127: 与真格戴雨森 25 AI 中场复盘：OpenAI的IMO金牌、Kimi K2翻盘、Agent普及和抢人大战

摘要

• OpenAI 未公开的通用大语言模型在 2025 年 IMO 六道题中做对五道，达到金牌级水准，是本期最重要的能力跃迁。 它没有联网、没有数学专项优化，也未调用 Code Interpreter；尽管 Google 质疑其未经官方认证、陶哲轩提醒证明题评分存在分歧，这仍意味着 LLM 开始攻克 hard to produce、hard to verify 的任务。节目中还转述相关研究者将其称为 AI 的“登月时刻”：AGI 若曾是远处冒烟的火车，“现在已经听到声音了”。

• 这次突破同时强化了 inference scaling、通用泛化和科学发现三条技术逻辑。 延长思考时间可以继续提高表现，而据传模型的 base model 与 GPT-4o 相同，增量可能更多来自 post-training 和 inference；若属实，预训练即使遇到瓶颈，后续阶段仍有很长的优化空间。IMO 证明与未被证明的小定理在形式上相近，戴雨森因此判断，AI 发现“小的新知识”可能已近在咫尺，其潜在生产力价值可能高于许多主要复制、拼装既有代码的 coding 任务。

• 模型能力和应用层“壳”的价值正在同时被低估。 同一周末，模型拿到 IMO 金牌级成绩，而 ChatGPT Agent 的 PPT 等实际产出却不如 Manus、Genspark、Kimi、MiniMax 的部分线上结果；这说明模型进步并不会自动消灭应用。Agent 需要应用提供组织与个人 context、跨 session 记忆、工具和执行环境，“同样的模型更了解我”可能形成长期护城河。

• 2025 年上半年，coding 和 reasoning 已跨越鸿沟，Agent 则进入 early adopter 普及期。 Cursor、Claude Code、o3、Deep Research、Kimi Researcher 已展示出明确的生产力价值，Manus、Genspark 等开始承担目标拆解、工具选择、执行和复盘。真正的 L3 不是聊天框增加几个按钮，而是“人不要干事情，AI 干事情”，用户从亲自操作转向学习做 AI 的老板。

• Kimi K2 的翻盘是“优秀团队价值被低估”的样本。 截至录制日 7 月 15 日，戴雨森称 K2 是“全世界最好的开源大模型，没有之一”，尤其看好其 coding、agentic workflow 和中文写作；OpenRouter 编程榜调用量几天内由第 13 升至第 10，形成比 benchmark 更直接的用户投票。其背后包括稳定核心团队、长期押注长 context、补齐 pre-training，以及继续探索 RL、工具使用和开源；K2 当时仍是 non-reasoning model，推理版和多模态版尚未发布。

• Agent 带来的算力需求可能远超 Chatbot 时代，英伟达超过 4 万亿美元也未必是终点。 戴雨森观察到，Agent 应用的 token 用量可达普通 Chatbot 的“一千倍以上”，类比拨号时代不能用“所有人只聊 QQ”来估算后来 4K 视频的带宽。生产力需求也不受个人闲暇时间直接约束：AI 可以并行覆盖 50 只股票、同时处理多场财报会；他认为 token 转化为生产力“刚开始”。

• 最大的约束已从“AI 能否落地”转为人才、组织、安全与利益分配。 Meta 用“颠覆性薪资”挖人抬高了整个行业的成本水位，但把大量明星研究员拼在一起能否形成合力仍待验证；具身智能则相反，Optimus 下调产量预期印证了 manipulation 和产品化不能拔苗助长。到年底最值得验证的是：在成功率约 20% 这一假设下，Agent 一次性交付能否提升到 70%-80%，记忆能否产生真正的复利，以及无人能完整 review 的 AI 代码、真假难辨的内容和更大的个体差距将如何被治理。

精读

1. 通用 LLM 把 IMO 推到金牌级别

• 据 OpenAI 公布，未公开模型在 2025 年 IMO 六道题中解出五道；它没有联网、没有针对数学专项优化，也没有调用 Code Interpreter 等外部工具。OpenAI 又请三位 IMO 金牌得主交叉验证，并认为证明正确。

• 戴雨森强调，这与去年 7 月 Google 的 AlphaProof、AlphaGeometry 达到银牌水准不是同一种成果：后者是面向数学和形式化验证的专用系统，而这次被描述为“一个通用的大语言模型”，其意义首先在泛化。

• 题目公布后模型随即作答，也降低了提前见题、定向训练的可能。不过 Google 提醒结果未获 IMO 官方认证，陶哲轩也指出证明路径不同会造成评分差异；节目保留了这些争议，没有把“金牌级”直接等同于官方金牌。

2. Hard to verify 的突破比 coding 更接近真实世界

• 围棋胜负明确，代码能否运行、test case 是否通过也容易验证，因此强化学习能得到清楚的 reward；IMO 证明却属于 hard to produce、hard to verify，判定是否正确本身就更复杂。

• 曼祺援引 Jason Wei 所说的“验证的非对称性”：有些任务的验证时间可能长于生成时间，因此 AI 即使会做，人仍难完全退出。戴雨森的回应是，能够给出一个证明本身已经是技术和智能上的巨大进步，验证困难并不抹去这一步的意义。

• 这使数学突破的外推意义大于 coding：许多初级代码本质是把已有模块“复制粘贴”再修改，而数学证明要求展开更复杂的新推理。戴雨森判断，AI 正在追着人类从简单任务走向“更加难、更加有价值的任务”。

3. Inference scaling 打开了预训练之后的增长空间

• OpenAI 提到，增加思考时间能继续提高模型成绩，这进一步支持 inference scaling law。戴雨森把模型进步拆成 pre-training、post-training 和 inference 三段：即便预训练被讨论为“撞墙”，后两段仍可能走很远。

• 节目提到一个未经证实的传言：拿到成绩的系统所用 base model 可能与 GPT-4o 相同，真正差异更多来自 post-training 和 inference。若传言成立，这次结果就不只是更大基模，而是训练后阶段重新扩大了能力边界。

• 曼祺注意到 OpenAI 研究员同时提到 multi-agent；戴雨森推测，这里的 agent 更可能是模型内部多个角色协作以增强推理，而非调用不同工具的产品级 Agent。他提醒事情发生不久，细节仍应等待公开和复现。

4. IMO 让“发现小的新知识”从远景变成近景

• 戴雨森的推理是：一道陌生 IMO 证明题与一个尚未证明的小定理，在任务形式上高度相似，都是在没有现成步骤时构造论证。AI 暂时不可能因此攻克哥德巴赫猜想，但辅助发现“小定理、小证明”已可能不再只是未来预期。

• 这也是他认为数学突破比 coding 更具生产力外溢的原因：不依赖现实实验、主要靠推理推进的理科学科，都可能先获得加速。节目片尾进一步追问，第一批熟练使用 AI 的博士生和科研人员，是否会率先把这种能力变成真正的科学发现。

• 节目中把 AGI 比作一列火车：“原来远远地看到了冒烟，现在已经听到声音了。”这一判断仍有边界——IMO 不是完整科研课题，更不是持续数月或数年的自主研究，但它向“AI 博士生”又靠近了一步。

5. 两年半内，“AGI 火花”已变成“登月时刻”

• 2023 年 3 月的《Sparks of AGI》因 GPT-4 预发布版能解决一些当时惊艳的问题而兴奋；仅两年半后，那些例子已经显得非常简单。戴雨森提醒，两年半甚至可能短于一家被投公司的产品开发周期，而智能曲线在这段时间里却极其陡峭。

• 一位相关研究者把 IMO 成绩称为“a moon landing moment for AI”：一个表面上只预测下一个词、没有工具的模型，产出了只有极少数人类天才能完成的创造性证明。节目认为，这个事件的重要性“再怎么说可能都不为过”。

• 年初节目预测的“李世石时刻”正在从围棋扩散到 coding、数学：不是 AI 达到普通人，而是在越来越多领域接近或超过最顶尖的人类。若 Google 暗示的同级成果也存在，含义将进一步升级为技术已经不止一家掌握；但其是否来自通用模型仍不清楚。

6. 一旦“那层纸被捅破”，能力扩散通常不会太远

• 戴雨森与中国顶级 researcher 交流后得到的反应并非“早已预料”，而是普遍震惊；这反而意味着新的研究方向被明确了。他用原子弹作类比：“当你知道原子弹能爆炸的时候，离做出来它就不是很远了。”

• 他的判断是，大家会逐步了解这件事情如何实现，并提高自家模型性能。IMO 成绩因此不只属于 OpenAI 的单点领先，也可能成为全行业 reasoning 能力的一次抬升。

• 不确定性仍在验证环节：若证明必须由少数专家长时间审查，AI 暂时不会独立替代研究者。但模型能够先生成证明，仍会改变生产与验证之间的分工，最后仍需要人来判断。

7. 抢人大战证明人才值钱，也制造组织冲击

• Meta 以英文可称 disruptive、中文即“颠覆性”的薪资挖走顶级研究员，不只动摇被挖团队的军心，也冲击 Meta 原有 AI 团队：留下的人会追问自己是否该涨薪、原有贡献如何定价。

• 戴雨森承认顶级人才的经验和 know-how 极其重要，但提出一个常被薪资新闻遮住的问题：越优秀的人越需要磨合，把许多明星研究员放进同一组织，未必自然形成合力。历史上已有不少豪华团队协作失败的案例。

• 中国也在加速抢人。按戴雨森有限的观察，腾讯正从通义和字节挖人，接过上一阶段字节的接力棒；他明确表示自己没有全局视角，只能确认竞争水温正在上升。

• 对创业公司，人才机会成本、token 补贴和融资需求同时变高；对大公司，用现金换时间却是一道相对简单的题。人才战因此既验证赛道价值，也持续抬高创业门槛。

8. ChatGPT Agent 不惊艳，却把 Agent 方向变成行业共识

• ChatGPT Agent 发布后的第一反应偏失望，尤其 PPT 成品被批评“真的是有点丑”。戴雨森仍把它视为重要节点：从 Devin 的原型，到 Manus、Genspark 等先行产品，再到 ChatGPT 正式集成，目标理解、规划、编程、工具调用和反思已从构想变成领头公司押注的产品形态。

• 产品结构上，它把偏“写操作”的 Operator 与偏“读操作”的 Deep Research 合并。有人概括为“OpenAI 发了一个 Manus”，节目认为这更适合描述产品形态，而不能代替能力和资源的完整比较。Manus 等产品对过程的呈现，也让用户更容易理解 Agent 正在做什么。

• OpenAI 把该产品列为 AI 安全能力分级中的高危险级别，担心钓鱼网站、生物武器信息及其他越权行为，因此加了许多限制。戴雨森认为谨慎是负责任的表现，但也说明公司变大后行动更保守，给创业公司留下更快试错和突破边界的空间。

9. 中国 Agent 的产品力证明“套壳”不会被模型原厂自动吊打

• Manus、Genspark、Kimi、MiniMax 等随后用自家 Agent 跑 OpenAI 展示的任务，在 PPT 等维度交出更好的线上结果。戴雨森首先看到的是中国公司的产品能力延续：豆包、即梦、剪映等移动互联网产品的经验并未因底层变成大模型而失效。

• 过去的判断是，模型公司一旦亲自下场，就能用端到端训练“吊打”调用 API 的应用；Chatbot 阶段确实更接近这个逻辑，因为用户主要直接与模型对话，应用能增加的 context 和工具有限。

• Agent 阶段则不同：模型需要更多 context、更多工具和更复杂的环境。应用层还要通过 context engineering、产品设计和长期实践，提供模型本身没有的输入与执行条件。

• 节目由同一周末的反差得出双重判断：IMO 说明模型进化速度被低估，ChatGPT Agent 的成品差距又说明应用价值被低估。“模型和应用都在被低估”，也就意味着 AI 整体仍可能被低估。

10. Context engineering 正从技巧变成应用护城河

• 戴雨森把 prompt engineering 类比为老板下命令，context engineering 则更接近“context, not control”：不只写更具体的 brief，而是把范例、背景、数据、资源和授权以模型更易使用的形式提供出来。

• 第一层是单个 session 内的上下文质量，包括数据是否完整、格式是否适合操作；第二层是跨 session 的记忆与个性化，让今天、明天和后天的工作积累在同一个助手上。“在我这儿拥有更好的 context”，可能使相同模型形成不可替代的体验。

• 第三层来自产品创造的新数据入口。例如持续观察周围环境的眼镜可以提供互联网巨头原本没有的实时视觉 context；模型自己无法凭空获得这些信息，需要由硬件和软件产品提供。

• Manus 分享的 context engineering 实践之所以获得好评，是因为它对应一个尚未标准化、需要长期试错的问题。应用公司的价值不只是选模型，还在于如何提供、组织和跨 session 利用上下文。

11. 用户数据不能直接提高智能，却能持续改善工作体验

• 戴雨森赞同“聊天数据无法形成模型智能飞轮”的部分判断：模型已经超过普通人的平均水平，普通人对有标准答案问题的 preference，很难再像早期 RLHF 那样提供高质量智力增量。“我都能解 IMO 的题目了，那为什么要在乎普通人觉得这个回答好还是那个回答好？”

• 但 Agent 的任务数据是另一回事。用户想完成什么工作、流程怎样展开、哪里被退回修改、最终交付是否满足目标，这些反馈可以改善产品完成任务的方式，即使它没有让 base model 变得更聪明。

• 因此应区分模型智能与产品体验两条飞轮：普通聊天未必强化 ground truth 能力，组织流程、个人偏好和执行结果却能丰富 context。越早做 Agent、越早积累这些关系数据，其价值可能随时间而非模型版本递增。

12. Coding 和 reasoning 已在 2025 年上半年跨越鸿沟

• 戴雨森听说 OpenAI 已把业务划成 GPT、API、coding 三条线，反映 coding 已成为“最有用、最愿意付钱、增长非常快”的方向。Cursor、Claude Code 等不仅补全代码，还能处理更大 code base、自我纠错并承担更完整的工程任务。

• reasoning 的路径则从 2024 年下半年的 o1，到年初的 DeepSeek R1，再到 4 月的 o3；Deep Research 和 o3 还推动了 ChatGPT 用户增长。Kimi Researcher 是中国较早广泛可用的 Deep Research 类产品，也获得了积极反馈。

• 戴雨森认为，这两类能力已经不是惊艳的科研 demo，而是“正式跨越鸿沟进入主流市场”。用户愿意为 coding 等明确生产力价值付费，其他产品的商业化也在逐步验证。

13. Agent 与多模态已从玩具走向 early adopter 市场

• Devin 最早展示了 L3 级 Agent 的雏形，随后 Manus、Genspark、Claude Code 等让用户看到：给出模糊目标后，AI 可以自己找工具、选择路径、评估结果并交付。它们仍有失败和不稳定，但已在 early adopter 中变得有用，并开始获得用户使用和付费。

• GPT-4o 图片生成的关键变化不是更会“抽卡”，而是语义和指令跟随明显改善；吉卜力风格、漫画、流程图、头像和公众号头图都变成实际用途，图片也可以直接成为 Agent 的输出组件。

• Veo 3 因加入匹配的声音，让戴雨森第一次感到视频“跨越恐怖谷”、进入真假难辨的虚拟世界。多模态因此不再只是内容娱乐，也提高了生产力应用表达和交付的上限。

• 融资和项目竞争也随落地升温：中国早期市场重新出现抢项目、一个月连融几轮的情况；硅谷则同时出现大额创业融资、并购争夺和人才溢价。热度背后是收入与使用量开始兑现。

14. 数字生产力在兑现，具身智能的时间表却被高估

• 他们目前更关注数字世界里的 AI Agent 和生产力工具，因为这些场景已经能直接创造价值。具身智能虽然火热，但特斯拉下调 Optimus 生产预期，印证了戴雨森自 2023 年以来的判断：市场低估了 manipulation 的难度。

• “2025 年一万个机器人进工厂打螺丝”的预期过于激进；即使 demo 越来越好，让机器人稳定做一杯咖啡仍非常困难。突破可能就在今年发生，但突破、scale up、产品化与大规模铺开是连续过程，不能跳级。

• 外卖大战可能分散阿里、美团、京东等公司的资源，戴雨森直言“与其免费喝奶茶，不如训练先进的模型”。不过中国知识工作者与美国使用相似的 Office、搜索和 research 流程，随着 Kimi、字节、DeepSeek 追上，推理需求和云计算 capacity 仍大概率重演美国的增长。

• H20 恢复对华销售、阿里云等增速预期，被他视为需求可能抬头的外围信号；这与外卖大战没有直接因果关系，核心仍是模型一旦够好，应用普及会迅速转化为推理算力。

15. Kimi K2 用用户反馈完成了一次压力下的翻盘

• 截至录制日 7 月 15 日，戴雨森称 Kimi K2 是“全世界最好的开源大模型，没有之一”，尤其强调 coding、agentic workflow 和中文写作；他同时保留比较边界：R1 已发布约半年，Grok 4 的侧重也不只这些领域。

• benchmark 已让很多用户麻木，因此节目更看重真实调用。OpenRouter 编程类目中，K2 几天内从第 13 升至第 10，前方主要是 Claude、Gemini、GPT 等闭源模型；DeepSeek V3 排第 8，更多也与上线较早、已有应用集成有关。

• 戴雨森预期 K2 使用量还会变化，因为实际试用者会比较能力、成本和开源属性。Pablosky 的创始人也公开表示正在尝试调用 K2，并称 Kimi 做得很好，这类开发者选择比一次打榜更接近真实产品投票。

• OpenAI 原计划 7 月发布开源权重模型、随后延期，与 K2 发布形成戏剧性对照；节目没有接受“因 K2 而延期”的调侃，只把它视为模型竞争“你追我赶”、任何领先都不能静态外推的例子。

16. Kimi 的核心资产是稳定团队、技术信念与长期积累

• 戴雨森认为，Kimi 与部分经历大幅联创或业务负责人变动的“大模型小龙”不同，核心团队在压力期保持稳定。许多成员在清华时期就是同学、室友或乐队伙伴，合作基础早于创建一家大模型公司。

• 团队以杨植麟为核心形成技术号召力，使命长期表述为“探索把能源转化为智能的最优解”。它没有因为陪伴、多模态或 2G 热点轮换就频繁改方向，而是持续聚焦智能和生产力。

• 2023 年押注长文本并做出带搜索的 Kimi，是团队技术 vision 的早期证明。当时的想象还是把《三体》放进上下文，如今 Agent 需要走上百步、coding 要处理巨大 code base、reasoning 要生成长思维链，长 context 的重要性反而继续上升。

• 外部低谷中当然有人流失，但核心研究员留下不只因为工资，也因为“能学到东西”和“真的能干成一件厉害的事情”。戴雨森把 K2 定义为技术愿景和组织韧性共同交出的“阶段性答卷”。

17. K2 的技术补课从 pre-training 开始，而非只靠 RL

• DeepSeek R1 一度引发“pre-training 不重要、post-training 更重要”的讨论，戴雨森明确反对这个简化：没有 V3 这个好 base model，就没有 R1 后续“左脚踩右脚”式的强化学习提升。

• Kimi 的 RL 团队原本较强，但此前基模能力偏弱；Kimi Researcher 仍基于 K1.5，通过 RL 提高 deep research 能力。过去数月的关键变化，是集中资源补齐 pre-training，训练出总参数 1T、激活参数约 32B 的 K2。

• K2 当前还是 non-reasoning model，推理版和多模态版尚未发布，因此它更像一块新地基。推理速度目前被部分用户认为偏慢，但戴雨森把这视为可继续优化的工程问题，而不是能力结论。

• 团队在训练 pipeline 中推进 Muon、MuonUp、MuonClip 等优化，并采用 MLA 等架构思路。戴雨森认为互相借鉴很正常，真正的能力来自亲自把 pipeline 搭起来、解决稳定性问题，从而获得对模型更强的控制。

18. 开源的价值是控制权和社区反馈，不是让 1T 模型跑在笔记本上

• 面对“1T 参数几乎没人能本地部署”的质疑，戴雨森指出，满血 DeepSeek R1 也不是普通电脑轻易能跑的；开源不等于必须在单机部署，OpenRouter 等 API 同样可以承载开源模型的广泛使用。

• 更重要的是，开发者能够审视和控制模型，为隐私、私有部署、post-training 和定制保留选择权。K2 的可修改性和 agentic 能力，使开发者有动力把它嵌入真实 workflow。

• DeepSeek 证明了开放交流的回报：当团队给全球社区一个真正好用的模型，用户会主动测试、传播、修复和提出改进。戴雨森的限定很清楚：“开源不是灵丹妙药”，前提仍是“你开源一个好东西”。

19. DeepSeek 的节奏说明资源有限时必须选择突破口

• 对 R2 为何迟迟未发，戴雨森只有外围判断：DeepSeek 很可能仍在训练 V4，按 V3 后发 R1 的顺序，R2 也许要等新 base model。团队既受训练算力约束，走红后又要拿出大量资源做 inference。

• DeepSeek 曾更笃定专注大语言模型，后来加大多模态投入，说明其智能路线也在调整。资源无法全面对标时，它需要像 Anthropic 一样选择当前最重要、最可能出结果的方向，再凭工程与研究能力追赶其他领域。

• 字节资源更充足，因此把 Edge、Flash、Base 等职责拆开：有人探索 frontier，有人冲 SOTA，有人服务应用。戴雨森认可这种分工，因为模型研究的长期目标与 App 的 bug、corner case、短期需求很容易互相打架。

• Kimi 过去半年也从这种冲突中反思，弱化应用维护与投放，把主要精力放在下一代模型和 RL。节目归纳出的原则是“先把一个轮子做好”：应用公司应自由采用最合适的模型，模型公司则先守住某项 SOTA。

20. Reasoning 与 coding 的主旋律是从好到极好

• 戴雨森认为 2025 年可用的进步大多不是从零到一的新范式，而是从一到十的质量提升。o3 相比 o1 已上一个台阶，o3 Pro 用更长推理时间继续减少细节幻觉、提高严谨度；o4-mini 等小模型也能取得很高的推理分数。

• 公开 benchmark 正像满分只有 150 分的高考：一个模型得 150、另一个得 140，不代表真实能力只差 10 分。榜单饱和后，内部 eval、复杂实际任务和长期使用感受变得更重要。

• Coding 的变化从 Sonnet 3.5 延续到 Sonnet 3.7 和 Claude 4：context 更长、自我纠错更好，在 Claude Code 中面对大型 code base 和复杂任务时，开始出现“一步就 get it right”的体验。

• 阿里云 CTO 周靖人甚至不把 o1 系列视为完全的新范式；戴雨森同意 Transformer 也许还能走很远，正如高速公路和铁路可以持续承载增长，“并不是今年一定又要一个非常不一样的东西”。

21. 工具使用正从应用外挂变成模型原生能力

• Agent 能力依赖 reasoning、coding、tool use 三条主线，近期 K2、Grok 4 等模型开始强调训练阶段就加入工具使用数据。模型原生掌握工具，可降低应用调用成本，也更容易通过端到端强化学习优化。

• 工具路线大致有两种：MCP 类似 API，让模型通过标准接口调用能力；另一种通过视觉理解和操作界面，模拟人类使用浏览器、虚拟机和既有软件。Operator 与 Manus 的沙盒都体现了后一条路径。

• 软件任务往往有明确 reward，例如是否成功下单一杯奶茶、代码是否通过测试，因此特别适合强化学习。应用层依然要决定接入哪些公有和私有 MCP、提供什么权限，以及如何把结果写回真实环境。

22. 视频逼近真实，语音跨过门槛但带宽仍有限

• Veo 3 因画面与声音同步成为视频 SOTA 的代表；MiniMax 的海螺 02、Midjourney 视频和字节的相关产品也在快速竞争。小猫、小狗、大象跳水等传播案例说明，模型已能生成更复杂、连续的视觉事件。

• 戴雨森特别看好 Midjourney 视频的效果与低成本，也认可 MiniMax、字节在这一 vertical 的进展。不过视频仍是一场重训练、重算力的模型战争，主要由资源充足的大公司和少数头部创业团队推进。

• Voice 也正在跨过“以假乱真”的线，但戴雨森认为语音沟通带宽有限，单位时间能承载的信息少于视觉、代码和复杂任务执行，因此机会重要，却未必大过 reasoning、coding 和 tool use。

23. Google 已从失意者重新回到模型竞争前三

• Gemini 2.5 的口碑、GCP serving、TPU 算力与 Veo 3 共同构成 Google 的边际改善。戴雨森认为其技术积累、人才密度、资金和自有算力都很深，已是前三家中极具竞争力的一家。

• 市场仍担心 AI 对搜索主页和旧业务的冲击，因此 Google 股价持续震荡；这是典型的“老业务受损、新业务追得很快，但净结果尚不清楚”。戴雨森认为再过一两年才能看清答案。

• Google 在多模态、VLA 和机器人结合上布局很全，有些能力已从好到更好，有些仍处于零到一。节目中还提到，听说 Gmail 等团队的工作强度很高，打破了“Google 是养老公司”的旧印象。

• 三家头部实验室正在形成不同重心：OpenAI 越来越像应用公司，选择十亿用户并持续扩展 ChatGPT；Anthropic 以 coding 和 Claude Code 驱动；Google 则依托全栈模型、云、TPU、搜索与多模态协同。

24. 应用价值由模型、context 和 environment 三层共同组成

• 第一层是权重中已经固定的模型能力，决定推理、coding 和知识的基础上限；但权重一旦训练完就是“死的”，不知道今天的天气、公司的新文件，也不知道用户刚做出的决策。

• 第二层 context 又分公域、组织和个人：搜索补足公共信息，公司流程、文档和知识库构成组织背景，个人对话、偏好和历史则决定助手是否真正了解使用者。提供得是否准确、及时、可调用，会造成巨大体验差别。

• 第三层是 environment：AI 能调用哪些工具、操作哪些系统、影响什么真实结果，决定它是问答机器还是工作者。应用公司提供 MCP、浏览器、代码库、文档和权限边界，最终把模型输出变成可交付成果。

• 戴雨森用汽车比喻只做模型的局限：发动机当然关键，但完整汽车后来还需要“冰箱、彩电和沙发”。OpenAI、Google、Anthropic 都自然会做第一方应用，因为只卖模型未必能展示其百分之百能力；DeepSeek 是否走到这一步，则取决于自身选择。

25. 高频试用让戴雨森每月为 AI 支付近 1,000 美元

• 戴雨森最常用的仍是 ChatGPT，认为 o3 综合最均衡；在中国网络环境和自己的研究场景里，Kimi Researcher 很合适。需要做 PPT 结构与成品时会用 Genspark，把结果变成网站或可交互展示时则会尝试 Manus。

• Manus、Genspark、ChatGPT、Gemini、Grok 等，他多购买约 200 美元的最高档版本，月支出接近 1,000 美元。他的理由不是收藏工具，而是“新产品你得多试”，看到未来能力会反过来产生产品和投资灵感。

• 曼祺说这已相当于雇了一个人；戴雨森回答，一个分析师通常更贵。AI 若能直接多写代码、完成研究或带来收入，按量付费就很自然：“你给我赚一百块钱，我给你付一块钱，或者十块钱。”

26. Agent 把 token 消耗从聊天量级推到工作量级

• Manus 在 3 月上线后，戴雨森已看到推理用量暴涨：Agent 会搜索、读写文件、调用工具、反复检查，Agent 应用的 token 用量可达到普通 Chatbot 的“一千倍以上”。这成为他判断推理算力需求被低估的重要依据。

• 他把当时对英伟达的怀疑类比为拨号上网时代的误算：若假设所有人只聊 QQ，当然不需要巨大带宽，但后来出现了 4K 视频。用简单问答估算 AI 算力，同样会漏掉模型变强后才出现的新场景。

• OpenRouter 不能提供全市场绝对量，因为 Manus、Genspark 等大型产品会直接接模型官方 API；它更适合观察中小开发者的相对投票，以及哪些模型正在榜单上快速前进。

• 英伟达超过 4 万亿美元后，节目继续讨论了其是否可能走向 5 万亿美元；戴雨森回应， “token 转化为生产力的趋势刚开始”。火车既已开动，又持续发现新用途，需求不会因一次效率优化自动停下。

27. 生产力需求比注意力需求更容易扩张

• 陪伴和娱乐消耗的是一天有限的时间，而生产力可以并行放大：有了 Cursor、Claude Code，人们不是只把原来代码写得更快，而是会写更多代码；有了 Deep Research，也会提出过去根本不会尝试的问题。

• 戴雨森举二级市场的具体场景：美股财报季可能有五六家 SaaS 公司在凌晨 4 点同时公布业绩，两小时后又开电话会。人类分析师无法同时覆盖，但未来 6-12 个月内，AI 可能并行跟踪 50 只股票，更新模型、听会、核对预设问题并生成报告。

• 他的类比是，飞机发明前没有“今天从中国去美国出差”的需求，因为需求在能力不存在时不会被表达。AI 交付成本下降后，大量从前因时间、人员不足而被放弃的研究和分析才会出现。

• 曼祺质疑戴雨森“特别想工作”；戴雨森回应，生产力如果能带来收入，用户就愿意为使用量付费。两人保留了对生产力需求与个人时间关系的不同侧重。

28. Agent 尚无唯一解，模型原生与应用编排会长期并存

• 戴雨森给 Agent 的工作定义是：接受一个较大的目标，选择工具、规划路径，在执行中评估进度并最终交付结果。现阶段目标仍主要由人类给定，模型对目标拆分和主动定义的能力还很早期。

• OpenAI 五阶段中，Chatbot 对应 ChatGPT，Reasoner 对应 o 系列，第三阶段才是 Agent；真正 Agent-native 的模型长什么样，行业尚未形成答案。Kimi 选择在训练中加入端到端 RL 与工具轨迹，探索“模型级 Agent”。

• Manus 不训练基础模型，路径是理解未来模型将具备什么能力，再通过 context engineering、产品设计和工具环境把能力释放出来。其“less structure, more intelligence”强调让模型探索，但节目也承认完全无结构并不总是最优。

• Genspark 针对 slides 加入更明确的工具与 best practice，能提高结果可控性并降低成本；秘塔的 Deep Research 又采用不同交互。戴雨森因“被打脸太多次”而拒绝提前指定赢家，认为同一道题可能存在多种有效解法。

29. L3 的关键不是更会辅助，而是 AI 接过方向盘

• 自动驾驶 L3 的比喻是人可以暂时不动方向盘；对应到工作，核心理念就是“人不要干事情，AI 干事情”。Cursor 仍让程序员留在编辑器里，Claude Code 则更极致：人主要描述目标、查看结果和继续下命令。

• Manus 观察到产品经理使用 Cursor 时根本不看中间代码，只看右侧对话框，因为代码对他们没有意义。Agent 产品若仍要求用户亲自理解和修改每一步，就难以扩大可使用人群。

• 戴雨森把新技能概括为“学会当 AI 的老板”：给目标、资源、上下文和授权，再让 AI 员工决定具体方法。用户第一次失败时往往觉得“还不如我自己做”，正如管理者会忍不住替下属完成工作，但这种控制会阻止系统积累。

• 这也是 context, not control 的管理学映射。过去只有少数人有机会培养员工，如今几乎每个人都要学习培养工具；不同人能否建立好反馈、记忆和工作习惯，可能成为新的生产力分化来源。

30. 到年底，真正的考题是成功率、记忆与社会承载力

• 通用 Agent 最终仍要收敛到少数第一名场景。戴雨森用蒸汽机比喻：最早用来抽矿井水，后来才找到火车和纺织机；Agent 当前已较清楚的落点包括 coding、PPT、Deep Research，未来还可能包括财报会与持续办公流程。

• 海内外投资心态存在差异：中国常先问“大公司肯定会做”，海外投资人则会因创业公司可能挑战 OpenAI、Google 的 super app 而兴奋。Manus 上线后曾被说“一个周末就能复制”，但数月后仍缺少体验接近的产品；先发口碑、传播与 context 积累都有价值。

• Windsurf 相关交易显示竞争烈度：OpenAI 曾被传拟以约 30 亿美元收购，随后告吹并被 Google 从中间截胡；另有最初传出的 24 亿美元方案，主要涉及创始人、核心几十人团队和投资人，剩余公司股份不由 Google 收购，具体过程节目也只是在“吃瓜”。这类 acquihire 给部分创业者提供退出，却可能让普通员工的期权回报与创始人、核心团队分化，并迫使 Cursor 等公司为人才和 token 融更多钱。

• 戴雨森最想验证的是，在“现在成功率约 20%”这一假设下，Agent 能否从偶尔做到七八十分提升到 70%-80%，让用户给出要求后“吭哧吭哧干，然后一次干好”。好的产品必须为几个月后的模型设计：Cursor 等到 Sonnet 3.5、3.7 才爆发，正如 YouTube 为宽带、短视频为智能手机和 4G 提前布局。

• 另一条待验证主线是记忆：AI 是否会像长期员工一样越合作越了解用户、越来越难替换。这既需要 online learning，也需要应用持续获得文件、反馈和个人 context，模型与产品缺一不可。

• 更远却已迫近的问题是评估与治理。GPQA 等 benchmark 从个位数迅速涨到 80 多分，Humanity’s Last Exam 也从年初的几分提升到 20 多分；当多个模型都比评估者聪明，内部 eval 本身将成为团队竞争力。

• 主持人与戴雨森都谈到现实后果：一个人可能借“赛博牛马”做出独角兽，大组织也能管理更复杂的业务，但人与人、组织与组织差距会扩大；AI 写出的海量代码无人完整 review，bug、后门、隐私泄露和真假难辨的内容都已迫在眉睫。

• 戴雨森最后表达的疲倦是“震惊体”和空洞营销。模型曾像神秘巫术，如今已到“Talk is cheap, show me the product”的阶段：代码也能由 AI 写，真正有生命力的是用户愿意使用、愿意付费、能稳定创造价值的产品。