起點課堂會員權(quán)益
職業(yè)體系課特權(quán)
線下行業(yè)大會特權(quán)
個人IP打造特權(quán)
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業(yè)技能直播
會員專屬社群
榮耀標識紅杉資本對談OpenAI前研究主管：專有數(shù)據(jù)正在貶值，構(gòu)建AI護城河的4個關(guān)鍵點
當大模型能力趨于同質(zhì)化、算力紅利見頂、專有數(shù)據(jù)壁壘被擊穿，AI 創(chuàng)業(yè)還靠什么贏？一份“后模型時代”生存指南：推理躍升正在打開唯一非線性增長窗口；預訓練退居地基；代理將被商品化，護城河只剩網(wǎng)絡(luò)效應(yīng)與業(yè)務(wù)深度耦合；機器人、編程、教育等領(lǐng)域迎來商業(yè)化拐點。最關(guān)鍵的忠告——別再問“模型多強”，而要問“現(xiàn)實多需要”。
進入2025年，AI世界正在發(fā)生深層結(jié)構(gòu)性的變化。
紅杉資本近期專訪了OpenAI前研究主管 Bob McGrew——他曾主導GPT-3、GPT-4以及內(nèi)部代號為 o1/o3 的推理模型研發(fā)，并首次提出“預訓練、后訓練、推理”三位一體的模型演化框架。
在McGrew看來，通向AGI的底層邏輯已基本鎖定：Transformer 架構(gòu)、規(guī)?；A訓練、推理能力三者構(gòu)成技術(shù)三支柱。而其中“推理”——這個長期被低估的維度——正成為2025年模型能力突破的主戰(zhàn)場。
McGrew坦言，能力邊際已經(jīng)從“堆算力”轉(zhuǎn)向“學思考”；代理服務(wù)也將被徹底商品化，未來不再按“人類替代值”定價，而是按“運行所耗計算成本”來標價。在前沿模型日趨同質(zhì)化的時代，真正的競爭優(yōu)勢，恰恰來自“模型之外”的系統(tǒng)能力、業(yè)務(wù)集成與數(shù)據(jù)信任。
這是一場從技術(shù)路線到商業(yè)定價、從能力飛躍到落地護城河的全景思考。
01 推理是2025年最關(guān)鍵的能力突破口
“如果你看之間的能力差距，你會發(fā)現(xiàn)最大的區(qū)別是——o1不會使用工具，而o3可以把工具調(diào)用納入思維鏈。這種能力的提升，在訓練階段其實早就知道是必須的，但實現(xiàn)它，花了我們六個月。”
在McGrew看來，推理是一種“新基礎(chǔ)能力”，它不是對已有模型的微調(diào)優(yōu)化，而是一種質(zhì)變：模型不再只是生成答案，而是能在生成過程中進行任務(wù)分解、中間驗證、條件性判斷與工具協(xié)同。
推理的核心，不是更多的數(shù)據(jù)或者參數(shù)，而是更接近人類“先思考、再回答”的認知結(jié)構(gòu)。
GPT-3的結(jié)構(gòu)中并不具備草稿本或邏輯鏈，它只是模擬了過去人類的最終答案。而推理讓模型擁有了中間過程的建構(gòu)能力，這不僅是技術(shù)能力的拓展，更是模型思維范式的轉(zhuǎn)變。
為什么是現(xiàn)在？McGrew給出的答案是：能力邊際正在遷移。
過去幾年預訓練帶來的能力增長明顯，如今，隨著計算資源瓶頸趨緊、數(shù)據(jù)重復度上升、模型規(guī)模放緩，推理成為唯一還能實現(xiàn)非線性躍升的“自由變量”。而這也是OpenAI、Anthropic、DeepSeek等實驗室此刻集中投入的方向。
02 預訓練并未失效，但其角色已發(fā)生根本性變化
“預訓練仍然是必須的，它是結(jié)構(gòu)優(yōu)化和上下文能力提升的基礎(chǔ)。但智能增長和算力的對數(shù)關(guān)系意味著，收益已經(jīng)開始遞減。你需要花數(shù)月時間霸占整個數(shù)據(jù)中心，才能訓練出一個差異不大的模型?！?/p>
McGrew指出，預訓練從模型能力的“主引擎”轉(zhuǎn)向了支撐系統(tǒng)結(jié)構(gòu)優(yōu)化的“幕后地基”。一方面，預訓練不再帶來顯著的通用能力提升；另一方面，結(jié)構(gòu)性優(yōu)化（如上下文窗口拓展、注意力機制重構(gòu)、多模態(tài)融合）仍需以完整預訓練過程來支持。
因此，2025年之后的預訓練將更少是能力競速，而更多是一種面向架構(gòu)演化的基礎(chǔ)性工程。例如，如果你希望提升推理效率或增加token記憶長度，你需要在架構(gòu)層面做出改動，再圍繞這個新架構(gòu)重新進行預訓練。這是一項代價高昂但不可避免的任務(wù)。
“能力真正的杠桿點已從‘更大’轉(zhuǎn)向‘更聰明’?！?/p>
03 代理將被商品化，不能按人類價值定價
“你不能認為一個AI律師就值人類律師的錢。律師貴，是因為人類律師的時間稀缺；AI律師一旦出現(xiàn)，就是無限供應(yīng)，邊際成本趨近于零?！?/p>
McGrew強調(diào)，AI代理的基本經(jīng)濟學邏輯與人類服務(wù)本質(zhì)不同。人類收費是基于時間、稀缺性、不可復制性；而AI代理具備近乎無限的復制能力，它的價格最終必然逼近“運行它所消耗的計算成本”。
他將其稱為 “計算單位定價”邏輯。這意味著，AI代理不會因為“完成的是人類高價值任務(wù)”而能索取高價。任何以此為基礎(chǔ)的商業(yè)模式，都會因供給激增而失效。
“你的AI代理初創(chuàng)項目，也許能先跑出來，但別人只要調(diào)用相同的前沿模型，就能復制你的產(chǎn)品。長期來看，你的利潤空間將被壓縮到底層算力的邊際溢價。”
所以，初創(chuàng)公司的護城河，不可能來自“模型能力”，只能來自：
- 網(wǎng)絡(luò)效應(yīng)（如ChatGPT用戶粘性）
- 品牌心智占位（如Perplexity的認知定位）
- 分銷路徑與數(shù)據(jù)閉環(huán)
- 企業(yè)流程的高集成度
模型層競爭趨同，初創(chuàng)機會在“系統(tǒng)層”而非“能力層”
當模型能力逐漸“同質(zhì)化”，McGrew認為，初創(chuàng)公司不應(yīng)再盯著“做出更強模型”，而應(yīng)轉(zhuǎn)向圍繞模型構(gòu)建系統(tǒng)性應(yīng)用結(jié)構(gòu)。
以Palantir AIP和Distyl為例，他們并不訓練模型，而是通過：
- 系統(tǒng)性接入企業(yè)業(yè)務(wù)流程
- 自動化提取上下文信息
- 標準化輸入、優(yōu)化輸出結(jié)構(gòu)
- 在端到端流程中構(gòu)建高粘性、高依賴度的決策鏈
這些系統(tǒng)不是“更聰明”，而是“更貼近業(yè)務(wù)流動性”，也因此具備現(xiàn)實可用性與防御性。對此，McGrew總結(jié)為：
“大型實驗室不會為一個中型企業(yè)的業(yè)務(wù)問題訓練一個新模型，但你可以為這類問題構(gòu)建一個穩(wěn)定、通用的任務(wù)接口和交付系統(tǒng)。”
05 機器人進入產(chǎn)業(yè)轉(zhuǎn)折點，語言+視覺+模型共振讓通用任務(wù)執(zhí)行成為現(xiàn)實
回憶2016年McGrew自己做機器人跳棋項目，他承認：“很酷，但完全無法商業(yè)化?！?/p>
今天不同了。
“我們不再需要教機器人每一步，而是用語言描述任務(wù)，用視覺模型理解環(huán)境，然后由通用模型規(guī)劃執(zhí)行。這種范式上的變化，使機器人從原型走向現(xiàn)實?！?/p>
他尤其提到Physical Intelligence這類公司，能在幾個月內(nèi)解決“折衣服、裝箱”等多步驟操作任務(wù)，這是傳統(tǒng)機器人研發(fā)可能需要3年完成的挑戰(zhàn)。
關(guān)鍵轉(zhuǎn)變在于：
- 語言接口：不再硬編碼任務(wù)邏輯，而是自然語言調(diào)用；
- 視覺模型：借助強大的感知能力理解環(huán)境變化；
- 模型遷移能力：從過去任務(wù)中快速學習，完成組合型推理與執(zhí)行；
- 這意味著機器人已不再是“遠期革命”，而是現(xiàn)階段最接近商業(yè)爆發(fā)的AI子方向之一。
06 專有數(shù)據(jù)的價值正在下降，AI能重建你花年積月累的內(nèi)容
McGrew的判斷異常冷靜：
“許多所謂的專有數(shù)據(jù)，其實只是過去人工勞動的痕跡——訪談、調(diào)研、研究報告。AI今天已經(jīng)可以直接生成這些?！?/p>
他指出，AI模型具備了“重新發(fā)明勞動成果”的能力——即便沒有原始數(shù)據(jù)，它也能通過生成、對話、歸納等方式重構(gòu)結(jié)果。因此，那些靠人力一點一點堆出的專有數(shù)據(jù)壁壘，正在被擊穿。
唯一仍有價值的，是以下兩類：
- 客戶授權(quán)的數(shù)據(jù)：如銀行、財務(wù)顧問手中掌握的客戶目標、風險偏好等
- 實時上下文閉環(huán)數(shù)據(jù)：如端上行為、隱式?jīng)Q策偏好，AI無法從公共數(shù)據(jù)中還原
這意味著，數(shù)據(jù)的壁壘從“積累多少”轉(zhuǎn)向“能否獲得授權(quán)與信任”。
07 AI+編程：人機協(xié)作成為長期常態(tài)，自動化不代表“替代”
McGrew明確指出，編程領(lǐng)域正在快速“過臨界點”：
自動生成函數(shù)、重構(gòu)模塊、遷移代碼成為代理式AI的擅長項；
人類程序員更多負責設(shè)計結(jié)構(gòu)、理解上下游依賴、制定高層架構(gòu)。
“你可以讓AI從COBOL翻譯到Python，但你不能讓它理解‘為什么當時這個系統(tǒng)這么設(shè)計’?！?/p>
他說，現(xiàn)在許多AI原型做出來都“能用”，但代碼質(zhì)量不穩(wěn)定、可維護性低，無法進入真實生產(chǎn)環(huán)境。最終的落點不是全自動，而是“人類做架構(gòu)，AI做實現(xiàn)”。
因此，AI對編程的改變更像是“帶了一個聰明又聽話的初級工程師”，而不是“完全不用寫代碼”。
08 教育的關(guān)鍵是訓練“問題提出者”，不是培養(yǎng)答案記憶者
談到下一代如何適應(yīng)AI時代，McGrew強調(diào)的不是編程能力，而是好奇心與行動力的結(jié)合。
“你要相信自己能做事，然后知道用工具把事做出來?！?/p>
他分享了8歲兒子用ChatGPT設(shè)計家用提醒系統(tǒng)的故事——從零了解電路板、詢問器件、購買零件、組裝線路、調(diào)試代碼，全程靠AI輔助完成。這不是投機取巧，而是把AI當作一套“行動放大器”。
“如果你愿意提出問題，那說明你已經(jīng)準備好學會它了。AI能在你準備好那一刻，把所有知識送到你面前。”
這是一種“反學校式”的學習方式，也許會重塑整整一代人的知識觀與動機模型。
09 結(jié)語：技術(shù)路線已經(jīng)明確，變數(shù)在于誰能落地做出“可持續(xù)系統(tǒng)”
McGrew回憶2020年GPT-3完成訓練時的場景：OpenAI會議室內(nèi)，幾位核心成員都意識到——技術(shù)路線已清晰，接下來是如何落地、如何將思維能力轉(zhuǎn)為系統(tǒng)執(zhí)行能力。
從2020到2025，正如他所說：
“Transformer、預訓練、推理——這三件事就是AGI的三條腿。2035年我們回望，很可能依然是它們支撐著一切。”
在這個結(jié)構(gòu)日趨穩(wěn)定、能力門檻不斷抬升的時代，創(chuàng)業(yè)者唯一能做的，就是找到那個別人不愿做、實驗室不擅長做、但現(xiàn)實世界急需解決的問題，并用系統(tǒng)性方式把它變成一門生意。
McGrew的這句話，也許是對初創(chuàng)者最冷靜但最清晰的忠告：
“你不能只關(guān)注模型能做什么，更要關(guān)注現(xiàn)實需要它做什么?！?/p>
本文由人人都是產(chǎn)品經(jīng)理作者【烏鴉智能說】，微信公眾號：【烏鴉智能說】，原創(chuàng)/授權(quán) 發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。
題圖來自Unsplash，基于 CC0 協(xié)議。
- 目前還沒評論，等你發(fā)揮！
