欢迎来到Indigo 2026年的新年直播。按照惯例，每年的第一场直播，我都会回顾过去一年的科技变化，尤其是作为科技博主，我将聚焦于当前科技领域最重要的部分——人工智能（AI）。因此，我们今年的主题是“万物皆计算”，旨在分享我们如何进入算力时代，以及一切问题如何通过计算来解决。我将分享2025年社交内容的一些个人总结和想法，形成一个结构，相当于给自己做模型压缩，从而得出一些经验和捷径。

AI：时代深层洋流与经济驱动力

在开篇，我将引用法国历史学家布罗代尔（Braudel: 法国年鉴学派代表人物，提出历史的三层理论）的三层理论，即长期、中期和短期。事件只是历史海洋表面的泡沫，真正决定方向的是洋流。2025年我曾分享过“力量、潮流和个体”的观点。今年我继续以此作为开场，因为它决定了我们许多思考方法。我们都是深层结构的囚徒，世界的整体变化被底层因素所牵引。布罗代尔的世界观中，深层结构是地缘，这在当时二战前是正确的，因为科技对世界的影响尚未显现。地缘决定了我们所有的政治版图和历史结构，是人类发展最慢、最根本的因素。在此之上，才有缓慢的变化，形成地理、气候、人口等结构优先级，再往上才是制度和事件。他的方向是从实践性、结构优先性和变化的缓慢性来观察世界。

在回顾了布罗代尔的理论后，我们回到当下。在我们的时代，科技最大的变化，那股深海的洋流，就是AI。AI即将或正在带来的技术变革，已经把整个人类的所有方面，从政治到经济、生产，都通过这股洋流牵引着变化，就像大陆板块在移动。我们现在正处于这样一个时代，AI是驱动所有变化的根本力量。

AI首先推动了基建（Infrastructure: 支持AI运行的硬件和软件系统），尤其是在2025年。大家做投资的都很清楚，去年9、10月份，关于AI泡沫的讨论非常激烈。但随着OpenAI（OpenAI: 领先的AI研究和部署公司）拿到StarGate（StarGate: OpenAI与微软合作的超级数据中心项目）项目，各大公司的资本支出（CapEx: 资本性支出，用于购买固定资产）巨大。AI推动的基建主要是算力中心（Compute Center: 提供大规模计算能力的设施），这甚至将美国第四季度的GDP拉升到4.5%，是几十年来的首次突破4%，全部由算力中心基建拉动。基建又拉动了电力和金属（Metals: 如铜、银，用于电力传输和芯片制造）。2025年，金、银、铜价格都疯涨，特别是银和铜。电力需求则驱动了天然气和核能的发展。最终，由电力和金属的拉动，转化为国家战略。去年11月，美国发布了Genesis Mission（Genesis Mission: 美国一项国家战略计划，旨在整合科研数据用于AI训练），将所有科研机构数据汇总，由能源部门统一推动，形成新的蓝图，类似于当年的曼哈顿计划，但这次是将数据整合起来供AI使用。这就是AI技术变革带动的一张宏大图景。

AI智能演进：锯齿状智能与市场格局

我们现在正处于锯齿状智能（Sawtooth Intelligence: AI在某些领域表现超群，但在其他领域却像弱智一样）阶段。AI在可验证领域突然变得非常聪明，甚至碾压人类，但在日常任务中却像弱智，有时不如孩子。在2023年之前，AI可能还是个玩具；2023到2024年，AI开始能帮我们做一些简单任务，比如寻医问诊或回复邮件。但到了2025年，由于推理能力（Reasoning: AI通过逻辑和知识进行推断的能力）的提升，AI变得更好用。它在数学竞赛中能获得金牌，却可能数不清“Strawberry”里有几个“r”。这种锯齿状的智能，预示着我们可能在2027到2028年间，看到AI达到难以置信的智能（Unbelievable Intelligence: AI在绝大多数任务上表现出色，仅在少数因素上失败），届时许多工作的意义将发生变化。虽然通用人工智能（AGI: Artificial General Intelligence: 具备人类级别智能，能执行任何人类智力任务的AI）的定义各异，埃隆·马斯克（Elon Musk: 特斯拉、SpaceX、xAI创始人）预测2027年就能实现，但我认为可能要到2030年或更远。正如安德烈·卡帕西（Andrej Karpathy: 知名AI研究员，曾任特斯拉AI总监）所说，这种半成熟的锯齿状智能，已经强大到足以将创造力交到每个人手中，尽管它有时显得笨拙，但会用的人能发挥其巨大潜力。

2025年是推理之年，所有模型都能进行推理。同时，这也是中国开源模型之年，特别是1月份Deepseek（Deepseek: 中国领先的开源大模型）的横空出世，震撼了全球，甚至一度影响了英伟达（Nvidia: 全球领先的GPU和AI芯片制造商）的股价。虽然开源模型强大，但闭源模型发展更快。2025年还是智能体之年（Agent Year: 智能体技术取得显著进展的一年），例如Manus（Manus: 一家智能体公司，后被收购）。最大的变化是OpenAI首次失去了领先地位，被谷歌（Google: 全球科技巨头，拥有Gemini等AI模型）的Gemini（Gemini: 谷歌开发的多模态大模型）挑战。我从2023年就开始推荐谷歌，认为如果它能以Gemini为基座革新整个公司，前途无量，2025年我们看到了这一变化。此外，Vibe Coding（Vibe Coding: 一种AI辅助编程技术）和Claude Code（Claude Code: Anthropic的AI编程助手）成为2025年的两大支柱，改变了整个行业。多模态技术也取得了显著进展。但同时，2025年也带来了AI Slop（AI Slop: AI生成的大量低质量、重复或无意义内容）泛滥的问题。

根据Similarweb（Similarweb: 全球网站流量分析公司）2026年1月发布的数据，ChatGPT（ChatGPT: OpenAI开发的对话式AI模型）的使用量呈阶梯状下降，而Gemini则阶梯状上升，市场占有率已超过20%，对OpenAI构成巨大挑战。Grok（Grok: xAI开发的AI模型）市场快速诞生，逼近Deepseek，约占3%。Claude（Claude: Anthropic开发的大模型）在API市场直接挑战OpenAI，上升到2%。ChatGPT首次跌破65%的市场份额。主要玩家仍是大模型，其他如Manus的市场份额非常小，这表明“模型即应用，模型即分发”的趋势。

AI的性能进化正在加速。EPOCH（EPOCH: 专注于算力模拟和模型评测的公司）的数据显示，最先进的模型每年性能提升0.6个单位，意味着每年只需六分之一的算力就能实现过去相同的能力，或者说训练相同模型所需算力以6倍速度下降。他们模拟拟合数据显示，模型速度每三个月提升一倍，呈指数级增长。如果AI能实现完全自动化研究和改进，就能实现递规的自我提升（Recursive Self-Improvement: AI通过自我学习和改进，不断提升自身能力）。这种加速有时会超出我们的认知，因为我们可能无法感知到高智商AI的全部能力，就像我们问不出好问题来测试它一样。因此，问题不在于模型不够好，而在于我们的问题不够好。

OpenAI预测其2030年收入将达到130亿美元，2025年已基本实现。其收入主要来自ChatGPT的前端订阅，API收入不到一半。而Anthropic的API收入已接近OpenAI，预计今年将超越。这两家公司是行业支柱，收入规模巨大。尽管AI烧钱，但与互联网泡沫时期公司毫无收入不同，AI模型公司有可观收入。此外，谷歌、微软（Microsoft: 全球科技巨头，投资OpenAI）、亚马逊（Amazon: 全球电商和云计算巨头）等大公司正用自身利润而非融资进行投资，这使得当前的泡沫更具韧性。

数据中心与芯片战争：新周期的开启

2018年，全球仓库投资（Warehouse Investment: 仓储物流设施的投资）首次超过零售店，标志着电商在全球兴起。而到2025年，数据中心投资（Data Center Investment: 用于建设和运营数据中心的资本支出）即将超过写字楼，预示着房地产，特别是商业地产，可能成为夕阳行业。每一个交叉点的诞生都标志着一个新周期的开始，我们正进入一个由数据中心驱动的新周期。

根据Anthropic的CoWork（CoWork: Anthropic开发的智能体，擅长代码生成和报告制作）绘制的2026年1月十大人工智能数据中心排行榜，谷歌以500兆瓦的装机容量遥遥领先，其数据中心具备多数据中心协同能力，并与Gemini模型同步进化。杰夫·迪恩（Jeff Dean: 谷歌AI负责人）曾分享，谷歌未来将连接全球数据中心，形成一个计算网络（Compute Network: 全球互联的计算资源网络），不同数据中心承担不同职责，如强化视觉或推理。谷歌还拥有TPU（Tensor Processing Unit: 谷歌自研的AI专用芯片），不依赖英伟达，增长最快。

当前芯片战争分为两派：英伟达生态（Nvidia Ecosystem: 依赖英伟达GPU的AI硬件和软件体系）和自研生态（Self-Developed Ecosystem: 公司自主研发AI芯片和相关技术）。微软、OpenAI和xAI属于英伟达系，而谷歌拥有TPU，亚马逊有Trainium（Trainium: 亚马逊自研的AI推理芯片）。Anthropic此前主要部署在亚马逊芯片上，但今年开始采购100万颗谷歌TPU自建数据中心。所有数据中心正迈向吉瓦时代（Gigawatt Era: 数据中心功率达到千兆瓦级别）。埃隆·马斯克宣布xAI的Colossus（Colossus: xAI正在建设的超级数据中心）二代已启动，预计今年6月将达到1.4吉瓦。数据中心主要分布在美国中部和东部，因为地形和能源原因，且AI数据中心主要用于计算，对网络传输速度要求不高，更注重能源供应。

英伟达的优势在于其作为GPU（Graphics Processing Unit: 图形处理器，广泛用于AI计算）设计商，提供整体算力解决方案和数据中心蓝图，通过AI Factory（AI Factory: 英伟达提出的概念，指生产AI的工厂，即数据中心）模式，将高效优质的设计交给第三方生产。光通讯（Optical Communication: 利用光纤传输信息的通信技术）在未来机房中将大量使用。

算力需求的激增也带动了金属市场，特别是铜（Copper: 重要的工业金属，用于电力传输和电子元件）。数据中心作为电力工程系统，需要大量铜，这解释了铜价上涨。能源作为数据中心最重要的要素，其需求也随之增长。

AI重塑国家战略与社会周期

AI对政治的影响不容小觑。在美国，AI带来的机遇和挑战被认为不亚于原子弹。Genesis Mission计划将国家所有数据汇总，用于训练AI模型。过去科学家提出假设、实验耗时漫长，且实验室分散。现在，大量初创公司和模型公司正开发AI代理（AI Agent: 能够自主感知环境、决策并执行任务的AI系统），自动提出假设、模拟实验、优化流程并产出结果。因此，AI最大的经济价值在于企业和科研领域，而非个人陪伴或日常应用。在ToC（To Consumer: 面向消费者）领域，个人创业前景不容乐观。AI即将驱动能源（裂变、聚变）、算力（量子信息、通讯、半导体、微电子、光通讯）、物质基础（先进制造、关键材料）和生命解码（生物技术）等20个核心领域。

从历史潮流来看，AI的兴起可被视为第六波康波周期（Kondratiev Cycle: 经济长波理论，约60年一个周期）。第一次工业革命以来，每个周期约60年。GPT-3（GPT-3: OpenAI开发的大型语言模型）在2020年开启了人工智能时代，如果按照康波周期理论，这一长波将持续40到60年。但AI的变化速度可能更快，二三十年就能普及。技术突破期通常是5到10年，我们现在正处于2020年到2030年，核心突破可能在2030年前后，AI将进入自我进化阶段。然而，AI最大的障碍并非模型发展速度，而是社会接受速度（Social Acceptance Rate: 社会对新技术的接纳程度）。AI将以锯齿状颠覆不同行业，有些快，有些慢，整个社会接纳它需要很长时间。此外，基础设施建设也需要10到15年。社会消化期加上基础设施建设，可能需要20年左右，即到2035或2040年，社会才能完成第一次消化和基础设施建设。我们仍处于AI时代的早期阶段，就像安德烈·卡帕西所说，我们还处于半导体刚发明的60年代，未来还有巨大变化。

认知框架：问题、知识与动态社会

我引用了英国科学家戴维·多伊奇（David Deutsch: 英国物理学家，量子计算理论先驱）的观点：“问题不可避免，问题可以解决”（Problems are Inevitable, Problems are Solvable: 戴维·多伊奇的核心哲学思想，认为所有问题最终都能通过知识解决），这是他的乐观者宣言。所有问题本质上都是知识问题，只要不被物理定律限制，我们都能通过发现知识来解决。这与埃隆·马斯克坚信的第一性原理（First Principles: 物理学思维方法，从最基本的事实出发进行推理）不谋而合。最重要的是发现事物的可解释性（Explanations: 对现象或理论的理解和阐释），现实是可以理解的。不同时代的人类对世界有不同的解释，未来AI也可能发现新的解释。知识是不可预测的，未来是开放的，我们无法从过去推导未来。最重要的是动态社会原则（Dynamic Society Principle: 只有容忍错误、鼓励批判的社会才能创造知识），知识来源于对错误的批判和容忍。最后一个原则是不存在无法解决的问题，只要物理定律允许。

我将戴维·多伊奇和布罗代尔的知识体系结合，构建了一个新的个人思考框架（Personal Thinking Framework: 结合多学科知识，用于理解世界和做决策的个人认知体系），以帮助大家明辨当前世界、做出决策和学习。这个认知框架分为四层：

1. 零层：世界的终极基座。物理定律规定了宇宙的永恒和不可逾越，除非发现新的物理定律。我们期待零层的突破，就像20世纪初量子物理和相对论的发现一样。
2. 知识层：解释层。所有范式和好的解释构成了文明认知的基础。新的知识不断解释世界，一旦物理定律被新的知识解释，它就成为永久资产，除非有更好的解释替代。这可能需要数十年到数百年才能发现新的知识。
3. 制度层：结构层。中期时段，可能数十年到五六十年。人口、能源、基础设施、政治制度和经济体系等，在康波周期中约60年一个周期。知识的变化会影响结构层。
4. 事件层：日常发生。按天、月、年发生，如战争、选举、产品发布、政策调整。大部分是噪音，但偶尔会触发相变（Phase Transition: 系统从一种状态转变为另一种状态的现象），直接改变制度或发现新的解释，从而改变世界。

我们要做的是在事件层中寻找信号和噪音，发现能改变结构的信号或带来新解释的信号。AI时代加速了结构性变化的机会，增加了中间结构层出现机会的频率。AI会改变知识层，帮助我们发现新知识，进而快速改变制度和结构。因此，最核心的是在每天发生的事件中识别信号和噪音，发现能改变结构或带来新解释的信号。这正是我们不断学习新知识的目的。

埃隆·马斯克曾说，xAI和Gemini的目标都是理解宇宙，最终目的是发现新的物理定律。如果零层结构因新物理定律的发现而改变，就像20世纪量子物理推动了半导体、激光、无线电通讯一样，人类将直接迈上新台阶。我们现在正处于一个结构性机会频率增大的时代，这是AI带来的巨大好处。未来是开放的，不由过去决定，知识可以改变一切，只要我们愿意创造。这与戴维·多伊奇的《无穷的开始》（The Beginning Of Infinity: 戴维·多伊奇的哲学著作，探讨知识、进步和乐观主义）中的结论——问题不可避免但可解决——相符，也符合Indigo科技加速社群的“有效加速主义”（EACC: Effective Accelerationism: 认为科技能有效改变和解决许多问题）理念，即科技能够有效改变许多事情。

万物皆计算：AI的终极目标与科学突破

德米斯·哈萨比斯（Demis Hassabis: DeepMind创始人，谷歌DeepMind CEO）认为宇宙中不存在不可计算的事物，大脑和物理世界本质上都可用图灵机（Turing Machine: 理论计算机模型，能执行任何可计算任务）模拟。语言模型是对人类大脑智能的模拟，未来将模拟更多心灵和感觉。他更大胆假设，物理学基本单位可能是信息（Information: 物理世界的基本构成要素，而非能量和物质）。马克斯·泰格马克（Max Tegmark: 物理学家，著有《数学宇宙》）的《数学宇宙》（Mathematical Universe: 马克斯·泰格马克的著作，提出宇宙本质是数学的）也支持宇宙底层是数学的观点。DeepMind（DeepMind: 谷歌旗下的AI研究公司）构建AI的终极目的就是找到计算能力的极限，用它理解宇宙的极限。

如果P等于NP（P vs NP: 计算机科学中的一个未解决问题，P指多项式时间可解，NP指多项式时间可验证）被证明，意味着所有可计算问题都容易计算。德米斯·哈萨比斯认为，自然界系统之所以可解，是因为它们不是随机产物，而是漫长演化塑造的，存在内在结构（Intrinsic Structure: 隐藏在复杂可能性空间中的简洁结构），即低维流形（Lower Dimensional Manifold: 高维复杂数据中存在的低维简洁结构）。神经网络通过学习大量数据捕捉到这种流形，极大压缩搜索空间，使难题易于解决。这就像物理学通过公式（如牛顿的万有引力公式、爱因斯坦的相对论公式）快速总结自然界无限复杂性。未来科学可能无法推导公式，但能用神经网络压缩数据流，如AlphaFold（AlphaFold: DeepMind开发的蛋白质结构预测AI）从基因序列推导蛋白质折叠结构。

低维流形可视化后，高维空间是混乱且充满噪音的，AI学习其结构，在低维度形成通路，寻找结构和意义，就像把揉成3D球的纸展开成2D折纸，找到清晰路径。德米斯·哈萨比斯坚信可用大量模型，结合Genesis Mission计划，训练所有科学数据，寻找新科学规律，攻克科学难题。

德米斯·哈萨比斯认为AI最大的作用是解决根节点问题（Root Node Problems: 基础科学领域的核心难题，解决后能带来巨大下游效益），包括：

• 聚变（Fusion: 核聚变技术，有望解决能源和气候危机）。
• 材料科学（Material Science: 研发新材料，如室温超导、更优电池）。
• 量子计算（Quantum Computing: 利用量子力学原理进行计算的技术）。AI与量子计算结合，通过机器学习（Machine Learning: AI的一个分支，使计算机通过数据学习）进行量子比特纠错（Quantum Bit Error Correction: 纠正量子计算中量子比特错误的技术），这已在谷歌与量子科研机构合作中投入使用。

一旦这些根节点问题被攻克，将为人类带来巨大的下游效益，基础科学难题将迎刃而解。我们正处于黎明前夕，未来两三年可能实现突破，因此在投资策略上应多加关注。

AI应用：ToC的挑战与ToB的机遇

回到现实，AI应用层的机会。我个人不看好ToC（To Consumer: 面向消费者）应用。ToC应用的长期生存策略只有两条：要么被收购，要么在模型公司尚未成熟的领域跑得足够快，然后被收购。除非拥有强大的分发能力，或进入模型公司不愿做的专业领域，如Eleven Labs（Eleven Labs: 专注于AI语音克隆的公司），其声音克隆技术有版权问题且专业性强，模型公司难以轻易复制。

Similarweb报告显示，2025年全年，除音视频生成外，所有垂直应用市场均下滑。模型本身的占比越来越高，用户正向通用应用（General-Purpose Application: 能处理多种任务的通用型应用）集中，如Gemini和Grok的暴涨。这比移动时代更可怕，因为AI的聊天机器人（Chatbot: 对话式AI）或终端模型公司的应用就是终端，没有其他应用。ToC领域，AI的智商过剩（Intelligence Surplus: AI能力远超个人用户日常需求的状态），核心是上下文理解和情商，以及分发、个人数据接入和全模态能力。在这方面，谷歌或Meta（Meta: Facebook母公司，也在AI领域投入）最有优势，但Meta的模型仍有不足。

ToB（To Business: 面向企业）领域则完全不同。企业愿意为10个任务做对9个的模型支付200美元，而非为20美元只能做对5个的模型付费。企业需要极高的成功率，即使收费2000美元，只要能做到99%的成功率，企业也愿意支付。ToB的核心是代码生成（Coding: AI自动生成代码的能力）和智能体（Agentic: AI智能体自主完成复杂任务的能力）。Anthropic正是走了这条非常正确的道路，强化了Coding和Agentic。OpenAI因野心过大，战略不够聚焦，耗费太多算力，而Anthropic目标清晰。Claude Code在Agentic和代理流程使用上仍是无敌的。OpenAI正快速追赶，计划2026年进军企业市场，必须从代码和智能体入手。

Menlo Park去年12月的数据显示，代码生成在企业应用中占据垄断地位，市场规模达730亿美元，远超其他部门花费。AI的第一个杀手级应用就是代码，占据了约90%的收入，主要由OpenAI和Anthropic瓜分。其次是营销（AI生成文章、视频等内容）和客户服务（AI客服）。代码生成在ToB领域占据绝对主导地位。

2025年下半年，智能体技术开始普及，2026年将进入自我进化系统（Self-Evolved System: 模型能够在真实环境中自主学习和改进的系统）阶段。当代码生成和智能体足够强大，模型具备持续学习（Continuous Learning: 模型在部署后能不断从新数据中学习和适应）架构后，即使不能整体自我进化，也能在小环境中实现自我进化。

Anthropic最近发布的CoWork智能体，其产品负责人透露，CoWork本身就是由Claude Code在两周内完成的，人类只提供了需求和验证。这表明AI已能自我实现功能。这种人机协同（Human-AI Collaboration: 人类与AI共同完成任务的新范式）的新范式中，AI将接管大部分中间环节，人类的价值向两端转移：定义问题和验证结果。因此，情景部署师（Scenario Deployer: 能够设计复杂情景并指挥AI完成任务的专业人士）变得非常重要。他们创造情景，让AI完成任务，并验收成果。

一项研究揭示了去技能化（Deskilling: AI接管任务后，人类所需技能水平下降的现象）效应。AI接管某些任务后，人类工作的技能水平下降。例如，AI能完美撰写技术文档，人类可能只负责排版。AI能规划旅游路线、设计报价，人类可能只负责出票和提供人工服务。Claude主要工作集中在受教育程度14年以上的任务，尤其在16到18年教育程度（大学生、研究生、博士生）的工作中表现突出。这意味着人类可能退化到为AI“搬砖”，做AI无法沟通或提供情绪价值的事情。高附加值的强度支持型工作由AI完成，导致中层认知任务出现中空效应（Hollowing Effect: AI取代中层任务，导致中层职位减少的现象）。新的瓶颈在于评估AI输出质量和整合AI结果的元技能（Meta-Skills: 评估和整合AI产出的能力）。会写提示词、做AI教练的人将更有价值。

因此，一些职业正下沉到执行层，人类最适合做物理层面的执行工作（跑腿、打印）。而指挥型工作由AI完成。AI难以进行高度的价值判断，因此领导层的工作仍需人类。未来公司中最惨的可能是中层。AI难以进入企业，最大的障碍是企业组织架构（Enterprise Organizational Structure: 企业内部的层级、部门和权力分配方式），而非技术问题。即使Transformer模型（Transformer Model: 一种基于自注意力机制的深度学习模型，广泛用于大语言模型）不再进步，社会消化它也需要十年。AI的飞速发展与人类社会的接受速度形成严重滞后。

未来将存在三种公司：

1. AI超级个体公司（AI Super-Individual Company: 一个人利用AI提供全面解决方案的公司）。
2. 原生AI供应商（Native AI Vendor: 完全由AI提供服务的公司，如AI律所、AI会计事务所，人类只负责AI编程）。
3. AI顾问服务（AI Consulting Service: 帮助企业实现AI内部进化的顾问公司），例如CAIO（Chief AI Officer: 首席AI官，负责企业AI战略和实施）这样的角色，在CEO指挥下进行中层结构改革，引入最懂AI的架构师、情景辅助师和成果验收师，才能实现AI的快速进化。否则，企业将被扫入历史垃圾堆。这需要5到10年，失业潮仍需时日。

AI在物理世界与科学研究的拓展

AI Beyond LLMs（AI Beyond Large Language Models: 大语言模型之外的AI发展方向）的下一步是产生新数据，进入智能体领域，并控制物理世界的机器人（Robotics: 机器人技术，涉及设计、制造、操作和应用机器人）。AI还能进入科学模拟，如基因、蛋白质等，学习自然规律。Genesis Mission计划通过开放模型（Open Model: 开源的AI模型，供研究和使用）帮助研究前沿数据，将所有科研数据开放供AI模型使用。

物理世界模拟是英伟达一直在推动的方向。AI在物理世界中扮演三个角色：

1. 训练数据生成（Training Data Generation: AI生成用于训练模型的数据），如Osmos（Osmos: 英伟达的训练数据生成平台）。
2. 物理世界模拟（Physical World Simulation: AI对物理世界进行建模和模拟）。
3. 物理世界应用（Physical World Application: AI在物理世界中的实际部署和应用），如英伟达的智能驾驶平台和机器人控制。

进入物理世界最快的两种方式是特斯拉（Tesla: 埃隆·马斯克创立的电动汽车和清洁能源公司）的Robotaxi（Robotaxi: 自动驾驶出租车服务）和机器人。Robotaxi已在十几个城市获得许可，可能在2026年大规模普及。机器人发展可能较慢，Optimus V3（Optimus V3: 特斯拉的人形机器人最新版本）的表现值得关注。特斯拉在机器人领域是领头羊，从控制到智能都垂直整合。

波士顿动力（Boston Dynamics: 著名机器人公司）在CES上发布的ALTAS（ALTAS: 波士顿动力开发的人形机器人），其大脑由谷歌Gemini Robotic提供的VLA模型（VLA Model: 谷歌为机器人提供的视觉语言行动模型）驱动。谷歌正为所有智能设备提供大脑。中国在机器人硬件制造和供应链方面领先全球，而美国在机器人大脑方面仍有优势。2026年，机器人行业将重点关注大脑进化、训练数据突破和泛化能力。特斯拉Optimus计划量产并尽快投入实际工作，通过快速采集数据实现进化。目前机器人仍处于GPT-2（GPT-2: OpenAI早期的大型语言模型）阶段，距离ChatGPT（ChatGPT: OpenAI开发的对话式AI模型）时刻尚需几年。

AI加速科学：破解根节点难题

AI For Science（AI For Science: AI在科学研究中的应用）有四个关键框架：

1. 模拟自然：通过量子计算（Quantum Computing: 利用量子力学原理进行计算的技术）生成自然模拟数据，再由经典计算模拟，实现生成模型（Generative Models: 能够生成新数据样本的AI模型）对自然界的模拟。例如，AlphaFold 3（AlphaFold 3: DeepMind的最新蛋白质结构预测AI）能生产蛋白质和抗体。AI甚至可以从零开始设计病毒，引发对可编程生物武器（Programmable Bioweapons: 可通过编程设计和控制的生物武器）的担忧。
2. 模拟科学过程：将数据输入、分析、假设、得出结论的科研过程交给AI，由AI完成分析和假设，人类给出结论，从而加速科研。
3. 数字与物理现实共舞：AI通过模拟自然世界和科学过程，产生大量冻结。但最终仍受制于物理世界中缓慢、昂贵且不可或缺的实验。未来的进步在于如何让两者并行加速，缩短实验时间。例如，制药业的临床试验无法加速，但AI在诊断和手术方面有巨大突破潜力。

AI加速科学的逻辑建立在“万物皆可计算”的假设之上。如果不可计算，科学加速便无从谈起。下一波浪潮，C端应用机会不大，大公司仍是主导。但在Business端（Business-to-Business: 商业对商业）和科研端（Research & Development: 科学研究与开发），以及被AI加速的科研企业、新材料等领域，存在巨大机会。2026年，成千上万个智能体投入使用，虽然TOKEN消耗（Token Consumption: AI模型处理信息时消耗的计算单位）大，但经济价值也大。为科研实验室提供AI服务，只要有科研成果，即使每月20万美元也物有所值，因为能节省研究员、加速10倍，效率极高。

万物皆是计算机：中国制造的崛起与科技战

A16z（Andreessen Horowitz: 知名风险投资公司）提出“万物皆是计算机”（All Things Are Computers: 现代科技收敛到智能手机或电脑形态，并应用于各领域）的观点。现代科技已收敛到智能手机或电脑的形态，被无限次翻转缩放，应用到每个领域。任何电气设备都能以做手机的方式重做一遍。这解释了中国深圳的强大，其巨大的产业链使其成为全球电子设备和智能电子设备的最佳生产地。

中国的优势在于模块化中间层（Modular Subsystem: 消费电子产品中模块化的中间组件），虽然可能无法制造高端芯片，但在将沙子变成城堡的魔法——中间层制造上，中国遥遥领先。这解释了小米（Xiaomi: 中国科技公司，以智能手机和智能硬件闻名）能造车，而福特（Ford: 美国汽车制造商）不能造手机。埃隆·马斯克在美国也进行颠覆，将所有东西都视为智能手机来制造，如电动车。他先建工厂，再造车，再设计产品，让每个零件都定制化服务，形成成熟产业链。特斯拉工厂甚至开始自己精炼锂，以提高整体效率。

万物皆是计算机的道理，也解释了中国电子模块化生产的强大，这是过去20多年形成的积累，也是中国最大的竞争优势，甚至带来了国防优势（Defense Advantage: 在军事技术和生产能力上的优势）。下一代武器将是电子设备，需要算力、精准电子制造设备和无人机。美国担心未来的战争不再是钢铁对钢铁，而是芯片、频谱和算法（Chips, Spectrum, and Algorithms: 现代科技战的核心要素）的较量。五角大楼控制不了的东西，深圳却能控制。硅谷创业公司只要涉及物理世界，往往需要中国合伙人来沟通中国市场。

总结来说，AI的下一步发展，2026年之后，将更多地深入企业、走进现实、加速科研。在现实世界中，一切都将被电气化（Electrification: 所有设备都将具备电力驱动和智能控制能力）。所有设备的底层代码是其原生载体，随着AI的发展，这些电气化设备将成为AI新的躯壳，AI可在其中实现自我进化，形成超智能设备（Super-Intelligent Devices: 具备高级AI能力的智能设备）或智能联网（Intelligent Networking: 设备之间通过智能系统互联）。

2026年AI发展预测

我将对2026年的AI发展做出以下预测：

1. 持续学习（Continual Learning: 模型在真实环境中不断自我进化的能力）成为既定事实，模型能在真实环境中自我进化，我们将看到相关产品问世。
2. 智能体（AI Agent: 能够自主感知环境、决策并执行任务的AI系统）将迎来商业化里程碑。随着Gemini和OpenAI发布广告，电商领域将需要智能体实现自动交易。预计2026年，AI智能体带来的广告支出将超过50亿美元，超过5%的零售电商将支持Agentic Check Out（Agentic Check Out: AI智能体自动完成商品购买和支付流程）。
3. 大模型分化加剧。Grok将在年底挑战Gemini，接近其智能水平。Anthropic将继续强化企业智能体，成为新时代的Microsoft Office（Microsoft Office: 微软的办公软件套件）加AWS（Amazon Web Services: 亚马逊的云计算服务），卡死企业市场。OpenAI因多方面竞争将收缩战线，专注于企业市场。
4. Google市值反超英伟达。谷歌的市值可能在2026年某天反超英伟达。Mega Seven（Mega Seven: 指科技巨头七姐妹）将分化加剧，微软、亚马逊、Meta可能掉队。Meta的人工智能实验室能否在2026年赶上Grok值得关注。
5. 深层次游戏爆发。AI实时生成游戏将在各大视频平台吸睛，空间智能（Spatial Intelligence: AI理解和处理空间信息的能力）和高速媒体动态生成（High-Speed Dynamic Media Generation: AI快速生成动态媒体内容的能力）将转变游戏开发范式。xAI的Game Studio将宣布新的产品计划。
6. AI独立科研突破。AI智能体将实现端到端的假设、实验、修正论文，完成一次有意义的科学发现。
7. Robotaxi落地之年。Optimus将投入实际工作，而人形机器人（Humanoid Robot: 外形和行为类似人类的机器人）将泡沫化加剧。
8. 网络危机。一场由AI智能体驱动的网络攻击将引发北约（NATO: 北大西洋公约组织）或联合国（United Nations: 国际组织）的首次紧急会议。Anthropic去年曾提及中国黑客利用其网络进行攻击，2026年此类事件可能常态化。
9. AI主权外交（AI Sovereignty Diplomacy: 国家将AI视为战略资产，并寻求在AI领域独立自主的外交策略）。大多数国家无法开发自己的主权AI，AI中立（AI Neutrality: AI技术和平台不偏向任何国家或政治阵营的原则）将成为一种外交原则，类似于核武器中立。各国将分散数字平台，避免完全绑定单一阵营，特别是欧盟和加拿大。

个人成长：认知飞轮与未来行动指南

德米斯·哈萨比斯和伊利亚·苏茨克维（Ilya Sutskever: OpenAI联合创始人兼首席科学家）都强调持续学习是当前AI最大的缺失。现有模型只是对人类互联网数据的大压缩和回放，缺乏AlphaGo（AlphaGo: DeepMind开发的围棋AI，通过自我对弈学习）那样的搜索和思考能力。将直觉转化为可验证的决策路线仍是挑战，但持续学习有望解决。实现AlphaZero（AlphaZero: DeepMind开发的通用棋类AI，从零开始自我对弈学习）式的自我发现更为困难，因为它不是泛化AI。我们需要形成自我生成知识、自我判断、自我反思和改进的认知闭环。一旦持续学习能力形成飞轮，模型将更好地进化，实现泛化大模型从AlphaGo到AlphaZero的转变。

伊利亚·苏茨克维认为，超级系统必须通过渐进式部署与人类对齐，而非直接扔出一个成品版的“上帝”。我们需要新的架构，让AI理解世界的方式与人类兼容，从而关爱人类。理查德·萨顿（Richard Sutton: 强化学习领域专家）在Gemini团队负责持续学习研究，这表明持续学习（Continuous Learning）和元学习（Meta-Learning: 学习如何学习的能力）是AI研究的关键方向。智能体在环境中自我学习纠错，将找到更好的架构和算法，使AI掌握这些能力，从而实现下一代模型在真实环境中锻炼，提高泛化能力，更加安全稳定。

我们正处于新的大压缩时代（Great Compression Era: 知识、信息和财富被AI高度压缩和重构的时代），也是历史上最适合构建的时代。未来10年，财富将属于理解三件事的人：分发即杠杆（Distribution as Leverage: 掌握分发渠道即掌握巨大影响力）、品位即战略（Taste as Strategy: 独特的品位和审美成为竞争优势）、AI即基础设施（AI as Infrastructure: AI成为像电力、互联网一样的基础资源）。朝九晚五的工作将被智能体多元协作取代，岗位将重构。

结构性机遇在于：

• 创作者经济（Creator Economy: 创作者通过内容创作获得收入的经济模式）：每个人都应成为积极的分享者，将个人内容变成AI生产的流水线。虽然AI能辅助内容生成，但真人直播的情感链接和品位输出仍不可替代。
• AI原生品牌（AI-Native Brands: 从一开始就深度融合AI技术和理念的品牌）和自主型公司（Autonomous Companies: 完全由AI智能体驱动，实现自我盈利的组织）的出现。 瓶颈在于：
• 算力与能源。
• 界面与交互：苹果（Apple: 科技巨头，以硬件和软件生态闻名）、谷歌、社交网络都在控制界面，力图延续其垄断力。
• 真实性与叙事：真人直播的真实性、个人品位的叙事和由此建立的信任，是AI难以替代的价值。

我推荐纪录片《The Thinking Game》（The Thinking Game: 谷歌DeepMind关于Gemini的纪录片），它已突破27亿次播放，能帮助大家从Gemini视角理解谷歌这家公司及其价值观。

纳瓦尔·拉维坎特（Naval Ravikant: 硅谷知名天使投资人、企业家）的“鸡汤”很有逻辑性。他认为，记忆的价值正在贬值，判断力和品位变得更加重要。没有人会因记忆力好而表扬你，只会因有品位、会做选择而记住你。因此，要学习如何思考，提升判断力，从噪音中找到信号，提升品位。哲学是活得够久就能成为哲学家，发现普世真理。

我将“老虎”作为2024年的年度词汇。短视频和碎片化信息会削弱人的注意力，最大化用户参与度的内容往往是垃圾数据（Junk Data: 低质量、无意义或误导性的信息）。抖音、Meta等平台通过用户互动提高广告展现量，导致用户无需思考即可反应的内容泛滥。看多了这种内容，大脑会偷懒，放弃思考，就像AI模型在碎片化内容训练后也会“老虎”（偷懒）一样。所有流量都是噪音，找到清晰信号至关重要，因此社群（Community: 具有共同兴趣和目标的群体）的价值在于帮助大家提纯信息，排除噪音。

“做中学”（Learning by Doing: 通过实践来学习和掌握技能）也很重要。很多人喜欢做规划，有想法却迟迟不动手，天天学习技巧却不付诸实践。大脑不在乎你的意图，只在乎你重复，重复塑造了你的现实。你最终成为什么样的人，不由想法决定，而是由反复做的事情决定。只有真正去做了，大脑才能获得成就奖励。

决策的本质是认知，决策质量完全取决于认知的深度。认知足够清晰，决策便毫不费力。面对不确定性，我们需要提升认知，让思维清晰，确定行动，形成认知飞轮（Cognitive Flywheel: 通过持续学习、实践和反馈，不断提升认知的循环过程）。

认知飞轮的实现路径包括：

1. 控制信息质量：认知天花板由信息源质量决定。像管理饮食一样精心管理信息摄入，看高信噪比内容（High Signal-to-Noise Ratio Content: 包含大量有用信息且干扰较少的内容），如深度播客和高质量Newsletter（Newsletter: 定期发送的电子邮件通讯）。新闻和短视频大多是噪音，信息容量低，浪费时间。算法投喂的二手信息和总结很可怕，但X（X: 推特更名后的社交媒体平台）有时能投喂好信号。
2. 抽象和内化：信息不等于知识。真正的学习发生在对信息加工、抽象和连接的过程中。人类记忆不好是特点而非缺陷，它迫使我们抽象信息。大语言模型（Large Language Model: 基于海量文本训练的AI系统）通过神经网络模糊地记住互联网内容，回放时可能出现幻觉。人类大脑更强大，有直觉，智慧是抽象能力和快速连接不同层级的能力，是知识节点之间的捷径。通过定期总结，将碎片化内容抽象内化，形成思维架构。
3. 输出即学习：通过向他人讲清楚来学习。每天或每周、每月总结分享，通过结构化强迫自己思考，暴露盲区，将知识内化。将零散知识形成系统认知。
4. 投资即验证：将认知付诸实践，在市场中投资验证。发挥社群的杠杆作用，分享并获得反馈。通过认知赚到钱，实现时间自由，可投入更多时间进行下一轮学习，形成认知回路。

个人行动手册总结：

1. 培养好奇心：这是获取信息和观察事物的动力。
2. 主动设计运气：将自己置于机会密度高的场域，如硅谷创业，或寻找高质量社群以排除噪音。
3. 形成认知飞轮：系统性地吸收、处理和输出信息，提升认知。
4. 成为乐观者：悲观者永远正确，乐观者永远向前。未来可以被创造，必须采取行动。但前提是，只能赚到认知范围内的钱，超出认知范围的钱大概率会赔掉。

埃隆·马斯克曾说，今天看起来刚刚兴起的领域，如AI工具和内容支持工作，可能在10到20年内被AGI重构得面目全非。真正难以替代的东西，恰恰是那些帮助人类在富足时代建立意义的产品和服务，如教育、精神健康、社区、兴趣创造平台。这也是我们现在做内容和社群的目的，为了迎接未来，社群很有意义，创造才有价值。

最后，预告一下：

1. Rewired通识课和工作坊：旨在帮助大家提升认知，系统性解释世界，分享适合Rewired风格的书籍。
2. Indigo Capital：我正在运作一级市场投资基金，未来还将涉及二级市场。
3. 2026年春节直播：计划在北京时间正月初五中午，分享2026年的投资思考。 今天直播到此结束。