北美AI一线调研：模型加速与物理瓶颈的错位，基础设施竞争转向“瓦”

事件概述

SevenX合伙人于2026年9月在硅谷、洛杉矶、西雅图、波士顿和纽约等地，在15天内密集访谈了101位AI一线从业者。受访者中包括来自Google、Meta、Nvidia、OpenAI等大厂的研究员及创业者，其中17人来自前沿实验室（Frontier Lab），42人为博士学历，82人年龄在35岁以下。调研揭示了模型技术快速迭代与现实落地约束之间的巨大张力。

核心信息

1. 研发范式转变与价值交付落差

• 工作模式重构：预训练团队规模从百余人缩减至二十人左右，未来可能仅需五人。研究员角色从“Human in the Loop”（人在回路）转向“AI in the Loop”，主要职责变为监督和鼓励数以万计的Agent（智能体）完成代码编写、实验运行及结果比对。
• 效率衰减现象：引用Mert Demirer等人对超50万名开发者的研究数据，自主编码智能体带来的代码提交增幅达240%，项目数量增幅80%，但实际发布增幅仅为30%。从提交到发布的层层衰减表明，更强的模型并未自动转化为更好的业务交付。
• 考核指标转向：硅谷企业已出现“Tokenmaxxing”现象，即为了指标好看而刻意消耗Token。各大厂内部考核正从“AI采用率/Token用量”回归到“产出质量、工作速度及解决问题复杂度”，强调ROI而非单纯投入。

2. Scaling路径与新扩展维度

• 数据与算力现状：训练数据规模已达100T，预计下一代模型参数量将从目前的1-3T跃升至10-20T，半年内可实现。一线研究员对Scaling仍保持乐观。
• 新扩展路径：除了堆叠数据和算力，强化学习（RL）、任务环境（Environment）及新架构成为关键变量。训练材料正从静态内容扩展为可执行、可反馈的任务环境，“环境”本身正在成为一种资产。此外，投机解码（Speculative Decoding）等推理优化技术也在提升效率。

3. 基础设施瓶颈：从“卡”到“瓦”的竞争

• 电力与并网硬约束：百万卡集群功耗高达1.5-2吉瓦，接近一至两座大型核电机组出力。新增电力容量与输电设施的并网等待期长达5年以上，社会接受度（电费、用水、电网稳定性）也成为制约因素。
• 资本开支激增：美国五大云厂商2026年AI资本开支约8000亿美元，2027年预计升至1.2万亿美元，占GDP比重超过19世纪末铁路建设周期。
• 趋势变化：基础设施竞争单位从“卡”（芯片）转向“瓦”（电力）。小规模、分布式、靠近电源侧成为新趋势，液冷、光互连、算电协同及储能技术成为新的投资焦点。

4. 具身智能：北美谨慎与国内狂热

• 技术路线未收敛：北美从业者认为具身智能验证链条长，硬件鲁棒性常被低估，且缺乏统一的数据配方。
• 供应链优势差异：北美软件人才密度高，但硬件供应链依赖中国；中国凭借更快的真机验证闭环和更便宜的硬件供应链，在具身智能领域展现出独特优势。这并非单纯的狂热，而是基于工程落地效率的理性选择。

5. 人才状态与行业心态

• 兴奋与高压并存：一线科研人员普遍处于高强度工作状态，“基本没有生活”，但参与技术盛宴带来强烈的满足感。判断力、审美及从热爱出发的持续投入比执行力更为稀缺。
• 学科影响：AI在数学推导等领域的能力突破引发基础学科对知识生产分工和权力分配的重新思考，但在难以形成数据闭环的领域，人类的价值依然稳固。

值得关注

随着模型能力逼近物理世界的承载极限，未来的机会点可能不在于能力曲线最前端，而在于填补能力、交付与现实之间落差的环节。对于创业者和投资者而言，关注点应从单纯的模型竞赛转向能源基础设施、高效验证闭环以及能真正进入业务系统并解决复杂问题的应用层价值。