企业级AI市场增长与采用现状 - AI是企业软件史上扩散速度最快的技术浪潮，企业级AI市场规模在两年内从17亿美元跃升至370亿美元，较去年的115亿美元增长约3.2倍，增长速度超过历史上任何一个软件品类 [2][11] - 2025年企业在生成式AI上的总支出达到370亿美元，其中190亿美元流向AI应用层，180亿美元流向AI基础设施层 [2][12][55] - 企业AI解决方案从评估到进入生产环境的转化率高达47%，远高于传统SaaS的25% [2][20] - 2025年，企业在生产环境中使用的AI解决方案有76%为外部采购的成熟方案，而非内部构建 [18] - 产品驱动增长模式在AI领域表现突出，当前所有AI应用支出中有27%来自PLG模式，约为传统软件比例的4倍，若计入“影子AI采用”，该比例可能接近40% [2][25] - 目前至少有10款AI产品的年度经常性收入超过10亿美元，另有约50款产品的ARR超过1亿美元 [12] AI应用层竞争格局 - 在AI应用层，初创公司已占据63%的市场份额，而去年这一比例仅为36%，初创公司营收约为传统巨头的两倍 [2][29][37] - 部门级AI在2025年支出达73亿美元，同比增长4.1倍，其中编程是最大细分市场，支出达40亿美元，占该类别55%的份额 [38][41] - 编程已成为生成式AI的第一个“杀手级用例”，50%的开发者每天使用AI编程工具，在顶尖机构中这一比例高达65% [41] - 垂直领域AI在2025年支出达35亿美元，几乎是去年12亿美元的3倍，其中医疗行业占据几乎一半的支出，约15亿美元，较上年的4.5亿美元增长超过三倍 [2][46] - 通用领域AI支出规模为84亿美元，同比增长5.3倍，其中Copilots以86%的份额占据绝对主导，支出达72亿美元 [2][53] - 在特定职能部门，AI-native初创公司市场份额优势明显，例如在产品与工程领域占71%，在销售领域占78%，在财务与运营领域占91% [29][30][31] AI基础设施层竞争格局 - 在AI基础设施层，传统巨头仍占据56%的市场份额，因为许多AI应用构建者仍在使用他们信任多年的数据平台 [2][35] - AI基础设施层在2025年获得180亿美元支出，可分为基础模型APIs、模型训练基础设施和AI基础设施三类，支出分别为125亿美元、40亿美元和15亿美元 [55] - 现代AI技术栈仍处于早期阶段，仅16%的企业部署和27%的初创公司部署的智能体符合真正由LLM规划并执行行动的定义 [56] - 在推理和算力层面，AI-native厂商正与超大规模云厂商竞争，一些推理平台通过优化可实现2倍以上的性能提升 [60] 大型语言模型竞争格局 - 基础模型格局发生决定性变化，Anthropic取代OpenAI成为企业级市场领先者，占据约40%的企业级LLM支出，而OpenAI份额从2023年的50%下降至2025年的27%，Google份额从7%提升至21% [63] - Anthropic、OpenAI和Google三家公司合计占据88%的企业级LLM API使用量 [63] - Anthropic的崛起很大程度上归功于其在编程市场的统治力，目前估计占据该市场54%的份额，而OpenAI为21% [66] - 开源LLM在企业级市场的整体份额从去年的19%下降到11%，中国开源模型仅占LLM API总使用量的1%，约占企业级开源支出的10%，但在初创公司和独立开发者中影响力增强 [70][73] 2026年AI发展趋势预测 - AI将在日常实际编程任务中超越人类表现，最先进的模型在可验证领域如数学和编程中将持续进步 [77] - 杰文斯悖论仍然成立，尽管推理成本下降，但由于使用量呈数量级增长，生成式AI的净支出仍在上升 [77] - 可解释性与治理将成为主流，随着智能体自主性提升，解释和管理其决策的能力将变得更加重要 [78] - 模型最终将向边缘端迁移，出于低延迟、隐私安全等因素考虑，越来越多的非前沿模型成本将趋近于0 [79]

文章核心观点 - 2026年将是多模态技术大年，视频生成将快速进步并推动应用大规模落地，世界模型将在研究上取得科学突破并开始从研究走向生产 [2] - 世界模型领域正分化为两条主要路线：一条以实时视频生成为核心，服务文娱、游戏等面向人类的消费者场景；另一条以显式3D结构为中心，服务机器人、自动驾驶等面向AI的领域 [2] - 世界模型相比视频生成模型，需要在交互性、实时性、长时记忆和物理合理性四个方面更进一步 [2] 世界模型定义与重要性 - 世界模型被定义为能理解时间和空间规律，并能根据当前环境和动作模拟未来世界演化的模型 [5] - 其重要性提升源于三大趋势：语言作为有损压缩的智能进步遇到局限，空间成为下一个重要智能来源；自回归Transformer与扩散模型的算法进步及融合，使生成模型具备智能层面的扩展定律；具身智能的需求倒逼，机器人行业需要高保真虚拟世界来满足指数级的数据需求 [5] 世界模型相比视频生成的关键进步方向 - **长时记忆**：需生成持续、连贯的长时间世界，保持全局一致性，当前视频模型通常只能生成十秒级片段 [6] - **交互性**：需支持在任意帧动态注入动作指令以影响后续画面，训练数据需同时包含视频帧序列和对应动作 [7][8] - **实时性**：交互式应用要求低延迟，游戏需低于0.1秒，VR理想情况应低于0.01秒，当前扩散模型推理难达30FPS以上，业界通过蒸馏和架构改进（如DMD将50步扩散压缩为4步）来提升实时性 [12] - **物理合理性**：对自动驾驶、机器人等高风险领域，模拟结果必须符合真实物理规律，当前模型在极端物理条件下易出现幻觉，研究者通过引入物理约束后处理或结合可微物理引擎进行校正 [16] 世界模型的两种发展路线 - **路线一：实时视频世界模型**：以实时性为核心优化目标，适用于文娱、游戏等to C场景，包括互动内容创作与新型“引擎”、直播和虚拟形象、AR/VR三大应用场景 [18][19][20] - **路线二：3D/4D结构化世界模型**：以物理准确性为核心，采用NeRF、3D高斯散点等显式3D表示，优势在于3D一致性强，适用于机器人、自动驾驶等for AI的领域，劣势在于数据获取和计算成本高 [18][21][22] 市场玩家四象限格局与代表公司分析 - 横轴表示表示形式（左侧Video-based，右侧3D/物理结构），纵轴表示服务对象（上部分面向人类，下部分面向AI与机器人） [24] - **World Labs**：位于右下象限，强调3D一致性与持久性，估值超10亿美元，融资总额约2.3亿美元，核心产品Marble是基于浏览器的交互式3D世界生成平台 [24][26][30][32] - **General Intuition**：位于左上象限，作为公益性公司，专注于利用游戏数据训练能进行时空推理的agent，其关联平台Medal每年可获得约20亿个游戏视频片段，拥有1000万MAU，公司已完成1.34亿美元种子轮融资 [24][33][35][38] - **Decart**：位于左下象限，推出可交互“开放世界”AI模型Oasis，该模型以Minecraft游戏视频训练，可实现端到端实时闭环，生成速度约25帧/秒，公司已完成3200万美元A轮融资，投后估值超5亿美元 [24][39][41][44] - **Odyssey**：位于右下象限，追求极致真实感与可编辑性，采用重装备采集数据和3D高斯泼溅技术，其Explorer模型可将单图像转化为高保真3D场景资产，公司已完成1800万美元A轮融资 [24][45][47][48]

2025年AI行业预测复盘与格局演变 - 文章核心观点：对2025年AI行业的20个关键预测进行了复盘，大部分关于行业格局和技术路径的判断得到验证，但对技术进步、基建成熟度和AI交易复杂性的预期存在过度乐观 2026年AI领域将在争议中继续发展，World Model、多模态、机器人等方向存在积极信号，但OpenAI高达1.4万亿美元的资本支出计划也意味着市场预期已被推至高位 [2] 模型与云服务格局 - 微软投资Anthropic，结束了模型与云服务的独家绑定关系 Anthropic的Claude模型在Azure上线，OpenAI则与AWS签署了价值380亿美元的多年合作协议，并与其他云服务商合作，实现了“所有模型在所有云上”的格局 [5][6][7] 主要科技公司的竞争态势 - Google凭借TPU算力、分发渠道（Android/Chrome）和DeepMind人才优势，在2025年第四季度通过Gemini 3模型成功扭转了“AI落后者”的形象，回归“AI王者”地位 [8][9] - 科技巨头（Mag 9）凭借对云、算力、分发渠道等关键资产的掌控，在AI大规模应用时代持续受益，从收取“流量税”转向收取“基建税” [57][58][59] 操作系统与智能体竞争 - 模型公司之间的竞争演变为“操作系统”之争，拥有OS被视为最高护城河 Anthropic发布了MCP和Claude Skills，OpenAI推出了App SDK，旨在定义Agent运行标准并掌控应用分发权 [10][11] - Agent被视为运行在LLM OS上的“App”，其发展重点从知识生成转向任务生成，交互形态探索包括AI浏览器、Artifacts、Canvas和语音等 [33][34] 智能体的发展与落地 - Coding Agent是2025年的重要落地场景，实现了从IDE内联补全到“给需求、生成甚至改造整个项目”的Agentic工作流转变 Claude Code的年经常性收入突破10亿美元，Cursor的ARR和估值增长了10倍以上 [13] - 衡量Agent能力的关键指标是处理长周期任务的成功率，其任务长度正以指数级增长，大约每7个月翻一倍，预计2029年能处理时长为1个工作月的任务 [17][18] - Context Engineering成为Agent落地的核心基础设施和决定性竞争因素，其重要性超越了提示工程和RAG，旨在解决冗长上下文带来的性能瓶颈 [22][23] 算力硬件市场动态 - OpenAI o1模型开启的复杂推理需求对硬件内存带宽和互连能力要求极高，导致大量高端推理需求回流至NVIDIA生态，推动其市值在2025年内突破5万亿美元 CSP自研芯片受限于软件生态和性能，难以承接最前沿的模型工作负载 [24][25] 模型训练技术演进 - 2025年最重要的技术范式转移是算力投入从预训练侧转向强化学习规模化，后训练阶段与预训练的算力消耗量级相当，成为核心训练阶段 OpenAI为此提出了“Mid-Training”的组织形式 [26][27][28] - 合成数据在2025年未能实现技术突破，过度依赖合成数据会导致模型坍塌和特征同质化 高质量的专家策划数据变得更为关键，成为RL学习中稀缺的奖励信号燃料 [29][30] 推理模型商业化与产品形态 - 强推理模型如o1系列验证了推理规律，但其商业化受限，因为强推理并非大众需求，在ChatGPT产品中使用率不到5% 后端通过Model Router机制将复杂查询自动分发给推理模型，加速了商业化渗透 [31][32] - Chatbot的竞争基本结束，成为基础的自然语言指令入口 AI产品形态竞争转向创造Agentic工作流和探索AI原生交互 [33][34] 多模态与持续学习 - 多模态智能在2025年取得显著进展，例如Google Nano Banana Pro展现出逻辑与物理推理能力，DeepMind的Genie 3定位为通用世界模型，可从文本生成可交互3D环境 [38][39] - 持续学习与在线学习在2025年未获解决，其技术实现难度被低估，仍面临灾难性遗忘、记忆存储结构等前沿科学难题，是开启AI新范式的关键命题 [35][36][37] AI商业化与市场应用 - OpenAI在电商广告领域动作激进，探索即时结账、购物研究等功能，但广告收入超过订阅的预测仅部分验证，低估了构建广告业务的现实难度和Google的护城河 [40][41][42] - 自动驾驶公司Waymo业务持续增长，截至2025年12月每周提供超过45万次付费行程，较一年前几乎翻番，但Google并未推动其IPO，反而追加了50亿美元投资 [43][44] 行业并购与整合 - 2025年AI领域并购活跃，“收购式招聘”成为明显趋势，例如Google通过技术许可协议“截胡”Windsurf团队 但预期中的中小GPU云整合并未发生，因AI需求暴增推动其业务上涨 [45][46][49][50] 能源与AI科研 - 数据中心功耗爆炸式增长使得稳定电力供应成为稀缺资产，核电成为可靠基荷电源，获得科技大厂采购协议 美股核电板块公司在2025年涨幅远超纳斯达克100指数，最高超出368个百分点 [51][52][53] - AI+科研快速发展，各学科涌现出专属基础模型，例如Google DeepMind的AlphaGenome、Arc Institute的Evo2、微软的MatterGen等，分布在DNA序列、蛋白质设计、材料生成等多个重要模态 [54][55][56] 资本市场表现 - 美股科技板块在2025年4月经历大幅回调，从2月高点下跌近18.9%，但随后在AI投资热潮推动下恢复增长，并在第三季度创下新高 AI应用企业采纳速度在加速，例如Salesforce的AgentForce产品在半年内ARR从1亿美元增长至5.4亿美元 [61][62][63]

公司概况与融资 - 公司General Intuition是一家专注构建世界模型的公益性初创公司，其战略目标是成为“原子到原子”时代的智能标准，而非重新发明LLM [4] - 2024年10月，公司完成了高达1.34亿美元的种子轮融资，由硅谷传奇投资人Vinod Khosla领投，这是其自2019年首次投资OpenAI以来开出的最大单笔种子轮投资 [2][5] - 投资人Vinod Khosla的投资逻辑类似当年下注OpenAI，是基于第一性原理推演出的变革性技术路径，他看重的是公司宏大的终极愿景和战略推演能力 [6] 核心数据资产 - 公司从游戏高光片段剪辑平台Medal分拆而来，拥有超过38亿个游戏短视频片段，构成了其无法复制的独特数据集 [2][7] - 该数据集与Twitch或YouTube的流媒体直播有本质区别，它通过“回溯录制机制”天然经过了人类筛选，剔除了99%的无意义垃圾时间，只保留了代表“人类高光行为”的片段，被描述为人类在模拟环境中的“情景记忆” [11][12] - 数据不仅包含视频画面，还通过底层技术同步记录了玩家在每一帧下的具体操作输入，形成了数十亿小时的“人类操作（因）”与“屏幕反馈（果）”的完美配对数据 [13] - 公司对数据进行了标准化和隐私处理，雇佣了数千名标注员将不同游戏中的操作映射为标准化的动作空间，并规避了原始按键日志的隐私风险 [14] - 据CEO估计，公司拥有的带动作标签的视频数据集规模，比目前互联网上其他同类数据集高出1-2个数量级 [14] 技术路径与演示 - 公司的技术目标是构建真正的世界模型，其预测目标是在连续的物理空间中进行“下一个动作/状态预测”，这与LLM的“下一个词预测”形成本质区别 [31][32] - 技术演示显示，其训练的AI智能体在一款射击游戏中基于纯视觉输入进行实时对战，不依赖游戏底层代码或API，仅通过“看到”的屏幕像素来理解环境并生成操作 [20][21] - 智能体通过大规模模仿学习，表现出了拟人化特征，如准星移动带有自然平滑曲线，并复刻了人类玩家查看计分板、无聊切刀等“坏习惯”或“无意义动作” [23] - 模型展现出对“物体恒存性”的理解，即使在目标被烟雾或墙壁完全遮挡（部分可观测）的情况下，仍能根据其消失前的轨迹推测并锁定位置 [25] - 模型在生成画面时表现出物理一致性，例如在爆炸场景中生成原版游戏可能没有的镜头晃动，表明其正在学习跨越虚拟与现实的通用物理法则 [26][27] 与LLM的互补关系 - 公司认为其空间智能技术与LLM是互补而非竞争关系：LLM擅长处理被文本高度压缩后的符号逻辑，而公司模型旨在处理被文本压缩掉的、高维的时空信息，掌握人类的直觉与物理常识 [28][29] - 在未来AI架构中，LLM扮演“指挥官”角色，负责高层语义理解和任务规划；而公司的世界模型则是“执行者”，负责处理毫秒级的视觉输入和物理动作控制 [30] - 这种分工解决了LLM落地物理世界时推理延迟过高和缺乏物理直觉导致动作失败的两个致命问题 [30] 商业化路线图 - **第一阶段：游戏产业**。为游戏开发者提供API，用基于视觉的通用AI替换传统的硬编码逻辑或行为树，使游戏角色行为更自然。核心价值是充当“智能替补”，在非高峰时段生成与真人无异的AI对手，以提升玩家留存率 [34][36][37] - **第二阶段：模拟环境（如自动驾驶）**。利用虚拟世界（如模拟驾驶游戏）的低成本数据对现实世界模型进行预训练。例如，玩《欧洲卡车模拟》的玩家数量远超Waymo的实际路测车队，且能获取现实中稀缺的“负样本”（如车祸数据）。公司认为，模型在模拟中学到通用驾驶直觉后，现实自动驾驶公司可能只需原本1%或10%的真实路测数据进行微调即可达到同等安全性 [37][38][39] - **第三阶段：机器人与物理世界**。终极愿景是实现“Atoms to Atoms”闭环，驱动物理世界中的原子交互。公司设想在2030年，其模型能够驱动全球约80%的原子级物理交互（如抓取、移动、避障），成为智能的“金标准” [3][5][40] 创始团队与公司文化 - CEO Pim de Witte是技术产品型领袖，拥有深厚的游戏社区（Medal.tv创始人）、GPU编程和基础设施经验，并通过系统性学习深入理解深度学习与模型原理 [41][42] - 核心研究团队由在世界模型领域有开创性贡献的学者组成，包括GAIA（自动驾驶生成模型）核心负责人、DIAMOND论文作者等，他们因看重公司独一无二的数据集潜力而加入 [44][46] - 公司追求高“人才密度”，并致力于复兴AI领域的“开放研究文化”，例如与开放科学实验室Kyutai合作，认为其数据护城河允许其通过开放协作吸引顶尖人才 [44][47] 行业背景与机遇 - 公司崛起得益于“算力硬件的红利”，消费级GPU算力的指数级爆发使其技术路线在经济上可行。2024年的Diamond论文证明了复杂世界模型可在单张消费级显卡上以10 FPS或更高帧率运行 [17] - 这使得公司可采用“端侧推理”策略，将计算任务下放到用户本地设备（如玩家电脑），从而消除云端推理成本并解决延迟问题，这与LLM公司面临高昂云端推理成本的情况形成对比 [19] - 公司将其技术路径定位为AI发展的第三阶段（Atoms to Atoms），即机器人在物理世界中执行任务，而LLM主导的第一阶段（Bits to Bits，如文本生成）已趋于商品化 [4][5]

公司定位与团队背景 - 公司定位为专注于人工智能和基础模型研究的投资研究实验室（Investment Research Lab），既是基金也是研究实验室[5] - 团队由科技投资人、物理学博士和AI研究员组成，平均年龄低于30岁，强调高信任度、低自我和高人才密度的团队文化[5][6] - 公司在管资产规模超过15亿美元，包括5亿美元的长线基金，采用一二级市场联动投资策略[5] - 公司过去投资并见证了6家投资组合公司从数十亿、数百亿美元成长为千亿美元级别的企业[5] 投资理念与策略 - 投资理念受OpenAI、Anthropic和DeepMind启发，旨在成为投资领域的前沿研究实验室，关注全球最重要的技术变化[8] - 投资策略聚焦于少数关键机会，愿意在每一轮对优质公司持续加注，放弃多数琐碎机会[8] - 注重信息质量，拥有市场上最丰富、质量和密度最高的信息源，以提高投资胜率[8] - 强调长期关系建设，致力于与创始人和研究人员建立信任，投资AI原生时代的最佳创始人[8] 品牌建设与认知输出 - 坚持开源认知，通过内容输出为AI生态做贡献并构建品牌影响力[9] - 品牌代表公司与创始人之间的信任和审美观，吸引志同道合者[9] - 公司通过海外独角兽和AI讨论社群持续输出观点，影响中美两地华人创业者和AI从业者[6] 招聘需求与岗位要求 - 招聘岗位包括AI投资研究员和品牌策划（AI Narrative Specialist），工作地点覆盖硅谷、香港、北京和上海[12][15] - AI投资研究员需具备AI研究、工程或产品经验，熟悉技术趋势如Continual Learning、Proactive Agent等[12][13] - 品牌策划需熟悉硅谷AI内容，具备品牌叙事打造能力和创新表达方式经验[15] - 招聘不限资历和工作年限，对全职和实习生均开放，优秀实习生有转正机会[15][16] 行业关注领域 - 公司重点关注LLM新范式、强化学习、AI Agent、代码代理等前沿技术领域[19][21][23][25][27] - 技术趋势包括OpenAI o1、自玩强化学习、AI机器人、AI4S等方向[12]

文章核心观点 - 大语言模型在语言理解和生成方面展现出强大能力，但仅依赖语言不足以支撑真正的智能，构建能够理解和操作世界的空间智能与世界模型成为下一代人工智能发展的关键方向[2][4] - 空间智能被定义为在三维空间中进行推理、理解、移动和交互的深层能力，与语言智能互补，是通往通用人工智能不可或缺的拼图[4] - 语言是对三维世界的“有损压缩”，而视觉和空间感知是更接近“无损”的表征方式，让AI理解像素和三维空间中的物理规律难度高于处理符号化语言[10][11] - World Labs公司推出的Marble模型是全球首个高保真度3D世界生成模型，旨在突破模型“只懂文本”的限制，具备在三维环境中定位、推理、模拟、生成和执行任务的能力[15][17] 空间智能的必要性与理论基础 - 从生物演化角度看，大自然花费5.4亿年优化动物的视觉感知与空间行动能力，而人类语言形成历史仅约50万年，忽视这5.4亿年的进化积淀仅通过语言构建通用人工智能是不合理的[7][8] - 空间智能是人类进行高级科学创造不可或缺的思维工具，DNA双螺旋结构的发现就依赖于高强度空间推理，通过在三维空间中对分子结构进行几何构建和逻辑验证而完成[12][13] - 根据多元智能理论，人类智能是多维度的，至少具备八种相互独立的智能，空间智能与语言智能并非对立而是互补关系[4][5] Marble模型的技术特点 - 模型采用多模态输入方式，用户可输入文本描述、单张图像或一组图像，并能基于照片在虚拟空间中重构3D模型[20] - 具备交互式编辑功能，用户可对生成场景下达具体修改指令，模型能根据新约束条件重新生成并调整整个3D世界，形成“生成-反馈-修改”的闭环[20][21] - 选择Gaussian Splats作为3D世界的基础原子单元，通过大量3D高斯体表示和渲染场景，实现了在移动设备上30fps甚至60fps的实时渲染能力[24][25] - 模型架构基于Transformer，其本质是集合模型而非序列模型，置换等变的特性使其天然适合处理3D空间数据[28][29] Marble模型的应用场景 - 在创意与影视领域提供精确的相机放置控制，能极大降低特效制作门槛和成本，成为电影工业强大的生产力工具[21][31] - 室内设计成为典型涌现用例，用户通过手机拍摄厨房照片即可在虚拟空间重构3D结构并随意尝试各种设计方案，无需掌握复杂CAD软件[31][32] - 在机器人领域可作为强大模拟器，生成高保真合成数据填补真实数据与互联网视频之间的鸿沟，为具身智能体提供零成本虚拟训练环境[34][35] 技术发展趋势与挑战 - 当前世界模型面临的最大挑战是视觉真实与物理真实的差距，生成看起来合理的3D场景不等于模型理解物理定律[27] - 公司正在探索将传统物理引擎与生成式模型结合的混合路径，包括通过物理引擎生成模拟数据训练模型，以及给Splats赋予物理属性等方式[27][28] - 在算力被巨头垄断的时代，学术界应专注于探索短期内看似不可行但具备长远颠覆性的研究方向，如打破硬件彩票现象，寻找替代矩阵乘法的计算原语[36][37][38]

AGIX指数定位与表现 - AGIX指数旨在成为衡量AGI（通用人工智能）时代科技范式转换的重要指标，类比互联网时代的Nasdaq100指数[2] - 截至当前，AGIX指数年内累计上涨26.73%，自2024年以来累计涨幅达74.56%，显著跑赢QQQ指数（21.13%和51.21%）和标普500指数（16.45%和43.59%）[4] - 指数成分按权重划分为基础设施（37.19%）、应用（33.62%）和半导体硬件（24.22%）三大板块，本周分别上涨2.08%、2.20%和1.76%[5] AI行业范式转换分析 - AI行业正从预训练大爆发的科研红利期转向产品化、推理优化和端侧部署的工程红利期[10] - Google凭借TPU的OCS技术实现模型-硅端到端优化，在极致工程化竞争中释放潜力，如NotebookLM展示的PPT生成能力获得市场认可[9][10] - 模型能力趋同导致90%普通用户难以感知差异，未来竞争焦点转向产品化能力、成本和渠道等外部要素，类似微软通过分发渠道和生态系统确立优势的历史案例[11] 下一代AI技术演进方向 - Scaling Law边际收益递减，需寻找超越Transformer架构的下一代技术跃迁[12][13] - 进化算法可能成为关键路径，通过构建"生存机器"先验和内在动机（如好奇心驱动）替代具体任务训练，使智能作为复杂环境适应的副产品自然涌现[13][14] - 模型融合技术借鉴真核细胞共生起源，通过参数空间遗传算法实现专家模型能力跃迁，如Sakana的Evolutionary Model Merge研究[15] 资本市场动态与资金流向 - 对冲基金推动年内最大北美买盘潮，美国多空基金净杠杆上升5个百分点至56%，空头回补集中在可选消费和金融板块[15] - AI受益半导体龙头获多头增持，而房地产和医疗保健板块出现显著抛售[15] - 全球对冲基金上周收益1.4%，低于MSCI ACWI指数3%涨幅，但AGIX指数单周上涨6.0%表现突出[16] 头部企业战略布局 - 微软联合戴尔、甲骨文发布70余项产品，推出Agent 365智能体控制平面，51%生产应用已采用AI技术[16] - Meta考虑采购谷歌TPU芯片，潜在合作规模达数十亿美元，可能影响自研推理芯片MTIA发展路径[17] - 2025年美国AI初创企业融资活跃，49家公司完成单轮1亿美元以上融资，OpenAI以3000亿美元估值创400亿美元融资纪录[17] 企业并购与业绩表现 - ServiceNow拟超10亿美元收购网络安全公司Veza，估值达融资总额四倍，弥补身份管理平台功能缺口[18][19] - Zscaler第一季度营收7.881亿美元（同比增长26%），但股价因业绩展望温和下跌超7%[19]

GLP-1药物与礼来市值表现 - GLP-1药物是推动礼来市值逼近万亿美元的核心力量，约贡献公司80%的价值[4] - 礼来在美国新患者市场中占据70%-75%份额，今年收入增长率达到40%[4] - GLP-1药物通过减少每日约800卡路里热量摄入帮助减重，克服身体反弹机制[8] - 目前美国GLP-1使用者约1000万人，相对于1亿肥胖人群渗透率仍偏低[11] - 自费购买成为重要增长动力，Zepbound自费新患者数量超过保险覆盖患者及所有Wegovy销量[11] 礼来商业模式与战略转型 - 公司推出LillyDirect直接面向患者平台，年收入已达数十亿美元，绕过传统药房渠道[24][27] - 礼来将70%营销预算从电视转向搜索和生成式AI优化，以提升推广效率[12] - 研发投入接近国家级机构水平，预计今年研发支出达140亿美元，占销售额20%-25%[18] - 公司采用混合研发模式，内部保留研发能力同时积极开展外部合作与收购[22] - 礼来在药物发现阶段采用小公司模式保持灵活，在开发后期利用规模优势加速临床试验和全球化[22][23] 药物研发体系与AI应用 - 开发一款新药平均成本35-40亿美元，其中超过60%来自三期临床试验，每年消耗逾10亿美元[19] - 礼来早期研发围绕平台创新和靶点选择两条路径展开，使用小分子、抗体等多种技术工具[19] - 公司与NVIDIA合作建设超级计算机，用于运行专有药物发现模型，初期聚焦化学领域[15] - AI在药物发现中尝试用微小化学物质模拟大型蛋白质作用，但完全由AI驱动的药物尚未进入临床[17] - 人类对生物学了解仅10%-15%，AI模型需要更完整知识库训练才能有效预测大型系统[17] 美国医疗体系结构性问题 - 美国医疗支出约70%来自慢性病管理，但支付体系无法支持长期行为改变和随访[29] - 每1美元医疗支出中仅10美分用于药物，其余90美分用于治疗药物试图预防的疾病[40] - 仿制药活性成分允许存在±5%差异，赋形剂不同可能导致部分人群效果偏差[31] - 胰岛素标价275美元，制造商净价仅30-40美元，巨大差价被中间商获取[46] - 药品定价高度不透明，约90%医疗服务价格从未在使用前对患者公开[48] 监管与资本环境挑战 - 新药开发周期从1953年一两年延长至如今约12年，成本达数十亿美元[35] - 监管要求新药上市前证明不存在心血管风险，导致开发周期被迫延长四至五年[39] - 2022年通胀削减法案允许政府在药物上市约七年后介入定价，削弱企业收回成本能力[40] - 专利到期后仿制药上市通常导致品牌药当天失去约97%定价能力[43] - 临床试验每位受试者成本中位数超4万美元，并以每年7%-8%速度上涨[53] 临床试验效率与创新 - 美国仅约4%癌症患者参与临床试验，而西班牙和澳大利亚比例超过25%[57] - 礼来临床研发周期通常不到七年，其中约一半时间花费在患者招募上[57] - 公司尝试从现有数据库直接联系符合条件患者，提高招募效率[57] - 远程试验模式在阿尔茨海默病预防研究中筛查超8万名参与者，实现快速入组[58] - 试验费用比常规医疗支出高出20%-30%，用于覆盖更高质量护理和密集检测[54]

文章核心观点 - Google发布的Gemini 3标志着公司在pre-training算力投入上首次追平OpenAI，并在数据体系、多模态能力、系统架构和产品体验上实现协同突破，意味着大模型竞争格局加速演变为Google、Anthropic与OpenAI三家交替领先的动态结构[4][5][14] Gemini 3的核心优势 - 模型训练FLOPs达到6 × 10^25级别，首次在pre-training算力上追平OpenAI，证明scaling law依然有效[5] - 充分利用自身TPU集群效能，实现算力规模指数级跨越，解决算力利用率瓶颈[6] - 训练数据量相比Gemini 2.5可能增加一倍，凭借二十多年积累的用户搜索历史、视频观看记录等构成不可迁移的数据护城河[7] - 采用稀疏化混合专家架构，稀疏度可能超过50%，以更少计算资源调用更广阔知识储备，依托自研TPU和OCS互联技术实现软硬高度耦合的系统级优势[8][10][11] - 展现独特的产品经理式编程思维，先深度分析问题并输出任务需求书，再设计测试方案，最后执行代码编写，有效避免错误代码回滚成本[12] - 内部组织与研发模式成功转型，克服DeepMind与Google Brain整合的阻力，探索出适合大公司的模型研发机制[13] 大模型竞争新格局 - 行业形成Google强于pre-training和Infra、OpenAI优势在post training的共识，但随着Gemini 3在pre-training阶段追平甚至反超，OpenAI的护城河不再稳固[18] - OpenAI在agentic任务和工具调用上仍是绝对王者，GPT-5.1在复杂指令执行与工具使用能力基准测试中分数高于Gemini 3，并拥有2000万付费用户构成的优质反馈数据源[18][20] - Anthropic采取聚焦差异化策略，Claude系列在Coding和Agent稳定性上表现良好，更适合处理编程自动化及企业内部工作流[24] - 红杉中国XBench测评显示Gemini 3 Pro在500道博士级题目上准确率比GPT-5.1高约10%，处理速度是后者的3倍，成本仅为十分之一[22] 多模态能力突破 - Gemini 3在多模态理解上断档领先，能精准识别非正常图片手指数量、复杂图片特定按键，视觉编码器与语言模型实现高精度对齐[25] - 在还原撕碎购物小票案例中，Gemini 3完美还原所有菜名、单价及总金额，展现惊人逻辑闭环能力，而GPT-5.1存在明显误差和遗漏[27][31] - Google Veo 3.1追求极致物理一致性，能在1分钟以上生成过程中保持人物特征、场景布局高度一致，画面质感接近实拍素材，可能服务于电影工业专业工具[40][41] - OpenAI Sora 2聚焦创意优先，引入语音与视觉同时生成能力，降低内容创作门槛，更符合社交平台审美需求[43] TPU系统成本与架构优势 - 使用自研TPU进行训练和推理的成本约为Nvidia GPU方案的一半，通过掌控光模块、交换机等系统生态绕过组件层层加价[46][49] - TPU为Transformer架构量身定制，软硬高度协同形成长期能效优势，同时通过模型粘性反哺GCP市场份额[50] - 架构设计上押注scale-out横向扩展，依靠OCS技术构建超大规模Superpod，优于Nvidia的scale-up纵向扩展思路，光通信架构具长期演进优势[51][52][54] - Anthropic宣布使用Google TPU多达100万个芯片，标志着算力供应多平台策略，有助于Google生态扩张并获得顶级模型团队反馈[56] Gemini商业化路径 - 公司将Gemini提升至最高战略优先级，通过推广Antigravity IDE、Chrome浏览器插件功能及学生优惠等措施构建生态[62][64][65] - 移动端策略侧重将智能蒸馏至10B-20B参数量级小模型，支撑AI Overview达到10亿级DAU，通过升级Google Assistant快速触达海量用户[66] - 商业化变现持审慎态度，首要考核指标为用户满意度而非短期变现率，已构建大规模模型评测模型飞轮进行自动化评估[67] - 在广告归因、PMax及广告主生态上拥有深厚护城河，Meta和腾讯引入大模型技术后广告收入增长约20%，而字节跳动增长维持在个位数[69][70] AI Native产品形态演进 - Gemini 3引入Generative UI功能，根据用户意图实时生成可交互定制化界面，重塑Web交互形态，应用场景包括物理仿真、金融决策等[71][72][74] - 功能演进可能经历单次查询展示、静态内容结构化生成、具备深度交互能力的即时软件三个阶段，本质是让AI拥有生成HTML/JS并即时渲染的能力[74] - OpenAI在DevDay展示类似能力，选择由合作伙伴构建UI嵌入ChatGPT对话，两种模式未来演化值得关注[75]

AGIX指数定位与表现 - AGIX指数旨在成为衡量AGI（通用人工智能）科技范式转换的重要指标，如同纳斯达克100指数之于互联网时代，目标捕获AGI时代的beta和alpha收益 [2] - 截至本周，AGIX指数年内上涨19.56%，自2024年以来累计上涨64.68%，显著跑赢QQQ（44.09%）、标普500（38.43%）和道琼斯指数（22.70%）[4] - 指数成分中基础设施板块权重最高达37.34%，应用和半导体硬件板块分别占33.41%和23.98%，本周三大板块均下跌，基础设施板块跌幅最大为2.50% [5] AI时代商业模式变革 - AI时代竞争焦点从互联网时代的"消费意图"转向"完成意图"，核心从抢夺眼球入口转变为深究工作流逻辑，起手式从打开应用变为定义或发现意图 [9][10] - 意图识别具有强外部性，聚类后的意图价值应流向用户，平台通过变现聚类意图实现模型迭代，类似Scale AI等数据公司为人类知识意图定价的模式 [11][12] - 高价值意图取决于产品形态，复杂长程任务意图更珍贵，因此收集用户复杂意图的coding agent产品比单一text agent产品更有价值 [12] - AI Native产品价值评估标准应从DAU和停留时长转向"信噪比"，如任务完成率、自动拆解步骤和结果采纳率等指标 [13] 上周AI板块市场动态 - 尽管NVDA财报后AI板块出现超过9%的大幅回撤，对冲基金在AI高敞口板块资金流动保持平静，卖出规模未超过1个标准差 [14] - TMT板块整体呈现净买入，高质量AI科技受益股受青睐，半导体和软件行业成为净买入最多板块 [14] - 对冲基金业绩落后基准，全球基金平均下跌80基点，美国多空基金下跌1.1%，AGIX指数下跌5.65% [16] 主要公司AI布局进展 - 微软推出AI智能体安全解决方案Microsoft Agent 365，提供智能体控制平面功能，Defender平台每日分析100万亿威胁信号实现预测性屏蔽 [16] - Alphabet旗下Intrinsic与富士康成立合资公司开发智能机器人系统，结合AI软件与智能制造平台执行复杂制造任务 [17] - 亚马逊Prime Video推出AI生成"视频回顾"功能，利用生成式AI创建影院级质量季度回顾，推动影视AI应用升级 [17] - Cloudian发布基于Nvidia平台的HyperScale AI数据平台，使向量数据库操作比基于CPU方案快8倍，解决80%机构知识存储于非结构化数据的困境 [18] - 甲骨文与微软深化多云合作，在超过30个微软区域部署Oracle AI数据库，支持客户将Oracle工作负载迁移至Azure应用AI服务 [18] - Adobe以19亿美元现金收购Semrush，溢价近一倍，应对AI搜索变革，零售网站来自生成式AI聊天bot流量同比激增1200% [18] - Cloudflare收购AI部署平台Replicate，整合5万多个容器化AI模型，增强Workers AI服务并扩展自定义大语言模型部署能力 [19]