摘要

一旦模型达到“足够好”，消费级 AI 可能重新走向零边际成本，这会削弱“最好的产品必然消耗最多算力”的说法。 Ben 认为，无限算力需求与 AI 超越人类的前景存在冲突：足够强的系统可能让人们使用“13年前的模型”，而 Andrew 已经很难感知面向消费者的模型差异。
未来5年，企业是更清晰的变现路径，因为企业为生产力付费，消费者为享受付费。 Ben 认为 OpenAI 可能应该把稀缺人才集中投入企业市场，但 Meta 在消费级 AI 上仍占据有利位置，因为它已经拥有广告引擎和 OpenAI 需要自行搭建的组织“肌肉”。
Anthropic 当前的优势，来自其 AGI 理论与具备商业价值的编程产品之间异常紧密的对齐。 编程文本占比高、结果可验证，也适合递归纠错；Anthropic 可能受“打造上帝”的目标驱动，但它选择的路径恰好产出了企业愿意购买的产品。Thomas 的理论进一步认为，Anthropic 对递归式自我改进的关注解释了其对算力的克制和对编程的侧重，而 OpenAI 的 scaling laws 世界观则把更多算力置于核心位置；两家公司都在向对方学习。
OpenAI 在强化学习和推理上的优势可以生成极佳答案，但也带来了缓慢的消费体验和碎片化战略。 Ben 认为基础版 ChatGPT 相比 Thinking 或 Pro “糟糕透顶”，而 OpenAI 一度在推进“47件不同的事”；可能出现的 Spud 模型或许能把更强的基础模型与其推理层结合起来，再次反转市场叙事。
Google 仍拥有强大的分发、资本、算力和云业务动能，但 Gemini 被认为编程能力偏弱，已经被挤出现阶段的 AI 热潮。 Ben 听到的二手、三手且来自非专业人士的反馈是，Gemini 给人的感觉更像针对基准测试优化，实际使用体验并不令人满意；不过 Google Cloud 的强劲表现和面向未来10年的基础设施布局，也让任何持久的看空结论都很难成立。
前沿实验室的排名仍然过于不稳定，不能把今天的领先者视为已经坐稳的赢家。 Anthropic “现在是世界第一”，但直到12月，Google 看起来还曾经赢过；Andrew 甚至追问，3周后 OpenAI 会排在哪里。除了短期的排行榜位置，战略聚焦和内部对齐同样关键。

精读

1. Nico Rosberg 有意利用特权，让优势持续复利

Ben 从 Rosberg 身上得到的启示，并不是特权无关紧要：他的父亲是 F1 冠军，他就读于精英国际学校，会说5种语言，还拥有2家 Ibiza 冰淇淋店。真正让他与众不同的是，他会“不断识别自己的优势，然后利用这些优势去做下一件事”。
顶尖表现依然建立在多年积累、但外界看不见的投入之上。车手可能5岁就要开始卡丁车训练，还要通过眼睛、双手、睡眠状态，甚至“你的屁股”去感知赛车；Andrew 同样看重 Rosberg 直率的解说，因为“他并不需要这份工作”，尽管他与 Mercedes 的关系可能会让他在批评现行规则时有所收敛。

2. 更聪明的消费级模型，最终可能抹平算力护城河

Daniel 尚未解决的问题是：如果思考型和 agent 产品总能靠更多算力变得更好，那么“最好的产品”就可能等于“算力最多的产品”，软件原本的零边际成本模式也将被持续扩容所取代。
Andrew 从消费者角度的反驳值得保留：普通人已经很难感知模型之间的差异，而当所有头部产品都足够强时，性能未必决定最终赢家。
Ben 认为，无限消耗算力与 AI 超越人类之间存在矛盾。等模型比人类更聪明后，质量的边际提升可能不再重要；未来的系统甚至可能判断，人类使用2035年芯片运行“13年前的模型”就已经足够。“到底是哪一个？”
他仍然保留一个对冲说法：agent 可能永远都能吸收改进，就像消费者永远会要求更多便利。但这个前提其实出人意料地乐观——它假定 AI“永远不会聪明到足以满足人类”，这与末日派叙事相矛盾。

3. 企业变现与消费者参与，需要不同的机器

Ben 的划分标准是付费意愿：“企业为生产力付费，消费者不付费。”消费者想要的是享受——Reels 没有生产力，却是极好的生意；即便休闲活动也往往保留一定摩擦，比如明明走路免费，人们仍会去长距离徒步。
这意味着，未来大约5年，企业将是 AI 更清晰的变现路径，也说明 OpenAI 可能应该进一步押注企业市场。反过来，Meta 不做企业业务反而成了优势：它已经拥有一套运转成熟的消费广告业务。
Andrew 质疑 OpenAI“不能两头都做”。Ben 的回答基于人才稀缺、战略聚焦，以及企业销售与消费广告之间的巨大差异；Meta 和 Google 已经具备这些组织“肌肉”，而 OpenAI 若两头下注，就等于同时投入两场竞争极其激烈的战争。

4. Google 的结构性优势，尚未转化为编程领域的市场心智

当被问及避开 NVIDIA 和 Blackwell 是否会从根本上限制 Google 时，Ben 的诚实回答是：“我不知道。”他明确说明，自己听到的只是二手、三手且来自非专业人士的反馈：Gemini 编程能力偏弱，而且有些“针对基准测试优化”——测试成绩很亮眼，但实际使用时相当令人失望。
反方论据依然很有分量。Gemini 可以反驳说，企业正在广泛使用它，Google 也没有为了追逐热潮而发布“半成品”；Google Cloud 的数据“非常亮眼”，只是 Ben 无法把 Gemini 的需求与基础设施租赁需求拆分开来。Andrew 补充说，Google 拥有消费级分发、 “大把大把的钱”，以及足以支撑未来10年竞争的基础设施布局——但眼下真正驱动市场热度的是编程，而且两位主持人都想不出多少正在用 Gemini 编程的人。

5. Anthropic 的聚焦胜过 OpenAI 的四面出击——至少目前如此

Ben 认为 Thomas 的理论“相当不错”：Anthropic 之所以聚焦编程，是因为一旦 AI 能够编程，递归式自我改进就可能带来爆发式跃迁——“人类不会把 AI 编程到 AGI”。他不认同把这称为 Bitter Lesson 思路；Anthropic 仍然相信算法重要，包括最终能够编写自身算法的算法。
Thomas 更完整的理论是，这一信念解释了 Anthropic 对算力投入的克制，以及它没有把资源分流到图像或视频模型上；而 OpenAI 的 scaling laws 世界观则把更多算力视为不可或缺。他认为 Anthropic 正在增加算力投入，OpenAI 也在 Claude Code 成功后更加聚焦编程；Ben 认可“聚焦与对齐”这一总体解释，但没有确认其中每一项前提。
商业上的对齐异常顺畅。编程天然产生大量文本，结果也可以验证，因此错误能够被发现、纠正，再反馈进递归循环；Anthropic 也许受“打造上帝”的目标驱动，但这条路线恰好产出了企业愿意购买的产品。
OpenAI 更接近 scaling laws 路线——更多算力和数据——同时在强化学习和推理方面表现出色。它的模型“更像 GPT-4 级别”，规模也明显小于 Gemini，但 Thinking 和 Pro 可以通过比较不同方案给出极佳结果；代价是速度更慢，消费用户可能更偏好立即得到一个还不错的答案，从而认为这种体验“很糟糕”。
OpenAI 的研究野心、业务优先级、内部动荡，以及正在推进的“47件不同的事”，造成了 Anthropic 基本避免的内部失配。但 Spud——一个可能的下一代基础模型，叠加 OpenAI 的 RL 和推理能力——或许会“非常、非常强”，再次说明 Anthropic 当前的领先地位和市场大叙事都可能在几周内反转。

为何美国的AI反弹演变成暴力 Givaudan：魔法原料 - [Business Breakdowns，EP.242]