeek、Qwen之后，又有中国团队进入到全球主流圈层，值得振奋！” 此时我觉得Kimi这个年轻的团队一直在非常有热情且有产出地来做基础模型的研究，也进入到了正循环的轨道。Kimi的团队和组织文化也非常符合我前面描述的框架。此时我已经决定要投Kimi。

　　所以，短期内每一家模型公司的商业化情况和收入，是当下这个横截面的结果。但因为目前AI大模型算法没收敛，所以相比横截面的静态比较，更重要的是从长期的、动态的角度——“谁能够训练出好的模型”的角度，来评估模型公司。

　　问：说到DeepSeek，最近它的融资消息变化很快。4月17日最早传出的消息是超100亿美元估值融资至少3亿美元，你怎么看？你是否有接洽和投资的计划？

　　王捷：有接洽，我对投资DeepSeek表达了意愿。但是我觉得这个新闻，虽然信源是the information，是美国比较出名的科技媒体，过去也多次准确了解到一些行业内部情况，但是从它披露的条款来看，3亿美金的融资，对于幻方本身的造血能力以及对于DeepSeek每年的开支来讲，是一个我会觉得不那么有意义的数字。

　　但是第二点，我觉得就中国大模型全行业而言，无论是已上市的智谱、MiniMax还是未上市的Kimi、阶跃星辰以及DeepSeek，2026年的能力相比前两年都有显著增强，尤其是行业爆款应用小龙虾诞生后，其全球基座模型调用数量相当一部分被中国模型承接，从这个角度，有理由相信DeepSeek会更好。创始人对算法以及AI具有很大热情，是一个比较纯粹的人。

　　模型层吃掉大部分价值：应用公司怎么投？

　　问：那模型和应用之间的价值分配会怎样？黄仁勋提过“AI五层蛋糕”，但好像现在价值大多在模型层。

　　王捷：这是一个特别重要的问题。借用黄仁勋AI五层蛋糕，我们要去想的事情是这五层在整个价值分布是不是跟上一波移动互联网有很大区别？我觉得可能会有很大区别。

　　当前AI产业结构，底层是能源和算力，上面是模型。模型到应用的中间有一层Infra，长期来说Infra可能会含在模型里面。然后是应用。

　　我们看到，移动互联网也有底座（Android和IOS），但是情况和现在大模型不太一样。Android和IOS，它们的架构是确定的，另外是对上层应用起一个支持作用。但现在AI模型这一层，一来算法没有收敛、架构未最终定型，二来这一层起到了大脑的作用。逻辑上，作为大脑提供智力这一层，会在价值分配中占据相当的比重对不对？但具体是多少呢？最近数据出来了，2026年4月，OpenAI和Anthropic两家公司在全球34家头部AI初创公司的年化收入合计中占据了约九成份额。我相信这个比例比大部分人预想的还要大。

　　做一家应用创业公司，和移动互联网阶段相比，同样有的风险是“大厂下场做同一件事情的风险”，但是AI阶段新增的风险是“我的应用被基座模型新长出来的能力吃掉的风险”，或者叫“应用置于（不断生长的）基座模型的阴影之下的风险”。

　　以及，微软CEO纳德拉提出一个 “脚手架层”，说这一层介于模型和应用之间（但不是Infra），实际就是指微软核心产品Office 和 Windows过去几十年构建的用户数据和工作流。我对此的感受更多觉得这反映纳德拉的一种焦虑——因为微软不是模型公司带来的焦虑。

　　问：应用公司，端到端的模式有没有可能？

　　王捷：首先大的规律是，每一波算法创新，最终是会收敛的。任何一个架构，不管前面怎么变，总有一个时间点算法是会收敛的。当然前面我们也谈到，如果不断有人推出新的架构，那收敛的时间点就不好判断。但单一架构下，算法是一定会收敛的。

　　算法收敛也就意味着模型会商品化。简单说就是模型和模型不会有大的差异。在这个时候，应用公司基于一个还不错的开源模型，基于在自己长期深耕的领域的独到的数据、客户关系、客户过去沉淀的记忆和工作流等，构建这个行业里的端到端的应用产品，我觉得也是有机会的。

　　AI应用怎么做：

　　贴着大模型能力上限走、“往山上去，不要在已知的河谷盘桓”

　　问：你在24年底写过一篇文章，预判这波AI的爆款应用应该长什么样。现在回头看，当时靠谱吗？

　　王捷：是的，在24年做了一些移动互联网的复盘，想看看对预判大模型阶段的变化是否会有帮助，写了一篇叫《大模型应用：我们可以从移动互联网的经验中学到什么》。背后的逻辑是“历史不会简单重复，但总是押着相似的韵脚”。这篇文章指向的问题是，AI大模型阶段的爆款应用会长什么样。

　　当时写了几点。第一，移动互联网阶段最大规模的应用，打车和外卖、社交、短视频，分别对应手机和PC不同的技术feature（LBS、通讯录、摄像头），那么“不同的技术feature”这一分析框架是否仍然使用呢？我当时的看法是，“由于大模型的能力呈现全面性，而非单点性，“技术feature”的分析框架难以适用”。写这点主要是想探讨应该用什么样的框架来分析AI阶段的爆款应用。

　　第二，它应该是个最大场景的AI顾问或者助手。即人类全域需求中，哪些是以前只能由人（专业顾问/专业助手）提供，现在可以由大模型提供；这些需求中，哪些需求基数最大。

　　第三，由于大模型技术未收敛，每个阶段应用的胜者一定满足“贴着当下大模型能力上限，为用户提供AI原生的价值，且当下大模型能力缺陷对产品价值影响不大”以及，由于技术没有收敛，“技术判断是第一位的判断”。

　　以上后两点，我觉得后来不管是Manus还是OpenClaw，都是符合我描述的这个画像的。“最大场景的AI顾问/助手”、“贴着当下大模型能力上限”、“技术判断是第一位的判断”，是后来这几个爆款产品共有的特性。特别是Manus，充分预判了6个月之后的算法走向，是一个特别好的验证。

　　问：行业对于AI应用的探索，经历了哪几个阶段了？

　　王捷：这是个特别有意思的问题。在23年和24年， AI只能作为聊天机器人的阶段，模型公司和AI应用公司基于chatbot形态，探索出了Character.ai这个原型。但之后不就，C.ai的创始人放弃独立运营，在24年8月将公司卖给了Google（C.ai的两位创始人从Google离职创业，又回到了Google）。

　　在那个阶段，出现了不少C.ai类型的产品，这一方向一度成为拥挤的赛道。但同时，那个阶段我们可以看到有大量空白的潜在大方向无人问津。形象的来说，在AGI这座巨峰上，大家都处在山脚刚开始爬山的位置，你可以看到大量的人聚集在已经探明的河谷中，只有极少数的人敢于放弃已知的确定，继续往山上孤勇前行。当然“驻扎在已知的河谷”这件事情也很能理解，毕竟“已经探明”就有了“确定性”，哪怕竞争拥挤，但它是确定的，毕竟，这轮的AI是全然的新东西，是未知的，谁知道爬山路上明天会遇到什么呢？

　　但是，从全局看，因为算法未收敛，当时的AI能力应该还只解锁了从终局看的AI应用地图的不到10%，还有90%的未知区域有待探明。勇敢者，不会停留在已知的10%里面，而是会作为先锋去探索待揭开的90%。打个比方就是 “往山上去，不要在已知的河谷盘桓”。而其后我们知道，24年10月的GPT o1发布之后，AI进入了reasoner阶段，解锁了大量的个人助理， agent， coding等应用场景，其量能远超chatbot阶段的AI应用场景。目前看，推理阶段可能会有较chatbot阶段更长的持续时间。

　　问：作为AI应用，应该怎么去构建竞争壁垒？

　　我觉得一是能否将用户的记忆沉淀在产品当中，即不光是沉淀数据，而是将用户在与产品持续互动的过程中体现的用户喜好、偏好沉淀在产品当中，比如一位理想汽车的车主在他的“理想同学”里沉淀的记忆就是这样的例子。

　　二是应用公司需要在算法层面做适配场景/产品的工作，需要创造不同于基座模型的算法价值，这样才能在模型这一层构建有效工作，不至于在基座模型迭代时处在完全被动的位置。

　　三是应用公司的创始人需要对6个月之后的算法走向有相对准确的预判。这是24年10月GPT o1发布带给我的最大启示。如果创始人对6个月之后的算法走向没有准确预判，他在chatbot阶段不知道模型能力会往推理方向走，如果他有一位对此有深刻认知的竞争对手，那么在基座模型能力来到下一个阶段的时候，他就会很被动。

　　移动互联网的原型课：历史押韵的方式

　　问：你在天使营分享的时候，举了一个移动互联网早期“原型”的案例，能展开讲讲吗？这个框架怎么用到AI投资上？

　　王捷：这里讲的“原型”是指那个后来被验证为“最大赛道应用”的第一个产品形态。对于创业和投资而言，这都是很好的先行指标。

　　移动互联网阶段，最后跑出来的三个最大的赛道分别是LBS应用——打车和外卖，社交——微信、Snapchat等，和短视频，分别对应了LBS、通讯录、摄像头这三个手机相比PC新增的技术feature。或者说，这三个手机相比PC新增的技术feature，定义了移动互联网阶段三个最大的商业方向。

　　但这个是事后回溯的视角。在2010年移动互联网刚启幕时，很少有人能看清楚这些。当时有家媒体做个专栏，梳理了专业人士和普通用户认为的移动互联网趋势。其中提到“移动定位服务提供个性化信息”，这个点说对了，但他没有猜出来具体是什么东西能长出来——是打车跟外卖。“手机电视将成为时尚人士的新宠”，手机电视是啥呢？后来我们叫短视频…… 所以这些直观的猜想虽然也有一些根据，但是远远不够的。

　　观察“原型”的意义，是在没有有效的“自上而下”的认知的情况下，“自下而上”地得到一些数据和动态。比如2009年的Foursquare是LBS应用的原型、2010年的Kik是聊天应用的原型、2010年的Instagram是图片应用的原型。这些原型的特点是，他们都在上线后很短时间迎来迅猛的用户数增长。比如Kik上线后两周内注册用户就超过了100万。自然，这样夺目的增速也被很多人关注到，其中就包括密切跟进移动互联网新产品动向的雷军和张小龙，也就很快有了米聊和微信。

　　所以观察“原型”是个挺好的方法。这样可以获得一个看板，去看哪些方向的“原型”增速快、潜力大，以及这个产品现有的团队是不是具备能力做大。

　　问：那这一波AI呢？能不能用类似的方法去找机会？

　　王捷：是的，前面提到的《大模型应用：我们可以从移动互联网的经验中学到什么》就是这样一个尝试。以及我们从23年开始就一直在观察这样“原型”的出现。到今年一季度可以明确地说，25年底出现的OpenClaw就是AI阶段第一个典型的原型，就像移动互联网阶段的Foursquare， Kik， Instagram。OpenClaw的立意、方向、产品形态，将会对整个AI阶段的应用产生重大影响。

　　一人公司怎么投怎么做：哪里被AI加杠杆

　　问：你之前说现在是“成为最好的自己”有史以来最好的时期。怎么理解？

　　王捷：是的。现在是有两方面的情况，特别对于刚毕业的同学，或者说职场初阶的同学来讲，现在有一点冰火两重天的意思。一方面大家非常担心自己被裁掉了，自己的工作就被AI替代掉了。很多像代码、设计这些行业都是。但是另外一方面，现在是“成为最好的自己”或者“成为更好的自己”有史以来最好的时期。

　　为什么呢？因为AI本质上它是给了你一个哆啦A梦。它拥有远比我们高的智商和情商，且它可以根据我的情况来定制化适配，是一个可以随时回复我的mentor，是一个普惠的、贴身的导师。我们人生当中的困惑也好，具体的方法也好，很多的境遇其实你也都可以跟他聊，然后他可以给你一个相对正确的答案。在没有AI的时候，只有极少数人会有这样的良师益友。

　　这句话我从去年开始说，我觉得在小龙虾出现之后大家的感受应该更明显。每一个普通人，将有机会去寻求成为自己可以成为的最好的人。

　　问：今年以来，OPC已经从一个概念变得具象化了。你会去投一人公司吗？什么样的你会投？

　　王捷：会的。如何评价OPC，我们要从哪些地方被AI加杠杆出发。

　　其实不管是做具体的事情，还是我们整个人生模型，基本上都可以分为五个环节“学习—判断—方法—执行—结果”。在AI阶段，AI对于学习、执行、结果三个环节都可以产生很大的杠杆作用，这也是一人公司产生的背景和原因。那么在判断、方法两个环节有壁垒、有竞争力的人，会成为未来头部OPC的创始人。

　　学习：现在所有知识都已经被模型编码了。我们可以不再像以前那样必须对一个完整知识体系做自上而下的学习（通常需要花费数年才能学明白一个领域），而是可以从问题出发，以问题为中心，通过不断追问快速构建知识体系；知识不再为大学、研究机构所独家保有和传承，AI让全人类有了可随时按需调取的完整知识库。最近OpenAI招聘的高中毕业生， kimi最新一代架构的第一作者是深圳一所国际学校的高三同学——大家可能知道这些事情。这些都是非常明确的前瞻信号。所以学习发生了巨大的变化，整个教育会有巨大的变化。

　　判断：目前在任何行业，你可能需要工作十年以上甚至十五年以上，才会对这个行业有一个较综合的、质量比较高的判断能力。以及大家也可以想想一个问题：顶级的战略能力是怎么来的？是怎么培养出来的？这样的人是怎么成为后来那个样子的？我觉得这和“判断”这个部分有很大关系。

　　判断，目前被AI加杠杆的程度还很有限。判断、创造、审美、沟通，将成为新的稀缺性的来源。在这些领域强的人，将创造未来的头部OPC。而和判断部分强相关的来源，如热爱、心力、愿力，将是这个时代的个人顶级资产。

　　方法：有效方法的扩散需要时间，方法仍然是拉开不同团队差距的重要因素。我们看到当前的OPC创业中，行业头部从业者拥有自己独特的skills，而大学毕业生普遍缺少有效的、有差异化竞争优势的方法。

　　大学毕业生有可能补上吗？有。因为方法也变成了数字化的。数字化之后意味着什么？我举一个很具体的例子：过去你要跟某个行业专家或行业老炮交流——你或者加入了这家公司，或者要成为徒弟拜师学艺，或者要跟他变得非常熟，你才得到了一些真知灼见。这些方法，未来你在skills平台上就可以找到，如果你有心，如果你有足够大的热情。

　　执行：这是AI帮到我们非常多的部分。现在的情况是，可数量化、形式化的工作，AI都可以做得很好，比如代码、设计等。一个十几人的公司可以做到过去50到100人的工作量。目前AI的能力还只是在数字世界。在具身智能成熟后，物理世界的绝大部分执行工作也会由AI来承担。

　　结果：因为AI的全天候自动运行、可无限复制、交易成本降低、绝对理性的特点，结果也被显著增强。这点相信大家在26年都已经深有体会了。

　　基于以上，我个人看法是，终局来看OPC可能会有两类主体脱颖而出：

　　1．原有行业的头部从业者——他们可能以前在大公司，可以把整套方法都掌握，用一个新的OPC方式来封装，并且交付出很好的结果。

　　2．新进入的人——可能是很年轻的同学，他们的大特点是有很强的执行力和快速迭代能力，有很好的判断、审美和创造力。

　　AI时代的稀缺性：判断、创造、审美、沟通

　　问：你觉得什么东西在AI时代最稀缺？

　　王捷：是的，在生产能力、物质能力都已经不再稀缺了之后，新的稀缺性到底是什么？我们认为，最主要的稀缺性来自AI给我们留下来的那几个部分：判断、创造、审美、沟通。其中判断是人类必须自己保留的，创造、审美，基于共情的沟通，这些是目前AI的能力还不太够的。

　　由此我们可以推论，未来某些学科的重要性可能会上升。比如说语言学，或者说文学。在英语国家就是英文，在中国就是语文学科。因为它对应的是人的体会、感受、人的本性这样一些东西。

　　计算机的起源是数学。先有数学，然后算盘计算器，最后到了计算机，它本质上一直是在做数量化、形式化这样的工作。这些工作它特别擅长。工业革命阶段，人是被训练成学数学、做会计、学工程，把人往“数量化”的方向去训练和培养。那现在AI把这些工作都干了。如果人不用干这些，也有可能人可以更多地回归到人的本身、人天然的特点。

　　人类能否给 AI 设定边界？—— “右脑问题”

　　问：到明后年，AI的智商可能会长到多少？

　　王捷：这是个不好回答但是很重要的问题。我们说主流模型的智商（按照前面提到的评价口径）去年是100、120，今年就已经到接近140的水平了。但是scaling law还没有收敛，前沿模型的参数量还在大幅提升，那么如果一两年之内，我们见到了智商比如160或者180的模型，我们将如何与之共处？

　　因为，我们每个人的人生经验里，都基本没有见过智商180的人；对于如何与这样的人相处，我们是没有任何经验的。如果未来几年，我们身边遍布这样智商的“AI助手”、“数字员工”，我们应该如何与之相处？

　　问：如果AI的智商持续增长，它会不会也把判断、创造、沟通、审美这些“留给人的事情”也学了？

　　王捷：这个问题很有意思。AI可以把数量化、形式化、结构化这样的任务做得很好。那现在给人剩下什么？判断、创造、审美、沟通。这些是留给人的。

　　但是我们是不是应该去主动地设定一些边界？万一哪天有一个新的架构，可以把这部分也做得很好了，那人去做什么？

　　我觉得这是一个非常值得讨论的问题，或者说应该去促成全社会的一个大讨论。我们是不是应该和能够去设定一条边界？是否应该这个问题，我想那是确定的。但是我们是不是能够？又回到技术基座的问题。我们如果想设定这么一个边界，意味着我们要禁止某一些开发行为，比如让AI拥有情商、拥有审美、拥有共情这种细腻的感知。

　　我可以举个例子。我们这波AI所有能力基本来自于神经网络的突破。神经网络本质上是个什么东西呢？ AI研究有两派，符号主义和连接主义。符号主义强调显式规则、逻辑和符号推理，连接主义认为智能可以从大量简单计算单元之间的连接权重中涌现出来。神经网络源自连接主义。我们简单理解，神经网络就是一个对人的左脑工作机制的逆向工程化。

　　那万一哪天，我们对人的情商/右脑部分，也逆向工程化了这么一套模型呢？那个时候人去干嘛呢？如果要禁止这样一种模型的开发，是不是可行呢？我们怎么样让全球所有这么多的算法工作人员都遵循呢？

　　我觉得这个事情真的是需要所有的利益相关者去好好地思考跟行动的一个问题。

　　算力可能是未来20 年很大的主题，算力决定国力；“未来几年，我们会看到小国总统排队见芯片公司CEO的场景”

　　问：你在多个场合提到，算力可能是未来十年、二十年非常大的主题。能不能展开讲讲？

　　王捷：我们从原点开始想。现在AI的能力已经在很多工作上超过人了。Scaling Law还没收敛，意味着我们暂时看不到AI能力的上限。一些顶尖模型公司的愿景是，让普通公司拥有很多顶尖科学家般智商的员工。

　　当从这个角度去思考，你会发现，以后不同国家之间的人力资本的差异，意义就不会那么大了。因为AI可以做得更好。那如果是这样，每个国家一定会希望把他的优势产业留在本国，那就需要把这些优势产业“AI化”——用AI来实现交付。各国可以做两件事情，一是基于原来产业的业务流构建数据体系，二是建设本国的数据中心，执行在本地。建数据中心就得买芯片，本国又没有。谁有可能？以前只有英伟达，现在中国也有。所以本质上也是中美在提供这些供给。接下来的几年，我们一定会看到很多小国家总统排着队去找算力/芯片公司CEO的这种场景。

　　所以我会觉得，算力是一个未来前景非常非常大的行业，且全球也不会只有一个英伟达。目前可能大家只看到英伟达，但展开的话，这个可能是未来10年、20年非常大的一个主题。

　　全球200多个国家， 95%的国家现在还在AI发展阶段的非常早期。当大多数国家进入AI充分渗透的状态的时候，对算力的需求可能会超过大家想象。到那个时候，如果基于中国芯片的AI工作能力也已经超过人的能力的话，会有来自全球的大量采购需求。所以从这个角度说，梁文锋确实是一位非常有历史感和有担当的创业者。

　　问：那AI时代的经济利益分配呢？如果全球顶尖模型公司把大部分生产力的事情都做了，GDP分配会不会出现极端的不公？

　　王捷：我觉得肯定要去讨论新的处理方式。如果没有其他的措施，纯粹基于技术的自然分配的话，你会发现全球顶尖的模型公司可能会干掉大部分的活，AI产业链上的公司实现相当比例的价值创造。而且模型公司还不只是面向消费市场，他是把整个生产力市场干掉大部分的活。

　　假设全球GDP真的像马斯克猜的那样到了1000万亿美元——现在一年是100万亿——如果模型公司做掉里面相当比例的工作，这个巨大的财富分配的不平等，怎么去处理？从产业政策、分配政策各方面，需要做很多讨论。比如，当前我们进行收益分配的最基本制度——公司制，是大航海阶段为了解决陌生人合作、风险共担的挑战而出现的，一直沿用至今，但是大航海阶段的分配方式，能否适配AI经济阶段的产出特征？如果不能，应该如何调整？这都是需要仔细、认真讨论的问题。

　　好的一方面是，我们也看到模型公司的一些动作，比如OpenAI最近的产业政策报告也承认如果不加改变的话，AI创造的收益可能集中在少数公司（乃至 OpenAI）。

　　AI时代，开源和闭源会塑造不同的世界

元股证券:ygzq.hk

　　问：移动互联网阶段是全球一体的，但AI阶段好像不是这样。是割裂还是协同？

　　王捷：这个问题是24年我想得比较多的一个问题。但今天看可能初步有答案了，AI阶段它会是割裂的、两个世界，还是说基于几乎是同样的一个底座？这是个基础性的问题，会决定很多事情。移动互联网阶段，可以认为全球是一个安卓（iOS还是个封闭体系）。

　　到今天我们看到，中国模型公司的开源在塑造这个形态，在对上面的问题给一个答案。24年时，非常积极做开源的就是Meta。后来千问、DeepSeek，再后来几乎所有的中国模型，都加入了开源。这样的一个开源生态，在AI阶段对于全球福祉是很有意义的。为什么呢？对于没有模型能力的国家而言，开源相当于是个保底方案。如果没有开源，只有闭源模型，那是0和1的区别；有开源模型，意味着你可能没有全球最顶尖的模型，但你基于开源，你至少有一版可用的模型，是0.8和1.2的区别，而不是说完全没有。

　　所以说回来，在这个阶段，很多问题可能首先还是个技术问题。首先是看技术上的形态怎么样。或者又回到那个甲板比喻。甲板本身长什么样，首先还是有技术上的规律。目前看来这些技术本身的自然发展规律，会影响更大一些。