新年直播1：AI的2025与2026，技术领域的共识与非共识
Chapter 01 // 年度复盘
2025 AI 回顾：
哪些趋势超出预期？
“我们曾以为 2025 是算力的终局，结果发现这只是‘系统玩家’入场的门票。”
硅谷最抓马的瞬间
回看 2024 年底，谁能想到 Meta 的路径会如此跌宕起伏？从大规模裁员到 Llama 4 的战略调整，杨立昆的坚持与外界的质疑交织成了一场大戏。
“Meta 落后新闻事件太抓马了。经历了裁员、Llama 4 后、甚至燕乐存（Yann LeCun）的‘战略争议’，这一点我完全没预料到。”
“其实 Meta 的优势在于小扎的控制力和现金流。虽然 Llama 4 发布时不如人意，但他在应用端的推进非常激进。不要让 Google 一家独大，这是业界的共识。”
企业 AI 的“去虚向实”
2025 年最大的转向是：大家不再盲目追求“最贵、最强”的模型。在隐私监管较多的行业（医疗、金融、国防），垂直部署的小模型反而成了香饽饽。预算不再是试水，而是系统性的投入。
核心洞察：
- “并不是模型越大越好，而是越安全、越懂行越好。”
- “AI 赋能产业，已经从单一叙事变成了全产业的血脉觉醒。”
User Milestone
10 亿
OpenAI 用户规模接近 10 亿，但其利润空间和算力成本的博弈已达临界点。
Scaling Law：还没有到天花板
关于 Scaling Law 是否失效的讨论在 2025 年达到了顶峰。虽然 Google 的某些尝试让人怀疑方向是否错误，但主流共识依然倾向于“10 倍空间”的想象。
这里有一个关键的认知转变： 过去我们认为数据是“拔光网上的信息”就够了，现在发现，数据的清洗、比重、以及如何让模型理解 Domain Knowledge（领域知识）才是真正的护城河。
“不是把一百万张卡串起来就完事了，从训练到崩掉的原因分析，这里面有太多精细的活儿要做。”
The 2026 Outlook
2026 将是一场
属于系统级玩家的硬仗
当惊艳的门槛被无限拉高，单纯的 API 调用已无法满足市场，AI 的商业逻辑正在从“玩具”向“生产力工具”完成最后的惊险一跃。
Editor's Note
本节提到的 DeepSeek 冲击不仅是技术的胜利，更是“成本优化”与“开源精神”在 2025 年交汇的火花。当企业的共识成形，模型背后的架构之争才真正进入白热化——接下来，我们要聊聊那个让全世界措手不及的 DeepSeek 启示。
CHAPTER 02
AI 发展主线与范式转移：
企业 AI 共识成形
“如果说 2025 年是 AI 的‘幻灭谷’底部，那么现在的共识就是：别再谈论虚无的 AGI，我们要的是能跑通业务的系统。”
刚才我们回顾了 2025 年那些“被打脸”的预测，大家普遍感觉到一种“算力焦虑”的缓解。但紧接着，话题就转向了那个让所有大厂都睡不着觉的变量——DeepSeek。这不仅是一个模型的胜利，它标志着整个 AI 产业的范式正在发生剧烈的位移。
DeepSeek 启示录：效率才是硬道理
说实话，DeepSeek R1 的出现像是在硅谷沉闷的空气里扔了一个“震撼弹”。以前我们觉得 Scaling Law 就是暴力美学，砸钱、砸卡、砸数据。但 DeepSeek 告诉我们：聪明的架构和极致的工程优化，能让 1/10 的成本达到同样的智力水平。
这直接冲击了开源生态。现在的逻辑变了，不是谁的模型参数大谁就牛，而是谁能在有限的 Inference Budget（推理预算）下，提供最稳健的 System 2 思维（慢思考）。
开源冲击波
DeepSeek 证明了中国团队在模型蒸馏与强化学习（RL）上的极致效率，迫使 Llama 等老牌开源不得不加速迭代。
相同性能下的成本缩减
范式转移
从“大参数”转向“长思考”（Reasoning models）。
“Scaling Law 没死，它只是从‘算力换规模’，
变成了‘时间换智力’。”
数据估算：模型智力增长正从预训练阶段向推理阶段偏移
Neolab 与 2026 前瞻
我们在 Neolab 内部讨论时发现，下一代模型的争夺战已经不在于“喂多少书”，而是在于“怎么做数学题”。
关键词：System 2 Thinking
即模型在输出前进行自我验证、反思和多路径搜索的能力。这才是企业级 AI 真正需要的稳定性。
企业开始达成共识：AI 不再是那个写诗的诗人，而是一个能 7x24 小时处理 SOP、逻辑严密的审计员。
HOST A
“所以你觉得 Meta 现在的压力来自于哪里？是 DeepSeek 的效率还是 OpenAI 的领先？”
GUEST B
“Meta 的压力在于它被‘两头堵’了。高端被 OpenAI 的闭源逻辑压着，底层效率又被 DeepSeek 这种开源卷王偷袭。它的 Manus 收购传闻，其实就是想在‘智能体’（Agent）这个赛道买张门票。”
术语笔记：Test-time Compute
指模型在推理阶段（即回答问题时）花费的计算量。通过思维链（CoT）和搜索算法，模型可以在回答前“思考”更久，从而显著提升复杂问题的准确率，而无需无限增大模型本身的参数。
总结这一阶段：2025 年完成了从“大力出奇迹”到“架构出奇迹”的思维转轨。接下来，我们会看到这些共识如何拆解 Meta 的战略，以及 OpenAI 是如何被迫走上那条危机重重的上市之路的。
NEXT CHAPTER
Meta 困境与 OpenAI 的上市豪赌 →
Meta的豪赌与
OpenAI的窄门
“刚才聊完 Scaling Law 的物理极限，我们得看看这帮硅谷巨头是怎么在‘增长焦虑’里互相捅刀子的。”
Meta 收购 Manus：是神来之笔还是战略打脸？
小扎最近的这手操作真的把我看傻了。Meta 一直在推 Llama，把自己塑造成“AI 界的安卓”，但转头就把 Manus 那个团队给收了。这传达了一个极度危险（但也真实）的信号：**光有底座模型（Model）已经护不住基本盘了，必须亲自下场做 Agent。**
“战略回旋”
Meta 正在经历从“算力霸权”到“应用闭环”的痛苦转身。开源是为了拖住对手，收购是为了武装自己。
Speaker A
OpenAI 现在估值 1500 亿美金，这价格谁接得动？他们现在就像一只庞大且优雅的独角兽，但这只兽每天要吃掉几千万美金的算力，还没法立刻变现。
Speaker B
所以 Sam Altman 才急着转型。他们现在不仅要跟 Google 抢搜索，还要跟 Apple 抢端侧，甚至要搞自研芯片。OpenAI 的上市之路，其实是一场与“烧钱速度”赛跑的求生戏。
AI 三巨头势力象限图
“Anthropic 正在上演 AI 界的 ‘农村包围城市’：不求在流量上赢 OpenAI，但在 Coding 和 ToB 深度上，他们稳得可怕。”
! 为什么 2026 才是真正的 AI 应用元年？
大家都在吐槽现在 AI 应用除了对话还是对话。但我认为这只是“基建期”的阵痛。按照现在的硬件更迭和模型进化速度，2025 年是 Agent 的实验室阶段。
等到 2026 年，当模型推理成本下降两个数量级，且“计算机使用能力（Computer Use）”被调优到 99% 的准确率时，你会发现，你不再需要“打开”一个 App。
深度洞察：
2026 年的爆发不是因为模型变得更聪明，而是因为模型变得更“廉价”且更“听话”。Scaling Law 遭遇质疑，模型层开始疯狂卷长文本与多模态。
巨头开始大规模并购，类似于 Meta 收购 Manus 的动作将成为常态。
垂直 Agent 在法律、医疗、工程领域替代 40% 的初级重复工作。
垂直 Agent
与行业的“最后一公里”
从 Anthropic 的 ToB 战略聊到 2026 年的爆发增长，大家最关心的还是：在这个宏大的叙事里，普通开发者和初创公司的“入场券”到底在哪？
“既然通用大模型（Foundation Models）已经这么强了，垂直领域的 Agent 还有护城河吗？会不会被 OpenAI 或 Anthropic 一个更新就‘降维打击’了？”
这是一个非常经典的“恐慌”。但我的观点很明确：通用模型提供的是智力，而垂直 Agent 提供的是劳动力。
护城河不在于你调用的那个 API，而在于你对行业 Workflow（工作流）的病态级理解。大模型知道怎么写代码，但它不知道你们公司复杂的合规流程；它知道法律条文，但它不知道法官的判案偏好。这些“脏活累活”，才是垂直机会的护城河。
精准医疗/生物制药
不是简单的文献搜索，而是能理解实验协议（Protocol）并自动对接实验室自动化设备的 Agent。这种深度集成，模型厂商根本看不上，也做不了。
法律与合规审核
“我们要的不是一个会背法典的聊天机器人，而是一个能在成千上万份合同里，一眼揪出那个违反了 2024 年新规条款的‘数字律师’。”
工业供应链调度
这里的 Agent 需要实时对接 ERP 系统。它的价值在于决策后的“执行”——自动下单、调整库存、重新规划物流路径。
未来三年，垂直行业定制化 Agent 将占据市场绝大部分价值份额。
“不要在 AI 的智力 上拼命，
要在 物理世界的摩擦力 里深挖。”
Agentic Workflow（智能体工作流）： 吴恩达近期反复强调的概念。指的是与其追求一次性生成完美结果，不如让 AI 像人类一样，通过“反思、寻找工具、规划、执行、纠错”的循环来完成复杂任务。这是垂直行业 Agent 能胜任专业工作的核心秘诀。
聊完了垂直赛道的生存法则，我们今天的讨论也接近了尾声。
在最后，让我们回归本原：这场 AI 竞赛的终点，究竟是工具的进化，还是生产关系的重构？
Next: Conclusion & Final Thoughts →
