北美AI前沿观察：模型加速与物理世界落地的时间差

事件概述

近期，通过对硅谷、洛杉矶、西雅图、波士顿和纽约等地101位AI一线从业者（包括来自Google、Meta、Nvidia、OpenAI等大厂及初创公司的研究员、工程师和创业者）的高密度交流，揭示了当前AI行业在技术演进、基础设施约束及应用落地层面的真实状态。核心发现在于：模型能力的指数级增长与物理世界交付能力之间存在显著的时间差，行业焦点正从单纯的“规模扩张”转向“效率优化”与“现实约束”的博弈。

核心信息

1. 工作范式转变：从Human in the Loop到AI in the Loop

• 角色重构：一线研究员的工作重心已从亲手执行每一步转向组织和管理智能体（Agent）。例如，有研究员表示其日常工作主要是监督和鼓励由上万个Agent组成的团队。
• 团队精简：预训练团队的规模显著缩小，从过去的一两百人缩减至二十人左右，未来可能进一步精简。
• 价值评估回归：部分大厂已停止使用“AI采用率”或“Token用量”作为考核指标，转而关注产出质量、问题解决复杂度及ROI。此前出现的“Tokenmaxxing”（为刷指标而消耗Token）现象导致Bug增多，促使企业重新审视AI投入的实际价值。

2. 技术演进：Scaling的新路径与数学界的冲击

• Scaling未止：尽管数据量已达100T级别，参数量在1T-3T区间，但业界仍看好下一代10T-20T参数模型的潜力。扩展路径不再仅依赖堆砌数据和算力，而是通过强化学习（RL）、任务环境（Environment）及新架构（如投机解码衍生技术）打开新的维度。
• 数学领域的颠覆：OpenAI解决纳维-斯托克斯方程千禧年难题引发震动。多位数学博士认为“数学已死”，因为AI在检索、推导和验算等环节已超越人类专家。知识生产的权力分配正在改变，价值流向提出问题、选择方向和判断结果的人。
• 通用能力的局限：虽然Coding和数学领域被AI深度渗透，但在标准模糊、无法形成数据闭环的领域（如心理健康、脑科学结合），通用大模型难以自动建立“飞轮”。这些需要私有环境、明确责任和状态保留的“承重墙”业务仍具长期价值。

3. 基础设施瓶颈：从“拼芯片”到“拼电力”

• 硬约束周期：AI算力竞争单位已从GPU“卡”转变为电力“瓦”。新增电力容量与输电设施的并网等待期长达5年甚至更久，成为主要瓶颈。
• 社会与工程阻力：数据中心周边社区因电费、用水和电网稳定性产生抗议；工程层面面临散热、网络互联及故障定位的挑战。
• 资本开支激增：美国五大云厂商2026年AI相关资本开支预计约8000亿美元，2027年升至1.2万亿美元，占GDP比重创历史新高。
• 应对策略：小规模、分布式、靠近电源侧的数据中心成为趋势；同时，核能、“算力上天”、液冷技术及光互连等能源转化效率提升方案同步推进。

4. 具身智能（Robotics）：中美差异与互补

• 北美现状：相比国内，北美从业者在具身智能领域更为谨慎。主要制约因素包括技术路线未收敛、真机验证链条长且复杂、硬件鲁棒性易被低估，以及本地硬件供应链缺失导致的零部件采购困难。
• 优势对比：北美拥有高密度的具身软件人才，而中国拥有强大的硬件供应链优势。具身智能真正稀缺的是“更快、更便宜的真机验证闭环”，这恰是中国供应链的核心竞争力。
• 发展逻辑：尽管存在“先造AGI再造Robotics”的说法，但人的智能是与物理世界交互共同演化的。更聪明的基座模型可缩短学习过程，但无法跳过物理反馈。因此，具备硬件整合能力的实体在具身智能发展中不可或缺。

值得关注

• 投资地图变化：随着模型机会趋于饱和，能源侧的储能、柔性负载、数据中心运维、液冷、光互连及半导体设备链的单点突破，正成为与模型同等重要的投资方向。
• 创业机会点：在AGI时代，能够进入客户业务系统和工作流、提供独特结果数据并用于改进、且能合法合规验收结果的B2B服务，可能比单纯的建议型应用更具护城河。
• 行业心态：尽管资本市场波动剧烈，一级市场热度周期短，但一线研发人员和大厂内部项目推进节奏并未受到明显干扰，显示出技术研发的独立性与韧性。