大模型豪赌，押的是路径更是资本周期
主要观点
这篇评论质疑把通用大模型当成AI唯一道路：巨额算力投入既可能形成领先，也可能在技术换代或产能过剩时迅速贬值。更现实的方向或许是围绕行业工作流、私有数据和安全要求训练场景专家。美国制造业外迁削弱了实体数据供给，只能更多依赖服务业应用；中国投入较慢、受制于半导体，却可能通过低成本跟进以及算法、数据优化获得后发空间。文中进一步区分技术价值与资本收益：华尔街可以从泡沫形成、做空和宽松周期中获利，而无需等待AI真正兑现。
关键要点
- 人形机器人被用作路径依赖的类比：若目标是提高速度和稳定性，轮子可能优于双腿；同理，符合人类直觉的通用大模型，也未必是解决AI问题的最佳结构。
- 文中称美国AI投资约为中国的7倍且差距仍在扩大，但重资产领先伴随产能过剩与技术迭代风险；一旦新路线出现，既有算力和基础设施可能需要大额减值。
- 早期视频公司的失败与智能手机、4G成熟后抖音的崛起，被用来说明先发并不自动转化为优势：外部条件尚未成熟时，过快投入反而会消耗资本和组织生存期。
- 行业工作流、专有数据、容错率、安全标准和运行环境各不相同，构成“一个模型解决所有问题”的现实障碍；高风险金融数据甚至可能因管理要求而无法交给AI处理。
- 制造业场景与数据被视为训练垂直AI的重要资源。美国制造业大量外迁后，实体产业数据供给不足，其大模型应用因而更多集中在金融、法律、编程和影视等服务业。
- 资本收益与技术成败并不一致：泡沫上升期可通过融资和交易获利，破裂前还可做空，破裂后又可能受益于降息和QE；因此市场热度不能直接证明技术路线有效。
建议带着这些问题阅读
- 行业专用模型相对通用大模型的成本、安全与效果优势，需要哪些实际案例才能得到验证？
- 制造业场景和私有数据是否足以构成中国发展垂直AI的长期优势？
- 若大模型基础设施出现过剩，哪些技术变化最可能触发资产减值？