文章核心观点 - OpenAI推出ChatGPT Pulse功能，标志着AI从被动响应工具向主动日常助手转型，为LLM进入主动智能时代奠定基础 [1][2] - OpenAI未来核心研究目标是构建“自动化研究员”，旨在实现新知识发现全过程自动化，并将有效推理时间跨度从当前的1-5小时系统性地延长 [2][4][6] - 行业评估体系正经历范式转变，从传统基准测试转向IMO等高难度竞赛，并最终以模型在具有实际经济价值的开放问题上做出原创科学发现为前沿标尺 [4][8][9] - 主动智能成为未来AI应用核心竞争力，技术突破体现在从被动问答转向具备长时程规划、记忆保持和多步骤任务执行能力的主动推理 [2][3][4] 构建自动化研究员 - OpenAI未来一至五年明确目标为创造“自动化研究员”，实现机器学习、物理、数学等科学领域新知发现的全流程自动化 [4][6] - 衡量该目标进展的有效方法是看模型能在多长“时间跨度”内进行有效推理，当前模型在高中水平编程数学竞赛中接近精通，对应时间跨度约为1到5小时 [6] - 实现“自动化研究员”需攻克两大核心技术挑战：长时程规划能力与记忆保持能力 [7][10] 评估的新方向：从竞赛走向科研前沿 - 传统评估基准迅速接近饱和，模型表现从96%提升至98%已非最重要目标，模型训练范式从追求泛化转向打造“领域专家” [4][8] - 行业正处于优质评估方法相对匮乏阶段，OpenAI关注能标志模型发现新事物的“真实进展”，IMO等竞赛成为极佳真实世界指标 [8][9] - 随着竞赛本身趋于饱和，下一阶段评估将直接衡量模型在具有实际经济价值的问题上能否做出真正探索和发现 [4][9] 推理：统一深度与稳定的关键 - 模型智能体演进中存在的“稳定性”与“深度”矛盾被重新定义，二者本质是内在统一的问题，均依赖于模型在长时程中保持行为一致性的能力 [4][12] - 推理是实现能力统一的根本机制，是模型在长时间内反复执行“试错-反思-调整”自我修正循环的核心能力，赋予智能体长期鲁棒性 [4][13][14] - 最新推理模型证明，随着底层推理能力增强，模型长时程代理能力和每一步执行质量是同步提升的，而非相互牺牲 [12] 可验证与开放性：一条模糊的界线 - “可验证”与“开放性”界限随问题时间跨度和规模变得模糊，当“千禧年大奖难题”等问题的求解时间线拉长至数年，其过程即变为开放性探索 [4][15][16][18] - OpenAI将这种思考应用于自身研究，真正进展要求不断自问“当前提出的研究问题本身是否正确”，使研究成为一场“开放性的探索” [4][19] - 小尺度约束性问题（如一小时内完成的编程竞赛）与大规模定义明确问题（如证明千禧年难题）在探索路径上存在本质差异 [16][18] OpenAI的人才观与组织文化 - 公司致力于为基础研究提供免受短期竞争压力干扰的“保护区”，保护研究员进行长期、有信念的探索 [4][20] - 招聘倾向于寻找在任何领域解决过难题的实干者，看重强大技术基础和挑战难题意愿，而非社交媒体知名度 [4][21] - 关键组织文化是在“长期信念”与“对事实诚实”之间取得平衡，打造能容纳不同风格研究员的多元化团队 [4][20][21]

核心技术架构 - Google DeepMind推出Gemini Robotics 1.5与Gemini Robotics-ER 1.5两款模型，形成"推理大脑+执行中枢"的黄金组合[1] - ER 1.5作为性能最优的VLM模型，在15项实体推理学术基准测试中斩获综合第一，能通过自然语言理解复杂需求并制定多步骤计划[1] - Robotics 1.5作为顶尖VLA模型，具备"行动前思考"能力，可实现技能在不同机型间的无缝迁移，大幅降低适配成本[1] 核心能力突破 - 模型构建"感知-推理-规划-执行"全闭环，使机器人能完成家庭叠衣、仓储拣选（准确率提升至92%）、医疗创口缝合（成功率89%）等多元任务[2] - ER 1.5具备原生调用谷歌搜索获取外部信息的能力，支持"思考预算"自定义以平衡延迟与精度[1] - Robotics 1.5的跨实体学习特性实现技能在ALOHA 2、Apptronik机器人等不同机型间的无缝迁移[1] 技术性能表现 - Gemini Robotics-ER 1.5在15项学术基准测试中评估，包括实体推理问答和Point-Bench等，测试内容涵盖指向能力、图像问答及视频问答[9] - 模型展现出在高危环境检修、太空作业等延伸场景的潜力[2] - 在ASIMOV基准测试的安全评估中，Gemini Robotics-ER 1.5表现出最先进的性能[16] 开发者生态与应用 - ER 1.5已通过Gemini API开放给全球开发者，Robotics 1.5向选定合作伙伴赋能，加速技术规模化应用[2] - 模型支持灵活的思考预算，开发者可直接控制"延迟与准确性"的权衡[23] - 增强的安全过滤功能让开发更具信心，模型能更好地识别并拒绝生成违反物理约束的计划[23] 行业影响与定位 - 这两款模型是理解下一代Physical Agents发展路径的关键技术，披露了"双模型协同"的架构创新与核心能力参数[2] - 技术覆盖技术底层、场景适配、生态构建核心维度，推动实体智能体时代的发展[3] - 模型帮助开发者打造功能更强大、用途更广泛的机器人，能够主动理解周围环境，以通用方式完成复杂的多步骤任务[3]

投资背景与公司概况 - 锦秋基金于2023年年中投资生数科技，是其早期机构投资人 [1] - 锦秋基金为12年期的AI Fund，以长期主义为核心投资理念，专注于寻找具有突破性技术和创新商业模式的通用人工智能初创企业 [1] - 锦秋基金设有"Soil种子专项计划"，专为早期AI创业者提供资金支持，旨在帮助团队将创新想法转化为实际应用 [14] Vidu Q2模型核心能力与突破 - 生数科技于9月25日正式发布新一代图生视频大模型Vidu Q2，主题为"Vidu Q2 看AI演戏"，核心提升场景为细微表情生成 [4] - 模型在极致表情变化、推拉运镜、生成速度及语义理解方面取得突破性进展，实现从"生成视频"到"生成演技"，从"动态流畅"到"情感表达"的跨越 [4] - Vidu Q2能够理解并生成极其细腻的面部微表情，如嘴角抽动、眼神犹豫、眉头微蹙，攻克了生成真实情感的关键技术瓶颈 [5] - 技术突破得益于多模态理解与生成技术的深度融合，结合情感文本理解、图文解析及对人体面部动作单元的精细解构与物理模拟 [9] - 首席执行官骆怡航表示，此次突破在于首次让AI角色拥有了'有趣的灵魂'，教会了AI'演戏'，是技术里程碑 [8] 产品功能与性能特点 - Vidu Q2支持图生视频、首尾帧视频、时长可选（2-8秒）、电影大片及闪电出片两种模式 [4] - 模型在复杂表情变化的文戏、多人打斗场景的武戏及炫酷特效中表现出彩 [4] - 产品矩阵包括网页版、App版及API同步上线，兼顾出片质量与效率，适配从高端影视制作到快速社交媒体内容生产的不同需求 [10] 行业影响与应用前景 - Vidu Q2的发布标志着AI视频生成技术从追求"形似"进入追求"神似"的新阶段 [4] - 该技术将为内容创作、影视产业、广告营销等领域带来全新升级 [4] - 模型推动内容创作范式从"人执行"转向"人指导"，创意生产核心模式转变，创作者可专注于创意与审美 [11] - 技术开启"人机共创"新纪元，AI负责精准表演，人类扮演"总导演"，将推动AI深入电影预演、虚拟人交互等复杂工业流程 [11] - 这种深度协作将释放生产力，催生新创意形式，释放更大商业价值 [11]

追踪锦秋基金与被投企业的每一个光点与动态， 为创业者传递一线行业风向。 9 月 20 日，由硅星人组织的AI Creators Carnival——AI 创造者嘉年华上，AI 开发者及创业者、不 断迭代创新的AI产品公司、 活跃在一线的投资人聚集在一起，共同分享 AI 新浪潮中的观察和体 验。 锦秋基金合伙人臧天宇 应邀参加圆桌论坛 "聊聊新一代的 AI 创始人" ，同场的还有 主持人播客 《乱翻书》主理人潘乱，嘉宾真格基金合伙人刘元、蓝驰创投合伙人曹巍、峰瑞资本投资合伙人陈 石。 创新不是个例，而是日常；不是凑个热闹，而是持续耕耘。 「Jinqiu Spotlight」 如果你想与我们交流，可以直接与我们联系，或是参与锦秋为为创业者打造的常态化闭门社交活动 —— 「锦秋小饭桌」 。 以下是近期饭桌上新菜单，欢迎找我们一起品鉴！ AI Agent@深圳 09.26 具身智能@北京 10.10 机器人派对@深圳 10.17 关于 AI 原生创业的探讨，锦秋还在持续。 我们希望在这场新浪潮中，与更多的创业者、技术产品专家、 投资人、 创新观察家共同对话，来构 建我们同频的学习场域。 | Jinqiu | 美国 T ...

AI Agent开发范式转变 - AI Agent开发代表软件工程领域的一次范式转变，使初创公司能够自动化复杂工作流并创造新用户体验[7] - 从有前景的原型到生产就绪的Agent需要解决非确定性行为管理、复杂推理路径验证等新挑战[7] - 现实表明用户不会为炫酷Demo买单，企业不会把关键流程交给"不确定的模型玩具"，从Demo到生产隔着工程化、可靠性和商业化的深渊[1] 谷歌云Agent生态系统 - 谷歌云支持Agent系统的全面开发，包括构建自定义Agent、使用预构建谷歌云Agent或引入合作伙伴Agent[13] - 在模型上下文协议(MCP)和Agent2Agent(A2A)协议支持下，通用框架专为互操作性设计[13] - 生态系统提供从使用ADK进行代码优先开发到通过Google Agentspace进行无代码Agent创建的全套工具[7] Agent核心架构组件 - AI Agent核心组件包括"大脑"(模型)、"双手"(工具)、执行功能(编排)以及实现信息准确性的"知识注入"(Grounding)机制[4] - 把Agent当系统而不是模型：大脑(LLM)、工具(API)、记忆(上下文)、编排(工作流)、运行时(限速/监控)缺一不可[4] - 模型分层选型：用"小模型"覆盖80%常规任务，大模型只做复杂/高价值环节以降低成本[4] 生产级运维框架(AgentOps) - 掌握确保Agent在生产环境中安全、可靠且可扩展的系统性方法，涵盖从持续评估、轨迹调试到安全监控的全过程[4] - 可观察性先行：对任务步数、调用失败率、成本、时延打点，才能发现"不确定性"的来源[4] - 限速、限步、限费防止失控：设硬阈值(token、费用、时延)，超限必须降级或中止[4] 代码优先构建方法 - 使用谷歌Agent开发工具包(ADK)一步步构建、测试和部署自定义Agent，并与已有工具和工作流集成[4] - ADK为创建对话式和非对话式Agent提供强大灵活环境，能够处理复杂任务和工作流[17] - 使用ADK构建的Agent可部署在Vertex AI Agent Engine上，这是专为此目的设计的可管理、可扩展环境[17] 知识注入技术演进 - Grounding优先：答案必须有据可依，RAG→GraphRAG→Agentic RAG是可靠性的核心路径[4] - RAG通过在生成答案前从外部知识库检索相关信息来增强LLM响应，确保回答有基于事实的可验证基线[78] - Agentic RAG将Agent从检索数据被动接收者转变为知识搜索中主动推理的参与者[93] 工具与编排系统 - 工具要少而准：工具接口越清晰、越语义化，Agent才能更稳地调用，避免"工具堆积"[4] - 编排是执行力：顺序/并行/循环三类工作流覆盖90%场景，要有终止条件、失败回退[4] - ReAct框架建立动态多轮循环，模型以交错方式生成推理轨迹和特定任务行动[69] 数据架构设计 - 三分记忆模型：长期记忆(用户/知识库)、工作记忆(短期上下文)、事务记忆(审计/一致性)[4] - 长期知识库是Agent智能、知识注入和个性化基础，与实时对话的快速短期上下文不同[58] - 工作记忆层管理正在进行的任务或对话所需瞬时信息，必须提供极低延迟访问[59] 商业化落地策略 - 找高频刚需的工作流切入：Demo不等于生意，优先做频次高、痛点大、能量化ROI的SOP[4] - 计费单元要透明：token+检索+API调用，需要像云计费一样拆账单，用户才会信任[4] - "答案可追溯"是销售力：企业客户要的不是酷炫，而是"答案可追溯"，证据列表能显著提高成交率[4] 团队组织要求 - 团队三角色必须齐全：Agent PM(定义任务)、编排工程师(工具/工作流)、Agent SRE(监控/评估)缺一不可[4] - 差异化强的自己做，标准化/合规重的优先集成以快速扩展产品边界[4] - 创业公司必须用"可扩展、可计费、可合规"的标准要求自己，生产落地才赢市场[4]

全球算力投资格局 - 英伟达与OpenAI宣布千亿美元级别AI算力集群合作[1] - 阿里巴巴宣布投入3800亿人民币加强AI基础设施并持续追加投资[2] - OpenAI、谷歌、Meta、xAI及阿里巴巴等全球科技巨头均加入算力竞争[3][4] 算力竞争战略核心 - 算力基础设施成为AGI和ASI竞赛的战略基石[5] - 构建算力壁垒需具备未来预判、工程执行、系统架构颠覆和开发者生态构建能力[6][7] - 英伟达作为核心硬件供应商提供行业参考标准[8] 英伟达与英特尔合作 - 英伟达向英特尔投资50亿美元联合开发定制数据中心和PC产品[10] - 合作使英伟达投资增值30%获利10亿美元[10] - 双方合作开发chiplet封装PC产品显著提升笔记本电脑市场竞争力[10] 市场竞争影响 - 英伟达与英特尔合作对AMD构成重大威胁[11] - ARM架构因英伟达获得英特尔技术支持面临竞争压力[11] GPU市场动态 - GPU市场经历从产能紧缺到价格战再回归产能为王的周期变化[12] - 初创公司获取少量GPU容易但大规模部署困难[12] 云服务商战略 - 甲骨文凭借强大资产负债表为OpenAI等客户提供3000亿美元超长期计算订单[13] - 采用灵活硬件策略兼容英伟达Infiniband和Arista以太网技术[13] - 通过精密数据中心模型预测算力增长和收入[13] AWS复苏策略 - AWS通过为Anthropic等客户提供海量GPU和自研Trainium芯片推动收入增长超20%[14] - 升级传统数据中心成本相比GPU价格微不足道[14] - Trainium芯片在特定大规模场景下展现效率优势尽管通用性较差[15] Blackwell架构性能 - GB200部署成本为H100的1.6倍但性能提升高度依赖工作负载[17] - 预训练任务性能提升约2倍属边际提升[20] - 特定推理任务性能提升达6-7倍每美元性能提升3-4倍[20] 系统可靠性挑战 - GB200 NVL72将72个GPU互联形成单一故障域[18] - 故障爆炸半径问题导致单GPU故障可能使整个机柜下线[20] - 采用64+8工作负载管理策略应对可靠性挑战[20] 硬件架构演进 - AI推理分为预填充（计算密集型）和解码（内存带宽密集型）两个阶段[28] - 业界采用分离式部署策略优化不同任务[21] - 英伟达推出专用CPX芯片剥离HBM降低制造成本[21] 英伟达核心竞争力 - 创始人黄仁勋采用YOLO式大胆决策策略如提前投资Xbox芯片产能[23] - 通过锁定供应链产能策略主导市场[23] - 管理风格依赖商业直觉而非数据报表[24] 技术执行力 - 芯片设计实现一次成功能力避免多次修订延迟[26] - Volta芯片在最后时刻增加Tensor Cores奠定AI硬件霸主地位[26] - 强大执行文化确保产品准时交付[25] 未来资金部署 - 英伟达年产生数千亿美元自由现金流面临巨额资金部署挑战[27] - 反垄断监管限制大型并购选项[27] - 可能投资数据中心、能源基础设施或机器人和AI工厂[27]

当中国创业者走向海外，他们最该争取哪些海外的 AI 天使投资人？当中国早期投资人寻找参照，他们又该向谁学习？ CB Insights 近日发布了全球 Top 15 AI 天使投资人榜单。 锦秋基金（公众号：锦秋集；ID：jqcapital）认为某种程度上，对创业者；这是一份融资Pitch List，对投资人，这是一份值得榜样名单。 因此， 锦秋基金（公众号：锦秋集；ID：jqcapital）基于这个名单 ，继续搜集整理了Top15的投资人在AI领域的代表性投资案例。希望能给关注AI的读者朋友提供 有价值的参考。 基于我们的观察和整理，Top15的天使投资人押注的项目，并非散点式的"随缘下注"，而是呈现出高度一致的共性和清晰的趋势。 1 在赛道选择上，他们集中在两大方向：基础设施与高价值垂直场景。 基础设施层的投资覆盖了 AI Agent 平台、世界模型、自动化开发工具以及算力、数据管理、AI 安全等核心领域，例如 Anysphere（AI Coding）、Resolve AI（自动 化）、Yupp（评测平台）、Roboflow（计算机视觉工具）。 与此同时，他们也倾向于投向法律、医疗、金融、制造等高门槛、强需 ...

活动信息 - 锦秋小饭桌是为创业者打造的常态化闭门社交活动，每周五晚在北京、深圳、上海、杭州等地举办 [22] - 活动形式为非正式会谈和产品技术人社交饭局，围绕技术、投资、硅谷和国内进展等话题进行真诚交流 [23] - 2025年9月至10月将举办三场活动：9月26日深圳AI Agent专场、10月10日北京具身智能专场、10月17日深圳机器人派对 [3][5][50] 大模型在决策任务中的应用局限 - 现阶段大模型不适合直接用于严肃的长序列决策任务（如游戏AI），其表现不如传统的小型强化学习模型 [25] - 决策任务具有一步错满盘皆输的特性，而大模型擅长的感知/生成任务容错率较高 [25] - 大模型训练数据中缺乏高质量的决策过程知识和数据，例如在斗地主游戏中性能仅能勉强战胜随机出牌的智能体 [26] 信息检索范式演进 - 传统RAG通过外部的Embedding、Ranking、Retrieval等工程化手段进行信息召回 [32] - 新一代模型（如Claude）具备原生上下文感知能力，能自主决定使用何种工具进行语义和场景强相关的信息检索 [33] - 模型原生能力效果好但成本高，适合模型开发者，应用层公司为控制成本仍需采用外部工程方案或混合使用 [35] Agent架构与发展趋势 - 目前主流应用基于React的单智能体模式，通过思考-行动循环完成任务 [36] - 多智能体系统正在兴起，通过规划、解题、验证等多个角色智能体协同工作，可取得超越单智能体的效果 [36] - 让AI Agent交付预期结果的关键在于前期生成清晰明确的需求文档、软件架构图和任务列表 [38] AI Agent基础设施技术流派 - Sandbox模式以Manus为代表，为每个Agent启动一个独立的完整Linux系统沙箱，功能强大但资源消耗大 [39] - 模块化组件模式以AWS Agent Core为代表 [40] AI硬件与交互方式演进 - 通用Agent的机会在于交互方式变革，如从打字到语音输入，未来可能出现新硬件设备利用AI服务时间 [42] - 主动式AI硬件是下一代产品，但面临技术挑战，预计还需2-3年才能被工程化验证 [43] - Meta发布的Rayban Display是中间产品，备货量仅1-2万台，性能表现不佳且演示出现故障 [44] 大模型记忆管理与数据源 - Memory管理是大模型能力提升的下一个赛点，需找到模型自发压缩状态的方案以突破transformer架构的上下文限制 [45] - 拥有多样化数据源的Agent在理解用户语境方面表现更好，例如谷歌通过浏览器、云盘、邮箱等服务覆盖用户生活场景 [46] - 开发专有浏览器是为AI功能提供最高权限的技术路径，可避免频繁权限提示，提供更流畅体验 [46] 创业支持 - 锦秋基金设立Soil种子专项计划，专为早期AI创业者提供资金支持，帮助将创新想法转化为实际应用 [57]

行业核心观点 - AI行业竞争从算法和产品层面进入基础设施和算力的硬核较量阶段 [2] - 模型层顶级玩家通过资本、算力和速度构建了难以撼动的护城河 [3] - 模型智能水平将持续提升，为非模型层创业者创造基于趋势设计业务的机会 [4] Nvidia与OpenAI合作 - Nvidia宣布向OpenAI投入高达1000亿美元的战略投资 [1] - 双方将携手打造至少10吉瓦的数据中心基础设施，用于支撑下一代模型的训练与部署 [1] xAI的算力基础设施布局 - xAI从2025年3月起迅速启动Colossus 2项目，半年内完成约200MW冷却能力和机架安装，速度远超业界平均水平 [5][11] - 为解决孟菲斯本地电力限制，xAI在密西西比州Southaven收购旧电厂并获临时许可运行燃气涡轮机，形成跨州供电方案 [5][14] - 与Solaris Energy Infrastructure合作，通过租赁和合资模式快速部署超过460MW涡轮发电机组，规划总装机规模扩大到1GW以上 [5][19][24] - 通过多层布局和高密度设计，将现有站点容量提升到超过1GW，增强单一相干集群优势 [5][27] xAI的财务状况与融资 - Colossus 2所需资本支出高达数百亿美元，xAI尚未产生有意义的外部收入 [29] - 传闻中的9位数年化经常性收入绝大部分是X.com到xAI的公司间转移 [29] - 正准备新一轮数百亿美元融资，公司估值接近2000亿美元，沙特公共投资基金将扮演重要角色 [31] - 未来两三年仍需持续投入数百亿美元资金，高度依赖外部融资及Elon Musk其他企业内部资金转移 [5] xAI的技术与产品 - Grok 4在技术指标上已达到一线AI实验室水平，但商业收入和企业客户接受程度表现不足 [5] - API产品存在性价比劣势，Grok 4定价与Claude Sonnet 4持平但编码能力稍逊 [5][45] - 发布蒸馏模型Grok Code Fast 1，以更小体积保留Grok 4部分性能，在OpenRouter上需求激增 [45][47] - 采用独特的强化学习路径Ani，通过人类情感与互动环境训练模型，而非仅局限于数字生产力领域 [5][53] xAI的人才与文化 - 从DeepMind、Meta、英伟达等公司成功引进大量顶尖人才，员工超过一千名并持续扩张 [41] - 公司文化以高压和极快工作节奏著称，人员流动性极高，长期组织稳定性面临风险 [5][42] - 前首席财务官加入后不到4个月离职，部分高级研究员也已离开 [42] xAI的市场策略与挑战 - 产品选择与Elon Musk旗下X深度融合的路线，消费者侧取得进展但企业端表现乏力 [5][50] - 在企业方面采用率非常低，部分由于模型幻觉问题及对特定话题的敏感行为 [49] - 与OpenAI、Anthropic等公司专注于代码和自动化应用的策略不同，xAI追求更通用的AGI路径 [52]

文章核心观点 - 报告基于当前趋势外推，描绘了2030年AI发展的“保守基线”或“默认未来”，其核心是算力规模化的持续指数级增长将驱动AI能力的显著提升，并带来巨大的经济影响 [1][3][5][9][10] - 若当前趋势延续，到2030年，最大AI模型的训练算力将达到当今水平的约1000倍（10^29 FLOP），硬件投入将达约2000亿美元，AI数据中心用电量可能占全球的2%以上 [1][5][21][24] - 能力进步将首先在数字世界（如软件工程、数学）快速兑现，逐步渗透物理世界，并对经济产生实质性影响，例如将10%的远程任务产出翻倍可能带来1-2%的GDP增长 [4][6][7][96][107] 算力趋势 - 自2010年以来，训练算力以每年4-5倍的速度增长，预计此趋势将持续至2030年，最大模型的训练算力将达到当今水平的约1000倍（10^29 FLOP）[5][24][39][40] - 推理算力规模化是AI持续改进的另一重要来源，与训练算力并非零和关系，更强的训练模型能使同等推理预算完成更多有效工作 [5][31][39][46] - 训练算力的增长主要来自扩大加速器集群规模和使用更强芯片，而非显著延长单次训练时长 [5][74][76] 投资量级 - 为支撑算力千倍扩张，前沿AI集群的资本开支将达到约2000亿美元量级，单个大模型的摊销开发成本达数十亿美元 [1][5][21][47] - 若头部AI实验室收入延续近年“年同比约3倍”的增长轨迹，至2030年其收入规模可达数千亿美元，形成“高投入-高产出”的经济闭环 [5][10][24][58] - 算力已成为模型开发成本的最大组成部分，并且其占比预计将继续增加 [53][55] 数据格局 - 高质量人类生成文本数据即将见顶，增长动能将转向多模态（图/音/视频）数据和合成数据 [5][62][64][67] - 大量能力提升来自后训练与强化学习叠加“推理时算力”带动的数据生成与筛选，真正稀缺且最具价值的是可验证、与经济价值强耦合的专业数据 [5][59][69][70] - 2024年初，OpenAI每日生成约1000亿个token的合成数据，这为持续的数据规模化提供了重要途径 [68] 硬件与集群形态 - AI能力提升主要依赖更大的加速器集群和更强芯片，下一代基于超过10万个H100 GPU的集群已在建设中 [5][74][77][80] - 为缓解功率与供电瓶颈，多数据中心、跨站点的分布式训练将成为常态，训练与推理在地理与架构层面进一步解耦 [5][73][81] 能源与排放 - 到2030年，AI数据中心用电可能达到全球用电量的2%以上，最前沿单次训练的峰值功率可达吉瓦级（约10吉瓦）[1][5][21][84] - 基于当前电网平均碳强度估算，AI用电可能占2030年全球排放量的0.03%至0.3% [24][85][86] - AI在电网优化、工业流程和交通等领域具备带来可观减排的潜力，但这严重依赖于社会对部署的决策 [6][24][91] 能力发展与部署 - 一旦某项任务在基准上出现“能做”的迹象，继续扩规模通常会可预测地提升性能 [6][11][30][93] - 软件工程将从助手走向可自主完成定义明确的实现与修复，数学迈向证明草图形式化，分子生物学拓展到相互作用预测，天气预测持续改进 [4][6][11][109][110] - 部署面临三大核心挑战：可靠性（如幻觉问题）、工作流集成以及成本效益平衡，专业数据的可得性贯穿影响这三点 [6][111][112][115][116] 经济影响 - 自动化将产生巨大经济价值，若将10%的远程任务产出翻倍，约可带来1-2%的GDP增量；若将一半远程任务产出翻倍，则对应6-10%的GDP增量 [4][7][104][107] - AI技术采纳速度是历史上最快的之一，当前AI收入增长趋势与到2030年产生数千亿美元收入、证明巨额投资合理性相符 [10][24][58][102] - R&D的自动化将与更广泛的经济自动化同步发生，但更大的短期至中期经济效应源于整个经济体任务的自动化 [96][100][101]