No Priors 第100期｜与 Sarah 和 Elad 对谈
摘要
DeepSeek 确实推进了开源推理能力，但并非以550万美元推翻前沿算力经济学。 Elad表示，可比的最终训练运行成本本来就在500万–1000万美元左右，并判断DeepSeek在蒸馏出最终结果之前可能已投入数亿美元，因此NVIDIA约20%的下跌“有点不合理”。
更大的投资信号，是GPT-4等效模型单token推理成本在18个月内下降了180倍。 模型基准差距正在收窄，但Sarah强调，即便按DeepSeek披露成本的数倍计算，也仍远低于数十亿美元或Stargate级别的入场价格，这确实构成了对既有叙事的冲击。
前沿模型领先仍能换来分发、工作流锁定，以及潜在的递归式研发优势。 更强的模型可以为下一代模型生成合成数据、标注数据并编写代码；这是否会带来“起飞”仍不确定，而广泛可用的基础模型也可能成为“巨大的拉平器”。
OpenAI 的 Deep Research 立即抬高了分析师门槛，但其输出不能被视为权威。 Elad表示，他会将普通分析师或实习生的工作与其对比，因为“竞争对手很难比”；Sarah认为它尤其适合快速了解陌生领域，但在用户熟悉的领域，“确实需要认真审计输出”。
AI对知识的控制力正在上升，使模型多元化和开源的重要性超越经济层面。 Elad将AI的盲点比作Gell-Mann失忆症：人们能发现系统在熟悉领域的错误，却会在其他领域继续信任同一系统；Sarah警告，将搜索、社交网络和媒体整合进“一个供你询问的单一设备”，会带来审查和宣传风险。
Stargate反映的是对规模化回报的不确定，而不是资本不再重要的证据。 Elad表示，如果算力集群免费或能够融资，他无法想象一家AGI实验室不想要“他们能拥有的最大集群”，但他认为持续预训练带来的收益很可能会变得越来越低效。
他们对2025年的判断集中在基础模型整合、垂直AI、智能体和自动驾驶，机器人仍处于验证阶段。 Harvey、Decagon、Sierra、Cognition、Tesla、Waymo和Applied Intuition构成了主要机会集合；消费端可能因低价低延迟模型复兴，而生物、材料和医疗领域或将受益于更智能的垂直数据生成。
精读
1. DeepSeek 推进了前沿能力，但没有改写算力经济学
Elad认为，DeepSeek很重要，但总体仍“基本符合趋势”：它交付了一个达到SOTA水平的中国开源推理模型，以及真正新颖的强化学习技术，其他实验室已经开始借鉴。
所谓550万美元只覆盖最后一次训练运行，而非整个项目。Elad表示，业内熟悉情况的人士认为可比运行成本约为500万–1000万美元，并判断DeepSeek很可能已在工具链、数据、实验、预训练和后训练上投入数亿美元；因此，NVIDIA约20%的跌幅看起来“有点不合理”。
Sarah强调了发布顺序：V3在12月出现时并未导致NVIDIA崩跌，而作为OpenAI o1推理对应版本的R1才制造了“叙事冲击”。后训练让模型真正具备可用性，而一家中国实验室的快速追赶，则挑战了持续20年的中美技术主导权叙事。她还提到，DeepSeek移动应用一度冲上App Store前列；Elad认为，这更可能反映了用户对领先中国模型的好奇，而不是证明消费者会选择最便宜的可用模型。
2. 成本下降令能力商品化，但没有抹平前沿价值
Sarah提出的反驳值得保留：即便是600万美元的数倍，也仍不是数十亿美元或Stargate级别的入场价格。Elad回应称，方向其实已经非常清楚：GPT-4等效模型的单token推理成本在18个月内下降了“180倍，而不是180%”。
Elad援引Artificial Analysis独立复跑的基准测试称，在推理、知识、数学、编程、多语言能力和成本等维度上，领先模型正在“越来越接近”，而不是彼此拉开差距。新的突破可能暂时实现跨越式领先，但收敛才是主趋势。
前沿领先仍然能带来市场份额、优化提示词和工具链形成的黏性，以及更强的合成数据生成、数据标注和代码编写能力，从而帮助下一代模型训练。Elad对更强的“起飞”判断有所保留；Sarah则补充称，广泛可得的高质量基础模型也可能成为自我改进的“巨大拉平器”。
3. Deep Research 抬高分析师门槛，也削弱了知识来源的可见性
Elad表示，Deep Research立刻抬高了知识工作的门槛，他会将普通分析师或实习生的工作与其比较，因为“竞争对手很难比”。Sarah认为，它尤其适合快速了解陌生领域、建立完整视角并找出相关专家。
她的担忧在于其隐含的权威排序：当系统判断哪些网页观点和想法可靠时，用户往往需要“审计输出”。它可以帮助你建立方向感，但不能把结论直接当作既定事实。
Elad提到Gell-Mann失忆症：读者在报纸报道自己熟悉的专业领域时能发现错误，却会继续相信同一份报纸下一页关于陌生领域的内容。他认为，AI可能成为决定性的信息来源，同时让信息来源本身变得更不透明。Sarah警告，将搜索、社交网络和媒体整合进“一个供你询问的单一设备”，会制造宣传和审查风险；在她看来，多AI、多公司的竞争格局可以形成制衡，而开源对公民自由尤其重要。
4. Stargate 暴露了规模化回报的不确定性
Elad将基础设施需求定义为“ 不确定性，而非风险”。算法效率、合成数据和测试时扩展都让能力提升难以预测，但如果算力集群免费，他无法想象一家认真的AGI实验室会拒绝“他们能拥有的最大集群”。
这也揭示了他的底层判断：预训练应当继续带来能力提升，只是效率可能下降。他没有对资本市场的资金深度或主权资本参与作出强结论，而是将这些保留为开放问题，没有把Stargate的规模本身当作论点成立的证明。
5. 垂直 AI 和智能体成为2025年的主线
Elad预计基础模型将出现部分整合，尤其是在图像、视频、语音和次级模型领域，前提是FTC的态度更加友好；与此同时，物理、生物和材料领域会展开新的竞赛。他对应用层最核心的判断是进入“垂直运营时代”，并点名Harvey、Decagon、Sierra，以及越来越具备智能体属性的Cognition等产品。
Sarah对智能体的定义很务实：能够“成功完成多步骤任务”、管理状态，并超越内容生成采取行动的系统。安全、客服、SRE和编程领域已经出现相关案例；随着副驾驶型产品承担更多工作、处理失败的能力不断提升，它们自然会继续扩张。
Elad预计Tesla和Waymo会让自动驾驶成为市场焦点，并将Applied Intuition视为自己的“黑马”。Sarah预计今年机器人领域会出现技术突破和泛化能力的验证，“但还不是部署”；Elad同样认为，届时最多只能看到“这东西如何运作的一丝曙光，而不是全貌”。
Elad预测消费端将复兴；Sarah则认为，小型低延迟模型可能解锁免费体验，无论是在本地运行，还是通过浏览器在云端使用。只有当边缘算力对用户透明时，它才真正重要。Elad还认为，推理能力提升的可能不只是任务复杂度，也可能是可靠性，因此对看似技术故障的表现值得反复评估。随着创新从最前沿向外扩散，他预计各行业会发展出更智能的领域数据生成和数据采集策略，生物科技创新可能就是其中之一，受益领域还包括生物、材料以及医疗。