AI技术发展路径的共识与非共识 - 预训练技术从2023年的行业共识到2025年面临质疑，OpenAI前首席科学家公开认为"预训练已走到尽头"，而DeepSeek R1等强化学习模型崛起[1] - 蚂蚁集团技术开放日圆桌讨论显示，行业分化成两派：曹越、孔令鹏等通过跨架构创新（如语言模型应用Diffusion、视频模型采用自回归）实现突破，阿里则坚持Transformer等传统路径[3][4][14] - 当前行业呈现多元探索态势，参与者形容为"摸彩票"，不同技术路线本质是平衡模型偏差与数据偏差的尝试[7][17][18] 主流架构的技术突破 - 扩散模型创新：Dream 7B以7B参数量超越671B的DeepSeek V3，通过双向学习处理并行任务，在数学/代码任务表现突出[3][8][17] - 视频模型革新：曹越团队将自回归应用于视频生成，突破Sora无时序先验的限制，通过编码时间关系提升信息利用率[10][11][12] - Transformer持续主导：阿里内部多次"魔改"Transformer后仍确认其最优性，但承认MOE架构在扩展性上的潜力[5][14][16] 模型优化与效率挑战 - MOE架构进展：DeepSeek实现1:20+稀疏比，阿里测试显示1:10-1:20区间效果最佳，但专家数增加会降低训练稳定性[19][20][22] - 多模态融合创新：通过Attention稀疏化提升跨模态效率，端到端优化Tokenize到联合建模的全流程[24][25][26] - 硬件制约明显：GPU对Transformer训练非最优，行业呼吁软硬一体解决方案[34][35][36] 预训练与数据应用趋势 - 预训练价值分歧：2024年认为数据枯竭是共识，2025年美国新观点认为仍有潜力，阿里证实数据增量仍能提升模型性能[38][39] - 算力驱动创新：历史显示算力增长可激活曾被放弃的技术，当前需重点优化算力利用率[40][41] - 创造本质探索：将创作定义为搜索问题，通过可能性空间遍历实现智能生成[42][43] 行业现存问题与应对 - 幻觉控制难题：强化学习可能加剧错误推理模式，阿里尝试通过稀疏自编码器(SAE)定位并抑制相关特征[30][31] - 架构选择成本：模型结构需同时兼容预训练与强化学习，当前每次技术押注成本显著上升[20][33] - 技术迭代哲学：行业进步类似飞机航道调整，需动态修正而非预测终极形态[44][45]

人工智能与具身智能赛道现状 - 当前AI与具身智能赛道处于类似互联网初期的百花齐放阶段，底层技术和垂直细分领域机会众多[5] - 具身智能领域可能处于类似2018年LLM的阶段，尚未出现GPT时刻，但AGI的长期前景被普遍看好[8][9] - 行业变化极快，AI领域"一天相当于人间一年"，模型迭代速度远超传统商业模式演进速度[7] DeepSeek的影响 - DeepSeek的R1模型通过开源后训练方法论实现了"技术平权"，将全球AI研发重新拉回同一起跑线[6] - 该突破改变了国内大模型行业格局，但预训练与后训练技术仍需双轮发展，行业终局尚未确定[6] - 春节期间的技术突破导致行业认知发生剧烈变化，两个月内从"后训练重要"转向"预训练重要"[6] 投资逻辑变化 - 传统基于DAU/MAU的商业评估模式失效，用户可能因技术突破瞬间转移[7] - 投资人需要快速建立对AGI能力的感知，而非依赖传统商业指标[7] - 具身智能投资的核心逻辑是押注物理世界AGI的实现概率[9] 创业范式转变 - 新时代创业更强调技术颠覆创新而非明确商业化路线[1] - 当前创业者难以清晰描述具体应用场景，更多聚焦技术路线本身[8] - 成功要素转变为对AGI的信念而非传统商业计划[9] 行业参与者特点 - 顶级投资人需保持高度热爱和好奇心以应对快速变化的技术环境[10] - 国内大模型可能形成DeepSeek、千问和豆包三强格局的预测出现[6]

纪要涉及的行业 AI算力行业 纪要提到的核心观点和论据 1. **算力需求增长逻辑** - **AI应用渗透推动推理需求**：AI应用逐渐渗透到生活和工作各环节，改变使用习惯，使算力推理需求快速增长，微软、谷歌等大厂推理需求占比可能达60%-70%，主要源于老应用改造而非开发全新APP [1][2] - **细分领域仍有增长潜力**：训练环节市场预期悲观，但实际可能更好，预训练边际效应减缓，后训练增速不明显，但细分领域如AI Agent有增长潜力 [1][4] 2. **市场预期情况** - **算力产业链与AI应用分化**：从2024年5月开始，除ASIC外，算力产业链边际走弱，英伟达股价未创新高，市场对整体算力需求预期悲观；而AI应用领域表现强劲，如Palantir股价创新高，市场对AI应用预期较高 [1][5] 3. **解决算力需求问题方向** - **训练与推理两手抓**：解决算力需求青黄不接问题需关注训练和推理两方面，训练算力需求短期难提升，推理依赖Agent发展，Agent在特定场景已有所起色 [1][7] 4. **2025年算力需求来源** - **老应用改造、新衍生应用与Post Training**：2025年算力需求主要来自老应用改造（如推荐引擎在海外大厂的应用）、新衍生应用（如Agent）以及Post Training阶段，Agent面向ToB/ToD场景，特定领域需求显现 [1][12] 5. **Chatbot与Agent对比** - **应用场景与爆款潜力不同**：Chatbot面向ToC市场，易形成爆款；Agent面向ToB和ToD场景，不易成为爆款，其算力需求难被资本市场迅速感知 [13] - **任务复杂度与交互方式差异大**：Chatbot单次交互量约1000个TOKEN，一对一、一问一答式交互；Agent完成单个任务所需TOKEN量达几万甚至十万个，多任务、多Agent协作执行，消耗数据量和TOKEN数量远高于Chatbot [25] - **存储和算力需求有别**：Chatbot对存储和内存要求低；Agent执行任务各步骤需连贯操作，对存储和内存要求高，对计算能力和存储都有较高需求 [27][28] 6. **算力需求计算与评估** - **训练与推理算力需求公式**：训练算力需求预期约为6ND，推理算力需求预期约为2ND，N代表模型参数量，D代表数据集 [16] - **评估服务器或GPU卡数量**：通过总需求除以单个GPU卡的算力估算所需设备数量，同时考虑设备实际利用率 [34] 7. **模型选择与优化** - **优先选择小模型**：选择模型参数时优先考虑小模型，大厂做推理应用倾向先上小模型，降低成本，提高可接受性 [31] - **优化模型访问和推理方法**：使用低精度计算、模型蒸馏，结合硬件优化如KV缓存优化，可降低内存消耗，提高整体效率 [35] 其他重要但是可能被忽略的内容 1. **后训练情况**：后训练自2024年9月推出，对市场影响不明显，从事厂商数量有限，数据难跟踪，在模型参数量上维持在几万亿量级，虽算力需求预期不明显，但能提升推理能力，如DeepSeek R1体现后训练扩展法则 [8][9][19] 2. **AI Agent产品表现**：一些AI Agent产品如Mariner在美国市场表现良好，融资和用户增长迅速，在海外人力成本高的地区受众广泛，但在中国市场难推广 [2] 3. **大型科技公司资本开支**：微软和Meta本季度未削减资本开支，对未来算力需求持坚定态度，若后续应用进展顺利，算力规划短期内不会下降 [40] 4. **过去一季度AI应用发展**：过去一个季度多个AI应用发展迅速，如Mariner 3月月活访问量达2310万，Cursor有2000多万，微软3月产生50万亿个TOKEN，占季度总量一半 [38]

文章核心观点 智谱在3月31日中关村论坛闭幕式现场推出新模型反击DeepSeek，同时公司在商业化布局、技术研发等方面有相应规划和思考，以应对行业变化和挑战 [2][6] 公司动态 - 3月31日智谱在智能体产品和基座模型两大维度分别推出"AutoGLM沉思模型"和推理模型GLM - Z1 - Air，Air用32B参数比肩671B的DeepSeek R1模型，价格仅为其1/30，且将于4月14日正式开源 [2] - 智谱CEO张鹏称公司在为IPO铺路但无具体计划，商业化以端侧为切口渗透七大行业，还宣布与东盟十国及“一带一路”沿线国家共建“自主大模型共建联盟” [6] - 智谱2023年开始在Agent领域投入，现阶段认为进入可大规模应用和落地阶段 [16] - 智谱会对具身智能进行相应布局，但还需时间 [19] 行业现状 - 2025年大模型圈“预训练”难成关键词，大模型六小虎中百川智能大批核心成员离职并砍掉部分业务，零一万物放弃万亿参数赛道转向B端业务 [3] - 自2025年初DeepSeek以“成本优势 + 开源”撕开市场缺口，头部云厂商依托生态优势卡位，大模型创业公司用价格力挽狂澜 [9] - 第一季度资本对大模型初创公司失去耐心，除智谱连续拿到地方产投融资，无市场化资本进入其余大模型企业 [4] - 大模型企业面临商业化难题，预训练未能让基座模型厂商形成护城河 [5][6] 对话问答 开源策略与商业化 - 开源是智谱从第一天开始坚持的事，宣布2025年为开源年是考虑DeepSeek对技术生态和认知的影响，公司认为模型即服务（MaaS）会落地，开源与否不是关键问题 [12] 预训练与推理模型 - 预训练仍很重要，是RL等方法的基座模型天花板，其中预训练的架构、数据使用效率等有很多待研究点 [13] - 推理模型在泛用性任务上表现不及预期，但技术改进会产生新可能，其应用受技术发展阶段影响 [14] 融资计划 - 实现AGI路程长，从0到1开拓试错成本高，公司走在前面的部分需加大投入 [15] Agent领域 - Agent核心能力是模型本身能力和感知环境与环境智能交互能力，AutoGLM更早用于手机端，其他端侧也可接入，但存在设备交互方式和硬件适配问题 [17] 战略层面 - 公司定位技术驱动，技术研发和商业化两条腿动态调整，目前核心任务和资源投入仍侧重技术研发 [21] 落地预期 - 去年公司整体实现超100%增长，今年预计市场呈十倍以上增长，公司会保持稳定商业化落地速度和效益 [22]

戴尔股价落后原因 - 自11月以来股价落后市场 主要因市场担忧AI数据中心建设放缓 尤其微软资本支出战略变化传闻影响[1] - 市场担忧Blackwell支持的预训练集群效率提升 而AI模型过去三个月未呈指数增长 导致GPU需求增速放缓[1] AI计算范式转变 - 行业正从预训练为中心转向推理计算为中心 后者扩展性更优且成本更低[2] - 推理AI指模型产生预测的过程 相比预训练更快更便宜 预训练则更深入彻底[3] - 未来数据中心将更多采用"推理本田"模式（小型低成本）而非"预训练法拉利"（大型高成本）[3] 戴尔战略合作与技术优势 - 与AMD达成协议 Ryzen AI PRO处理器将为戴尔设备提供实时字幕 语言翻译及更高安全性[4] - AMD CEO指出其MI300X GPU在推理计算TCO上显著优于Nvidia H100 戴尔可通过替代方案降低系统成本[4] - 摩根士丹利数据证实AMD的TCO远低于Nvidia 戴尔将受益于此技术路线[4] 财务表现与预期 - Q4财报预期EPS 2 52美元（同比+14 46%） 收入245 7亿美元（同比+10 09%） 分析师预测区间狭窄显示共识强[5] - 过去三个月EPS预测20次修正中18次下调 收入16次修正中15次下调 但分析师认为存在上行惊喜空间[6][7] 重大商业合作 - 即将与xAI签署50亿美元协议 显著提升AI服务器业务规模[8] - 预计2024-2025财年AI服务器出货量增加40亿美元[9] 估值与增长潜力 - 非GAAP预期市盈率14 5 较行业中值23 87折价39 26% 量化评级A-[9] - 预期市销率0 83 较行业中值3 11低73 43% 量化评级A[9] - 若市盈率回归行业中值 股价潜在涨幅达64 6%[9] 行业趋势支撑逻辑 - 杰文斯悖论显示AI代币使用成本下降将刺激总需求增长 推理计算市场扩张利好戴尔[10] - AI模型工具价值提升推动消费需求 转向低成本推理GPU集群趋势与戴尔战略契合[10] - 与AMD xAI的合作将直接推动销售增长 叠加行业转型形成双重催化剂[11]