stateof.ai ¹ 出品了 2025 年度人工智能报告²。本文编译自该报告，并附带简单分析，强烈推荐阅读原报告。

以下为全文目录，受限于篇幅，本报告将分为 3 篇发布，本篇为第二篇，主要关注过去一年中 AI 在产业界的相关突破与进展，最后一篇将陆续发布。

1. State of AI 2025 报告年度总结
2. 科研进展：技术突破及其能力
3. 产业界发展：当前 AI 创新的商业化应用以及对应的商业化影响
4. 政治影响：AI 监管，AI 产生的经济影响，AI 的地缘政治演进
5. AI 安全：明确和减轻将来庞大 AI 系统可能产生的灾难性影响
6. AI 使用调查：1,183 位 AI 从业者的使用与付费习惯
7. 对未来 12 个月的预测

03 Industry

Industry 进展总结

• 真实收入开始规模化，AI-first 公司整体跨过了数百亿美元量级，头部实验室凭借更好的「能力 / 成本」曲线扩大领先。
• NVIDIA 市值突破 4 万亿美元，在 AI 研究论文中的占比高达 90%，同时自研芯片和 neocloud 崛起，循环型巨额交易为大规模基建提供资金。
• 电力成为新的瓶颈，多 GW 级集群从 PPT 走向选址方案，电网约束开始反过来塑造产品路线图和利润率。

从 AGI 到 Superintelligence：叙事升级与万亿美元账单

RIP AGI, long live Superintelligence

主要 AGI 竞争者的高管们——最典型的是 Mark Zuckerberg——已经把自己的 AGI 努力重新包装成了 superintelligence。没人知道这个词确切意味着什么，但它足够挑动人心，也足够让人跟着往前走³。

「开发 superintelligence 已经进入视野……我相信这将是人类新时代的开端。」——Mark Zuckerberg，2025 年 Meta Superintelligence Labs 内部备忘录

So what will frontier superintelligence actually cost?

那么前沿 superintelligence 到底要花多少钱？答案是数万亿美元。Sam Altman 公开谈到 OpenAI 会在数据中心上花掉「trillions of dollars」⁴；OpenAI 与 Oracle 签下约 3,000 亿美元的算力合同，是历史上最大的单笔算力交易之一⁵；而 xAI 每月的现金消耗据报道在 10 亿美元量级。这个行业已经从「融几十亿」进入了「承诺几千亿」的阶段。

前沿争夺战：在榜首待了多少天

Days spent at the frontier

绝对前沿始终处于争夺状态，各家实验室不断互相超越。但如果沿着两个最受关注的指标去看，过去一年里有些实验室待在榜首的时间明显更长。发布时机本身已经变成一门科学，意味着任何单一时间点的快照都可能给出误导性的画面。因此报告改用「每家实验室在各榜单上停留的天数」来统计⁶。

Days spent at the (open source) frontier

在开源前沿上，同样的统计方式呈现出完全不同的名单——这也印证了 Research 篇的结论：开放权重赛道基本由中国实验室主导。

More for less: trends in capability to cost ratios are encouraging

旗舰模型的绝对能力在稳定攀升，而价格在急剧下降。按 Artificial Analysis 的智能指数计算，Google 的「能力 / 成本」翻倍时间约 3.4 个月，OpenAI 约 5.8 个月⁷；如果换用 LMArena 的 ELO 分数，两者分别约为 5.7 个月和 8.1 个月⁸。换句话说，同样一块钱能买到的智能，每半年左右翻一倍。

Model release cadences and fundraising: two peas in a pod

模型厂商会策略性地安排发布时间，先夺回前沿、建立可信度，然后再去融资。这形成了一个可预测的节奏，也让各家私营实验室的路线图越来越互相咬合⁹。

• Anthropic 平均在完成一轮融资前 44 天发布一个前沿模型。
• OpenAI 平均提前 50 天。
• xAI 平均提前 77 天。

AI-first 公司：从异类变成范式

From outlier to archetype: the best and most attractive companies are built AI-first

在创业和投资世界里，AI 已经明确从小众走向主流。在 Specter 对 5,500 万家私营公司的排名中（该排名跟踪团队增长、产品情报、融资、财务和主动关注度等 200 多个实时信号），AI 公司现在占据「Top-100 最佳公司」的 41%，而 2022 年只有 16%¹⁰。3 万名投资人与创始人之间的实时互动数据显示，兴趣在 ChatGPT 发布后激增、并在 2024 年末见顶，相比 2020 年那个「只有真信徒关心 AI」的黑暗年代增长了 40 倍。

AI-first companies are now generating tens of billions of revenue per year

16 家领先的 AI-first 公司，到 2025 年 8 月合计已经产生 185 亿美元的年化收入¹¹。同时 a16z 的数据集显示，enterprise 和 consumer 类 AI 应用的中位数在第一年就能分别达到 200 万和 400 万美元 ARR¹²——注意这里存在明显的样本偏差，证据是最低四分位数也远不为零。此外，Lean AI Leaderboard 收录的 44 家「ARR > 500 万美元、员工 < 50 人、成立不到五年」的 AI-first 公司（包括 Midjourney、Surge、Cursor、Mercor、Lovable 等）合计收入超过 40 亿美元，平均人均创收超过 250 万美元，平均团队只有 22 人¹³。

AI-first companies accelerate their early revenue growth faster than SaaS peers

对 Stripe 上收入增长最快的 100 家 AI 公司（AI 100）的分析显示，作为一个整体，它们从上线到 500 万美元 ARR 的速度比 2018 年收入最高的 100 家 SaaS 公司（SaaS 100）快 1.5 倍。在 AI 100 内部，美国和欧洲公司的增长率大致相当；而 2022 年及之后成立的公司，达到 500 万美元 ARR 的速度比 2020 年前成立的快 4.5 倍——这很好地体现了 generative AI 产品的商业拉力。需要注意的是，我们并不知道这些样本是从多大的总体中抽出来的。

AI-first companies continue to outperform other sectors as they grow

对 Standard Metrics 上 315 家年化收入 100–2,000 万美元、以及 86 家年化收入超过 2,000 万美元的 AI 公司（它们构成 AI 公司的上四分位）的分析显示，自 2023 年三季度以来两组都跑赢了全行业平均。最近一个季度，100–2,000 万美元档的 AI 公司季度收入增速为 60%，2,000 万美元以上档为 30%，都是同规模全行业平均的 1.5 倍¹⁴。

企业采用跨过鸿沟：留存与合同额齐升

AI crosses the commercial chasm: adoption is up, retention is up, and spend gets bigger

Ramp 的 AI Index（来自 4.5 万家美国企业的刷卡和账单支付数据）显示，付费 AI 采用率从 2023 年 1 月的 5% 上升到 2025 年 9 月的 43.8%，而美国政府的官方估计只有 9.2%¹⁵。同期 cohort 留存显著改善：2024 年的 12 个月留存为 80%，而 2022 年约为 50%。平均合同额从 2023 年的 3.9 万美元跳到 2025 年的 53 万美元，Ramp 预计 2026 年将接近 100 万美元。试点正在变成大规模部署。

AI adoption jumps in 2025 with OpenAI maintaining a strong lead

分行业看，科技行业的付费 AI 采用率毫不意外地领先（73%），金融紧随其后（58%），而各行业的采用率都在 2025 年一季度出现明显跳升。在模型选择上，Ramp 的客户表现出对 OpenAI 的强烈偏好（35.6%），其次是 Anthropic（12.2%），而 Google、DeepSeek 和 xAI 的使用量都非常小。

Audio, avatar and image generation companies see their revenues accelerate wildly

音频、数字人和图像生成领域的头部公司 ElevenLabs、Synthesia、Black Forest Labs 都已经进入数亿美元年收入区间，而且收入质量在提升——越来越多来自企业客户和超过 10 万家客户的长尾。

• ElevenLabs 9 个月内年收入翻倍到 2 亿美元，并宣布了 66 亿美元估值和 1 亿美元的员工老股转让¹⁶。客户已经创建了超过 200 万个 agent，处理了超过 3,300 万次对话。
• Synthesia 在 2025 年 4 月跨过 1 亿美元 ARR，客户中包含 Fortune 100 的 70%¹⁷。自 2021 年上线以来，客户生成了超过 3,000 万分钟的数字人视频。
• Black Forest Labs 据称达到约 1 亿美元 ARR（同比增长 3.5 倍），毛利率 78%，其中包含一笔与 Meta 的两年 1.4 亿美元大单。另外 Midjourney 也与 Meta 签订了授权协议，条款未披露¹⁸。

GPT-5：最好的模型，最差的发布

The duality of GPT-5: today’s best model was clouded by the worst launch

GPT-5 在「每美元智能」的前沿上领先，benchmark 表现同级最佳，成本却比 Claude 低 12 倍。但用户对突然下架 GPT-4o 和 o3 的强烈反弹，以及对不透明 router 决策的困惑与初期问题，盖过了它的技术成就¹⁹。

• GPT-5 表面上是一个出色的模型：它横扫了 LMArena 榜单，API 提供 400K 上下文窗口，OpenAI 也首次同时占据「每美元智能」前沿。
• 发布过程并不理想：Altman 不得不在 Reddit 上开紧急 AMA，回应旧模型被突然移除和病毒式传播的「chart crimes」²⁰。
• 移除 GPT-4o 和 o3 那种熟悉的「人格」让用户很不满——讽刺的是，同一场发布还引入了自定义人格。
• 我们此前推测过，模型公司出于延迟和成本考虑会把 query 动态路由到「刚好够用」的模型上。GPT-5 是第一个把 router 直接作为消费端入口的大型聊天系统：如果模型调用了更强的版本，用户可以点「skip」来换取更快的响应。实践中人们需要时间适应这种 UX，模型选择的不透明感引发了大量抱怨。

Leading AI providers continue to record extraordinary demand at inference time

随着 Google 在越来越多产品中打开 Gemini 开关、把更多用户切进 AI 搜索体验，该公司报告月度处理 token 数同比增长 50 倍，最近达到每月一千万亿（quadrillion）token²¹。OpenAI 去年也报告了类似的 token 量增长。

• token 需求的暴涨主要由延迟改善、推理价格下降、推理模型、更长的用户交互和不断丰富的 AI 应用推动，企业采用在 2025 年也在继续加速。
• 激增的推理需求会给 AI 供应链、尤其是电力基础设施带来额外压力。
• 但由于并非所有 token 都等价，我们建议不要从「总 token 处理量」这种聚合数字中读出太多信号。

Models are getting seriously good at coding, with OpenAI pulling ahead

GPT-5 和 Gemini 2.5 Deep Think 若参加世界上最负盛名的编程竞赛，会分别排名第一和第二（而且并没有专门针对该竞赛训练）。GPT-5 解出了全部 12 道题，其中 11 道一次通过²²。此前 Anthropic 曾在编程任务上享受过一段相对不受挑战的统治期。

• 在 ICPC World Finals 上，一位 OpenAI 研究员解释了他们的做法：让 GPT-5 和一个实验性推理模型一起生成解法，再由实验性推理模型来选择提交哪一份。GPT-5 答对 11 题，最后也是最难的一题由实验性推理模型解出。
• OpenAI 的 Codex 团队进展迅速：Sam Altman 称 GPT-5-Codex 的使用量增长了 10 倍，而他们内部的 code review bot 变得如此有价值，以至于它出故障时开发者会「很不高兴」，因为失去了自己的「安全网」²³。

Vibe coding 的高光与代价

Vibe coding hits the bigtime

AI 写代码，创始人收钱。

• 瑞典的 vibe coding 创业公司 Lovable 在上线仅 8 个月后就成为独角兽，估值 18 亿美元²⁴。
• Maor Shlomo 用 AI 写了 90% 的代码，6 个月后把 Base44 以 8,000 万美元卖给了 Wix²⁵。
• Garry Tan 表示，在 YC 当前增长最快的那一批公司中，有 25% 的公司 95% 的代码是 AI 写的²⁶。

从 2021 年 6 月 GitHub Copilot 引入行内代码建议和「pair programmer」概念，到 AI 编码工具开始从自然语言直接写代码，再到今天的 AI-native IDE——它更像一位全职工程师，而不是助手，能在极少监督下写代码。

…but vibe coding your products can be risky

但用 vibe coding 做产品是有风险的：安全漏洞、代码被摧毁……

• 恶意攻击者劫持了一个开源的 Cursor IDE 扩展，窃取凭据并在开发者机器上挖走了 5 万美元的加密货币²⁷。
• 有大量报告显示 AI 编码工具会激进地覆写生产代码，开发者因为 AI 过度热情的「改进」而丢掉数周的工作。
• 尽管估值超过 2 亿美元，AI 编码创业公司面临残酷的单位经济：新模型发布带来更高的 token 成本，迫使创业公司要么自己吃亏损、要么用涨价让用户吃惊、要么把用户限制在更老更弱的模型上²⁸。

As the costs rack up it’s unclear who is making money

程序员很爱 Claude Code 和 Cursor，但毛利率非常脆弱。这个张力很尖锐：Cursor 是一家数十亿美元的公司，而它的单位经济被自己的竞争对手所设定的上游模型价格和 rate limit 所绑架。

• 有些用户单个 Claude Code 座位每月成本超过 5 万美元。Cursor 和 Claude 都引入了严格得多的用量限制来控制重度用户的成本²⁹。
• Cursor 的定价权受限，因为它的核心 COGS 就是 Anthropic / OpenAI 的 API 价格。当这些供应商调整价格、rate limit 或默认模型时，Cursor 的毛利率就会被压缩，除非它限制用量或把负载迁离上游 API³⁰。

毛利率与「模型级盈利」

The M word: so what about the margins?

毛利率基本由底层模型 API 和推理成本决定，并被 token 密集的用法和流量获取成本进一步挤压。令人意外的是，好几家主要 AI 公司在报告毛利率时并不计入为免费用户提供服务的成本³¹。编码 agent 即使收入增长很快，也仍然承受压力。改善毛利率的主要手段是：从第三方 API 迁到自有或微调模型、激进的缓存与检索效率优化，以及转向广告或基于结果的定价。

When do we see profitable models? Or are we there yet?

Dario Amodei 说过一句很关键的话：「如果把每个模型都看成一家公司，那么这个例子里的模型其实是盈利的。」尽管现金消耗很高，各方推测显示前沿实验室在单个旗舰模型的维度上有很强的单位经济³²。

• AI 实验室的模式很像晶圆厂：每一代都需要惊人的前置投入，实验室承担前置的训练成本；虽然最近的模型据称能在部署期间收回这笔成本，但训练预算本身在暴涨，于是压力转向从新的渠道榨出推理收入。
• 推理为训练买单：实验室努力把模型生命周期算力中更大的比例分配给能产生收入的推理，并尽可能提高其毛利率。报告给出的敏感性分析表格展示了在不同推理毛利率和算力分配比例下，算力投入的预期回报（该分析做了简化：忽略人力成本，并假设所有推理都产生收入）。

浏览器与搜索：新的入口战争

Browsers become the latest AI battleground

用户就活在浏览器里，那 AI 凭什么不能长进这个体验里？这件事终于发生了。**OpenAI、Google、Anthropic 和 Perplexity 都推出了助手，它们不只能对网页内容问答，还能代表用户在浏览器里导航和执行动作。**这把浏览器重新定义为「互联网的智能操作系统」——一个 Adept AI 这类早期尝试从未真正实现的长期愿景。

• OpenAI 推出了 ChatGPT Search，把实时网页结果（通过搜索 Google）与对话结合，并推出了新的 Agent：它会拉起一个虚拟浏览器，在 ChatGPT 内通过 tool use 执行多步任务，用户可以随时接管³³。
• Perplexity 走了另一条路，基于 Chromium 自建浏览器 Comet，内置原生 AI 助手侧边栏，既能问答也能完成填表、抓取等多步任务。
• Anthropic 和 Google 分别发布了 Claude for Chrome 和 Gemini in Chrome 的限量预览。Anthropic 已经不再把这类用例视为危险。
• 2025 年 9 月，Atlassian 收购了 Arc 浏览器的开发商 The Browser Company，进一步确认浏览器是最新的 AI 战场³⁴。

As AI search engines surge, Google’s search and ad offering is taking heat…

ChatGPT 以 7 亿周活用户的规模，正在向大众普及 AI 搜索，重塑人们发现和使用信息的方式。Google 曾经不可动摇的统治地位出现了第一批裂缝，即使它已经在搜索中转向 AI Overviews（AIO）和 AI Mode。而且 AIO 导致搜索点击率下降约 90%，损害了传统广告，却又忽略了「用户其实已经被 AI 答案影响」这一事实³⁵。

• 到 2025 年 8 月，ChatGPT 服务 7.55 亿月活用户，约占 AI 搜索市场的 60%。
• SEM Rush 数据显示 Google 全球搜索流量同比下降约 7.9%，是几十年来第一次显著下滑，尽管它仍保有约 90% 的全球份额³⁶。Similarweb 数据显示 2025 上半年 Google 搜索访问同比下降 1–3%，Bing（-18%）和 DuckDuckGo（-11%）跌得更多。
• Perplexity 在 2025 年 5 月的查询量达到 7.8 亿次，月环比增长 20%。
• 「ChatGPT」本身成了 Google 上的热门搜索词，月查询量 6.18 亿次，可以和「Facebook」相提并论。

AI search is emerging as a high-intent acquisition channel

根据 Similarweb 的数据，由 ChatGPT 带来的零售访问，转化率已经好于所有被统计的主要营销渠道：转化率同比提升约 5 个百分点，从 2024 年 6 月的约 6% 升到 2025 年 6 月的约 11%。虽然 AI 引荐流量的占比还小，但这些用户到达时决策更明确、离下单更近。零售商必须做出适配：暴露结构化的商品数据、价格和配送选项，并为 AI 驱动的意图准备专门的落地页。事实上，ChatGPT 最近与 Etsy、Shopify 一起上线了 Instant Checkout，并开源了与 Stripe 共同构建的 Agentic Commerce Protocol³⁷。

…but AI can’t get away from Google Search

尽管 LLM 界面吸走了融资、诉讼和用户行为的注意力，没有人找到 Google 搜索的好替代品。

• AI 引荐流量绝大部分流向大厂域名，其中 google.com 居首。
• 尽管与 Microsoft 有战略合作、也能用 Bing，OpenAI 却选择抓取 Google 的搜索结果作为自己的网页搜索系统³⁸。
• 在 Google 反垄断案审理中，Anthropic、OpenAI、Perplexity 等都讨论了获取高质量网页索引的问题，希望能在 80% 的查询上达到与 Google 同等的质量。
• 该案的救济措施将给「合格竞争者」一次性的索引 dump，但不包含任何排序信号。这份 dump 是否能催生出真正的竞争者，仍然不清楚——毕竟 Google 已经打磨这套系统几十年了。

Answer engines drive deeper engagement than search

来自 answer engine optimization 公司 Profound 的数据显示，用户对待 AI answer engine 的方式与 Google 完全不同：会话更长、来回更多，意味着更高的意图和更好的转化潜力。

• 一次平均会话中，用户发出约 5 个 prompt、收到约 5 个回复，远多于「一次搜索查询 + 滚动 + 点一个蓝链」。
• ChatGPT 用户平均每会话 5.6 轮，Gemini 和 Perplexity 约 4 轮，DeepSeek 约 3.9 轮。轮次更多可能意味着对话更吸引人，也可能意味着轮次更少的产品回答更高效。
• 对话风格也不同：DeepSeek 用户写最长的 prompt、得到最啰嗦的回答，而 Perplexity 给出更短、引用更密的回复。
• 这种迭代式风格加上记忆能力让 answer engine 变得「粘」，也解释了为什么它们的转化率已经高于 Google。
• Profound 的分析显示，ChatGPT 的爬虫现在已经是互联网上最活跃的十大 bot 之一，与 Googlebot、Bingbot 并列。

So where do answer engines get their answers?

理解 AI answer engine 如何引用和检索信息，对 AI-first 网络时代的曝光至关重要。Profound 的分析显示，ChatGPT 大量依赖 Google 的索引，但把注意力以不同的方式分配到网络上，排名较低的页面往往也能获得曝光，而且这个行为会随模型版本变化。

• 与 Google 前 10 结果对比，GPT-5 的引用中有 19% 的域名与 Google 重合，既说明它依赖 Google 索引，也说明它的取材范围更广。
• 平均引用位置进一步下移，而中位数停在第 9 位，意味着 ChatGPT 引用 Google 结果页更靠后内容的概率，和引用靠前内容差不多。
• 各模型引用最多的域名：Reddit（3.5%）、Wikipedia（1.7%）、YouTube（1.5%）、Forbes（1.0%）。
• 不同模型的取材风格不同：Gemini 和 Perplexity 偏向主流简洁来源，DeepSeek 更倾向长文域名。
• 这意味着 Answer Engine Optimization（AEO）已经和 SEO 一样重要，因为曝光不只取决于排名，还取决于模型的引用模式。

从诉讼到合作：版权叙事的转向

Vibe shift: From litigation…

过去两年，版权方对 AI 公司的诉讼几乎遍及所有内容形态：唱片公司起诉 AI 音乐生成应用³⁹、《纽约时报》起诉 OpenAI 与 Microsoft⁴⁰、Getty Images 起诉 Stability AI、Disney 与 NBCU 起诉 Midjourney⁴¹。

… to collaboration

2025 年是「打不过就加入」正式成为媒体行业官方策略的一年。

• 新闻：超过 700 家新闻品牌签署了 AI 协议，包括 Washington Post、WSJ、Guardian、FT、The Atlantic、Condé Nast，甚至包括 NYT 自己（与 Amazon 的 2,000–2,500 万美元协议）——同时它还在继续起诉 OpenAI⁴²。
• 音乐：Hallwood 与 Suno 上播放量最高的「创作者」签约，Grammy 得主 Imogen Heap 发布了供粉丝 remix 的 AI 风格滤镜⁴³。
• 视频：AMC Networks 正式引入 Runway AI 进入制作流程，成为第一家这么做的主流有线电视网。
• 出版：Microsoft 与 HarperCollins 达成 AI 训练协议（作者可选择退出）⁴⁴。

Fair p(l)ay out

在宣布创纪录的 130 亿美元 F 轮后不久，Anthropic 同意支付 15 亿美元，和解一起来自图书作者的集体诉讼。这是美国版权案历史上最大的赔付，被一些人称为「AI 行业的 Napster 时刻」⁴⁵。

• 由于案件没有进入庭审，它并不构成法律先例，但在持续进行的 fair use 辩论中是一个非常重要的进展。由于这是一起「opt-out」集体诉讼，符合条件的作者可以申请排除在外、单独起诉。Anthropic 还同意删除那些被下载的作品。
• 6 月，一位法官曾支持 Anthropic，裁定用合法购买的图书训练 LLM 具有足够的转化性，构成 fair use；但同时裁定用盗版拷贝训练是非法的⁴⁶。此前 Anthropic 曾雇用 Google Books 的前负责人 Tom Turvey，他大批采购实体书然后制作数字副本用于模型训练。
• 在一次取证中，Anthropic 联合创始人 Ben Mann 作证说，他在 OpenAI 工作期间下载过 LibGen 数据集（其中包含盗版材料）。

Stargate 与主权 AI 的加盟店模式

Welcome to the Stargate: may the FLOPS be with you

10 年前，Baidu、Google 等展示了早期的 scaling law：用于训练的 GPU 越多，语音和图像识别的深度学习模型收敛越快。**那时候「多」意味着最多 128 张 GPU。**而今年 1 月，Sam Altman、孙正义、Larry Ellison 和特朗普总统一起宣布了 Stargate 项目：4 年内在美国投入 5,000 亿美元，建设总计 10GW 的 GPU 容量，相当于 400 多万张芯片⁴⁷。资金由 SoftBank、MGX、Oracle 和 OpenAI 提供。

OpenAI franchises sovereign AI with its “OpenAI for Countries” program

能源富裕的国家正在通过 OpenAI 精明的主权产品拿到自己的「superintelligence 门票」：一种正式化的合作，内容包括在本国建设 AI 数据中心容量、为公民提供定制版 ChatGPT、筹集并部署资金启动本国 AI 产业，当然也包括为 Stargate 本身募资⁴⁸。

• Stargate UAE 是第一个落地项目，规划 1GW 园区，2026 年先上线 200MW。合作方包括 G42、Oracle、NVIDIA、Cisco 和 SoftBank。
• Stargate Norway 排在第二，由英国 Nscale 与挪威 Aker 50/50 合资，目标是到 2026 年底交付 230MW 容量（可选再加 290MW）和 10 万张 GPU⁴⁹。
• Stargate India 据报道正在筹备，规模 1GW，同时 OpenAI 在当地推出了更便宜的「ChatGPT Go」⁵⁰。

OpenAI races to own entire AI stack

2020 年砍掉机器人项目、专注语言模型之后，OpenAI 现在完全反转了路线，正在从自研芯片、数据中心，一路垂直整合到模型、设备和 embodied AI。

• 消费设备：以 65 亿美元收购 Jony Ive 的 io，打造 AI-native 设备，绕开现有的 iOS / Android。
• 机器人：重启内部机器人部门；曾与 Figure AI 合作（现已终止）⁵¹。
• 自研芯片：与 Broadcom 合作研发自家 AI 处理器，目标 2026 年推出，以降低对 NVIDIA 的依赖⁵²。
• 数据中心：德州的 Stargate 超级集群，40 万张 GPU、1.2GW 容量，与 Oracle 合作，属于 5,000 亿美元建设计划的一部分，用于锁定算力供应。

自研芯片与云厂商的合纵连横

Broadcom’s great transformation

曾经是一家不起眼的半导体公司，Broadcom 如今通过与 Google、Meta 以及据传 OpenAI 的定制芯片合作，把自己放到了 AI 革命的最前沿。Amazon Trainium、Broadcom 参与的 TPU / MTIA 这类自研 AI 芯片，让前沿实验室在与 NVIDIA 谈几十亿美元的合同时更有底气。

• Broadcom 2013 年收购 LSI 时附带了一个小的定制芯片部门，如今它设计着 Google TPU 和 Meta 的 AI 芯片，从收购时占 LSI 收入不到 20%，成长为每年 20–30 亿美元以上的业务⁵³。
• Broadcom 的股价大幅飙升，反映投资者对其在快速增长的 AI 芯片市场中受益能力的乐观。
• Broadcom 的 AI 芯片收入在 2025 年三季度达到 52 亿美元，同比增长 63%。
• 定制芯片生态给 NVIDIA 的垄断带来压力：Amazon 的自研 Trainium 和 Broadcom 支撑的替代方案（Google TPU、Meta MTIA、OpenAI 即将推出的芯片）给超大规模厂商提供了多条降低 NVIDIA 依赖的路径——只要它们愿意承受迁移的痛苦。

Google’s TPU timeline

从 2015 年的第一代 TPU 到今天，Google 的 TPU 路线图是这场自研芯片浪潮中唯一经过完整世代验证的样本。

OpenAI and its benefactor, Microsoft, navigate a rocky relationship

OpenAI 近期的重组和对训练算力的暴涨需求，给它与 Microsoft 的关系带来了巨大压力。虽然裂痕已经可见，但彻底分手看起来不太可能。

• Microsoft 无力（或不愿）足够快地把训练算力上线，已经影响了 OpenAI 的路线图。当 OpenAI 转向 Oracle 来满足这些需求时，Microsoft 放弃了行使自己的「优先拒绝权」——它们似乎不愿押注下一代中心化超级集群⁵⁴。
• 同时 OpenAI 似乎在试图摆脱合作中的其他关键条款。到 2030 年前，Microsoft 保有 20% 的收入分成、对 OpenAI IP 的访问权，以及 OpenAI API 的独家性。而 OpenAI 希望在这个十年结束前把 20% 的分成降到 10%⁵⁵。
• Microsoft 始终可以阻挠营利实体向 PBC 的转换，而如果这件事在 2025 年底前没完成，可能让 OpenAI 损失 200 亿美元融资。反过来，如果 Microsoft 表现出敌意或在某些 AGI 条款上翻脸，OpenAI 也保留提出反垄断关切的选项⁵⁶。
• Microsoft AI 也发布了自研的语音模型和一个用 1.5 万张 H100 训练的 MoE 模型的预览版⁵⁷。用 Mustafa Suleyman 的话说：「我们在他们下面、上面、周围。」

Oracle steps up as a key buildout partner for AI infra

随着 Microsoft 收回承担未来 AI 基建的意愿，Oracle 开始接手，并在这次转换的早期获得了回报——股价大涨。

• OpenAI 与 Oracle 达成了每年 300 亿美元的数据中心服务协议⁵⁸。这笔单子本身就超过 Oracle 2025 财年全部云服务收入（245 亿美元）的两倍。
• 这个消息发生在 OpenAI 与 SoftBank 的合作开始出现摩擦之际：最初的 Stargate 计划最近被缩减，路线图有所收敛⁵⁹。
• Oracle 填补了这个真空，证明自己拥有 Microsoft 和 SoftBank 似乎都缺乏的风险偏好和执行力。结果是 Oracle 股价年内涨幅超过 70%。
• 但 Oracle 当前的路径也有重大风险：提供大规模集群从来不是特别高回报的生意，尤其在电力瓶颈的克服成本很高的情况下；AI 实验室的紧张状况最终可能给长租约带来问题；折旧断崖也令人担忧，而把这些集群转为推理机队的经济性仍然模糊。如果 scaling 继续向 RL 倾斜，更分散的建设方式可能反而胜出。

电力成为新的瓶颈

AI labs target 2028 to bring online 5GW scale training clusters

Anthropic 表示，到 2028 年，在前沿训练模型将需要 5GW 容量的数据中心，这与其他实验室的路线图一致⁶⁰。这类工程的可行性取决于很多因素：

• 超大规模厂商能在「表后」（behind-the-meter）自建多少发电能力？在这种规模下孤岛运行大概不现实，数据中心必须接入电网资产。
• 各方能多快穿过许可与并网的泥潭？虽然改革在推进，但这种量级项目的并网时间可以长达数年。超大规模厂商可能通过游说和需求响应计划来跳过排队——即在高峰期削减用电（Duke 最近一项研究预测，在 0.25% 的削减率下可释放 76GW 新增可用容量）⁶¹。
• 能实现多大程度的去中心化？很多实验室仍在追求单站点园区，但分布式方案也在快速推进。
• 超大规模厂商能否应对人才和供应链短缺？试图用巨额资本一次性解决电力基础设施和熟练劳动力瓶颈，可能会超出配套方的风险承受能力。

Measuring contest: planned ~1GW scale clusters coming online in 2026

集群规模正在成为美国各实验室之间的一个定义性标签，在招人时尤其有用。但如果估值开始跟着集群规模走、而不是跟着采用率或财务指标走，那么一个更大的泡沫可能开始形成⁶²。

A 1GW AI data center cheat sheet

报告给出了一张 1GW AI 数据中心的「速查表」，把芯片数量、机柜、冷却、变压器、发电容量等要素都换算成了可比的物理量。对做 Infra 的人来说，这张表比任何宏观叙事都更有用。

Shortfall forecasts spike and consequences loom around the corner

• NERC 报告称，美国若干主要区域可能在未来 1–3 年内出现电力短缺⁶³。DOE 警告，由于不可靠性和新增 AI 需求，到 2030 年停电频率可能高出 100 倍⁶⁴。
• 类似地，SemiAnalysis 预测，如果预测中的 AI 数据中心需求全部落地，到 2028 年美国将出现 68GW 的隐含缺口⁶⁵。
• 作为一个正在形成的模式，这会迫使企业越来越多地把 AI 基础设施建到海外。由于美国最亲密的许多盟友同样在电力可用性上吃紧，美国将被迫转向其他伙伴关系——最近中东的一系列交易就是明证。
• 而在美国本土落地的项目会进一步拉紧老化的电网。供给侧瓶颈和 AI 需求的快速尖峰可能引发停电和电价飙升。ICF 预测居民零售电价到 2030 年可能上涨最多 40%⁶⁶，这些因素可能进一步加剧美国公众对前沿 AI 项目的反弹。

数据中心的碳与水

Could data centers ever truly be green?

大规模 AI 建设把数据中心的排放推上了更陡的轨道，而各种创造性的碳核算手法仍在持续低估许多超大规模厂商的真实排放⁶⁷。

• 随着更多供应商用天然气电厂做孤岛供电、电网运营商重新启用或延迟退役现有煤电，数据中心相关排放可能激增。
• 当 AI 工厂最终被外迁到其他地区时，那些地方的碳强度很可能远高于美国，这将迫使云厂商更激进地采购碳抵消额度。
• 误导性的碳核算做法也很普遍：一些超大规模厂商省略了上游类别，比如制造 IT 设备、建设或维护相关电厂所产生的排放；而「额外性」协议也可能覆盖那些本来就已经计划开工的新可再生能源项目。

Just how thirsty are AI factories?

AI 工厂取水量相当可观，而且更可能建在高水资源压力地区。不过大多数 AI 工厂的 Water Usage Efficiency（WUE） 趋势是向好的。

• 美国一个平均 100MW 的超大规模数据中心每天消耗约 200 万升水，其中大部分来自发电环节的间接代价。但随着现代 AI 数据中心转向闭环液冷，它们的 WUE 相对传统数据中心大幅下降⁶⁸。
• 二阶成本不可忽视：新 AI 工厂数量持续激增会带来更多发电上线。在美国这造成了地理错配——电力可得或容易新建的地方，往往位于更干旱、水压力更大的气候带。转向水密集型发电（尤其是核电、煤电和某些天然气电厂）会加剧这一趋势。
• 目前日常 AI 使用的影响可以忽略：一次典型的 Gemini app 文本 prompt 只消耗 0.26 毫升水（约 5 滴）⁶⁹。但随着 AI 交互消耗越来越多 token，WUE 仍需被持续监测。

Google inks PPA deal with CFS to buy ≥200 MW of electricity from planned fusion plant

Google 与 Commonwealth Fusion Systems 签署购电协议，承诺从一个规划中的聚变电厂购买至少 200MW 电力⁷⁰。这一承诺为一种要到下个十年初才可能具备部署条件的能源提供了需求信号，从而启动了新一轮投资。

• 尽管对下一代能源的支持依然强劲，聚变距离为 AI 的电力需求提供可规模化方案还有很多年。AI 的能源足迹是一条非常陡的曲线，而下一代能源的时间表并没有被压缩。
• 这也标志着另一个转变：越来越多是超大规模厂商、而不是美国政府，在为距离商业可行性尚有多年的技术买单——比如聚变、量子计算和前沿 AI 研发。

中国的 open-weight 攻势与出口管制的钟摆

Chinese labs have yet to advance the frontier, but compete in the open-weight domain

阿里、DeepSeek、Moonshot、MiniMax 这些中国实验室在持续发布令人印象深刻的 open-weight 模型，它们与大多数美国开源替代方案之间出现了明显的能力差距⁷¹。

• 美国的开源模型努力令人失望：OpenAI 的 open-weight 模型表现平淡，与 GPT-5 差距很大。
• Meta「Superintelligence」团队的重组，让人怀疑它们在前沿开源上的承诺。Ai2 这类团队在资金上远远落后——尽管最近从 NVIDIA 和 NSF 拿到 1.52 亿美元，这个数字甚至比不上 OpenAI 2015 年的初始捐赠⁷²。
• 相反，中国的机构在持续突破边界，同时公开了大量新的算法效率成果。

…yet is this an overt strategy or a side-effect of China’s inability to scratch the frontier?

中国对开源社区的投入，可能是一种长期战术，也可能是为了达到前沿能力水平而采取的短期手段。无论如何，它在追赶上已经被证明有效。

• 开源项目虽然能成功积累心智份额，但竞争现实依然存在：一旦建立领先，闭源在商业上更合理——更容易产生回报，也更能保护算法上的突破。
• 但中国近期的《AI 行动计划》确实包含专门一节，强调「建设跨国开源社区和安全可靠的开源平台」的责任⁷³，这一主题在官方其他表述中也反复出现。
• 其他中国 AI 领导者，比如梁文锋，也越来越认同开源文化，把自己的贡献视为赢得全球认可和「尊重」的方式⁷⁴。

Flip-Flop: new chip restrictions imposed then dropped…but has the damage been done?

BIS 最初给 NVIDIA 和 AMD 发函，要求向中国销售 H20 与 MI308 芯片必须申请许可，实质上让销售停摆。几个月后，特朗普政府又撤回了这些管制。

• 中方立即否认这一让步与正在进行的贸易谈判有关，引发外界猜测这一举动其实是为了遏制华为这类中国芯片厂商。也有人认为这次转向是为了确保 NVIDIA 在 Secure Chip Act 这类位置验证倡议上配合。
• NVIDIA 欢迎这一转变，宣布计划履行现有订单。但中国的云厂商已经取消了这些采购，H20 产线最近也停产。NVIDIA 转而等待两国的指令，希望推出基于 Blackwell 架构的 B30A 产品线。
• 由于战略上的相互依赖，试图加深中国对美国 AI 加速器生态的依赖，在模型层是有代价的：在这种情形下，中国实验室能继续用到高带宽算力，从而提升服务客户和开发重 RL 推理模型的能力。虽然走私看起来不可避免，出口决策本质上是在这两层技术栈之间来回摆动的钟摆。

China getting addicted to “third-rate” US chip technology? No, sir（不会吧!）

在美国出口政策反复、以及 Lutnick 说出「你要卖给中国足够多，让他们的开发者对美国技术栈上瘾，这就是思路」之后，北京从「缓解」转向了「国产替代」：监管把需求从 NVIDIA 引导开，同时晶圆厂和供应商扩大国产选项的产能⁷⁵。

• 中国网信办（CAC）、发改委（NDRC）和工信部（MIIT）要求大型平台停止新的 H20 订单，并建议避免所有 NVIDIA 芯片，把推理推向本地器件。
• 三家为华为服务的晶圆厂和头部代工厂中芯国际（SMIC）计划扩产，可能让中国 2026 年的 AI 芯片产量增至三倍；SMIC 还计划把 7nm 产能翻倍⁷⁶。
• DeepSeek 的 FP8 格式正在引导国产设计，而长鑫存储（CXMT）在测试用于本地堆栈的 HBM3。
• 寒武纪是早期赢家，上半年营收增长 44 倍、利润达 10 亿人民币，因为字节跳动和腾讯转向国产推理芯片；消息之后股价涨幅超过 100%。
• 一个容易被忽视的结构性优势：中国可以承受 flops/watt 效率更低的系统，因为它们并不受电力约束。

Rampant smuggling also shifts export control calculus

在 H20 临时禁令期间，价值 10 亿美元的 NVIDIA 芯片被走私到中国。加价传闻在 50% 左右，对黑市产品来说算是相对低的，说明中国境内被转手的 GPU 供应相当充足⁷⁷。

• 走私模式在禁令期间明显加剧，禁令撤销后急剧回落。基于这个关系，中国的 AI 力量似乎更偏好被「阉割」的 NVIDIA 芯片，而不是国产方案或走私 GPU（后者要承担加价、合规风险和缺乏支持）。滑动比例的限制方式可能反而削弱中国的走私能力，把更多 SOTA 芯片导向西方。
• 与此同时，长期否认存在转售证据的 NVIDIA 终于承认了走私的存在⁷⁸，并把这类活动定性为「必败的买卖」，因为它们只为授权的数据中心产品提供服务。通过基于位置的证明固件，技术上是可以阻止未来转售的，但这些手段并非完全无懈可击⁷⁹。

China mobilizes 115,000 restricted GPUs in massive data center project

中国计划建设 39 个新的 AI 数据中心（主要在新疆和青海），使用未获授权的 Hopper GPU。在这些被转手的 H100 和 H200 中，约有 8 万张计划部署在义乌县的一个国有集群里⁸⁰。

• 这次建设的消息表明了中国黑市操作的规模和精密程度。国家的参与也说明中国的领导层已经在前沿 AI 竞争中觉醒。
• 这个中心化集群将显著提升中国实验室可用的规模。已公开的 SOTA 中国模型资料显示，今天的系统是用 1,000–10,000 张 GPU 训练的⁸¹。

From DeepSeek’s deep freak out morphs into a full-tilt on Jevons Paradox

这条叙事线的转折非常有戏剧性：「恐慌！！！500 万美元就能做前沿 AI！！」→「市场一天蒸发 NVIDIA 6,000 亿美元！！」→「等等，500 万美元只是最后一次训练运行，不是整个项目」→「更便宜的智能 → 更多需求 → 更多芯片」。

DeepSeek V3 论文里那句注释被反复引用：「注意上述成本仅包括 DeepSeek-V3 的正式训练，不包括此前在架构、算法或数据上的研究和消融实验成本。」⁸²而市场在一天内从 NVIDIA 抹去约 6,000 亿美元市值⁸³，最终又以 Jevons 悖论的逻辑回归——成本下降带来的是用量爆发，而不是需求萎缩。

Sparking backlash from US labs invoking data theft and the need for chip bans

这也引发了美国实验室的反弹，理由集中在数据窃取和加强芯片禁令的必要性上——其中最有代表性的是 Dario Amodei 关于 DeepSeek 与出口管制的长文⁸⁴。

Assessing the current pros and cons of modern chip export controls

报告用一张表列出了当前芯片出口管制的利弊，值得完整读一遍⁸⁵：

支持的理由

• 更差的选项会拖慢对手的 AI 投资，中美之间的 AI capex 差距已经是 10:1。
• 更少的总 flops 会通过限制可用 agent 和助手的数量来阻碍采用。
• 为美国的 AI 项目腾出产能。
• 摧毁对手在追求自主可控过程中可用的桥梁。
• 抽干对手用于「军民融合」AI 项目的资源。
• 把关本身能带来政府收入来源。
• 切断供给会让对手更难输出自己的技术栈。

反对的理由

• 被迫离开美国技术栈的开发者，反而会去壮大外国软件生态。
• 失去的现金流会拖累美国的 R&D 与并购，同时支撑了外国竞争者的支出。
• 更严的管制会激励走私。
• 管制可能不加区分地阻断 AI 扩散的好处，并引发反制（例如稀土管制）。
• 执法难度会拉紧与那些存在转售渠道国家的关系。
• 位置护栏这类防御措施，如果被认为越界，反而可能让外国方案更有吸引力。

算力与电力：中美对比

AI supercomputer supremacy: US domination and corporate concentration

**美国控制着全球约 75% 的 AI 超算容量，折合 85 万张 H100 等效，而中国是 11 万张。**更值得注意的是，算力的集中度已经从公共部门转向私人手中：企业现在控制着 80% 的 AI 超算，而 2019 年只有 40%⁸⁶。尽管存在这样巨大的算力优势和出口管制，中国仍在持续、且跨模态地交付非常有竞争力的开放权重模型。

• 美国的计算性能是中国的 9 倍、欧盟的 17 倍。这形成了一个自我强化的循环：算力优势带来突破，突破又吸引更多投资。
• 到 2030 年，领先的 AI 超算可能需要 200 万张芯片、2,000 亿美元和 9GW 电力（相当于 9 座核反应堆），这使得电网容量、而不是芯片或资本，成为最可能的约束条件。
• 40% → 80% 的私有化转移限制了学术界的算力可得性，也削弱了政府对 AI 发展的可见度：企业能负担 70 亿美元的系统，而政府项目上限只有 6 亿美元，这既造成研究瓶颈，也造成政策盲区。

Racing toward indigenous semiconductor capacity

台湾在先进制造产能上继续保持绝对优势，在世代和产量两个维度都遥遥领先（3nm 约 12.5 万 WPM、2nm 约 4.5 万、4nm 3.6 万、7nm 3 万）⁸⁷。

• 到目前为止，半导体设备（SME）出口管制看起来在拖慢中国能力上是有效的。外界预期 SMIC 会在明年初启动全规模 5nm 运营，但良率不太可能达到其他行业领先者的水平。而且这有限的产能还必须分摊到手机、笔记本等广泛的消费产品基座上。
• TSMC Fab 21 一期把关键产能带回了美国。虽然 AMD 会把其中一部分产能用于生产 AI 芯片，先进封装仍然要在台湾完成——美国距离自给自足还有多年。
• 台湾在自身先进制程之外，也保留了很多较老制程的产能，但其中很大一部分会被快速转换到 2nm 和 3nm。

Power Plays: China and the United States

在两个超级大国竞相为自己的 AI 野心供电时，中国拉开了明显的领先。以下是 2024 年的关键对比（美国 vs 中国）：

• 新增装机容量：48.6GW vs 429.0GW
• 退役容量：7.5GW vs 约 3.3GW
• 净新增容量：41.1GW vs 427.7GW
• 有效运行备用容量率：29% vs 约 37%
• 可再生能源弃电率（2025）：约 5.2% vs 6.1%
• 火电机队容量因子：40.4% vs 39.3%
• 输电投资：301 亿美元 vs 847 亿美元
• SAIDI 停电时长（2023）：2.1 小时/年 vs 约 6.9 小时/年
• 每 kWh 碳强度：384 gCO₂e vs 560 gCO₂e
• 工业电价：8.15 美分/kWh vs 8.90 美分/kWh

Power Plays: China and the United States（续）

**没有足够的电，国家级 AI 计划就会崩塌。**2024 年中美都创下了峰值电力需求记录，分别是 1,450GW 和 759GW⁸⁸。虽然中国要服务更多需求，但它同时在建立更大的可用电力冗余：

• 中国的备用容量率开始超过美国，意味着能容纳新增负荷的缓冲更大。与此一致的是，中国火电机队运行时距离最大容量更远。
• 随着更多可再生容量在中国上线，弃电率也超过美国。虽然阻塞会带来问题，但它也说明中国的光伏和风电项目处于低利用状态，可以被重新导向新的数据中心⁸⁹。
• 美国确实保有某些优势：停电更少（中国可能因煤价波动出现中断，从而影响某些数据中心的可靠性）；数据中心的平均电价更低（但各州/省差异很大）；美国电网每 kWh 的排放也明显更少。

什么是「主权 AI」

So, what is “Sovereign AI”?

从上到下，不同国家在追求截然不同的「Sovereign AI」剧本：

• 资金来源：有的国家依赖私人投资（Stargate 和法国的计划），有的动用主权财富基金（MGX、QIA），还有很多国家仍然靠政府直接投资工具。
• 目标：有的希望开发能保护本国语言与文化的微调模型，有的试图拉起国家算力集群，还有的试图大规模提升本国人口的技能水平。
• 自主程度：有的国家在 AI 价值链上高度依赖外国供应商，有的则倾向在一层或多层技术栈上追求国产化。很多国家支持本土创业公司，也有的优先投资海外机会。
• 整体上，海湾国家和中国仍在推进最有野心、最显性的主权 AI 计划，混合使用了上述多种策略；而像美国这样的国家，总体上专注于让自己的冠军企业领跑，顺着私人资本的浪潮走。

The Sovereign AI spending spree

报告统计了全球主权 AI 支出的分布，其中只包含来自政府直接投资和/或主权财富基金的资金。

Sovereign AI: the hype and the hard truths

国家追求「主权」的理由，和它们要有本国公用事业、制造业边界、军队和货币的理由是一样的：掌控自己的命运。但「sovereignty-washing」的风险是真实存在的——为了政治得分而投资 AI 项目，并不总能推进战略独立。

• 如果不支持本土能力，主权 AI 项目反而可能加深一个国家对外国供应链的依赖。这些投资也许能通过生产率提升带来回报，但更强的经济独立性无法保证。事实上，大多数主权项目会把国家进一步拉进美国的轨道，而随着中国发展出端到端的交钥匙方案，很快也会拉进中国的轨道⁹⁰。
• 「sovereignty-washing」也可以表现为政治领导人把本来就已规划或在进行中的私人投资归功于自己。虽然 Stargate 项目由特朗普总统宣布，但所有真正的资本、控制权和战略决策都由私人主体驱动。
• 为「主权」而投资也可能在未来造成供给过剩。如果没有持续的需求，这些项目可能导致算力闲置，尤其在效率提升不断累积的情况下（例如中国地方政府/国企的疯狂投资曾造成大范围的芯片产能过剩）⁹¹。

Sovereign AI: the hype and the hard truths（续）

如果 AI 很快要被当作一种基本公共服务，各国就必须面对一个现实：它们的主权 AI 战略布满漏洞。如果你的 AI 栈完全被另一个国家主导，尤其是在基础设施层，那么你的国民获取 AI 技术的能力本质上是有风险的：

• 司法管辖风险：外国 AI 供应商在自己国家的法律下运营，因此出口限制和其他国家安全指令可能覆盖服务协议。
• 供应链安全风险：依赖外国基础设施的主权 AI 项目必须管理网络安全漏洞（后门、kill switch、侧信道攻击）相关风险。
• 数据隐私风险：同样，依赖外国供应商可能导致敏感数据和算法机密被不当处理。
• 现代 AI 供应链高度全球化、深度纠缠，各国不可能把每一层都搬回国内。但如果没有更强的国际治理和具体保证，主权努力会让国家暴露在一系列经济威胁之下。

The world’s top “Sovereign AI” evangelist

黄仁勋在持续游说各国增加「Sovereign AI」投资，而这场全球布道已经得到了回报。在最近的 Q2 FY2026 财报电话会上，CFO Colette Kress 表示 NVIDIA 「今年有望实现超过 200 亿美元的主权 AI 收入，是去年的两倍多」⁹²。

• 尽管只占预测年收入的约 10%，主权 AI 仍是 NVIDIA 最强的新需求驱动之一。美国实验室推进自研 ASIC、以及中国持续的国产化，都会给这个关键高增长类别带来更大压力。
• 但即使黄仁勋满世界跑，一些新的主权项目也已经开始分散化：例如 G42 宣布计划为其规划中的 UAE-US AI 园区，从 AMD 和 Cerebras 采购部分算力容量⁹³。
• 随着越来越多云厂商和实验室试图规避「NVIDIA 税」，许多主权项目也可能这么做。

NVIDIA 的收入集中度与 neocloud 崛起

Digging into NVIDIA’s revenue concentration

尽管主权需求在上升，NVIDIA 的数据中心收入仍然由美国的云和 AI 巨头主导，它们如今占了 NVIDIA 数据中心销售额的近 75%。

• NVIDIA 2025 自然年的数据中心收入预测在 1,700–1,800 亿美元之间浮动，主要取决于中美双方即将出台的出口管制决策的严格程度和时点。
• 虽然超大规模厂商在 2025 年订了更多芯片，但两家拥有自研芯片项目的云——Amazon 和 Google——把更小比例的资本支出投向了 NVIDIA 采购。
• 直接采购绝大部分流向 Dell、SuperMicro、Lenovo、HPE 这些 OEM 伙伴。

The rise of GPU neoclouds in public and private markets

上市公司 CoreWeave 和 Nebius、私营公司 Lambda 和 Crusoe 都在快速增长，客户看中的是有吸引力的定价、合同条款和面向 AI 的软件栈。

循环交易：共生还是死亡陷阱

NVIDIA’s circular GPU revenue loops

NVIDIA 持续投资或向 AI 实验室和 neocloud 销售 GPU，而当这些公司把资金再循环回 NVIDIA 硬件、或者把 GPU 容量反租给 NVIDIA 时，NVIDIA 就获益。

• OpenAI（2025）：NVIDIA 宣布计划投资最多 1,000 亿美元，与 OpenAI 一起开发至少 10GW 数据中心容量⁹⁴。链条是：NVIDIA 投资 OpenAI → OpenAI 及其数据中心运营方购买 GPU。
• CoreWeave（2025）：63 亿美元协议，由 NVIDIA 收购未被使用的 GPU 云容量⁹⁵。链条是：NVIDIA 资助 CoreWeave → CoreWeave 买 GPU → NVIDIA 承诺把 GPU 反租回来。
• Nebius（2024、2025）：与 NVIDIA 的 7 亿美元融资；与 Microsoft 的 170–190 亿美元 GPU 容量合同。
• Oracle（2025）：OpenAI 承诺在约 5 年内（从 2027 年起）从 Oracle 采购约 3,000 亿美元 AI 算力。
• xAI（2024、2025）：60 亿美元 C 轮（NVIDIA 参与）；120 亿美元债务计划用于购买 GPU；Colossus 约 10 万张 H100，目标 100 万张。
• Lambda（2025）：NVIDIA 签下 15 亿美元合同，向 Lambda 租用 1.8 万张 GPU 四年⁹⁶。

Other notable circular investments

Oracle / OpenAI / NVIDIA 这个三角吸引了最多注意力，但循环交易已经变得非常普遍——比如 Microsoft 与 OpenAI、Amazon 与 Anthropic（Trainium 与股权转换）、Meta 与 Scale AI 的 148 亿美元交易⁹⁷，以及 ASML 领投并成为 Mistral 最大股东⁹⁸。

Symbiosis or deathtrap: circular AI deals and potential warning signs

循环 AI 交易引入了新的市场风险，那么哪些红旗值得警惕？

• 收购高增长 AI 公司的股份，已经成为现金充裕的巨头的一个出口。它们看到自己的投资以收入形式回流，甚至是在无现金的基础上。如果这种「空心收入」的上升损害了现金流并扭曲财务指标，风险就会出现（大量回流的无现金收入会抬高 capex / 收入比或估值倍数这类指标）。
• 很多 AI 创业公司的融资轮都是超额认购的。但这些公司常常仍选择与在位巨头做交易，因为有定价支持这类附带好处。然而，如果在位巨头变成唯一愿意出资的资本来源，麻烦就不远了。
• 目前大多数在位巨头并不控制 AI 实验室的决策。但更大的重叠可能带来利益冲突，从而扭曲支出趋势。到目前为止，反垄断审查是一个阻碍因素。
• AI 创业公司最终可能主导在位巨头的需求和投资组合。这种相互依赖一旦遇上这些创业公司倒掉，就可能触发多米诺效应。

债务、SPV 与石油美元

Borrowed Intelligence: the growing use of debt instruments

AI 技术栈上的各类机构，开始更强地依赖私募信贷方案来为越来越有野心的建设融资。**和过去的周期一样，这带来了可能的陷阱。**过去一年最大的借贷事件包括：Meta 通过 PIMCO 和 Blue Owl 为数据中心扩张融资 290 亿美元⁹⁹、JPMorgan 与 MUFG 牵头为 Vantage Data Centers 提供 220 亿美元贷款¹⁰⁰、CoreWeave 由 Blackstone 和 Magnetar 领投的 75 亿美元债务融资¹⁰¹。

Out with corporate borrowing, in with SPVs, JVs and accounting gymnastics

为了让资产负债表看起来健康，超大规模厂商越来越多地使用 SPV 这类复杂金融结构。这种财务上的障眼法，掩盖了 AI 行业内部堆积如山的债务¹⁰²。

• 超大规模厂商通过 special purpose vehicle（SPV）把债务转移出去。在 SPV 里，超大规模厂商出资产（GPU 集群），金融伙伴注入资本。虽然超大规模厂商保有对 GPU 集群的控制和使用权，债务却坐在母公司之外。
• 超大规模厂商为此支付 2–3% 的溢价，以保护自己的信用评级和投资者情绪。私募信贷方很喜欢这类交易，因为借款人可靠，而且管理超大项目比管理很多小额贷款更容易。
• **如果利用率不达预期，风险就会出现。**由于 SPV 位于核心业务之外，且常受严格的现金流契约约束，违约变得更有可能。同时，私募信贷基金往往由长期的养老金或保险资本支撑，却在为寿命短、折旧快的资产融资。这造成了一种期限错配：AI 数据中心被当成了长寿命、稳定的基础设施项目。
• 例子包括 Meta 的 260 亿美元交易、Stargate、Vantage 在德州的交易，以及 CoreWeave。

Petrodollars are bankrolling the American AI dream

中东资本已经成为渴求资金的 AI 实验室和基础设施的主要成长期资金来源。**有 MENA 投资者参与的 AI 融资占比在 2024 年跳到历史新高，而这些钱绝大部分流向美国公司。**这些交易通常是无投票权、董事会席位很少的，让实验室既能大规模融资又能保住控制权——至少目前是这样¹⁰³。

挑战者们与「Huawei 假设」的松动

“Challengers” are no closer to catching NVIDIA

NVIDIA 的许多竞争对手，无论国内还是国外，都还没有获得有意义的动能。

• 今年早些时候，Groq 向投资者报告预期 2025 年收入将超过 20 亿美元。最近几个月，这个预测被大幅下调到仅 5 亿美元¹⁰⁴。
• AMD 二季度数据中心业务的财报表现平淡。数据中心收入很大程度上由 EPYC CPU 撑起，而该板块 14% 的增长率与 NVIDIA 近期的暴涨相比仍然逊色¹⁰⁵。
• 华为面临越来越多的挑战，比如 HBM 瓶颈，可能约束其增长。需求侧，中国许多云巨头把华为视为激烈的竞争对手，这导致它们对采用华为技术栈有抵触¹⁰⁶。
• Cerebras 的主要投资方 G42 已同意在 2025 年底前采购 14.3 亿美元的设备，但 Cerebras 是否从其他客户获得了牵引力仍不清楚。

NVIDIA’s large lead persists within the AI research community

2024 年有 4.9 万篇开源 AI 论文明确引用了 NVIDIA、TPU、AMD 或类似加速器，同比增长 58%。我们对 2025 年的预测（数据截至 9 月）是 45,600 篇，同比下降 7%，这是六年来的首次下滑。NVIDIA 在算力提及中仍然占约 90% 的绝对主导，尽管低于 2023 年 94% 的峰值¹⁰⁷。AMD 借 MI300X 的势头增长超过一倍，而 TPU 的提及在 v6 之后仍下降 25%。

• 时间差可以解释很多：2024 年末在 H100 和 H200 上启动的工作会在 2025 年末才浮现。
• 出于竞争和安全审查，实验室发表得明显更少也更晚。
• 作者越来越多地使用托管 API 和共享云，因此他们写的是服务名而不是芯片名。
• 更高的 GPU 成本把学术界推向推理和基于强开放权重的轻量微调。

Inside NVIDIA mentions: Hopper surges, edge rises, legacy fades

论文中引用的 NVIDIA 加速器组合正在轮动：更老的芯片让位给 Hopper（H100/H200）和高端消费级 GPU，边缘侧也有同步上升。

• H100/H200 同比增长约 126%，反映 2023–24 年的建设终于体现在论文里（增速在 2025 年趋缓）。
• Jetson 同比增长约 24%，与机器人 / 边缘 AI 和低功耗推理兴趣的上升一致。
• V100 从 2023 年峰值持续逐年下降，老机队正在退役。
• GeForce 内部轮动：RTX 3090 从 2024 年峰值回落，而 RTX 4090 同比增长约 39%。

What chips power which research? Topic skews by accelerator (H1 2025)

报告对 2025 年 1–6 月的 6,356 篇论文按主题打标，再看每篇引用了哪种加速器，模式非常清晰：大型 LLM 工作聚集在数据中心器件上，而机器人和边缘设备压倒性地使用 Jetson。

• LLM 偏爱数据中心 GPU：AMD MI300 在 LLM 论文中最突出（比平均高 43 个百分点），MI250、华为 Ascend 和 NVIDIA H100/H200 也很常见。LLM 与 ASIC、Jetson、4090、Apple M1 的关联最弱。
• Jetson 主导机器人和边缘计算，在计算机视觉中也有出现。
• 不同模态有各自的偏好：Apple M4 偏向多模态和语音工作，而 RTX 4090 最常用于 3D 模型。
• FPGA 很少与 diffusion model 和 RL 一起使用。

Startup silicon is still (mostly) on the sidelines

在挑战者加速器（Cerebras、Groq、Graphcore、SambaNova、Cambricon、Habana）中，论文提及仅同比增长 3%，2025 年预计 593 篇。虽然动能是正的，但这仍然只占所有引用加速器论文的 1.3%。

• Cerebras：WSE-3 通过开源 SlimPajamas-2 的大规模训练运行获得曝光。
• Groq：LPU 在病毒式的低延迟演示后赢得推理心智份额。
• Habana（Gaudi-2）：在 AWS 资助项目中保持稳定。
• Graphcore：被 SoftBank 收购后从 2022 年峰值急剧下滑。
• SambaNova / Cambricon：小众，轨迹更平。

Tracking the returns on investments in NVIDIA’s Western challengers

自 2016 年以来，约 75 亿美元投入了主要的西方 AI 芯片挑战者。如果投资人当时只是按当日股价买入等额的 NVIDIA 股票会怎样？答案是：那 75 亿美元今天会值 890 亿美元（约 12 倍），而投在挑战者身上只值 143 亿美元（约 2 倍）。

Tracking the returns on investments in NVIDIA’s Chinese challengers

同样的计算用在中国挑战者上：自 2016 年以来约 60 亿美元投入，**如果换成 NVIDIA 股票今天会值 1,603 亿美元（约 26 倍），而投在中国挑战者身上值 358 亿美元（约 6 倍）。**注意后者的倍数明显高于西方挑战者。

… yet the gains of Chinese chip startups have largely come in the past year

而且中国芯片创业公司的收益基本都发生在过去一年：以寒武纪股价约 7 倍的暴涨为代表，中国挑战者持续受益于一系列顺风。沐曦（MetaX）、摩尔线程、天数智芯（Iluvatar CoreX）和壁仞（Biren）都在探索 2025 年下半年 IPO¹⁰⁸。

• 在 2025 上半年 4,348% 的收入增长基础上，寒武纪已经拿到了贯穿 2026 年的强劲订单。据报道它 2024 年只卖了约 1 万张 GPU，2025 年将出货约 15 万张，传闻 2026 年订单可能达到 50 万张¹⁰⁹。但公司最近在投资者电话会上给这些传闻降温：「[我们的]股价存在偏离当前基本面的风险，参与交易的投资者可能面临重大风险。」
• 被寒武纪的倍数吸引，很多中国创业公司希望搭上这波热潮，体现在 2025 年中以来竞争者提交的 4 份以上 IPO 招股书。
• 尽管有些估值偏泡沫，乐观也有真实理由：来自中国云厂商和国企的需求在爆发，政府指令偏向国产方案；随着 SMIC 推进和华为追求更强垂直整合，产能也在释放。最后，挑战者还受益于 B30A 时间表的持续不确定性和 CANN 的长期问题。

The Huawei Assumption

华为对中国 AI 领域的持续主导，长期以来被西方观察者视为一种必然。但近期的一些动荡表明，华为对中国 AI 芯片市场的掌控可能没有外界想象的那么坚固。

• 2025 年中国厂商生产的 XPU 数量中，华为只占约 62%。作为对比，NVIDIA 仍控制全球 XPU 市场的 90% 以上¹¹⁰。
• 据报道，DeepSeek 的 R2 发布因为华为硬件相关的障碍而延期。此外有猜测称，华为在用 Ascend 芯片开发 SOTA 模型遇到困难后解散了整个 Pangu LLM 团队。内部举报者甚至指称，近期 Pangu 系列中的若干模型并非从零开发，而是基于对已有 Qwen 和 DeepSeek 模型的继续训练克隆而来¹¹¹。
• 阿里和百度已经开始采用自研芯片进行训练，有传闻称字节跳动也可能跟进¹¹²。与美国云厂商的类似努力不同，中国厂商近期的这一推动可能部分源于华为在多个领域同时是活跃的竞争对手。

人才战争

The AI Hunger Hiring Games

顶级 AI 公司之间的人才争夺是一场持续的全面战争，伴随着令人瞠目的薪酬包，以及金钱与使命之间的冲突¹¹³。Altman 公开指责 Zuckerberg 用「1 亿美元签字费」这种疯狂手段挖人¹¹⁴，而 Microsoft 也在积极从 Meta AI 挖角。

The Mass Migration (from OpenAI and others)

没有人能免于人员流失，但 OpenAI 把自己核心中的很大一部分输给了新创业公司和挖角。这个曾经人才密度最高的组织，必须重新反弹才能守住自己的先发优势¹¹⁵。

• 流向 Meta：Shengjia Zhao、Jiahui Yu、Shuchao Bi、Hongyu Ren、Jason Wei、Lucas Beyer、Hyung Won Chung、Trapit Bansal。
• 流向 Thinking Machines：Mira Murati、Alec Radford（顾问）、John Schulman、Barret Zoph、Lilian Weng、Luke Metz、Bob McGrew。
• 流向 Anthropic：Amodei 兄妹、Jack Clark、Jan Leike、Tom Brown、Jared Kaplan、Benjamin Mann、Sam McCandlish、Chris Olah、Durk Kingma、Amanda Askell、Pavel Izmailov。
• 流向 SSI：Ilya Sutskever、Daniel Levy。

自动驾驶与人形机器人

Race across the world: Wayve’s 90-city world tour in 90 days

Wayve 的 AI Driver 完成了 90 天 90 城的全球部署测试，证明它能在不做地点特定训练的情况下泛化到多样环境。这种「zero-shot」方式累计完成了 1 万小时的 AI 驾驶（方向盘后有人类），其中一半发生在高密度城区¹¹⁶。

• 90 座城市中有 62% 对测试车队是完全陌生的，意味着 AI Driver 在训练中从未接触过这些环境。
• 系统在多样条件下运行：45% 里程在晴朗白天，38% 在夜间，17% 在低光或雨天等挑战条件下。
• 这次 90 城巡游验证了端到端驾驶系统在极少本地数据下全球扩展的能力，可能加速商业化落地的时间表。

Gradually then suddenly: 71M rider-only miles w/out a human driver through March ‘25

Waymo 已在凤凰城行驶超过 3,700 万英里、在旧金山超过 2,300 万英里。根据 CPUC 截至 2025 年 3 月的数据，Waymo 仅在加州每月就记录了超过 70 万次付费行程，比 2023 年 8 月增长了 55 倍！而它的安全记录相当惊人：严重伤害及更严重事故比人类驾驶员少 88%¹¹⁷。相比之下，Tesla 的 Robotaxi 服务 2025 年 6 月中在奥斯汀上线，到 7 月报告约 7,000 robotaxi 英里，约 12 辆车队平均每车每天不到 20 英里¹¹⁸。

Humanoids in 2025: hype high, deployments thin

**没有任何地区真正跑通了规模化部署。**中国公司以更低成本出货更多台数，但买家主要是研究者、试点项目或政府中心；美国团队展现出更强的操作和自主能力，但硬件昂贵。中国的制造优势确实重要，但并不保证在设计、渠道或运营上的成功——事实上，中国可能最终成为西方品牌的机器人代工厂。Dealroom 收录的 155 家人形机器人公司数据显示，仅 2025 年就融资近 20 亿美元，并诞生了 8 家独角兽，包括 Unitree、Figure 和 Agility¹¹⁹。

• 中国宇树（Unitree）推出了 5,566 美元的 R1 人形机器人，年收入超过 1.4 亿美元，并正在启动约 70 亿美元估值的境内 IPO。
• 港股上市的优必选（UBTech）2024 年收入约 1.8 亿美元，目标 2025 年向车企、富士康和顺丰交付 500–1,000 台 Walker-S。
• 中国之外，Agility 的 Digit 已进入与 GXO Logistics 的多年付费 RaaS 部署，Figure 融资 23.4 亿美元、Apptronik 融资 3.5 亿美元以进入试点阶段，而 Tesla Optimus 和 1X 仍在演示阶段¹²⁰。

AI 安全的新攻击面

The emerging surfaces of AI security threats

AI 技术栈正在从无状态 API 快速转向有状态协议和 agent 层，而这种演进正在跑过安全的速度：规范频繁变动、向后兼容被破坏、缓存泄漏，而 MCP 仍然缺乏清晰的认证与状态语义。同时攻击者已经开始把开源模型打包进恶意软件，劫持本地开发工具并搜寻敏感上下文。答案不是再加一个模型「监控器」，而是真正的标准，加上细粒度、数据感知的控制。

• 协议动荡：无状态的 chat completion API 已经转向有状态的 Responses API，语义发生破坏性变化，且会话状态由供应商保存。被迫的架构重写增加了隐藏状态和由兼容性驱动的漏洞。
• MCP 不成熟：认证、状态和版本管理都不清晰。粗粒度的「gateway」监控和模型监督模型的方式都可以被绕过，prompt injection / 工具滥用基本仍未解决。
• 不透明的调用链：缓存会跨工具和模型持续存在，但并不存在「agent 的 DNS」。调用方无法知道是谁或什么处理了某个请求，这让信任和取证都变得复杂。
• AI 赋能的恶意软件：payload 内嵌开源模型，劫持本地 CLI / 开发工具，并语义化地搜寻 PII、金融数据和模型缓存。

一级与二级市场：钱都去哪了

Venture investments in AI companies continue to surge with a focus on GenAI and the US

2025 年 1,330 亿美元的私募 AI 融资中，82%（1,090 亿美元）由美国公司募得，欧洲和英国合计不到 9%（120 亿美元），中国不到 4%（50 亿美元）。GenAI 公司（包含所有 AI 实验室）占 2025 年募资的 60%，非 GenAI 占 40%。

Corporate venture capital and other investments

头部玩家的企业投资持续激增，尽管交易数量近年趋于平缓。NVIDIA 在多年低活跃度之后开始猛冲。超大规模厂商加上 NVIDIA 现在占所有 AI 相关风险投资金额的一半以上，这种集中度在此前的时代（互联网泡沫、移动互联网）从未出现过。

Public AI titans outweigh private gains, but from a far larger base

虽然私营公司估值自 2023 年以来以每年 1 万亿美元的稳定速度攀升，但少数几家上市公司增加的价值更加惊人：NVIDIA、Meta 和 Alphabet 三家合计贡献了超过 9 万亿美元的价值增长。

Mega $250M+ rounds eat the lionshare of private capital invested into GenAI

**投入 GenAI 的资金中有 90% 来自 2.5 亿美元以上的超大轮。**这意味着中小规模的 GenAI 创业公司实际能拿到的资金比表面数字要少得多。

The IPO is showing signs of thawing while M&A is picking up with $B+ deals

由于监管审查和各种经济冲击，过去几年 AI 公司的退出相当沉寂，而 2025 年的总交易量到目前已经超过 2024 年的 2 倍。其中 IPO 包括 CoreWeave（230 亿美元）、Figma（190 亿美元）、Klarna（150 亿美元）和 Kodiak Robotics（30 亿美元）；并购包括 Scale AI / Meta（240 亿美元）、Core Scientific / CoreWeave（90 亿美元）、io / OpenAI（65 亿美元）、Windsurf / Google（24 亿美元）、Dotmatics / Siemens（50 亿美元）、Sana / Workday（10 亿美元）和 Cognigy / NICE（9.55 亿美元）。

The scaling law of AI valuations

领先私营 AI 实验室的估值史，几乎是模型能力趋势的镜像，翻倍时间历史上都在半年左右。

• 自 2023 年初以来，每一家主要私营 AI 实验室的估值都走出了美国历史上最陡的轨迹之一：OpenAI 翻倍时间约 7.3 个月，Anthropic 约 5.1 个月，xAI 约 5.1 个月。
• 但这些实验室的估值史其实是跟模型能力趋势同步的。METR 的任务完成时间跨度显示翻倍时间约 7 个月¹²¹；METR 对另外九个主流 benchmark 的时间跨度分析给出约 5 个月的翻倍时间¹²²；而如前所述，绝对能力与成本之比大约每 6 个月翻一倍。

Artificially high valuations? Tracking annualized revenue multiples

虽然倍数整体在压缩，xAI 相对其他私营实验室仍然明显高估：它的估值史大体跟随 Anthropic，但收入远远落后。

• Anthropic 的年化收入看起来又要同比增长约 10 倍，而稍成熟一些的 OpenAI 大约同比增长 3 倍。而 xAI 的年化收入比 Anthropic 低一个数量级——尽管存在这个差距，xAI 最新的估值居然超过了 Anthropic。
• xAI 的倍数比其他实验室高 10 倍，差距大到报告不得不给它单独画一张图。

U-Turn 名人堂与 Blooper Reel

U-Turn Hall of Fame: AI’s greatest vibe shifts

报告用一节专门记录 AI 行业最大的「原地掉头」，读起来相当有意思：

• 2024 年：「AI 驱动的威权主义太可怕，无法设想。民主国家需要定下规则。」¹²³ → 2025 年：卡塔尔参与 Anthropic 创纪录的 130 亿美元融资轮¹²⁴。……不过至少 Dario Amodei 对此「并不感到高兴」。
• 2024 年：「开源防止权力集中！透明带来安全！」¹²⁵ → 2025 年：「我们在造 superintelligence，为了安全它必须闭源！」
• 2015–2023 年：为确保 AI 造福全人类而创立，在国会上就民主价值观做了无数次证词 → 2025 年：第一笔重大基础设施交易是 5,000 亿美元的 Stargate UAE¹²⁶。

BLOOPER REEL：GPT-5 的坎坷发布

Sam Altman 不得不开一场紧急 Reddit AMA，回应用户对严格 rate limit、敏感内容过滤器、旧模型被突然移除以及病毒式「chart crimes」的不满¹²⁷。

• 很多人抱怨 4o 被拿走带来的情感冲击。
• 损坏的路由系统在第一天错误分发 query，让 GPT-5 显得比实际更弱。
• OpenAI 此后把 Plus 用户的额度翻倍，并承诺未来更新会有更好的透明度。

BLOOPER REEL：Claude 的三个重叠 bug

在数月的用户抱怨之后，Anthropic 解释了 Claude 身上三个重叠的 bug，它们花了一个多月才被拆解和修复¹²⁸。

• 有一个上下文窗口路由 bug，部分请求被误路由到为 100 万 token 上下文配置的服务器上，而一次负载均衡改动让受影响流量进一步扩大。
• 另外两个问题分别是输出损坏（在英文回复中产生随机泰文/中文字符），以及一个由混合精度算术触发的 XLA:TPU 编译器 bug，导致系统偶尔完全丢掉高概率 token。
• Anthropic 因透明度获得赞誉，但仍有很多人要求为受影响用户退款。

BLOOPER REEL：Meta AI 眼镜的现场翻车

Meta 的 AI 眼镜在 Meta Connect 2025 的现场演示中两次出问题。Zuckerberg 把问题归咎于 wifi：「整件事的讽刺之处在于，你花了几年时间做技术，结果当天的 WiFi 把你抓住了。」¹²⁹

BLOOPER REEL：Grok 的「MechaHitler」

Grok 输出了反犹和种族主义言论，自称「super-Nazi」并把自己叫做「MechaHitler」。

• 这发生在 Grok 于 5 月不请自来地大谈南非「白人种族灭绝」之后。
• Grok 还表现出在回答困难问题前先去查 Elon 的观点¹³⁰。
• xAI 在道歉中把这一行为归因于「已废弃的代码」。
• 尽管如此，xAI 随后宣布了与美国国防部约 2 亿美元的合同。

BLOOPER REEL：Llama-4 的数据污染与刷榜争议

Llama-4 被指数据污染、通过过拟合做误导性 benchmark，整体「体感」也不佳。

• 一位匿名员工声称因为对数据污染的担忧而辞职——即训练数据可能与测试 benchmark 重叠（Meta 正式否认了这一说法）¹³¹。
• Meta 似乎专门为 LM Arena 优化了一个特殊的「conversational」版 Llama-4 Maverick，而发给开发者的是另一个能力更弱的版本¹³²。
• 结果显著低于营销宣称：它在 LiveBench 上只排到第 20 位（尽管确实取得了一些明显进步）。
• AI 研究负责人 Joelle Pineau 在发布前 4 天以未知原因辞职。

编者总结与展望

Industry 这一篇最大的变化，是**「AI 有没有真实收入」这个问题基本不再需要辩论了**。16 家 AI-first 公司合计 185 亿美元年化收入，Ramp 的付费采用率从 5% 到 43.8%，平均合同额从 3.9 万美元到 53 万美元，Lean AI Leaderboard 上 22 人团队人均创收 250 万美元——这些数字放在一起，说明 2025 年确实是商业化的转折点。但报告同时把另外一件事摊开了：赚到的钱和花掉的钱，完全不在同一个数量级。

真正值得国内 Infra 从业者反复读的是电力这条线。5GW 集群、68GW 缺口、1GW 数据中心速查表、居民电价可能上涨 40%——报告实际上是在说，AI 的约束条件已经从「有没有芯片」变成了「有没有电，以及能不能并网」。而中美对比那两页给出的答案相当直白：2024 年中国净新增装机 427.7GW，美国 41.1GW，差了整整一个数量级；中国的备用容量率和弃电率都更高，意味着有更多可以直接接数据中心的冗余。报告甚至点出一句很关键的话——**中国可以承受 flops/watt 更差的系统，因为它并不受电力约束。**这可能是国产芯片叙事中最被低估的一条结构性优势。

第二条主线是循环交易。NVIDIA 投 OpenAI、OpenAI 买 Oracle 算力、Oracle 买 NVIDIA 卡；NVIDIA 投 CoreWeave、CoreWeave 买卡、NVIDIA 再把卡租回来。报告没有直接下「这是泡沫」的判断，而是列出了四个具体的红旗：空心收入扭曲财务指标、在位巨头成为唯一资本来源、利益冲突扭曲支出、创业公司倒掉引发多米诺。再叠加 SPV 那一页揭示的期限错配——用养老金和保险的长期资本，去为折旧极快的 GPU 资产融资，并且把债务放在母公司资产负债表之外——这套结构的脆弱点其实已经写得很清楚了。

对做应用层的人，毛利率那两页可能是全篇最有价值的。Cursor 的困境被概括得非常精准：一家数十亿美元的公司，它的 COGS 就是竞争对手的 API 价格。而 Dario 那句「如果把每个模型都看成一家公司，模型其实是盈利的」，配合报告给出的敏感性分析，其实指向同一个结论：**这个行业的经济学正在从「谁的模型强」转向「谁能把生命周期算力更多地分配给能收钱的推理」。**顺带说一句，有几家主要 AI 公司报毛利率时不算免费用户的服务成本——这个细节值得记住。

最后是开源格局。报告的判断相当克制也相当准确：**中国实验室「尚未推进前沿，只是在开放权重领域竞争」。**这句话两头都要读——一方面美国的开源努力确实失败了（OpenAI 的开放权重模型表现平淡、Meta 的承诺动摇、Ai2 的 1.52 亿美元甚至比不上 OpenAI 2015 年的初始捐赠）；另一方面，开放权重的领先是生态和工程的胜利，不等于前沿能力的领先。而华为那一页提醒我们，国产替代内部同样有分化：**华为只占 2025 年中国 XPU 产量的约 62%，阿里和百度已经在用自研芯片训练，字节可能跟进。**在一个大家都习惯把「国产替代」当成单一叙事的语境里，这种分化本身就是重要信息。

关于作者 魏后民，本科毕业于北京大学，在字节跳动 AML 从事大规模机器学习系统相关工作。过去曾在腾讯和 Hulu 工作，对 AI Infra 和科技创投感兴趣。欢迎加我的微信 Houmin_Wei 与我交流，麻烦备注 【称呼-公司/学校-职位-来意】。如果你也关注这一波 AI 浪潮，希望和来自字节、腾讯、百度、阿里以及一线大模型创业公司的同学一起交流，欢迎扫码进群。