Deepseek引发AI投资回报反思

如果训练人工智能的成本降低了，那么投资人工智能的回报就会更高。

对于那些在科技、工业、公用事业和能源领域已经因为“人工智能基础设施”而成功的公司来说，最大的风险是，一个简化版的 r1 模型可以在高端工作站（比如 Mac Studio Pro）上本地运行。这意味着类似的模型大约两年后就能在超级手机上运行。

如果因为“足够好”而把推理任务转移到边缘设备上，那么我们将会生活在一个非常不同的世界，有非常不同的赢家——也就是我们见过的最大的 PC 和智能手机升级周期。

计算技术一直在集中化和分散化之间摇摆不定。

人工超级智能（ASI）
人工超级智能（ASI）非常接近了，但没人真正知道超级智能能带来多少经济回报。

如果一个价值 1000 亿美元的推理模型在 10 万多个 Blackwells（o5、Gemini 3、Grok 4）上训练而成，能够治愈癌症并发明曲速引擎，那么 ASI 的回报率将非常高，训练的花费和电力消耗也会稳步增长；戴森球将再次成为费米悖论的最佳解释。

希望 ASI 的回报率很高——那就太棒了。

1. 这对于使用 AI 的公司来说都非常好：软件、互联网等。
2. 从经济角度来看，这大大增加了分销和独特数据的价值——比如 YouTube、Facebook、Instagram 和 X 以及抖音营销和电商。

开源前沿模型可能会停止开放
美国实验室可能会停止发布他们的前沿模型，以防止对 r1 至关重要的提炼，尽管这方面的秘密可能已经完全被揭穿。也就是说，r1 可能足以训练 r2，等等。

针对对尖端 GPU 的限制了出口，却不对中国提炼尖端美国模型的能力采取任何措施，这有点可笑，显然违背了美国出口限制的目的。既然能免费拿到牛奶，为什么还要买牛呢？

Grok-3 即将到来
可能会对上述结论产生重大影响。这将是自 GPT-4 以来首次对预训练缩放定律进行重大测试。

• 就像通过强化学习（RL）将 v3 变成 r1 需要几周时间一样，
• 运行改进 Grok-3 推理能力所需的 RL 也可能需要几周时间。

基础模型越好，推理模型就应该越好，因为三个缩放定律是乘法的：

1. 预训练、
2. 训练后的 RL
3. 推理期间的测试时间计算（RL 的一个函数）。

套用《双塔奇兵》中一位匿名兽人的话，肉可能很快就会回到菜单上。

时间会证明一切，“当事实摆在眼前时，我会改变主意。”

戴森球将重新成为费米悖论的最佳解释？
如果未来人类或者其他文明能够建造出“戴森球”这种超级厉害的能源装置，那么它可能会帮助我们解释“费米悖论”——也就是为什么我们还没发现外星人。

• 戴森球是一个假想的超级大工程，就是外星文明可能会用一堆太阳能板或者其他装置把一颗恒星（比如太阳）包起来，用来收集恒星的能量。这样就能获得超级多的能源，足够支撑一个超级发达的文明。
• 费米悖论是说，宇宙这么大，按理说应该有很多外星文明，但为什么我们还没发现他们？他们到底在哪？

如果我们发现戴森球真的存在，或者我们自己未来能造出戴森球，那它可能就是解释费米悖论的关键——外星文明可能早就造了戴森球，只是我们还没发现而已。

ASI（人工超级智能）突破
训练 ASI 需要花很多钱和电。比如，可能需要用成千上万的超级计算机（比如 Blackwells、Gemini 3 这些）来训练它，电费账单会高得吓人。而且，随着 ASI 越来越强大，它需要的计算资源和电力也会越来越多。

但是如果ASI（新的戴森球）如果真能实现，它可能会带来超级大的回报。比如，它可能帮我们治愈癌症、发明曲速引擎（像科幻电影里那种超光速飞行技术），甚至解决能源问题。这些突破会让人类文明直接起飞，回报率当然高到离谱！

• 如果ASI戴森球实现，就不用担心能源问题
• 但是没有实现之前，能源是制约ASI戴森球实现的主要因素。