AI 何時接管世界?所有預言都只算了一半的帳

今日主線

1. [本週] 一份 07-07 的檄文戳破了所有「AI 幾年後接管世界」的預言:它們全都只算了上半場。研究機構 Epoch AI(專做 AI 進展的量化推算、圈內做趨勢估算最常被引用的一家)7 月 7 日發文(原文,2026-07-07)指出:關於「智能爆炸」— AI 會不會快速自我增強、幾年內強到失控 — 這場辯論吵到今天,幾乎只在算第一半,也就是「AI 能變多強」;沒人認真量化第二半,也就是「就算 AI 夠聰明,那些具體目標科技(奈米機器、太空能量收集陣列)本身有多難造出來」。這中間的差距,好比「造一把斧頭」跟「造一顆核彈」的難度差,被整場辯論當空氣。Epoch 提議補上這一半:選定一項科技、寫死你對 AI 的假設、再估算所需的時間與資源;而目前公開的此類分析只有一個(一份估算後 AGI 太陽能系統的研究,說產能「以週為尺度翻倍」— 這個數字目前只有 Epoch 轉述一個來源)。

驗證:單一來源(Epoch),是一個具名的方法論框架,不是已成共識的事實;那個「以週翻倍」的數字更是轉述的單一出處,看方向就好。

判斷更新:讀任何「AI-2027」式的時間線預言,多帶一個完整性檢查器 — 它有沒有交代第二半,還是只把能力曲線往外延伸?目前答案幾乎都是後者。這不是說預言錯,是說它的誤差比呈現的寬得多。

2. [趨勢觀察] Epoch 爬了 1,604 條中國 AI 職缺,拼出一張圖:中美搶的根本不是同一種人。同一家 Epoch,6 月 24 日把 1,604 條中國 AI 職缺爬下來做結構分析(原文,2026-06-24)。最鮮明的一條:中國 AI 職缺平均只要 1.6 年資歷(有明講年資的那些平均 3.4 年),校園應屆招聘占兩成;美國同類職缺平均要 5.5 年。翻成白話 — 中國在鋪一條「招新人、自己培養」的管道,美國在搶「已經很資深」的存量人才,是兩種相反的擴張模式。地理上也對照:中國 93% 的職缺集中北京、杭州、上海(光北京就占 63%),美國則 85% 集中在舊金山灣區。

驗證:Epoch 自家爬取、方法公開透明(屬「自證式」材料 — 出處願意攤開怎麼算的)。地理與資歷數字皆出自這一份。

判斷更新:這是結構差、不是景氣循環的短期差。對美國公司,意味著資深人才的溢價會續高;對觀察中國的人,「校招占兩成」意味著他們賭的是自建培養體系,3 到 5 年後才見分曉 — 是一條可以事後回頭校準的判斷。

3. [趨勢觀察] agent 賣不動的真正卡點是「信任」,而業界剛冒出第三種補法:供應商拿自己的資產負債表擔保。AI coding 新創 Cognition(做出號稱能自己接工單寫程式的 agent「Devin」那家)推出結果保證:如果它的 AI agent 沒交付企業客戶付費買的工程價值,最高退還 1,000 萬美元的額度(經電子報 Exponential View 6 月 15 日轉述,原始條款我們未直接核對,出處,2026-06-15)。為什麼這值得記:企業導入 AI agent 的最大障礙不是「會不會用」,是「敢不敢信」— 而業界已有兩種補法,這是第三種。第一種,供應商派工程師駐場,替客戶把 agent 客製到能用;第二種,買方自己吸收驗收成本(有量測顯示 agent 幫你省下 7 小時的活,你得再花 1 小時回頭檢查它做對沒);第三種就是 Cognition 這招 — 把「做壞了誰扛」的風險,從買方帳上搬到賣方帳上。三種補法對著同一個缺口:agent 的價值交付,還沒穩到「產品自己能賣自己」。

驗證:單一轉述來源(Exponential View 轉述 Cognition 的公告),退款條款細節未核,別當無風險承諾引用。什麼時候會變硬:有實際兌付或複購數據流出,或第二家供應商跟進同型保證。

判斷更新:這條可以直接拿上談判桌 — 要求你的 AI 供應商提供同型的結果保證,或者解釋為什麼不能。他們的反應本身,就是「他們對自己交付能力有多少信心」的讀數。

4. [趨勢觀察] 「有多少公司用了 AI」是個會騙人的指標;真正的分佈是,連用的人裡面也極度不均。同一份 Exponential View 6 月 15 日還轉了一個數字(原始數據來自 econlab):美國最頂尖 1% 的公司,每名員工每月花在 AI 上約 7,450 美元,是典型公司 11.38 美元的約 650 倍(7,450 ÷ 11.38 ≈ 650)。這說明採用不是「有/沒有」的二分法 — 就算只看「有在用」的公司,內部花費也是一條極陡的冪律曲線:極少數公司吃掉絕大多數的人均 AI 開銷。

驗證:單一轉述來源,屬第三方對數據的引述(壓在較低的可信度),看方向不看小數點。

判斷更新:評估「AI 採用率」時,別被「幾成公司用了 AI」誤導 — 用的深淺、花的結構,才是分水嶺。這和中國豆包的樣本同向:3.45 億月活躍用戶聽起來嚇人,但主體是拿來閒聊的學生與中老年人,不是生產力用途 — 用戶數從來不是收入的代理指標,用途結構才是。

過去洞見

中國模型層的低毛利不是競爭的意外,是政策設計出來的 — 而且用了一個比電動車更狠的機制。知名創投家 Bill Gurley(Benchmark 合夥人,矽谷最資深的科技投資人之一)在 BG2 播客上(錄於約 2025-08,原集)給了一個精準的判斷:中國模型層之所以毛利被壓得極薄,不是廝殺的副產品,是五年規劃直接寫進去要「開源」、再由各省競爭執行的結果 — 多個開源模型並存,沒有壟斷焦慮。他的類比很利:電動車的超級競爭裡,你不能把對手的車拆了讓自己的車變好;但模型可以 — 開放權重(把模型訓練好的參數公開,任何人都能拿去跑、去研究、去改)讓每一家實驗室都站在彼此的技術報告上,這種「互相墊高」的競爭比電動車還猛。結論:模型層的毛利被結構性壓扁,護城河因此遷移到分發層(阿里雲、字節的 App、小米的終端)。這條有內部視角佐證:Nathan Lambert 指出,中國實驗室靠彼此詳盡的技術報告,省下重複燒掉那 80% 的研發算力。

驗證:單一來源(Gurley,2025-08 的舊集),屬看方向的假說。有一條學術邊界值得標:模型「互相改進」有上限 — 研究顯示模型的表面能力可以跨模型轉移,但某些隱性特徵不會(arXiv,2026-06)— 所以 Gurley 的口語說法在方向上成立,在「能複製多少」上講得偏寬。

怎麼用:這解釋了今日主線第 2 點看到的分歧 — 中國新創為何多聚焦模型/軟體,而平台巨頭(阿里、字節)敢往機器人、車機、穿戴下更廣的賭注:當模型層本身賺不到錢,籌碼自然往握著供應鏈與分發的巨頭那邊集中。它輸出的價格壓力,也會變成全球前沿模型定價的天花板。

我們追蹤的來源

X 追蹤 305 人(Elon Musk、Andrej Karpathy、Sam Altman、Greg Brockman、Mark Zuckerberg、Demis Hassabis、陳立武、Jeff Dean、Noam Brown…)、播客 90 人(Satya Nadella、Sundar Pichai、Dario Amodei、Sam Altman、Demis Hassabis…)、電子報 46 人(Dylan Patel、Jack Clark、Nathan Lambert、Dwarkesh Patel、swyx、Ben Thompson、Nathan Benaich、Ethan Mollick、Andrew Ng…)、個人部落格 48 人(Karpathy、Simon Willison、Chris Olah、Jason Wei、Boaz Barak…)、論文作者 48 人(Noam Shazeer、John Schulman、Percy Liang、Tri Dao、Matei Zaharia…)、機構部落格 70 個(NVIDIA、Google Research、Hugging Face、SemiAnalysis、Interconnects、More Than Moore…)、財報/法說 26 人(Jensen Huang、Lisa Su、魏哲家…)、主題演講 23 人、媒體訪談 51 人、YouTube 4、書 2、課程 2、政府 1 — 共 529 人/來源。