摘要

Opus 4.5 到 4.6 被广密视为本季唯一需要划重点的代际跃迁：AI 由 Chatbot 第一幕跨入能完成高价值任务的 Agent 第二幕。 他认为这一跳接近 GPT-3 到 GPT-4，过去一个季度的模型进步甚至可能超过 2025 年全年；Miso 与 Spark 若达到预期，才可能是“真正的 GPT-5 时刻”，而下一轮跨越或在今年六七月前继续发生。
Coding 已不是垂直应用，而是仅次于 GPU 的 AGI 加速器。 前沿实验室去年一个系统或有七八成代码由人写，今年可能已低于 1%；Claude、Codex 在不少任务上被认为达到公司 CTO 或 Meta L8/L9 水平，把想法到代码跑通的周期从两三周压到一两天、两三天。“语言即世界，代码即方案”——如果 code 能表达数字世界绝大多数 solution，办公室里的大部分白领任务就可能被自动化。
AI 商业模式的核心指标可能从 DAU 转向高价值用户的 token usage，塔尖一两百万人可能比五六百万订阅者更值钱。 广密称 Anthropic 的 ARR 已超过 OpenAI，并推演两家公司年底可能分别达到 800 亿—1000 亿美元、明年达到 1500 亿—2000 亿美元甚至更高；若成立，十几倍 PS 在他看来并不离谱。真正的约束可能不是需求，而是算力：“今年实现一千亿美金 ARR 最大的 bottleneck 可能就是算力。”
硅谷御三家仍会“各领风骚一百天”，2026 年内远未到格局落定之时。 Anthropic 胜在 top-down 聚焦、数据文化与高价塔尖市场；OpenAI 因 ChatGPT 过度成功而错判 Coding，却仍有约 50% 概率成为广密眼中的最终 winner；Google 短期晚了三四个月，但 TPU、现金流、Workspace 与体系化组织使其长期最稳。“今天胜利的秘籍可能就是下个时代的毒药。”
模型公司的终局不是更大的 SaaS，而是承载 Agent 生态、自动化 global GDP 的新一代操作系统。 广密把路线图概括为 Chatbot、Coding Agent、Automated AI Researcher 三幕，并判断今年底或明年初也许就会有一家公司宣布实现 AGI。其投资表达因此更极致：持续交付 SOTA model 的三五家公司，若最终自动化全球 GDP 的 30%—50%，每家可能走向 10 万亿美元级别。
技术繁荣之前可能先出现白领通缩、就业断层与美国中产社会的痛苦窗口。 广密提出一个激进但明确带有条件的估计：今年“有可能百分之三十的工作岗位就没了”；初级程序员等岗位、顾问需求、SaaS 与 IT 外包都可能承压，最顶尖的 AI researcher 也担心一两年后失去工作。模型令知识和智力变得廉价，但创造力、taste 与 IP 可能升值；他的建议是：“AI 取代的是不拥抱 AI 的人。”
应用机会没有消失，但模型溢出红利会缩短，Harness 与正向 token ROI 才是更耐用的判断框架。 Cursor、Manus 等产品若拿不到最强模型，就会受到上游自建 Agent 产品的挤压；另一方面，好的 Harness 能让普通或开源模型承担高价值任务。对 One-person company，最硬的闭环不是演示，而是“消耗 100 美元 token，能不能赚到 110 美元”；模型之外，广密最看好未来 6—18 个月可能质变的机器人和 AI for Science。

精读

1. Opus 4.5 到 4.6 把 AI 推过了 Agent 临界点

广密把过去一季度最本质的变化压缩为一件事：Anthropic 从 Opus 4.5 到 4.6 的跨越，接近 GPT-3 到 GPT-4 的代际提升。模型不再只是 Chat、问答和联网搜索，而开始完成复杂、高价值任务，因而他说任务价值与 UC 值也在提升。
他的主观体感是，过去一个季度的进步幅度“可能超过了二〇二五年全年的进步幅度”。Anthropic 的 Miso 与 OpenAI 的 Spark 若达到预期，可能才是“真正的 GPT-5 时刻”；此前的 GPT-5 在他看来一直跳票，Opus 4.5、4.6 更像半代跨越。
加速度比单点能力更重要：即便 Miso、Spark 很强，下一代模型也已进入训练，六七月前仍可能再出现一次 GPT-3 到 GPT-4 式跃迁。广密因此判断“AI 的拐点时刻应该已经到了”，并把 AGI 时间表由两三年进一步提前到今年底或明年初或许有人率先宣布实现。

2. 前沿研究员正在从写代码的人变成管理 AI 的人

硅谷一线最具冲击力的变化，是前沿实验室的 researcher 和顶尖程序员“基本上不写代码了”。去年一个系统可能仍有七八成代码由人完成，今年人写的比例可能低于 1%；日常工作更像教授或 leader 带学生：“AI 来写，人来审”，甚至人的审查能力都开始跟不上。
广密称 Claude 与 Codex 在不少任务上已接近公司 CTO、首席架构师或 Meta L8/L9 水平，一个 feature 往往两三次迭代便能跑通。塔尖开发者每天消耗几百美元 token、一周几千美元，反映的不是聊天频次，而是 AI 已进入真实生产流程。
研发周期随之被压缩：过去从想法到跑通代码要两三个星期，现在可能只需一两天或两三天；多模态团队原本一两个月的数据迭代，也可能缩到几天或一周。模型处理数据和搭建 pipeline 的效率提升，又反过来加速其他 AI 方向。
更接近质变的信号，是“一些 AI research 上的突破不是人类工程师带来的，而是 Codex、Claude 带来的”。Anthropic 在五十多个工作日发布七十多款产品与 feature，也被广密认为是互联网时代好像根本做不到的组织生产率样本。

3. “语言即世界，代码即方案”解释了 Coding 的泛化性

广密的新强观点是：“自然语言是对世界的描述，code 是对 solution 的描述，就是语言即世界，代码即方案。”语言与代码都是高度浓缩的抽象；若 code 足以表达数字世界绝大多数任务，办公室电脑上的多数白领知识工作就具备了被自动化的共同接口。
张小珺补充说，语言与代码的泛化性是今天被充分证明的，而数学或许能提升智能，却能表达的东西有限。她也回看上一季时承认，很多人当时仍把 Coding 当作垂直场景，没有意识到它可以把 Chatbot 推成真正“能干活”的 Agent。
广密把 AGI 进程分成三幕：第一幕是 ChatGPT 式 Chatbot；第二幕是 Coding Agent，直接完成任务并加速 AGI；第三幕是 Automated AI Researcher，成为每个人的研究助理，进一步攻向脑科学、神经科学、材料学等基础问题。他甚至提出，Coding Agent 成熟后，“有可能 AGI 的百分之九十已经实现了”。
Amazon 卖书是他的另一层比喻：书只是最先跑通仓储、物流、用户和供应链的 SKU，此后才横向扩展。Coding 也可能只是 AGI 自动化全球 GDP 后的一小部分，但它拥有最短、最清晰的 feedback loop，因而承担加速器与打样场的角色。

4. 没有领先 Coding 模型，等同于没有领先 GPU

广密认为，领先模型公司若不重视 Coding，“大概率会掉出第一梯队”。内部专用模型也难以成立，因为单一公司的任务数据分布不够全，难以做到领先。
对竞争者而言，依赖 Anthropic 还带有供应风险：OpenAI 已被断供，xAI 也被断供，Google 大部分能力可能受限，Meta 未来亦未必安全。其结论很直接：“你没有最领先的 coding model，就像是没有最领先的 GPU”，用 A100，跟别人用 GB，研发差距会持续放大。
Coding 因而既不是单独行业，也不只是一个产品，而是整张 AI 路线图上的生产资料。它把最顶尖 1%、甚至千分之一人才的生产力放大几十倍，并让 AI 开始加速 AI 本身，地位可能仅次于 GPU。

5. 收入飞轮属于塔尖 token 用户，而不一定属于最大 DAU

广密称 Anthropic 已宣布 ARR 超过 OpenAI；更反直觉的是，其头部一两百万用户贡献的收入，可能超过 OpenAI 五六百万订阅用户。ChatGPT 看似赢得 C 端，却未必赢得价值量更大的 Coding 与 Agent 市场，后者“可能大十倍到一百倍”。
衡量模型平台的尺度正在变化：互联网时代追 DAU、广告规模，Agent 时代可能更看超级开发者与塔尖用户的 token usage、token 价值和 margin。Coding 的 run rate 在两三年内走完了 Google Cloud 十七八年的规模路径，被广密用来说明这条收入曲线可能比 ChatGPT 当年的爆发还陡。
他的推演极为进取但保持条件语气：若势头延续，OpenAI 与 Anthropic 年底 ARR 或达 800 亿—1000 亿美元，明年可能达 1500 亿—2000 亿美元甚至更高；按十几倍 PS，它们将成为新时代的“Mag 7”式公司。Anthropic 最大 bottleneck 可能反而是算力，过去一季的需求爆发已超出其规划。

6. Coding 的真正壁垒是组织与数据，不只是技术 know-how

张小珺要求给 Coding 难度打一到十分：低于四分，所有公司都会做好；高于八九分，Anthropic 可能继续一家独大。广密没有给出确定分数，但把决定性变量归为两项——组织与文化，以及数据。
Coding 与 Agent 数据已不是普通文本：它同时包含任务、环境和评估体系，需要大量造数、清理和验证。问题在于，实验室里最聪明的人往往想做自己的 bet、追求零到一、成为下一个 Ilya，而不是长期处理“脏活、苦活”。
所以管理层真正要选择的是优化目标：追 ChatGPT、Gemini、豆包式 C 端分发，还是追 Anthropic 式高价值任务。资源与精力有限，2025 年又是关键 C 端窗口；Google、OpenAI 忙于争夺流量，客观上把 Coding 的黄金窗口让给了 Anthropic。

7. Anthropic 的领先首先是一场战略专注的胜利

Anthropic 并非 day one 就想清楚 Coding：一方面是 C 端窗口已失，另一方面是 2024 年夏天 Sonnet 3.5 给出正反馈，才让路线逐步收敛。此后公司几乎只 all in Coding，并极少投入多模态、放弃 To C，也没有追随当时被神化的 reasoning model。
广密认为其优势来自 top-down 的一致性：创始人懂技术、亲自压数据与工程，Jerry Kaplan 据传会直接带团队做数据。“模型即应用，数据即模型”的认识像是写进基因；与 OpenAI 不断切换 pretrain、post-train、o1、o3 等中心叙事相比，Anthropic 更像一支把每个工业环节都做好的球队。
团队稳定性也是结果的一部分：Anthropic 不热衷 big name，更愿意招 underdog，文化面试会追问 AGI 实现后的选择；早期 offer 更低、风险更大，仍加入的人更偏 mission-driven。公司内部信息透明，对外泄密则极严，这也解释了外界长期难以窥见其细节。
Dario 与 Jerry Kaplan 的物理学背景，塑造了一种“观察规律再 scale”的方法：不执着于创造 Transformer 之后的新范式，而是持续寻找 data、架构与工程 efficiency。广密的总结是，Anthropic 没有神秘 secret，却把战略、组织、文化和细节同时执行到位。

8. Claude Code 的产品方法是承接模型指数增长，而非复制 IDE

Cursor 火后，市场普遍讨论模型公司是否应再做一个 IDE；Anthropic 却由 Claude Code 创始人 Boris 做出终端形态的 Claude Code。广密认为，这不是功能取舍，而是在“deliver 一个最强的 coding 工作方式”，让产品形态能持续接住模型指数级提升。
Anthropic 的产品团队由大量工程师和 researcher 构成，对模型能力边界理解更深，因而把能力转化为产品体验的效率更高。Claude Code 的 Harness 也是 Agent 实战效果的一部分。
商业定位也与技术路线咬合：Anthropic 长期服务金字塔塔尖，模型可以 scale 得更大、定价更高而不急于降价，同时保有较好 margin。张小珺提出其七八成收入可能集中于 Coding 或 Agentic；广密承认集中度是风险，但认为真正的防守力仍取决于 Coding 难度和竞争者追赶速度。

9. OpenAI 的 ChatGPT 胜利一度成为 Coding 转向的包袱

OpenAI 仍拥有九亿多周活、五六千万付费用户，只是近期增长较 flat；它两次推动范式创新，综合实力、人才密度与 researcher 地位依旧很强。张小珺猜测其直到最近两三个月才把 Coding 提到最高优先级；广密则认为 OpenAI 过去确实在 Coding 上有战略误判。
广密的核心反思是：“今天胜利的秘籍可能就是下个时代的毒药。”庞大免费用户迫使 OpenAI 重视 inference 成本、不敢把模型做得太大；Anthropic 则用高价、低人数、高 usage 的方式承接更强模型，先占住高价值市场。
GPT-5.4 的 Coding 能力已获得很好的社区反馈，甚至未必弱于 Claude，但 Agent 能力仍落后一些。广密判断这更像时间问题：OpenAI 的人才与资源并不差，战略大转向反而可能成为修正错误的起点。
市占率上，他只给出明确标注为猜测的数字：Sam 宣布 Codex 有 300 万活跃用户，广密推测可能是周活；Claude 或有 1500 万—2000 万，整体大致七比三。“我没有准确数字，我只是猜测。”

10. OpenAI 的自由探索既制造范式，也制造资源分散

广密批评 OpenAI 最大的问题是“不够聚焦”：Sam 的 VC 背景使组织像在摊大饼、配置资本，团队自下而上争取资源。Sora 等多模态支线容易被内部推成主线，而 GPU 有限、多模态耗卡，对 OpenAI 的直接好处并不清晰。
文化上，OpenAI 特别 value 零到一，却没有同等 value 一到一百。每个人都想做突破，ego 较强，数据清理、产品运营等苦活缺少地位；ChatGPT 虽规模巨大，却让广密觉得“没有灵魂”，甚至说不清真正的产品负责人是谁。
但这枚硬币还有另一面：Coding 已让一两个人具备做出惊天动地成果的能力，OpenAI 放开自由探索的文化可能孕育下一次范式级突破。广密因此给 OpenAI 约 50% 的最终胜率，认为 Anthropic 的渐进执行优势未必挡得住一次新的技术跃迁。
他将两家公司概括为不同使命：OpenAI 一直想“做爱因斯坦”，试图跨过 Coding 直达 AI scientist；Anthropic 则先自动化整个白领世界，路线更实用、收入爆发更快。如今 OpenAI 已调转枪头，两者更可能继续齐头并进。

11. Spark 可能是真正的 GPT-5，但今年仍是巡回赛

广密预计 Spark 可能是代际意义上的 GPT-5；此前 GPT-5.1、5.2 到 5.4，在他看来更多仍处于 GPT-4 level。Spark 在软件工程上未必立即超过深度优化 Coding 的 Anthropic，但其他能力可能全面上移，并成为持续月度迭代的新平台。
Chat、Code 与 Agent 合并为 All-in-One 平台，是他认可的产品方向。长期差异可能越来越取决于算力与迭代速度；他称 OpenAI 的算力可能比“S O K”多很多。
对竞争终局，他拒绝用当前领先外推全年：“过去三年格局都没稳定过”，今年仍是持续淘汰赛与巡回赛。过去的规模效应、数据飞轮、网络效应像防冷兵器的城墙，但模型已开始自我迭代，现代化武器可能让旧壁垒失效。

12. Gemini 的短期问题是 benchmark 胜利没有转成产品胜利

广密认为 Gemini 3.0 当时被高估：benchmark 很高，实际体验、C 端持续增长与用户买单却没有同步，桌面产品也不完整。它最大的成果或许是让 Google 股价翻倍、证明公司不是 AI loser；Gemini 3 好像也没有真正大的突破。
这场成功甚至可能强化了误判：Google 延续 C 端与多模态优先级，晚三四个月才把 Coding 提到全公司最高位置。而 Coding 会放大研发速度，“落后三个月以后可能就落后一年”，短期补课难度因此不低。
拉长看，Google 又可能是御三家最稳的一家：TPU、现金流、操作系统、Google Workspace 与完整组织体系都在，worst case 甚至是 TPU 成为另一个英伟达。它已运转到第三代职业经理人，更像一台换掉一两个人也不受影响的机器，掉队概率很低。
持续交付强模型需要三项同时成立：每年投入数百亿美元并持续三到五年；管理层有认知、魄力和战略 bet；团队具备世界级人才与产品结合能力。单次 benchmark 冠军“没什么用”，持续 deliver 才是对所有科技公司的大考。

13. Meta 已成四号种子，xAI 则被战略摇摆拖住

广密把 Meta TBD 视为最有机会的挑战者，已取代 xAI 成为硅谷四号种子。团队从多家 lab 汇聚 know-how，九到十个月做出不错模型；路线约七八成对标 Google、二成借鉴 OpenAI，并配有 Nano Banana 对应方向和 Mango 文生图、多模态模型。
Meta 的悬念不只在模型，而是如何 deliver 产品。广密更倾向个人助理、个人朋友，或把 Open Cloud 做成更低门槛的产品；中国团队在产品创新上可能比 Meta 强。高薪挖人虽买到时间，也可能吸引只为钱留下、不愿 take risk 的人，团队稳定性仍待观察。
Manus 被并入 Meta 后尚未明显整合进 WhatsApp、Instagram 或 TBD，但收入增长很快。广密称它是独立团队做好 Harness 的“鼻祖”，并明确认为“卖便宜了”；只是再过一两个月等 Opus 出来，独立产品还能否卖出同样价格又是未知数。
xAI 的问题则是从大规模 pretrain、多模态、Chatbot、AI 搜索再到 Coding 的连续摇摆。广密认为 bottleneck 是数据与 data efficiency，不是盲目放大参数；其比喻是“开着 F1 的速度跑一个马拉松，而且在城市里跑”，CEO 与 leadership 若没有 200%—300% 的聚焦就很难取胜。

14. Harness Engineering 正在为 Agent 建立管理学

广密建议把 Agent 当成“一等公民”：人类知识工作者有电脑、工作环境、权限乃至信用卡，Agent 也需要一套平行基础设施。未来工具可能不是人来选，而是 Agent 自己决定调用什么，这会重写软件的客户定义。
模型之外的另一半是 Harness。它像公司对员工的组织、管理和约束：正常人在好组织里下限更高，普通模型在好 Harness 中也能承担高价值任务；当 Claude 需求溢出、供给接不住时，非 SOTA 与开源模型因此获得实际使用空间。
商业分类也从 To C、To B 转向 To Human、To Agent。面向 Agent 时，DAU 未必关键，token usage、单次 token 的价值与 margin 更值得跟踪；Token Usage 也可能成为数据的一种，补充预训练数据。

15. 模型正在成为自动化 global GDP 的操作系统

广密的终局判断是：“模型可能就是新一代的操作系统。”生活问题、工作自动化、科研支持都汇入少数领先模型，其基础设施重要性甚至可能超过今天的 Google。
操作系统的核心是支持应用无限扩展；在模型时代，这些应用就是 Agent。模型会形成类似 Windows、iOS、Android、微信的生态，兼容电脑、手机、眼镜等不同硬件，最终成为一个“global GDP 的 OS”。
中国模型公司的选择也在收敛：过去三到六个月，Kimi、MiniMax、智谱大体转向 Anthropic 式 Coding 和高价值任务，因为 C 端窗口已很难与豆包竞争。豆包虽在 C 端领先，但 Coding 与 Agent 同样“不能输”，最终仍可能回到组织能力与资源比拼。
新公司进入这场 OS 竞争的门槛已接近再造台积电：每年投入三五百亿美元并持续三到五年，招到至少上百名世界级 AI scientist，还要有 GPU、战略 bet 与 go-to-market。New labs 并非绝无机会，但在技术路线、data scaling 与真正 scaling 尚未收敛前，人才流向比宣传更能说明问题。

16. 白领通缩会先制造痛苦，再释放创造力

当知识和智力被压缩进模型、变成计算资源与 token，人通过读书换工作的旧契约开始松动。广密估计，70%—80% 的人在社会中的价值可能发生微妙变化；ChatGPT、Claude 已减少他购买顾问与其他软件的需求，长期看不少 SaaS 可能消失，印度 IT 外包也可能已经步入模型时代。
初级岗位最先承压：美国本科毕业生就业率被他描述为历史低位，两三年、三四年经验对应的工作正在被自动化。张小珺提到 Meta 已裁员 1.6 万人，并担心未来可能继续裁员；她还提出微软也可能不再需要今天的 15 万人。人才培养路径因而可能被“拦腰截断”。
广密给出的激进情景是“有可能今年百分之三十的工作岗位就没了”。最牛的 AI researcher 也担心一到两年后研究 workflow 被自动化，只剩眼前一两年的工作与赚钱窗口；美国以一亿多中产为基础，程序员、律师、医生、中介、banker 都可能承压，贫富差距与社会矛盾可能加剧。
广密仍相信 AI 终究带来繁荣，但人类制度没有跟上模型速度：“AI 过去一个季度智力的进步可能比人类过去两百年智力的进步还要快。”痛苦窗口之后，创造力、taste 与个人 IP 或更值钱；张小珺的节目提纲已大部分由 Claude Code 根据 notes 和旧框架生成，下一季甚至可能进一步自动化。

17. 投资主线收敛为 SOTA 模型，支线看机器人与 AI for Science

广密的投资结论比上一季更极致：“你要投能持续做好 SOTA model 的公司。”若三五家模型最终自动化全球 GDP 的 30%—50%，每家可能达到 10 万亿美元，总体 30 万亿—50 万亿美元；他个人八九成精力都在模型，并提出直接做“模型基金”的表达方式。
收入数据是最实际的验证：按节目所述但口径可能不同，Anthropic 与 OpenAI 的 ARR 分别已在 300 多亿美元、250 亿美元附近；Cursor 约 25 亿美元，Perplexity 超 5 亿美元，Manus、Lovable 超 4 亿美元，ElevenLabs、Suno 超 3 亿美元，Genspark 也增长很快。广密预计头部模型公司年底或到 800 亿—1000 亿美元。
模型之外，他优先看机器人和 AI for Science，再关注 Agent 平行世界的基础设施。机器人未来 6—18 个月可能质变：可能出现架构突破、技术路线收敛，第一视角、遥操作等数据也可能推动后续 Data Scaling 和真正的 Scaling；硬件重新获得重视，硅谷团队开始到深圳招人，也意味着中国团队可能拥有更强软硬件结合优势。
One-person company 仍可能成为常态，因为从 idea、代码跑通到 revenue 的链路已被模型大幅压缩。但判断应用是否成立，要看真实经济闭环：“消耗了 100 美元的 token，能不能赚到 110 美元？”在工作层面，他留下的最简建议是：“AI 取代的是不拥抱 AI 的人，积极拥抱 AI 的人可能是受益者。”

Notion 的 Token Town：5 次重建、100+ 工具、MCP vs CLIs 与软件工厂的未来——Notion 的 Simon Last 与 Sarah Sachs 具身智能的滔天大泡沫中，他已经把机器人送进300个家庭｜对话张翼：未来不远创始人/CEO