新年直播1：AI的2025与2026，技术领域的共识与非共识
摘要
企业AI在2025年越过了“要不要做”的决策门槛，但预算并未自动流向最贵、最强的通用模型。 董事会的问题已经从 yes or no 变成“How and how much”，垂直小模型、本地化微调与“鸡尾酒”组合因成本、隐私和监管需求获得共识。张璐指出，覆盖美国GDP逾50%的金融、医疗、保险等服务业，拥有大量垂直AI Agent的落地机会。
DeepSeek把模型竞争从“四五家大厂垄断”改写成开源模型与新实验室仍能制造变量。 徐皞指出，Kimi等中国模型同样能以较小代价做出不错结果，美国也有不少企业开始使用这些开源模型；Thinking Machines、SSI等New Lab显示核心研究可能发生在大厂之外。“DeepSeek只是一个开端”，但2026年是否出现GPT-3、GPT-4级别的huge moment，仍“太早”下结论。
Scaling Law没有死亡，争议已经转向谁能负担、以及如何通过系统工程兑现。 GPT-5的平淡一度让市场认为预训练撞墙，Gemini随后又让预训练重新受到重视；徐皞认为数据清洗、比例配置、domain knowledge、集群互联和容错都远未穷尽，若未来回看仍有“十倍的空间”，完全可以想象。张璐的修正是：Scaling Law仍成立，却不再是唯一道路，也会越来越成为只有少数玩家能够负担的方向。
Meta的投资判断卡在一个真正的分歧：它该补基础模型，还是先把模型能力变成用户体验。 主持人提到，Meta据说以约20亿至30亿美元收购Manus，谈判只用了十多天。张璐认为Manus团队的执行、产品和数据能力很强，但质疑Meta为何在更需要模型能力时收购应用公司；徐皞则认为Meta完全可以调用OpenAI或Anthropic的API，2027年再补模型也来得及。
OpenAI若在2026年IPO，十亿级用户和用户惯性让它拥有很大的故事与潜力，但成本、利润率和留存仍决定估值能否站住。 它推进了营利架构及与微软的安排，但张璐称Gemini训练成本可能不到OpenAI的30%，YC新一批创业公司也更多调用Gemini API，盈利路径仍不清楚。徐皞的判断是OpenAI“主要还是一个故事”：没有哪项业务已铁板钉钉，却又“每一件事情都让我感觉到有很大的潜力”。
Anthropic是企业API和AI coding中更聚焦的赢家，但嘉宾明确否认它已经建立护城河。 徐皞认为，财富500强、1000强企业中只使用OpenAI的已经很少，Anthropic即使尚未完全超越，也已在超越的路上；张璐认为Claude Code及其安全、To B定位可能继续获得受监管行业的预算。问题在于用户迁移成本依然低，“今天这个AI时代没有哪个公司真正有护城河”，IPO还要同时回答高增长与成本优化。
2026年更可兑现的应用机会可能在垂直Agent，瓶颈不在Demo而在接近“全对”的行业精度。 张璐举例称，保险、供应链等领域已有公司从早期阶段快速增长至数千万、甚至上亿美元收入，也看好医疗和太空科技；徐皞则提醒，行业客户不是接受90%或99%正确，而是希望系统“全对”。这迫使创业公司围绕专有数据、微调、平台和工作流进行大量domain-specific建设，为通用模型难以直接覆盖的细分市场留下空间。
精读
1. 企业AI的决策问题已从“做不做”变成“投多少”
张璐回看2025年，最大的意外是企业共识转向之快：过去十年她一直布局企业级AI和垂直小模型，却没预料到市场会如此迅速承认“Scaling Law不是解决所有问题的万能钥匙”。
在高隐私、高监管行业，企业不需要用最贵模型解决所有问题，而是组合小语言模型、本地化微调和多种部署方式，以“鸡尾酒”的方式满足真实工作流。
从J.P. Morgan Healthcare Conference到Davos，再到三、四季度的大企业预算，董事会已经不再问“要不要应用AI，答案一定是yes”，而是追问“How and how much？”
另一项超预期变化是监管大幅放松。张璐所感受到的不是单一AI叙事，而是AI原生企业、医疗、金融、太空与国防科技叠加加速，令投资人“很忙很累”，同时又处在“非常有热情、很打鸡血”的状态。
2. DeepSeek证明大模型研究并未被五家巨头封死
徐皞说，2024年底市场几乎认定开源之战已经结束、Llama将“一统天下”；2025年的DeepSeek moment却表明，模型能力并非只能由OpenAI、Anthropic、xAI、Google和Meta等少数公司提供。
更深远的信号不是DeepSeek一家成功，而是Kimi等中国开源模型也能以较小代价取得不错效果，美国也有不少企业开始使用这些开源模型。“DeepSeek只是一个开端。”
大厂之外同样出现新的研究载体：OpenAI前CTO Mira Murati创办Thinking Machines，Ilya Sutskever创办SSI，xAI的一位founding member也另起炉灶。徐皞认为，这些团队都有自己的thesis和angle，有希望做出类似OpenAI在2018、2019年前后所做的事情。
但期待不等于短期催化。徐皞认为2026年可能看到成果，却无法判断是否会出现GPT-3、GPT-4级别的“huge moment”；张璐更强调，这些New Lab从设计上就追求长期架构与安全研究，不以短期商业爆发为优化目标。
3. New Lab的价值可能是排除错误道路，而非立刻重写产业格局
张璐提醒，研究型公司可能很久才发一篇paper，或者很久才做出几个开源模型，并不代表停滞；它们可能是在为未来三至五年的世界模型、三维世界或下一代基础架构做准备，而不是复刻现有LLM。
张璐转述并表示喜欢的一条AGI定义是：“人工智能能够做百分之九十以上的工作，而且比百分之九十以上的人做得好。”按这个尺度，行业仍离AGI很远，当前关于AGI的讨论和定义也相当混乱。
研究资金中确实可能有大量投入“被浪费掉”，因为结论可能只是某条路径走不通；但张璐认为，验证失败本身仍对行业有价值，不能用传统VC对高速增长公司的标准衡量。
惊艳市场的门槛也在抬高：“现在很难说出现了一个架构，比现有的高十倍；十倍很可能只是一个quantitative的参数。”她称一年多时间里，每百万token的训练成本已经下降数百倍，单纯的倍数提升越来越难构成真正breakthrough。
4. Scaling Law仍强，但增长单位已从参数扩展到整个系统
徐皞站在对Scaling Law较乐观的一派：他推测，GPT-5推出后表现未达期待，OpenAI内部可能把大量精力移出了预训练；Gemini的表现则显示这一判断可能过早，据说OpenAI又开始把focus放回预训练。
数据“从网上都扒光了”不等于数据问题解决。数据如何清洗、配置比例、判断质量，以及如何补足安全等domain knowledge，仍存在大量没有探索完的组合；徐皞把Gemini 2.5、3的突破部分归因于更好的数据整理与使用。
算力也不是简单把卡串起来。Elon Musk建设最大的一个数据中心，甚至以后要做百万张卡，但集群拓扑、带宽、容错、连续训练多久会崩、为何崩，都是computer architecture层面的未解工程。因此徐皞认为，如果未来回看预训练仍有“十倍的空间”，完全可以想象。
张璐同意2026年Scaling Law仍成立，但增加两项限制：它不再是唯一增长路径，也会成为少数玩家才负担得起的方向；真正有效的scaling将包括算力、数据和整个系统的协同优化，而非“无脑堆数据”。Google的真实世界用户反馈也能形成产品闭环。
5. 系统型公司成为模型竞争之外的另一条路径
张璐把AI公司分成两类：OpenAI、Anthropic是模型中心型；Google则是系统中心型，能够把数据、多线产品、真实用户反馈、DeepMind的新架构与基础设施形成横向和纵向的scaling。
xAI也在走系统路线：马斯克并非只训练模型，而是试图从硬件到软件搭出完整生态，以资金和执行力推进。这个方向的价值，在于成本、反馈和部署能力可以共同迭代。
Apple虽然在大模型竞赛中备受批评，却仍牢牢控制硬件、数据入口、应用入口和真实世界的AI interface；它可以先谈OpenAI、再转向Google，而不必立即拥有最强基础模型。
对市场评价标准的变化，张璐概括得很直接：竞争不再只是谁的AI“最聪明”，还包括谁更便宜、谁能真正落地。这使系统优势成为模型排名之外的重要变量。
6. Meta收购Manus放大了“模型还是应用”的路线冲突
主持人提到的交易背景是：Meta据说以20亿至30亿美元收购Manus，谈判仅用十多天。张璐认为这对Manus是很好的退出，其团队的执行、产品能力和数据也都很强，但仍追问：“Meta现在最需要的是应用能力，还是模型能力？”
她对Meta的失望源于Llama 4：Meta内部过早转向产品端，削弱reasoning和模型推进，结果与预期相差很大；随后又经历Scale AI交易、团队调整及杨立昆离开，从第一梯队明显掉队。她认为大体量公司若长期连前三都进不了，会“很痛苦”。
徐皞持相反观点：“Meta没必要找事去做大模型，做做应用挺好的。”调用OpenAI或Anthropic API并无问题，真正的问题是用户在Meta产品里看不到GenAI带来的体验改善。
张璐以“AI像电力”反驳：Meta若不掌控电力，长期会面临独立性和生存风险，尤其它始终受制于与Apple的微妙关系。徐皞承认长期需要技术掌控，却强调模型“shelf life保鲜期太短了”，即使今天世界第一，打六个月瞌睡也可能掉队，晚到2027年再补并非来不及。
张璐同时承认Meta有很强的优势：扎克伯格有执行力和gut，决策后的转向能力、控制力和现金流都不错，因此公司有试错成本；关键在于人才储备和内部结构能否更快稳定下来。
7. OpenAI的IPO故事足够大，财务答案仍不够硬
张璐认为，OpenAI围绕营利架构、尤其是与最大投资方微软的安排谈到这一程度，是一个重要milestone；问题是当前收入、增长和最新估值能否在二级市场获得同样倍数。
她看到的压力来自多个方向：GPT-5与Gemini前后的表现改变了用户选择，YC最新一批创业公司更多调用Gemini API；据她了解，Gemini训练成本可能不到OpenAI的30%，而OpenAI目前仍难展示“真正能盈利”的路径。
因为成本巨大、利润率不清，张璐判断OpenAI“一定需要IPO”；但上市后价格能否撑住，对公司和市场都是挑战。Anthropic随后也表达了上市意向，争取以更合适的收入—估值比例获得资本市场支持。
徐皞称OpenAI“主要还是一个故事”，并无褒贬：ChatGPT已经可能接近十亿用户，但用户粘性和默认入口正在松动，连他自己今年也可能从ChatGPT转向Gemini。OpenAI布局比Anthropic广得多，“没有看到一件事情是铁板钉钉的，但每一件事情又让我感觉到有很大的潜力”。
8. Anthropic靠聚焦逼近企业API第一，却仍没有护城河
徐皞把Anthropic的企业突破追溯到OpenAI CEO在一个周末被罢免又复职：那次动荡让企业意识到OpenAI可能瞬间失灵，开始寻找Plan B。大约两年两个月后，只使用OpenAI的财富500强、1000强企业已经很少。
即使Anthropic尚未在企业API调用量上完全超越OpenAI，徐皞也认为它已经在超越的路上，但并未断言反超已经完成。
AI coding同样仍在第一阶段。GitHub曾看似已经赢下市场，随后Cursor崛起，Claude Code又吸引开发者从Cursor迁移；张璐认为原生代码模型与coding agent的结合改善了开发体验，但市场远未结束。
张璐看重Anthropic对安全和To B的长期投入：金融、医疗、保险首先要求监管、compliance、隐私和本地化部署，而非绝对最强模型。其金融产品反馈虽褒贬不一，但战略清晰；同时它没有被单一云绑定，可同时拿Google、Amazon的钱并与微软合作，IPO前仍需证明成本优化不会牺牲增长。
9. “应用元年”成立与否，取决于看深度还是看广度
张璐相信2026年应用会继续加速扩张，因为科技行业只占美国GDP约10%，金融、医疗、保险等服务业合计超过50%，每个行业都有垂直AI Agent嵌入流程的机会。
徐皞的异议是，若“元年”只表示出现一些有意思的应用，2025年可以算；若意味着大规模爆发，“肯定算不上”。从广度看，实际应用甚至少于他一年前的预期。
他认可的最佳样本是AI coding与vibe coding，包括Cursor、Claude Code及面向非程序员的Lovable；其次是Sierra等企业客服，再往后是AI浏览器。浏览器如今已被硅谷视为有意义的战场，却离“走入千家万户”仍很远。
应用增长慢不只是周期问题：ChatGPT已经在用户心智中留下很深印象，细分产品必须好很多才值得切换；基础模型能力提升也可能取代应用的部分功能，而且即使模型版本不变，背后的能力和特性也可能变化，令开发者面对“每天都是不一样的世界”。
10. 垂直Agent的收入增长很快，精度门槛也远高于通用聊天
张璐以Newfront Insurance为例：这家保险科技公司用AI自动化brokerage，未必提供完整平台，却在五六年内做到数亿美元收入，并以约15亿至20亿美元退出，说明单一垂直流程也能形成大体量。
供应链尚未出现同等规模龙头，但已有公司做到数千万美元收入；张璐尤其关注医疗与space。她认为，医疗数据隐私和数据孤岛问题在应用federated learning（联邦学习）后得到较好解决，太空生态则天然具有数据、AI和robotics属性。
JPMorgan Chase被用作企业需求的强样本：CEO称其AI预算高于其余前十大银行之和，张璐投资的三家约A轮公司都与其合作，其中最快者几个月内就签下大订单。订单不仅带来商业和市场验证，也提供真实世界反馈，让产品形成快速闭环。
徐皞给出的冷静约束是，垂直行业不接受通用聊天式容错：“不是百分之九十对，也甚至不是百分之九十九对，是希望你全对。”世界上没有真正的全对，因此必须围绕行业数据、微调、Agent、平台和流程控制等做大量domain-specific工作，才能达到更高精度。