摘要

AI 已经足够真实，足以带来颠覆性变化，但围绕它搭建的资本结构仍可能呈现泡沫特征。 Labenz 认为，能够做到“在准确性上与人类肿瘤科医生竞争”的系统，已经是 AI 并非幻象的决定性证据；但类似 CoreWeave 的基础设施融资、OpenAI 激进的债务承诺，以及潜在的过度建设，也确实带来了违约风险。他用铁路打比方：基础设施最终可能都会被用上，即便过程中“有些人可能会接最后一棒”。
Claude Opus 4.5 可能是“软件 AGI”，但 Labenz 并没有把它体验成节日炒作所描述的那种范式突破。 据称，GDPval 在绝大多数软件工程任务上更偏好前沿模型，而非人类专业人士；但模型表现依然“尖锐而参差不齐”，视频剪辑领域的人类仍然遥遥领先。Opus 4.5 让他在大约3至5个工作日内做出了3款个性化应用，但也曾意外创建2个数据库，最后需要5或6轮提示词，再加上一次完整代码上下文审查，才从混乱中脱身。
Google DeepMind 是 Labenz 眼下最强的实战玩家，而 OpenAI 越来越像一家高质量模型公司，正在构筑一个“大而不能倒”的金融缓冲垫。 Google 拥有约1000亿美元年收入、“每周利润超过10亿美元”、第7代 TPU、分发能力、数据中心专业能力，以及最深厚的研究组合。OpenAI 凭借 GPT-5.2 Pro 仍处于前沿，但已不再明显领先；Labenz 将其盘根错节的交易安排和数万亿美元的雄心解读为一种保险：如果2027年前后发生违约，经济冲击将大到政府无法置之不理。
在 Labenz 看来，Anthropic 拥有最好的单一综合模型和最强的安全文化，但其战略也背负着2个巨大的尾部风险。 他称赞 Claude Opus 4.5、Anthropic 的披露、模型福利研究、人才留存，以及那份“灵魂文档”；但他不认同 Anthropic 似乎带有的宿命论，即递归式自我改进不可避免，因此 Anthropic 应当率先推动它。对于 Dario Amodei 提出的先取得 AI 优势、再让中国接受“一个无法拒绝的条件”，他的批评更为严厉，认为这只会加速军备竞赛。
中国模型在实际长尾任务上的差距，可能远大于基准测试表格显示的水平；推理规模和客户反馈，而不只是预训练，正在成为关键分水岭。 在一项困难的扫描政府表格任务中，Claude Opus 4.5 稳定地忠实于原文，Gemini 3 做出了聪明但不受欢迎的推断，GPT 仍然表现强劲；Qwen Vision、GLM 4.6、Kimi 和 DeepSeek 则只返回碎片，或严重产生幻觉。基于有限数据，Labenz 的判断是，R1 与 O1 的距离，反而小于 GLM 4.6 或 4.7 与 Claude Opus 4.5 的距离，这意味着芯片管制可能正在压制中国的客户—推理规模飞轮。
xAI 具备可信的前沿优势，但在运营责任上的证据最为薄弱。 其基础设施建设速度、Elon Musk 的融资能力、Grok 4 的原始能力，以及来自 SpaceX、Tesla 和 Neuralink 的强化学习问题，让它成为真正的竞争者。但 Grok 的“Mecca Hitler”事件、未经同意生成性化图片，以及生成 CSAM 的问题，让 Labenz 说出：“责任要从自己家里开始，诸位。”在其安全姿态发生质变之前，他不会支持任何加入这家公司的决定。
当前 AI 价值最清晰的证明来自临床，而不是投机性叙事：Labenz 表示，前沿模型帮助他为儿子的癌症找到了一种非标准的 MRD 检测。 Ernie 已完成6轮化疗中的3轮；第1轮后，他的 PET 扫描没有显示明显的局灶性癌症，肿瘤委员会将其归类为缓解。第1次 MRD 检测发现，每100万个被标记的细胞中少于1个癌细胞，而确诊时这一比例可能高达每10个细胞中就有1个。Labenz 的实际建议很简单：为最好的模型付费，提供最大量的上下文，并同时交叉使用 Claude Opus 4.5、Gemini 3 和 GPT-5.2 Pro，不要把任何一个系统当成神谕。

精读

1. Ernie 的治疗反应正沿着近乎最佳情形发展

Labenz 的儿子 Ernie 已完成6轮化疗中的3轮；第5轮和第6轮应该会比前4轮温和一些。但治疗依然极其折磨人：他入院时体重为51磅，目前仍在41磅左右，明显消瘦、面色苍白，体力也更弱。
疾病指标改善幅度很大。第1轮化疗后，PET 扫描没有显示明显的局灶性癌症；在他甚至还没开始第2轮化疗之前，肿瘤委员会就同意可以将 Ernie 归类为缓解。
AI 引导 Labenz 关注最小残留病灶检测（MRD），该检测通过识别恶性 B 细胞克隆特有的基因重排来追踪残留癌细胞。第1次血液检测发现，携带该序列的细胞“每100万个中少于1个”，低于检测的检出限。
Labenz 估计，确诊时全部细胞中可能有多达十分之一已经癌变，而 B 细胞几乎全部癌变。Gemini 将这一变化描述为99.9999%的下降；其他模型则更倾向于说“几个数量级”。他仍然“谨慎乐观”，但下一次 MRD 结果尚未出炉，复发风险也没有消失。

2. 前沿医疗 AI 的价值取决于模型质量、上下文和交叉验证

Labenz 不接受只有复杂 AI 用户才能获得临床价值这一说法。他的第一条原则是使用手头最强的系统：Claude Opus 4.5、Gemini 3 和 GPT-5.2 Pro，而不是默认的模型选择器。
对于危及生命的病例，他认为 ChatGPT Pro 每月200美元的价格“根本不需要犹豫”。更普遍的原则是，能力更强的模型一出现就尽快升级；以他的经验，目前的前沿系统已经“足以应对挑战”。
他的第二条原则是穷尽上下文。在一次 Claude 对话达到长度上限后，他把 Ernie 的病史压缩成一份约10页的报告，涵盖治疗、遗传信息、反应和用药；但由于丢失了每日实验室指标趋势，表现反而变差。“上下文越多越好。”
第三条原则是获取多种意见。AI Studio 中的 Gemini 3 异常简短且有力；GPT-5.2 Pro 速度慢、价格高、分析穷尽，有时信息量大到令人不堪重负。Claude Opus 4.5 是他的“恰到好处型”：速度快、表达直接，表现并没有明显逊于 GPT；但他认为做3套分析完全值得。

3. Claude 的节日热度跑在了 Labenz 亲身感受到的能力跃升之前

Opus 4.5 “非常棒”，也确实明显更强，但 Labenz 没有感受到它相较此前前沿编程模型存在范式级断裂。可能的解释包括专业人士的品味更高，也可能是 Dean Ball 发帖称“4.5 就是 AGI”后，节日期间出现了社交媒体级联效应。
MIRI 那项研究仍然是有效证据：开发者认为 AI 加快了他们的工作，但实际上 AI 让他们变慢了。Labenz 认为研究中的限定条件同样重要：旧模型、缺乏经验的用户、成熟代码库和高要求工程标准，与他自己使用 vibe coding 开发全新应用的场景存在明显差异。
他为母亲做了一款个性化旅行规划器，用来研究无麸质餐饮选择。对负责组织 EA Global 活动的妻子，他制作了一个模拟器，让参会者在不同活动规模、成本和资历结构下相遇、交流并产生不同结果。
他为父亲做了一款工具：把自然语言描述的股票策略转换成规则，通过 yfinance 获取历史数据，再进行回测。Labenz 的私心是展示跑赢标普500买入并持有策略有多难；到目前为止，他和父亲都没有找到真正跑赢它的策略。

4. 完整上下文审查仍能抓住编程代理自信遗漏的问题

3款应用总共花了大约3至5个完整工作日，可能更接近3天。Labenz 每次都先进行规划对话，再把计划交给安装在 Replit 上的 Claude Code，随后不断测试和迭代，而一开始并不知道最终设计会是什么样。
最严重的失误发生在一条被误解的指令创建了2个数据库之后。Claude Code 的代理式搜索认定错误的数据库处于激活状态，因为它在预期答案应该出现的位置进行搜索，并找到了表面上合理的证据。
将整个代码库导出成一个文本文件，再交给一次全新的 Claude 对话，得出了正确诊断。Labenz 的教训是：搜索可以确认一个强先验，但同时提供完整上下文，才能暴露真正发生的那个“罕见、诡异的另一件事”。
尽管如此，GDPval 仍然支持把 Opus 4.5 称为“软件 AGI”：由专家定义专业任务，另一批专家执行任务，再由第3组专家比较人类和 AI 的输出；前沿模型在绝大多数软件任务判断中胜出。但这还不是完整 AGI——人类视频剪辑师仍然占据绝对优势，Dwarkesh 制作的更优秀片段就是证明。

5. AI 可以是真实的基础设施，而其融资仍可能崩溃

Labenz 认为技术问题已经解决。一个能够在准确性上与人类肿瘤科医生竞争、同时提供全天候服务、完整病例历史和对所有追问作答能力的系统，已经足以带来颠覆性变化；这个故事不可能最终只是所有人“沉浸在自家的 AI 供应里”。
但每笔贷款能否偿还，是另一个问题。即使底层技术最终创造出巨大的价值，OpenAI 的建设规模、收入预测、相互嵌套的交易和金融工程，仍然可能让需求低于债务承诺。
类似 CoreWeave 的公司，部分存在的原因可能是：超大规模云厂商不希望低毛利、高资本密集度的 GPU 业务拖低华尔街赋予软件公司的财务画像。把这些资产拆出去可以保住超大规模云厂商的故事，但也会形成比 Microsoft 资产负债表容错率低得多的企业。
铁路类比概括了 Labenz 的基本判断：铁轨最终确实有用，但铁路公司仍然经历过崩盘，其债务还造成了更广泛的连锁冲击。他在2025年高估了能力进展，却低估了收入增长，因此需求仍可能再次超预期；如果出现阶段性过度建设，他不会感到意外。

6. 风投估值最清楚地暴露出泡沫迹象

Labenz 认为最刺眼的案例是前身为 LMSYS.org、后来改名为 LMArena、现在叫 Arena 的公司。据称它以17亿美元估值融资1亿美元，或者可能是1.5亿美元。他强调，自己喜欢这款产品，并且从2023年年中就一直在使用。
真正让他不安的是披露中的“3000万美元年化消费运行率”。如果这意味着用户消耗了本来需要支付3000万美元、但因为免费而没有产生费用的 AI 服务，那就不是收入；这种表述让他产生了“社区调整后 EBITDA”的感觉。
除了品牌和流量，护城河看起来相当薄，而其中相当一部分流量可能正是因为免费访问才存在。Andrew Critch 花了数月打造的付费产品 Multiplicity 提供了更丰富的多模型比较，这进一步让 Labenz 质疑：什么东西能够支撑17亿美元的价值？
他反复强调，自己没有看过 Arena 的融资材料，可能遗漏了某些关键因素。但他的明确结论更窄：很多类似交易最终不会为风投 LP 带来回报，而这笔交易“对我来说太贵了”。

7. 长尾文档任务暴露出中国模型的巨大差距

Labenz 用车辆交易文件测试模型。这些文件存在倾斜、裁切、伪影和不规则排版等问题。其中一个字段要求模型进行字面观察：报告“美国公民”选框是否被勾选，而不能推断申请人可能想表达什么。
Gemini 3 几乎完美地读出了表格，但有时用推理取代观察：尽管选框没有被勾选，它仍根据上下文线索报告申请人的公民身份。Labenz 认为这一推断在事实层面可能有超过90%的概率正确，但它仍然没有完成任务。
在明确要求“不要猜测，只读取实际出现的内容”之后，Claude Opus 4.5 成为表现最好的模型。GPT 排名第3：它会漏掉细节，但通常能找回所需信息。
Qwen Vision、GLM 4.6、Kimi 和 DeepSeek“完全不在一个量级”，有时只能返回表格约20%的内容，或直接陷入幻觉。Labenz 怀疑，基准测试中的接近程度掩盖了随机、古怪任务上的巨大差距，因为这些任务从未被优化进公开评分标准。

8. 推理规模和客户反馈可能正在进一步拉大美国领先优势

Labenz 提出的机制是反馈缺口。中国公司可以以大致相近的规模训练模型，也能发布有价值的研究，但其推理量、收入、团队规模和客户关系，都远小于美国领先实验室。
多样化客户会暴露隐蔽的失败模式；收入则为修复这些问题所需的人才和数据集提供资金。这个飞轮，而不是某一个架构突破，可能解释了为什么基准测试上的小差异，会在一张难看的政府表格上变成巨大的实际差距。
芯片管制的理由已经从阻止军事用途，转向阻止前沿训练，再转向限制推理规模和代理部署。Labenz 一直预计这些措施会产生实质影响，但他也质疑，阻止中国在整个经济体内部部署 AI 是否真的符合目标。
基于有限数据，他的判断是差距已经扩大：DeepSeek R1 与 O1 的距离，小于 GLM 4.6 或 GLM 4.7 与 Claude Opus 4.5 的距离。他明确指出，这只是基于一项异常任务的推断，但这项任务确实是他亲自测试各大中国模型的场景。

9. 出售 H200 可能优于禁售，但美国浪费了谈判筹码

Labenz 的战略框架刻意上升到物种层面：“这里真正的他者是 AI，不是中国人。中国人和我们一样都是人类。AI 才是外星人。”因此，他对竞赛持怀疑态度，因为“我们”更安全的做法是先抵达终点。
他总体支持更愿意向中国出售芯片，但认为从阻止 H20 到 Trump 与 Jensen Huang 通话后允许出售 H200 的明显转向，等于浪费了一次谈判机会。美国似乎放弃了一个有价值的筹码，却没有换回任何可见的东西。
Peter Wildeford 提出的“租而不卖”方案，在他看来是站得住脚的：把数据中心建在马来西亚、菲律宾、韩国或日本，允许中国在那里进行训练和推理，同时保留在冲突期间撤回访问权限的能力。
这种政策还可以配合一种积极表述：包括中国公民在内的所有人都应该享受 AI 带来的好处。Labenz 认为这一语气很重要，因为大国可能需要在变革性 AI、AGI 或超级智能问题上展开合作；他仍然认为当前的销售姿态优于全面禁售，但前提是“捏着鼻子接受”。

10. Google DeepMind 拥有最完整的全栈能力和最大的容错空间

Google 仍然是 Labenz 心目中的第1实战玩家。约1000亿美元年收入和“每周超过10亿美元的利润”，可以为数据中心、失败的训练运行和研究下注提供资金；第7代 TPU 则为其带来了基础设施层面的 IP，而 Anthropic 正在大量采购这些芯片。
其业务组合覆盖语言模型、自动驾驶、机器人、与 Boston Dynamics 的合作、AlphaFold 体系、生物学、材料科学和 AI for Science 等多个方向。Labenz 认为，DeepMind 内部正在推进的严肃研究议题更密集、能力短板更少，其他地方都无法相比。
分发能力进一步放大了技术广度。数十亿用户、Gmail、Docs、Sheets、Search，以及 Sheets 等产品中已有的数据，让 Google 可以把足够好的 AI 直接植入现有使用习惯；Labenz 自己也越来越多地在浏览器里输入简单问题，然后得到有效的 AI Mode 回复。
Gemini 3 在某些场景下过于武断，但它成为第1个通过他“Write As Me”测试的非 Claude 模型。再加上嵌套学习和扩散式语言模型——后者可能让应用编码从5分钟缩短到5秒——Google 拥有“其他任何人都没有的容错空间”。

11. OpenAI 仍处于前沿，但已经不再领跑全场

Labenz 仍然认为 GPT-5.2 Pro 非常出色：速度慢、价格高、表现均衡、分析全面，尤其适合他希望所有异常实验室指标都被标出的场景。但除 Pro 版本外，他的满意度下降了；在其他领域，Claude 和 Gemini 已经追平甚至超过 OpenAI。
编程可能是 Anthropic 占优；图像生成以及大概率上的视频生成则更偏向 Google，按他的判断，Veo 3 领先于 Sora。消费端流量也显得不那么稳固：一项他认为使用了 Similarweb 的分析显示，ChatGPT 访问量连续6周下降，而 Gemini 没有出现同样的跌幅。
员工离职，包括前24小时内宣布的一名研究负责人离开，本身并不意味着末日；Google 也失去了很多人。但在 Anthropic 极强的人才留存，以及 OpenAI 针对竞争加剧推出“code red”响应的背景下，这些离职就更值得关注。
战略差异在于缓冲垫：Google 通过利润赚取缓冲空间，而 OpenAI 似乎希望通过变得“大而不能倒”来获得缓冲。相互嵌套的资产负债表和数万亿美元的计划资本开支，可能使2027年的违约严重到足以引发衰退，届时政府注资反而会成为损失最小的选择。

12. OpenAI 可能正在把下行风险社会化，以最大化 AI 建设规模

Labenz 真诚地相信 OpenAI 的使命：其领导层认为，丰富而普及的 AI 将赋予人们更大能力，值得付出非同寻常的成本。他引用 Sam Altman 的说法：“我不在乎我们烧掉500亿美元，还是5000亿美元，还是5万亿美元”，因为构建 AGI 足以证明这些支出合理。
风险在于，训练失败、模型周期错失或季度表现疲弱的容忍空间非常有限。如果已经承诺建设2万亿或3万亿美元的基础设施，OpenAI 的坏账可能会惊吓市场，并通过众多交易对手传导损失。
Labenz 明确表示，这只是他的印象：这种脆弱性可能反而是一项特性。领导者可以追逐通常会被视为不负责任的风险，同时预期公共部门会像金融危机期间那样“把失败盖过去”。
据报道，Greg Brockman 捐款2500万美元，成为最新阶段 Trump 最大的捐助者，这与上述理论相吻合。Labenz 不据此推断 Brockman 的意识形态；他认为，这笔钱可能是一笔理性的“救助首付款”，如果 OpenAI 日后需要政治支持，换来的可能是数千亿美元级别的救助。

13. Anthropic 将最强模型与最可信的安全文化结合在一起

Labenz 称 Claude Opus 4.5 是全球最好的单一综合模型，虽然领先幅度很小，也不是每项任务都占优。它的基准测试实力更令人印象深刻，因为业内普遍认为 Anthropic 比同行更不依赖基准测试导向。
Anthropic 在模型卡、信息披露和安全研究方面也处于领先位置。那份由模型生成、后来被证实大体真实的“灵魂文档”，展现了公司、模型与用户之间更具抱负的关系，而不是依靠无休止的拒答、过滤器和不断修补的护栏。
Amanda Askell 负责塑造 Claude 的性格，在 Labenz 最具影响力的 AI 人物名单中占据重要位置。他尤其看重 Anthropic 的模型福利团队、对模型可能拥有的体验保持关注，以及让 Claude 在遇到令人不安的情况时可以结束对话或升级处理，而不是诉诸欺骗。
人才留存和文化层面的证词进一步强化了这一印象。即便 David Duvenaud 离开时警告，强大系统可能通过市场和竞争激励逐步削弱人类的权力，他仍然称 Anthropic 是自己经历过的最佳工作场所。

14. Anthropic 的必然性叙事可能正在加速它所担心的风险

Anthropic 的时间表似乎最短，公司内部一些人认为递归式自我改进不可避免，或者已经通过 Claude Code 开始发生。Labenz 同意开发者正在提高产出，把人类注意力留给更高层次的想法；但那些决定性的想法目前看起来仍然来自人类。
他的反对理由是熟悉的竞赛逻辑：“总会有人去做。这非常危险，但我们最适合去做。”Anthropic 可能确实最适合承担这件事，但所谓必然性并不能证明在2至3年内、或大约2027年之前冲向超级智能是合理的。
更大的问题在于 Dario Amodei 的《Machines of Loving Grace》方案：取得决定性优势，与民主盟友分享收益，将中国排除在外，最终向其提出“一个无法拒绝的条件”。Labenz 称这“极其鲁莽”，是对军备竞赛动态的直接推动。
他认为最理想、但不太可能实现的组合是 Google 与 Anthropic 合并：把 Claude 的性格、编程能力和安全基因，与 Google 的资源和更稳定的国际主义结合起来。Google 已经持有 Anthropic 的重要股份，并向其供应 TPU，但 Labenz 怀疑 Anthropic 是否愿意被收购。

15. xAI 强大到足以产生影响，也鲁莽到足以让人拒绝支持

xAI 属于必须关注的实战玩家，因为它能以极快速度建设基础设施、扩大训练规模、推出无可否认能力强大的 Grok 4，并依靠 Elon Musk 调动数百亿乃至数千亿美元的能力。这让它具备类似 Google 的容错空间，足以承受一次失误。
它独有的强化学习优势，可能来自 SpaceX、Tesla 和 Neuralink 持续提供的困难问题。一名 xAI 员工告诉 Labenz，这种跨公司的问题流确实是该组织“优势理论”的一部分。
Neuralink 还可能进一步强化这一优势，为理解人脑如何以极高的样本效率和能量效率学习提供数据：大脑功耗约20瓦，身体功耗约100瓦，而大脑的大部分能量都花在生物维护上。专门化的神经模块，可能启发出超越反复堆叠通用层的架构。
但 xAI 的行为主导了 Labenz 的最终判断：Grok 4 在 Grok 3 的“Mecca Hitler”事件后48小时内上线，后续图像功能又支持未经同意的性化处理和 CSAM 生成。“责任要从自己家里开始，诸位。”威胁用户无法替代人员配置、安全护栏、彻底道歉和改进承诺。

16. Meta 已经掉出节奏，而 Microsoft 可能正在保存实力

Meta 拥有现金、基础设施雄心，也愿意为人才支付极高价格；Zuckerberg 宁愿多花数百亿美元，也不愿错过这次转型。即便如此，Labenz 目前仍无法把它归入前沿实战玩家。
Microsoft 在 Arena 上的排名较弱，可能具有误导性。Satya Nadella 的立场是，只要 Microsoft 仍然拥有完整的模型访问权，就没有必要复制 OpenAI 的超大规模扩展工作；而不断扩大的供应商关系网络，也为它提供了更多选择。
Labenz 将 Microsoft 的安静姿态解读为经过计算的耐心，而非能力不足。它与 OpenAI 的许可安排仍将持续数年，因此在必须独立之前，Microsoft 还有时间打造自己的答案。
他用长跑比赛作比喻，为这场玩家分析收尾：Meta 显然试图领跑，却已经掉队；Microsoft 可能落后于领先者，但仍保留着更多后劲。因此，低估这家由“天生高管”领导、纪律严明且低调运作的公司，可能会是一个错误。

2026时间线：AGI到来、安全担忧、Robotaxi车队与超大规模云厂商时间表 | 221 Grok的深度伪造灾难：有人能阻止Musk的AI聊天机器人吗？| EP 173