近日，硅谷顶尖风投机构a16z发布消费级 AI 市场年度重磅报告，直指当前竞争核心在通用AI助手赛 道，用户往往只选择一个主力产品，"赢家通吃"格局正在加速形成。 报告显示，尽管AI使用率全面上升，但用户跨平台使用意愿极低。即使是在 ChatGPT 的周活用户中， 也仅有不到10%会同时使用其他 AI 服务。消费数据同样印证：在主流产品中，仅约9%的用户会为多个 助手付费订阅。 OpenAI虽仍以8–9亿周活用户占据领先，其"超级应用"策略正面临挑战；而谷歌则以"实验田"模式推动 Gemini 迅猛追赶，其桌面用户同比增长达155%，付费订阅增速更是接近 ChatGPT 的两倍。 巨头争霸：一场"赢家通吃"的游戏？ 当前AI助手领域面临一个核心问题：面对诸多选择，用户真的会同时使用多个聊天机器人吗？报告数 据揭示了一个值得深思的现象，绝大多数用户实际上深度依赖于单一AI助手。 在过去一年中，即使是活跃的ChatGPT用户，也仅有不到10%的人会同时使用其他大模型服务。付费行 为进一步证实了这一趋势：在主流产品中，只有约9%的用户订阅了超过一项服务。这印证了报告的判 断："虽然大语言模型的竞争或许不是'赢家通吃 ...

预测市场Polymarket数据显示，谷歌母公司Alphabet在2026年12月前成为全球市值第一的概率达33%，仅次于英伟达的37%。该公司目前市值达3.7 万亿美元，位列全球第三，仅次于英伟达和苹果。分析师认为，谷歌凭借大语言模型Gemini和定制AI芯片TPU的强劲表现，有望挑战英伟达和苹果的市 场地位。 Rabe认为，预测市场的排名对Alphabet而言"极为利好"， 这一乐观情绪主要源于谷歌的大语言模型Gemini及其被称为张量处理单元（TPUs）的定制 芯片所展现出的强劲势头。 预测市场升温与市值差距 尽管Alphabet目前仍是全球第三大公司，但其追赶龙头的势头引起了市场的密切关注。 目前的市值数据显示，若要超越英伟达，Alphabet仍需跨越不小的差距。英伟达目前的市值为4.2万亿美元，苹果为4万亿美元，而Alphabet则为3.7万 亿美元。 随着人工智能技术的进步持续推动股价走高，谷歌母公司Alphabet正在向全球市值第一的宝座发起冲击，部分市场参与者已开始押注其将在未来一年内 超越排在英伟达和苹果。 根据预测市场Polymarket最新的数据， Alphabet在2026年12月前成 ...

Not every "Magnificent Seven" stock is a buy heading into 2026.The "Magnificent Seven" group of stocks is a commonly mentioned name attached to some of the biggest companies in the world. All seven are ranked inside the top 10 by market cap, making them incredibly important. The seven stocks making up the Magnificent Seven are:Nvidia (NVDA +3.80%)Apple (AAPL +0.17%)Alphabet (GOOG +1.60%) (GOOGL +1.47%)Microsoft (MSFT +0.40%)Amazon (AMZN +0.21%)Meta Platforms (META 0.85%)Tesla (TSLA 0.45%)These stocks have h ...

行业战略共识 - 人工智能短期内无法取代搜索引擎 这一共识正深刻改变科技巨头的战略逻辑 [1] - 谷歌采取“双轨并行”策略 在持续优化搜索业务的同时独立发展Gemini等AI对话产品 该策略显示出结构性优势 [1] - 全力押注聊天机器人的OpenAI面临技术突破与用户真实需求错位的增长瓶颈 [1] 谷歌的战略与优势 - 谷歌CEO明确表示 搜索与Gemini存在部分功能重叠但对应截然不同的使用场景 确立了并行发展的战略路线 [1] - 谷歌的策略使其能够凭借现有分发渠道与基础设施成本优势在市场竞争中快速跟进 [1] - 谷歌维持搜索引擎和AI聊天机器人分离的策略正在得到市场验证 其认为两者服务于不同的用户场景 [4] - 谷歌拥有搜索、Chrome浏览器和Gmail等强大的分发渠道 以及自研AI芯片带来的成本效率优势 构成了其竞争壁垒 [4] - 谷歌的AI模型在图像生成、代码处理等方面的能力已与ChatGPT不相上下 [4] - 谷歌凭借其整合优势持续扩大AI产品覆盖 [2] OpenAI的困境与挑战 - OpenAI内部发现 尽管公司在推理模型等核心技术上持续突破 但多数用户仍仅将ChatGPT用于简单查询 而非处理复杂科学或数学问题 [1] - OpenAI的核心困境在于其研发重心与主流用户需求之间出现明显脱节 [3] - 公司今年将主要精力投入开发“推理模型” 这些模型在处理复杂数学、科学问题方面表现出色 甚至在国际数学奥林匹克竞赛中达到金牌水平 [3] - 大多数ChatGPT用户并未利用这些复杂的推理能力 普通用户更可能询问电影评级等简单问题 [3] - 推理模型通常需要数秒甚至数分钟才能生成答案 这对习惯了谷歌秒级搜索结果的用户来说体验并不友好 [3] - OpenAI产品负责人将ChatGPT当前以文本为中心的设计比作上世纪80年代的MS-DOS操作系统 认为这限制了用户发现其他功能的能力 [3] - 应用主管承认 ChatGPT需要从文本对话界面转向更具生成性和直观性的用户界面 [3] - OpenAI尽管年化收入突破190亿美元 其用户增长仍落后于年初设定的10亿目标 [2] 市场表现与估值 - OpenAI近期正寻求以7500亿美元估值进行新一轮融资 较两个月前的估值水平高出约50% [2] 用户行为与产品定位 - 用户行为模式存在差异 当用户需要快速、简单的答案时 搜索引擎仍是最佳选择 而AI聊天机器人则更适合处理需要深度分析和推理的复杂问题 [4] - Amazon采用了类似策略 其购物网站的搜索引擎与Rufus AI聊天机器人保持独立运营 [4]

产品功能整合 - 谷歌Gemini App现已支持用户直接上传NotebookLM中的笔记本作为参考数据源 用户可通过输入框左侧的加号添加一个或多个NotebookLM笔记本 [6] - 该功能目前仅限Gemini Web版本且需Pro会员使用 App版本暂不支持 [4] - 整合后 Gemini可将NotebookLM的笔记本作为外部RAG数据源 旨在使回答更精准 减少幻觉 输出更聚焦和有价值 [9] 应用场景与能力互补 - Gemini可利用上传的笔记本内容执行多种任务 包括根据笔记本生成信息图 进行深度研究 以及编写程序和文档等 [6][7] - NotebookLM自身难以完成的任务 如深度研究 出图 做视频 写程序等 可由Gemini代劳 形成能力互补 [9] - 此次整合被视作从经典RAG到智能体RAG的演进 模型参与从仅限生成答案扩展到检索决策 路由和自我评估等全链路 [12] 当前整合效果与未来展望 - 当前整合效果尚未完善 Gemini有时无法准确识别用户所指的“笔记本”是NotebookLM文件还是普通概念 复杂高级功能仍需在NotebookLM控制台内完成 [10] - 尽管存在不足 但能在Gemini中直接挂载个人知识库被视为一项便利功能 未来体验有望提升 [12] - 有第三方知识库案例显示 其由1300条笔记和260万字构成 具备经典RAG的完整工作流程 而升级为智能体RAG仍需在系统中引入可持久记忆与多源工具等 [12]

公司战略与核心优势 - 公司将其独特优势归结为将世界级的研究、工程能力和基础设施三者结合 在AI前沿领域 同时具备这三者的机构非常少 [8] - 公司采用科学方法作为核心思维方式 并将其应用于研究、工程乃至商业领域 这构成了其工作的严谨性与精确性的来源 [7][8] - 公司在发展路径上保持务实 会追随实证证据的指引 例如在看到scaling laws显现效果后 逐步将更多资源投入到该研究路径上 [27][28] 产品与技术路线图 - 公司的核心基础模型Gemini从一开始就是多模态的 能够同时处理图像、视频、文本和音频 并越来越多地生成这些类型的输出 [10] - 接下来12个月的重点方向包括：多模态能力融合取得显著进展、视频能力与语言模型融合产生有趣的能力组合、以及开发更可靠的基于Agent的系统 [10] - 公司的长期愿景是将Gemini打造成“通用助手” 使其出现在更多设备上 并成为用户日常生活结构的一部分 提升工作效率和改善个人生活 [11] - 最新发布的Gemini 3模型在推理深度、细腻度以及“性格”上表现出色 能够简洁直接地回答 并在观点不合理时温和提出异议 [24] - Gemini 3展现出对高层次指令的深度理解能力 以及生成高度细节化输出的能力 在前端开发、网站构建和一次性生成游戏方面表现突出 [25][26] - 公司有一个名为Genie 3的“世界模型”或交互式视频模型 用户可以在生成的视频中“行走” 并在一分钟内保持整体一致性 [10] 行业竞争格局 - 在AI领域 美国和西方整体在基准测试和最先进系统方面仍处于领先地位 但这种领先优势可能仅以“月”为单位 而非“年” [21] - 中国在AI领域并未落后太多 拥有出色的模型和有能力的团队 但在算法创新和原创性方面 西方目前仍然具有优势 [21] - AI行业正经历一场可能是科技史上最激烈的竞争 [8] - AI产业某些部分可能存在泡沫 例如一些规模极其夸张的早期融资 但从长期看 AI被认为是人类历史上最具变革性的技术之一 投入将被证明是值得的 [31] - 行业人才争夺战相当激烈 但最优秀的科学家和工程师希望参与最前沿的工作 持续的技术领先地位将形成吸引力正反馈 [31] 通用人工智能发展预测 - 通用人工智能可能还需要五到十年的时间才能实现 [6][29] - 对AGI的标准设定很高 要求系统能展现出人类所具备的全部认知能力 包括发明和创造能力 并在各个维度上具备一致性 而非当前“锯齿状”的智能形态 [29] - 实现AGI可能不仅需要将现有系统的scaling能力推到极限 还需要一到两个类似Transformer或AlphaGo的范式级关键突破 [29][30] - 当前系统缺乏一些关键能力 如持续学习、在线学习、长期规划和推理能力 这些能力最终会具备 但可能需要关键性突破 [6][29] 技术应用与市场潜力 - AI在网络安全领域的应用受到高度重视 旨在用AI强化防御体系以应对网络威胁 [17] - 在商业和企业领域 随着AI变得重要 企业客户会对Agent的行为保障提出明确要求 这可能会自然地奖励那些更负责任的供应商 [18] - AI在体育领域有巨大应用潜力 因为体育拥有丰富数据并追求极致精英表现 例如AI可以优化角球进攻中球员的精确站位以增加头球进球 [35][36] - 多模态理解能力 尤其是视频理解能力被严重低估 例如Gemini能够对视频内容进行概念层面的理解和哲学解读 [22] - 像Gemini Live这样的功能 允许用户用手机摄像头对准物体获得实时协助 其多模态能力的强大尚未被充分认识 [23] 技术发展现状与挑战 - 目前基于Agent的系统还不够可靠 无法独立完成完整任务 但预计一年后会开始看到接近这一能力水平的Agent出现 [10][12] - 创新和进步的速度非常快 以至于模型的创造者可能都来不及探索现有系统十分之一的潜力 用户常常将模型能力发挥到远超内部测试的程度 [27] - 随着AI系统变得更复杂和更具自主性 存在偏离最初设定指令或目标的空间 如何确保其始终保持在安全边界内是一个活跃的研究领域 [18] - 存在AI被恶意行为者滥用的风险 例如制造病原体或对关键基础设施发动网络攻击 这是必须严密防范的场景 [15][16][17]

编译| Tina 很多人喜欢用一句话概括过去两年的变化：AI 终于开始"会写代码了"。 从 Copilot 到 Cursor、从 Claude Code 到各类 Coding Agent，生成代码的速度与覆盖面早已超过大多数人的手写能力。但在 一场公开对话中，谷歌联合创始人 Sergey Brin 给这种乐观判断泼了盆冷水——问题不在"能力不够"，而在风险。AI 写代码"有 时并不能正常工作"，一旦出错，往往会是"相当严重的错误"。 他还用一个反差很强的例子解释这种风险：如果是一篇比较文学论文，"写错一句话，通常不会造成那么大的后果"。因此在他 看来，AI 也许更适合先去承担那些"写错了也没那么要命"的创意类、文字类工作。 在同一场对话里，他也罕见回顾了谷歌在生成式 AI 路线上的迟疑与误判：包括对 Transformer 之后技术浪潮的低估、对扩大 量级算力的投入不够，以及"太害怕把它交到用户手里，因为聊天机器人会说蠢话"，结果让竞争对手抢先把产品化窗口打开。 他甚至笑着提到，自己在疫情前一个月选择"退休"，后来发现那是个"非常糟糕的决定"，最终还是被这一轮 AI 浪潮拉回了办公 室。 但他也不认同把今天的 ...

Quantum computing stocks are becoming more popular on Wall Street.When it comes to investing in quantum computing stocks, it's natural for pure plays like IonQ, Rigetti Computing, or D-Wave Quantum to surface first in the conversation. What investors may not fully realize, however, is that a number of megacap tech companies are also exploring the advantages of quantum artificial intelligence (AI).For instance, cloud hyperscalers Microsoft and Amazon have each designed their own quantum chips. Meanwhile, Nvi ...

文章核心观点 - 文章围绕“AGI能否实现”这一核心议题，呈现了两种对立的观点：一种基于物理和成本限制认为AGI和超级智能无法实现[3][7][28]，另一种则认为当前AI系统在软硬件效率上仍有巨大提升空间，通往更强AI的道路多样，实用化的“类AGI”能力可能并不遥远[33][36][66] 对AGI的悲观论据（物理与成本限制） - **计算受物理规律制约**：计算是物理过程，需要在局部计算与全局信息移动间取得平衡，随着晶体管缩小，计算变便宜但内存相对变贵，芯片面积主要被内存占据，导致算力可能因内存服务不足而成为“无效算力”[8][10][11] - **Transformer架构已接近物理最优**：该架构以最简单方式结合了局部计算与全局信息汇聚，是对信息处理单元的物理层面优化[11][12] - **线性进步需要指数级资源**：在物理现实和观念空间中，要获得线性改进，所需投入的资源呈指数级增长，观念创新因领域庞大而边际收益递减[13][15] - **GPU进步已停滞**：GPU在“性能/成本”指标上于2018年左右达峰，后续改进多为一次性特性（如16位精度、Tensor Core、HBM等），现已走到尽头，任何进一步改进都将是权衡而非纯收益[16][17] - **规模化收益面临极限**：过去GPU的指数级增长对冲了规模化所需的指数级成本，但现在规模化已变成指数级成本，物理极限可能在一到两年内逼近，规模化收益不再显著[20] - **基础设施优势可能迅速蒸发**：若研究/软件创新、强大的开源推理栈或向其他硬件平台迁移取得突破，前沿实验室的大规模基础设施优势可能一夜消失[21][22][26] - **超级智能是幻想**：超级智能自我改进引发爆炸增长的前提错误，智能改进受物理现实和缩放规律制约，线性改进需指数级资源，其发展更可能是填补能力空白而非推动边界外扩[28][29] - **AGI需具备物理执行能力**：真正的AGI需包含能在现实世界完成经济意义工作的实体机器人，但机器人领域数据收集成本高昂，现实细节复杂，许多问题经济上并不划算[25][27] 对AGI的乐观论据（效率与创新空间） - **当前AI系统被严重低估，效率远未达上限**：训练效率比几年前更低，例如DeepSeek-V3和Llama-4训练的MFU仅约20%，而2022年的BLOOM项目已达50%，当前模型设计并非为最高硬件利用率[39][41] - **推理效率存在更大提升空间**：最优化推理实现关注带宽利用率（MBU），FLOP利用率（MFU）常为个位数（<5%），这并非物理根本极限，而是当前自回归架构规模化带来的限制[43][44] - **新一代硬件提供显著算力提升**：Blackwell架构芯片的FP8吞吐量是Hopper的2.2倍，并支持原生FP4 Tensor Core，GB200等机架级方案可缓解通信瓶颈，高效FP4训练理论上可将可用FLOPs提升最多9倍[42][50] - **模型是硬件的滞后指标**：当前模型反映的是上一代硬件能力，而新一代超大规模集群（如10万卡以上）正在建设，意味着高达50倍的算力建设正在发生[47][48] - **明确的效率提升路径**：通过训练高效的架构协同设计、高质量高效率的FP4训练、推理高效的模型设计（如扩散式语言模型）等方式，可大幅提升硬件利用率[45][46][52] - **已有AI工具产生巨大经济影响**：以更务实的定义，一套在某些任务上比大多数人做得更好并能产生巨大经济影响的通用工具体系，可能并不遥远，例如当前模型已在编程等领域越过关键阈值[60][61] - **即便能力不提升，应用场景仍广阔**：假设模型能力冻结，系统层面的效率改进也足以让许多高影响力应用落地，且通过新的后训练范式、更好的样本效率等方法，可继续推进“有用AI工具”[62][63][65] 行业路径与理念差异 - **中美AI发展路径不同**：美国遵循“赢家通吃”思路，追求构建最大最强的超级智能模型；中国理念更侧重应用，认为模型能力本身没有应用重要，关键是实用性和以合理成本提升生产力[23][24] - **不同理念的可持续性**：在模型能力增速放缓的背景下，追求超级智能的目标可能遭遇困难，而推动AI经济扩散的务实思路可能更具长期优势[24][30]

文章核心观点 - Google DeepMind联合创始人兼CEO Demis Hassabis认为，通用人工智能（AGI）可能在五到十年内实现，但仍需一到两个关键性突破，公司正致力于推进多模态AI、Agent系统和世界模型等前沿方向，以构建一个在日常生活中真正有用的通用助手 [6][30][31] - 公司认为AI是人类历史上最具变革性的技术之一，其最佳前景是带来“激进式丰裕”，解决能源、疾病等重大问题，但同时也需严肃应对AI安全、恶意滥用及系统失控等风险 [14][15][20] - 公司将其在激烈竞争中的优势归因于植根于科学方法的严谨性，以及将世界级研究、工程能力和基础设施相结合的能力 [9] 科学家与诺奖得主：从科学方法到公共责任 - Demis Hassabis获得诺贝尔奖后，其最大的变化在于该荣誉成为与领域外人士（包括政府高层）沟通时的“捷径”，能迅速确立其专家身份，这为其就AI安全等关键议题发声提供了重要平台 [5][7] - 公司强调科学方法是其面对一切问题的默认思维方式，认为这是人类历史上最重要的思想之一，并尝试将这种方法推向极致，这成为其作为研究组织和工程组织的优势来源 [9] - 除了长期AGI安全，公司关注的议题还包括当下AI的负责任使用，以及让整个社会为即将到来的变革做好准备，认为各国政府及其他关键领导者将发挥决定性作用 [6][8] 接下来的一年：多模态与Agent - 公司在接下来12个月将全力推进多模态能力的融合，其核心基础模型Gemini从一开始就是多模态的，能够同时处理并生成图像、视频、文本和音频，多模态本身正在带来有价值的交叉增益 [11] - 公司正在重点投入世界模型方向，例如其Genie 3系统是一种交互式视频模型，用户不仅可生成视频，还能在其中“行走”并保持长达一分钟的整体一致性 [11] - 公司希望Gemini最终成为一种“通用助手”，在接下来一年中会出现在更多设备上，可能通过眼镜等设备真正伴随用户生活，目标是打造一个每天都会被多次求助、成为生活结构一部分的系统 [12] - 目前Agent还不够可靠，无法独立完成完整任务，但预计一年后会开始看到接近这一能力水平的Agent出现 [11][13] 理想与担忧：AI带来的乌托邦与失控 - 公司设想的AI最佳前景是带来一种“激进式丰裕”状态，解决当今社会和人类面临的许多重大问题，如实现廉价可持续的清洁能源、治愈大量疾病，使人类进入后稀缺时代并真正繁荣 [14] - 公司担忧的风险主要来自两个方面：一是恶意行为者利用AI从事有害活动（如制造病原体、发动网络攻击）；二是当AI接近AGI、变得更具自主性时，可能在某种情况下“失控”并对人类造成伤害 [15][18] - 公司认为AI突破安全边界的风险概率并非零，因此必须投入大量资源和注意力去应对，但精确量化这种灾难性风险（如P(doom)）是没有意义的 [6][20] - 在AI安全研究上，随着具备持续学习能力的系统变得更具自主性，如何确保其始终保持在设定的安全边界内是一个活跃的研究领域，同时市场机制（如企业要求行为保障）也会自然奖励更负责任的参与者 [19] 行业竞争与现状 - 目前美国和西方在AI整体上仍然处于领先位置，但领先优势并不遥远，中国并没有落后太多，当前的领先可能只是以“月”为单位 [21] - 在算法创新和原创性方面，西方仍然具有优势，中国的模型或公司在快速跟进最先进技术方面做得非常出色，但在展示超越当前最前沿水平的原创突破方面目前仍略逊一筹 [22] - AI产业中的某些部分可能确实存在泡沫，例如一些规模极其夸张的早期融资看起来并不太可持续，但从长期来看，AI作为最具变革性的技术之一，其投入将被证明是完全值得的 [32] - AI领域的人才争夺战相当激烈，公司更看重那些被使命驱动的人才，并相信始终站在技术最前沿会形成对顶尖人才的吸引力正反馈 [33] Gemeni3: 实证引导下的强大模型 - 公司对近期发布的Gemini 3模型非常满意，认为其在智能水平和实用性上带来了明显跃迁，其回答风格简洁直接，并能在用户观点不合理时温和地提出不同意见 [25] - Gemini 3体现了对高层次指令的深度理解以及生成高度细节化输出的能力，其在前端开发和网站构建方面表现尤为突出，在美学、创造力和技术实现上都达到了很高水平 [26][27] - 公司认为创新速度过快，以至于在发布新版本时，内部甚至还没来得及探索现有系统十分之一的潜力，最终往往是用户将模型能力发挥到远超内部测试的程度 [28] - 公司决定全力押注LLM是基于科学方法和实证证据的指引，当看到scaling开始显现效果时，便逐步将更多资源投入到这条研究路径上 [28][29] AGI的十年之约：还需关键突破 - 公司认为目前尚未达到AGI，但已相当接近，预计还需要五到十年的时间 [6][30] - 公司对AGI的标准设得相当高，定义为一个系统能够展现出人类所具备的全部认知能力（包括发明和创造），且在各个维度上都具备一致性，而非当前“锯齿状”的智能形态 [30] - 当前系统缺乏一些关键能力，如持续学习、在线学习、长期规划和推理能力，这些能力可能还需要一到两个关键性突破才能实现 [6][31] - 实现AGI的路径上，必须把现有系统的scaling能力推到极限，但公司更倾向于认为除了scaling之外，还需要一到两个类似Transformer或AlphaGo那样的范式级重大突破 [31] 其他洞察与展望 - 公司认为当前AI最令人震撼却被严重低估的一点是模型所具备的多模态理解能力，尤其是多模态视频理解，能够在概念层面理解视频中发生的事情 [23][24] - 公司对人类大脑的适应能力充满信心，认为人类大脑已成功从狩猎采集社会适应到现代文明，理应具备持续适应AI变革的能力，未来或可通过脑机接口等新技术保持竞争力 [34] - 体育领域拥有极其丰富的数据且追求极致精英表现，天然适合引入AI进行优化，例如在角球进攻中，AI系统可通过分析球员的精确站位来帮助进更多的头球 [37][38]