2026，是個“AI多模態大年”！普通人如何看懂十萬億美金的變局？

當大模型的“暴力美學”逐漸步入深水區，全球 AI 產業的敘事邏輯正在發生深刻演變。OpenAI、Google、Anthropic 三強割據，誰能率先推開 AGI 的大門？下一代技術范式 continual learning（持續學習）將如何顛覆現有格局？

2026年1月10日的課程中，我們特別邀請到了拾象科技創始人兼 CEO 李廣密老師講授《2026AGI洞察與投資趨勢》。作為深度穿梭于硅谷與中國的一線投資人，他將帶我們跳出繁雜的現象，從宏觀視角復盤 AI 軍備競賽，預判 2026 年的AI創業勝負手。

李廣密老師立足于全球視野，深度復盤了過去三年 AI 浪潮的演進路徑，前瞻性地提出了 2026 年 AGI 發展的核心判斷。李廣密老師將結合其在硅谷的一手調研經驗，深入剖析頂級模型公司（OpenAI、Google、Anthropic）的戰略分化，探討算力基建（GPU與TPU）的陣營對抗，并揭示在“技術溢出”紅利下，創業者如何捕捉下一個千億美金級別的“新物種”。

課程不僅涵蓋了宏觀的投資策略，更通過 Cursor、ElevenLabs、Open Evidence 等前沿案例，具象化地展示了 AI 落地知識工作者、醫療、法律等垂直領域的商業潛能。

以下是課程部分精華內容，完整版內容在混沌APP。

友情提示：本文僅作為研究思考分享，不構成任何投資建議。

作者 |Guangmi，Penny，Cage，Haina，Feihong，Siqi，Nathan

轉載自 |海外獨角獸

Where are we now ？

判斷1：AI Labs競爭常態：“交替領先”+“分化”

全球AI模型的頭部格局已基本確定：OpenAI、Anthropic（Claude）和Google（Gemini）構成第一梯隊。

模型能力上個位數百分點的領先，在商業回報上往往會被放大為數倍差距，技術領先與品牌效應疊加所形成的高溢價讓這三個AI labs不僅吸納了大量了頭部人才，也分走了今天LLM領域中絕大部分價值。這一現象類似職業體育：梅西、C羅等頂尖球星可能能力上并沒有比其他優秀球員強幾十倍，但他們的商業價值和收入卻高出幾十倍。

在整個Tier 1陣營里，AI labs之間呈現出“交替領先”和“分化”的狀態。

趨勢1：技術路線分化

在通用能力彼此膠著的背景下，不同AI labs都做出了明確的戰略選擇，在模型能力的具體優化重心上也出現了分化：

?OpenAI堅定bet to C：ChatGPT在To C依然保持著斷檔式的領先優勢，目前DAU接近4.8-5億，大約是Gemini（約9000萬DAU）的 5.6 倍（備注：數據截止至2025年12月）。盡管Google的Gemini在生態上更具優勢，但ChatGPT一直在圍繞 to C場景做專門優化，體驗依然更勝一籌，從團隊做廣告、電商的投入來看，ChatGPT是在朝著“下一個 Google”發展。

?Anthropic毫無疑問專注于To B、Coding/Agent等專業領域，放棄了通用的To C市場。Claude Opus4.5在軟件開發和Agent領域依然是SOTA，在處理長任務時更可靠、效果更好且更節省Token。我們認為Opus 4.5可能是一個被低估的模型。如果沒有這種專注Coding的戰略Bet（押注），Anthropic很難在巨頭的激烈競爭中生存下來。

?Google在戰略優先級上把多模態放在首位，Gemini 3的多模態理解能力也處于斷檔式領先地位，但在Text和Coding（包括Agent）能力上，目前更多是追平OpenAI和Anthropic之前的水平；

是否理解模型特性及其未來半年的演進方向，直接決定了接下來對Agent公司的投資邏輯：是選擇“聚美優品”還是“拼多多”：

?“聚美優品”：即vertical agents（垂直智能體），這些產品往往把某個場景服務得很好，也因此能快速實現盈利能力，但面臨的風險也很現實，“通用平臺，即AI labs會不會做”？

?“拼多多”：能夠在通用平臺之上構建出了獨特價值層，具備更強的長期戰略價值。

趨勢2：兩大算力陣營

因為Google的快速追趕，算力角度看，行業也正在形成兩大對壘陣營：GPU vs TPU。這兩大陣營也會是是未來貫穿一二級科技投資的主線。

Google憑借“模型+TPU+云+產品”構建了端到端、自成一體的生態，類似LLM時代的Apple，而NVIDIA更像是LLM時代的Android，支撐起了一個龐大的生態聯盟。在NVIDIA生態下，OpenAI和Anthropic依然是“優等生”，在人才密度上略優于Google。

從當前階段看，GPU在綜合性能上仍優于TPU，但GPU受制于臺積電產能，且成本昂貴；而Google通過TPU展現出更強的成本控制潛力。與此同時，“NVIDIA + OpenAI”這條主線在短期內可能被市場低估，尤其是在OpenAI新模型持續發布的背景下。

判斷2：Google+OpenAI=$10T

因為OpenAI bet to C的策略使得它和Google更像是“頭對頭”競爭，也因此，過去一個季度，Google Gemini 3效果超預期之后，市場對OpenAI的態度立即很bearish（悲觀），但今天的AI并不是“零和博弈”，Google的崛起并不意味著NVIDIA和OpenAI的衰落：Google與OpenAI的關系，更像是短視頻時代的抖音興起時，給長視頻時代的優酷所帶來的整體增量，兩者是共同把盤子做大。

長期來看，Google和OpenAI將是一個比較好的組合，在C端市場可能會形成平分天下的局面，Google短期內因PE擴張顯得估值偏高，而OpenAI則處于被低估的狀態。

但長期來看Google與NVIDIA是最快接近10萬億美元市值的公司，Google市值從當下增長至10萬億的難度，或許小于過去從百億到千億、千億到萬億的跨越。而OpenAI的最新估值已經接近萬億美金水平。

判斷3：2026年會看到下一個范式信號

Continual Learning（持續學習）作為下一個極其重要的技術范式，這個方式在過去半年中在OpenAI、SSI、Thinking Machines Lab等頭部AI labs 、AI researchers 中逐漸擴散，并最終形成共識，對Continual Learning的探索也才剛剛開始。

我們有一個比較激進的判斷：從范式級別，今天大家熱議的機器人、世界模型、多模態，很多可能是“假問題”，而Continual Learning才是“真問題”。

從范式角度，Pre-training面臨的邊際效應遞減、投入巨大以及數據枯竭等嚴峻挑戰已經是不爭事實，例如Gemini 3使用的50T數據量已接近極限，模型的激活參數并沒有無限變大，反而變小了。

其次，今天的LLM本質上是“凍結的智能”，它們在推理時表現出色，但無法從每天的交互中實時吸取教訓。未來的模型應該從“靜態”轉向“鮮活”，在推理和交互的同時進行學習，只需更少的數據就能學得更快，實現真正的數據飛輪。這就是Continual Learning要做的事情，之所以說它是范式級的探索，也是因為一旦模型具備這樣的能力，智能進階的速率又會到達一個全新的量級。

如果Continual Learning這個問題不解決，做機器人就會像上一代做NLP或自動駕駛一樣，需要一點點去采集數據，要走10年的彎路。

Continual Learning是讓AI具備“超級學習力”

這一新范式的目標是從“存儲知識”轉向“樣本效率”（Sample Efficiency）。Ilya曾提出“超級實習生”的概念，認為真正的超級智能應像高智商實習生一樣，具備極強的學習能力，看幾個案例或寫幾行代碼就能迅速掌握業務，而非僅僅依賴百科全書式的知識存儲。

但這一新范式的成熟還需要基礎設施的支持如更長的Context、LoRA以及推理時的多模型并行采樣等，以及Continual Learning是長上下文、模型遺忘機制及數據分布漂移等5-10個學術難題的集合，因此難以在短期內迅速突破，但學界和業界普遍樂觀預計在2026年能看到明確信號，并希望能在未來1-3年內逐步解決這些子問題。

目前，早期信號已現端倪：

?Google Research發布的Nested Learning通過引入動態記憶機制，展示了初步的In-weights Learning能力。

?Cursor是目前Online RL的典型雛形，它雖然距離真正的Continual Learning尚遠，但通過捕捉用戶對代碼的接受或拒絕行為，能夠在極短周期（如小時級）內更新模型。這代表了一種趨勢：模型和產品的學習曲線將變得越來越平滑，從“靜態凍結”轉向“越用越聰明”，用戶的每一次交互不僅是使用，更是對模型的訓練。

在這一領域，OpenAI依然遙遙領先且投入最大，其次是SSI 和 Thinking Machines Lab。從團隊淵源來看，Anthropic是OpenAI最早的 Scaling team，Ilya的SSI代表了Pre-training team，而Thinking Machines Lab則是原班ChatGPT和Post-training team，這些頂尖團隊都在布局下一盤大棋。

判斷4：AGI競賽是“馬拉松+自動駕駛”，是持久戰和現金流之戰

今天的模型本質上仍是巨大的壓縮器，缺失數據類型的任務無法完成，因此需要大量冷啟動數據。盡管模型的知識儲備遠超大多數人類，但Agent尚未接觸真實工作場景。為了實現強化學習的泛化，需要收集頂尖專家在實際環境中的操作數據，例如打印店操作、SaaS使用流程、銀行系統交互或皮膚科診療記錄等。

這種情況很像自動駕駛：Agent需要處理大量長尾數據，這中間要經過很長的時間。不過，雖然全面達到L4級別困難，但在知識工作者的垂直領域，局部L3/L4已實現可觀效率提升，帶來百億美元ARR級別的價值。

所以如果回到資本和現金流的競爭：

?Google、字節這樣的優勢就相當明顯，是強共識性的 AI winner：既擁有現金流機器，人才和技術積累密度也足夠高；

?Meta雖然也有自己的資本優勢，且投入巨大，但考慮到團隊變動以及歷史的積累，結果充滿不確定性；

?OpenAI和Anthropic這樣的頭部labs在資本充裕的一級市場環境中，也可以憑借強大的融資能力實現持續的資金凈流入。

判斷5：AI必須回答商業模式和效率質疑

整個市場對于AI Bubble（泡沫）的擔憂都來自于Sam Altman提出了1.4萬億美元的Financial Obligation，客觀來說，我們可以從算力投入角度合理化這筆巨資，但從商業模式視角下很難去理解清要如何收回成本更加重要。

深入分析OpenAI的合約條款會發現，

這1.4萬億中有很大一部分（特別是2028年以后的部分）包含了創新性的“有條件解鎖”條款。

這意味著它不同于傳統軟件行業的RPO（剩余履約義務），這部分承諾相對更容易撤銷或展期。據估算，容易撤銷或展期的部分可能占到1.4萬億美元的2/3。

在目前OpenAI清晰可見的商業模式下，即使將預期拉滿，未來的收入規模也僅在2000-3000億美元之間，這僅僅能勉強抵消巨額的資本開支折舊，遠遠沒法覆蓋投入的資金成本。

?ToC市場：在訂閱制上，假設擁有40億周活用戶且訂閱率達到10%，年收入約為800億美元。這要求付費用戶規模達到4億，相當于Office Commercial的體量，甚至遠超Sam Altman預測的2030年2.2億付費用戶數。而在電商與廣告領域，AI將陷入存量博弈，如果達到Amazon或TikTok的變現水平，收入約400億美元；如果達到Google或Meta的水平，則可達1000億美元。

?ToB市場：即便假設5000億美元的SaaS應用市場全部被AI重構，且OpenAI能從中收取20%的“過路費”，其收入上限也僅為1000億美元。

而且，如果AI僅僅是創造了另一個爭奪存量廣告和電商生意的互聯網平臺，則今天所有全球資源集中涌入這個領域的意義會非常有限。

OpenAI真正的想象力收入在于那些目前尚“看不清”的Net New TAM（新增凈量），今天我們能看到相對有確定性的是AI作為新勞動力的價值釋放，甚至創造增量GDP：

?如果Agent能創造20%程序員的價值，對應的是3000億美元的IT服務市場增量；

?如果能創造20%白領的價值，這一數字將提高到3.5萬億美元。

但要做到這一點仍需要解決模型可靠性和端到端能力，依賴Continual Learning的本質突破，這也是long-horizon agents（長時程智能體）成為一個重要命題的原因。

而更遠期的還包括AI時代的消費電子新設備、以AI為中心的云架構以及Sora帶來的新娛樂形式等等，概括來說，Sam Altman此時的巨額投入，實際上是在為Something never seen提前下注。

目前我們更傾向于將AI投資視為一種“國防”開支，即巨頭們為了避免被顛覆，即便超越商業回報考量也會投光最后一分錢。NVIDIA、微軟和 AWS 會繼續支持OpenAI 和Anthropic，以維持制衡，避免Google或OpenAI一家獨大。

判斷6：AGI投資：只bet技術成長最陡峭的地方

AGI投資的核心策略是，只Bet技術成長最陡峭的地方。具體拆解下來有三條主線：

1.投資全球最領先的模型公司：只有參與最大的綜合平臺投了，才能吃到最大的beta，長期的復利才是最大的。

2.投資最領先模型所需要的算力和硅基Infra；

3.投資最領先模型技術溢出的紅利；

考慮到技術變化極快且各家交替領先，很難準確預判某一家是最終的Winner，因此最好的策略是構建一個AGIIndex，一個理想的AGI Basket配置是：OpenAI、ByteDance、Google、Anthropic、Nvidia，以及TSMC。

掃描海報二維碼學習好課：《2026AGI洞察與投資趨勢》

重要趨勢

趨勢1：模型即產品，數據及模型

模型即產品

“模型即產品”的邏輯在于，盡管Context Engineering（上下文工程）和Fine-tuning（微調）非常重要，但階躍式的產品體驗提升往往還是來自于底層的模型換代。過去三個月的產品發布再次證明了這一點：

?Sora和Veo生成結果的人物動作的一致性以及音畫同步生成的能力，本質上都源于模型的進步，Veo內部甚至已經跑通了視頻訓練的RL Pipeline；

?Nano Banana Pro生成“圖文解讀”類內容的結果很驚艷，背后也是多模態與LLM 融合后帶來的智能升級；

?Coding領域，Gemini 3 的前端生成效果優于Claude Code，但在后端邏輯上不如Claude Code和Codex，這種產品體驗的差異化說明了模型訓練本身的差異化才是關鍵。

我們在前面的重要判斷部分提到，目前目前模型的分化非常明顯，而這種分化其實也完全取決于公司的戰略選擇。頭部Labs在技術上并沒有代際差異，模型擅長什么方向，完全取決于公司決定服務誰，以及在哪個方向投入研究資源和數據。

數據即模型

“數據即模型”的底層邏輯是：今天的模型進步非常依賴于對人類“未留痕數據”的線性蒸餾。Pre-training（預訓練）已經用完了網絡、教科書、代碼庫等人類留痕數據，post training（后訓練）也用了大量人類偏好數據，現在的RL開始蒸餾那些過去不存在、現在需要規模化收集的新型數據。不同的數據類型可以用不同的能源來做一個形象的比喻：

?Pre-training數據就像石油，量大但主要油田已經快被抽干了；

?RL專家數據就像新能源，有用但產量有限、成本高且速度慢；

?Continual Learning就像核聚變，目前還沒真正突破，但一旦突破就是無敵的，模型將能在環境中自己標注數據、實現自我提升。

目前，灣區涌現了二三十家創業公司幫助模型公司搭建RL環境，或通過錄屏記錄專家操作復雜軟件的Trajectory。Mercor、Surge AI 和 Handshake等數據平臺收入增長都非常驚人。

趨勢2：2026年是多模態大年，機器人是多模態和World Model（世界模型）最重要的Interface（交互通道）

多模態技術路徑正在加速向“Omni-in，Omni-out”（指模型能同時處理和生成多種類型的數據輸入與輸出）收斂，無論Google還是OpenAI，技術路徑已逐漸一致：Auto-regressive與Diffusion Transformer正逐漸融合，視覺、音頻和文本被統一Token化并納入同一個自回歸序列建模。這意味著模型開始具備了跨模態的“通感”能力。

例如，Gemini 3和Nano Banana Pro已展示了極強的從“文字+圖片”輸入到“文字+圖片”輸出的能力，能將破碎的收據照片拼合完整并直接輸出表格。

這一趨勢最直接的受益者是Robot Learning和多模態Agent：機器人可利用合成數據訓練解決現實數據不足的問題；Agent則能通過Computer Use操作屏幕，接管人類在虛擬世界的工作流。

世界模型

世界模型是對時間和空間具有深度理解的模型，它不只是生成視頻，更能根據當前狀態和動作，模擬并預測未來的世界演化。目前領域里分為兩大技術流派：

?“實時交互派（Real-time Interactive）”：關注低延遲與可玩性，目標是取代Unity、Unreal引擎，從傳統的“3D渲染”轉向“神經推理”；

?“物理仿真派（Physics & Spatial）”：更關注物理準確性與3D一致性，即使犧牲畫質，也必須嚴格符合重力、碰撞等物理規律。它們的目標不是生成給人看的內容，而是成為AI（特別是機器人和自動駕駛Agent）的“訓練場”，解決Sim-to-Real的問題。

Robotics（機器人）

我們對機器人發展的判斷是：整個領域“GPT時刻”可能還有3-5年的距離。與LLM“先統一再分化”的路徑不同，機器人領域“Day1就是分化”的。

因為機器人缺乏統一的Pre-training基礎（如LLM的網絡文本），也沒有統一的硬件標準，加上多模態底層的進步和人才涌入，使得每個團隊都能有自己的 Bet。目前機器人正處于第一個“百花齊放”的階段，未來一兩年部分技術路線可能會收斂，但在場景和方向上依然會保持分化。

但在2025年Q4，灣區的AI Robotics公司迎來了一個集中爆發式的發布期。其中Google DeepMind和被稱為“DeepMind四小龍”的Physical Intelligence、Generalist、Dyna、Sunday尤為引人注目。這些公司的創始團隊大多與Google DeepMind一脈相承，因此在研究理念上有不少相似之處：

?都不走Simulation（仿真）路線，而是強調真實世界數據；

?都沒有一開始就做Humanoid，而是著重解決上半身、雙臂和靈巧手的Manipulation（精細操作）；

?更偏重于AI Learning，致力于打造一個相對泛化的機器人大腦。

通過RL和真實數據，這些公司發布了能長時間執行精細任務的模型，如疊衣服、沖咖啡、拉拉鏈、收拾碗筷等，并開始展現出一定的泛化性，甚至在Google Robotics的研究中出現了跨硬件遷移的跡象。

從這些公司發布的模型中可以得出的核心Takeaway是：數據仍然是最重要的Bet，各家公司拿出了截然不同的Data Recipe（指收集和處理數據的具體方法論）。

?Generalist：利用改造后的Umi設備收集了27萬小時真實機器人交互數據，并聲稱發現了Scaling Law。

?Sunday：創新性地采用了“手套+眾包”的模式，完全不依賴遙操作，而是通過向美國家庭分發專利設計的手套，收集人類的動作數據再通過算法轉化為機器人數據，目前已收集了1000萬條數據；

?Physical Intelligence：Pi建立了一套在不同Airbnb真實房屋環境中持續收集數據的Pipeline，并且包含人工糾偏的數據。

而且，值得一提的是，RL在機器人領域的作用比在LLM中更為顯著。Pi發布的RECAP策略就是一個典型案例，它特別強調RL能讓機器人在疊衣服、沖咖啡等Long-horizon任務中表現得非常Robust（魯棒性）。通過Value Function和Credit Assignment，機器人像下圍棋一樣，能知道每一步操作是有助于成功還是導致失敗，從而同時從成功和失敗的軌跡中學習。這大幅提高了RL數據的利用效率，使得機器人能夠實現連續 10 小時穩定執行任務。

機器人商業化落地的重要性在日益凸顯。受限于灣區極高的人力成本，Dyna已開始積極探索B2B場景，為商家提供疊衣服、疊餐巾等具體服務，其核心策略在于扎實做好Post-training，以顯著提高落地的穩定性。

與此同時，硬件的重要性正被重新評估，甚至有研究員認為硬件可能占據了成功要素的60-70%。

趨勢3：Proactive Agent（新一代主動服務型AI智能體）是模型公司主賽場

目前的模型進步主要體現在“橫向”蒸餾人類知識，通過Post-training和 RL 拓展領域知識；而“縱向”的突破則是向Proactive Agent 進化，從被動等待用戶 Prompt的Chatbot，轉向能主動提供服務的Agent。這種形態要求模型具備三大核心能力：

?意圖識別：Agent 必須精準判斷在什么情況下需要 Take Action；

?Always-on：它需要始終在線，深入用戶的Context，獲取Slack、郵箱、日歷文檔等更多入口權限；

?長期記憶：Agent不能做完本周的任務下周就忘了，它必須記住用戶的長期目標和偏好，在合適的時間主動行動。

為什么Proactive Agent如此重要？

?它與下一個技術范式Continual Learning緊密相連，模型要想做到主動，必須具備在交互中實時學習的能力，判斷什么對用戶是重要的。

?它能構建更高維度的護城河。目前的Chatbot競爭更多是比拼規模效應和品牌，用戶遷移成本極低，但Proactive Agent能在用戶環境中學習，實現真正的個性化，先發優勢將非常明顯。

其實OpenAI的Mark Chen對未來 ChatGPT的構想也是Proactive Agent：現在的模型每次提問都要從頭推理，不會變聰明；而未來的Agent記憶將大幅升級，能從對話中學到關于用戶的“深層結構”，理解你真正關心的問題。當你下次提問時，它已經在后臺幫你反思、聯想并預備好了答案，這種體驗可能還需要新的硬件和交互方式來承載。

除了有OpenAI 通過 Pulse做類似嘗試，Thinking Machine Labs的技術博客也發布了許多關于Continual Learning的進展，特別是強調利用LoRA技術來實現個性化。如果能通過LoRA把用戶的Memory高效存儲起來，這將是一種實現個性化 Proactive Agent的可行技術路徑。

趨勢4：Neo AI Labs 會成為OpenAI的挑戰者嗎？

盡管頭部模型公司的梯隊格局已定，但在灣區，由OpenAI和DeepMind Mafia驅動的Neo AI Labs正在涌現。這些新實驗室的機會點在于探索巨頭尚未覆蓋的領域，或是押注全新的技術路線與開源生態。在這一波浪潮中，涌現了如圖所示的幾家極具代表性的公司：

趨勢5：Voice Agent（語音智能體）成為新一代OS的入口

過去12個月，Voice Agent經歷了飛速發展，從技術驗證跨越到了運營規模化部署的階段。2025年底很可能是整個Voice Agent市場的結構性拐點。

Model 層最顯著的變化是行業正在從傳統的“STT（語音轉文字）→LLM→TTS（文字轉語音）”三段式架構，轉向Real-time Speech-to-Speech（STS）的端到端解決方案。

這種新架構的最大價值在于大幅減少了反應時間，情緒表達更像人類，打斷對話也更加自然。雖然目前企業因可控性和定制化問題接受度還較低，但預計明年會有明顯的Adopt。此外，延遲優化如今只是入場券，企業真正愿意買單的是全局穩定性。例如，盡管Cartesia在延遲上做到了極致，但ElevenLabs在企業環境中的表現更穩定，因此更受企業青睞。

我們的一手調研顯示，今天TTS模型架構差異已微乎其微，真正的壁壘在于底層數據的質量與處理能力，例如醫療場景從一開始就要求100%的術語發音準確率。11Labs早期建立的數據規模與質量優勢，已構建起其他初創公司難以企及的護城河。

此外，11Labs已超越單一模態，憑借強大的品牌吸附力（如成為Netflix 等首選）、與GCP的深度綁定以及團隊極強的執行力，具備了類似操作系統層級的防御性。

在這個邏輯下，我們Voice Agents類公司更偏Vertical邏輯，即“垂直領域優于水平通用平臺”的判斷，純通用語音平臺不可避免會陷入激烈的價格戰，真正可持續的護城河，來自于對行業數據閉環與核心工作流的掌控。無論是物流調度、診所前臺，還是保險核保，最終的贏家都必須能夠深度嵌入業務系統（如TMS/EHR/CRM）。當行業數據與工作流權限形成綁定，其黏性足以有效對沖模型層持續商品化所帶來的競爭壓力。

在infra層，Voice Agent Infra的本質不再是賣通話分鐘數，而是將整條電話線托管成一套 Voice OS。Infra層的核心價值在于抽象層（如語音路由、打斷策略、Failover等），讓企業像接電話公司一樣直接接入Voice Agent，而無需自己拼湊底層模型。

在這個領域，Retell和 Vapi是目前使用最多的Startup。其中，Vapi搭建更快、場景更多；而由華人工程師團隊創立的Retell則以Engineering Work扎實著稱，更穩、延遲更低，ARR已接近$40M。此外，還有OpenAI使用的LiveKit這類開源框架，以及Cresta采用的Pipecat，它們提供了更高的可定制性。

趨勢6：LLM推理價格快速通縮

此外，目前LLM的推理價格正在經歷快速通縮，如果用MMLU作為一個統一的質量指標來衡量，推理價格的下降速度達到了每年10倍。自GPT-3發布以來，短短三年內，同等能力的模型推理成本已經下降了約1000倍。

這種通縮在高端能力上表現得更為激進，對于達到 GPT-4 水平或解決 PhD 級別科學問題（GPQA）的高難度能力，成本下降的速度在最近一年甚至是在加快的，降幅達到了約 40 倍/年。

然而，許多開發者和創業者的實際體感卻是“并不便宜”，原因在于 Agent 和多模態的應用讓請求本身的復雜度發生了質變：現在的交互不再是簡單的“一問一答”，而是演變成了一個包含多輪思考（Reasoning /Thinking 模式）、多次工具調用以及中間狀態總結的復雜Workflow。這意味著，原本只需要 1 次 API 調用就能完成的任務，現在可能需要內部進行5-10次的鏈式調用。

用戶輸入的內容量也在顯著變長，文件、多模態信息和長上下文被大量引入。最終的結果是，雖然單Token的價格便宜了10倍，但單次請求所消耗的Token用量可能同步增長了10倍。這種用量的激增在很大程度上抵消了單價下降帶來的紅利，導致從應用端的總成本來看，并沒有感受到明顯的下降。

趨勢7：ChatGPT vs Gemini

Gemini 3 的發布改變了模型競爭格局，導致ChatGPT首次因模型競爭而出現流量和用戶下跌。但與此同時，從絕對量上看，Gemini 3 對Gemini App和 Web的提升效果其實不如Nano banana明顯。

Gemini 3的主要進步集中在前端開發等生產力端的專業需求上。而在生活助手方面，尤其是移動端處理生活化問題時，ChatGPT受到的沖擊較小。從用戶粘性來看，ChatGPT在使用量和留存等方面表現出更高的粘性，這正是兩者之間分化最大的差異所在。

?流量爭奪：Gemini在“量”上逼近，ChatGPT在“質”上斷層

隨著Nano Banana 和 Gemini 3的推出，Gemini的 MAU增長迅速，已達到ChatGPT 的 20%-25%（8 月僅為10%）。然而，在用戶粘性指標上，兩者仍有顯著差距：Gemini 的 DAU/MAU 比例僅為約10%，而ChatGPT這一數字高達約25%。這意味著雖然 Gemini 的月活用戶漲得很快，但大部分用戶的使用頻率遠低于ChatGPT，ChatGPT單用戶月均會話數約為9.6次，是 Gemini的3-4倍。

?地域差異：ChatGPT守住高價值地區，Gemini農村包圍城市

ChatGPT在美國、英國、德國等高付費能力的發達市場占據絕對統治地位，商業化根基非常穩固，即使在Gemini 發布后，ChatGPT 在這些地區的免費榜上依然領先。而 Gemini 則采取了“農村包圍城市”的策略，依托 Android 生態的強力引流，在印度、巴西、印尼、越南等新興市場滲透率極高，MAU 已達到 ChatGPT 的 1/3 以上。

?用戶行為：ChatGPT 確立“Personal Assistant（個人助理）”心智

ChatGPT非生產力類Query（詢問）比例明顯上升，且工作日與周末的活躍度差距在收窄，說明用戶在周末也會頻繁使用它，更像是一個隨身攜帶的生活助手。特別是在移動端，ChatGPT的活躍度遠超 Gemini，而移動端正是個人助理場景的主戰場。相比之下，Gemini更多被用戶視為生產力工具，用于Coding、Deep Research等專業需求。

?入口之爭：Search vs Chatbot 15%

從Web流量視角來看，AI Chatbot已經成為一個值得單獨看待的“信息檢索入口”，而不再是邊緣流量。Google Search與ChatGPT的流量比例已從95:5（去年初）演變為85:15（去年10月）。這表明ChatGPT正在分流傳統搜索的流量，開啟了一種全新的信息檢索產品形態。從月活躍用戶的使用頻次來看，ChatGPT已經超過了Threads、Reddit和X，正朝著TikTok的使用深度邁進。

掃描海報二維碼學習好課：《2026AGI洞察與投資趨勢》

二級視角下的AI Beta Play

從 ChatGPT 發布以來，二級投資的Key Thesis都是AI Beta（賺“行業紅利”的錢），相信在未來相當長的時間框架內，AI Beta都會是科技創新的主旋律。

過去一個多季度，“AI Bubble”和“AI War”這兩個與 AI Beta直接相關的敘事相繼出現，我們認為：

?AI Bubble發出了合理的警訊，但并未改變AI Beta的Momentum（勢頭）本身。

?市場已經轉向了AI War，這個敘事本身即是對AI Bubble 的否定。正是因為看到了堪比大航海時代的發展機遇，才會出現百舸爭流、奮勇爭先的局面。我們對AI War的核心判斷是：市場將出現兩個勢均力敵的陣營，并大概率交替領先。

在AI Beta Basket的分配中，兩個陣營都應占有一席之地，但策略上可向暫時落后的一方稍作傾斜，針對短期敘事進行逆向投資。

Thesis1：AI Bubble？No, AI War !

OpenAI 1.4 萬億引發的 AI Bubble 恐慌我們就不再贅述，總的來說，我們認為 AI Bubble 提出了好問題，但并不改變當前的 AI Beta：

?當前的“泡沫”本質上是OpenAI Commitment的泡沫。這種承諾在未來兩年內沒有明顯的違約風險，主要的挑戰集中在三年后的展期問題上，而在估值層面，二級市場并未出現明顯的泡沫，因為市場并未基于三年后的高預期進行激進定價。

?AI仍在持續催生新物種，比如多模態推理、Proactive Agent 等，AI的新玩法也在不斷涌現，這標志著AI Beta 的浪潮仍在繼續。

因此，我們既要堅守AI Beta，又要對新物種保持極高的敏感度。如果有新物種涌現，我們將看到更大的Alpha機會（賺“新物種”的錢）；反之，如果遲遲沒有新物種誕生，AI Beta確實有可能接近階段性高點。

硬件層

在硬件層面的對決中，GPU與TPU兩大陣營勢均力敵，交替領先。

但只要市場需求遠大于供給，AI Beta就是主要矛盾，Alpha是次要矛盾，因此無論是Google供應鏈還是NVIDIA供應鏈，都具備極佳的投資價值。在 AI Beta Basket的分配中，兩個陣營都應該持有，但可以向暫時落后的一方稍作傾斜。

?從產品Roadmap（路線圖）來看，NVIDIA是行業內最努力推動摩爾定律的公司

下一代 Rubin 芯片設計極其激進，功耗設計從1800W拉高到2300W，HBM帶寬從13TB/s提升到20TB/s，如果這一目標實現，Rubin將能甩開TPUv8一個身位，但激進設計的代價是容錯空間變小，TPU vs GPU的競爭也開始進入“比拼誰犯錯少”的階段。

?從商業模式視角看，NVIDIA的優勢更為清晰

雖然Gemini 3是TPU最好的廣告，但這把雙刃劍也暴露了Google 與客戶（如訓練模型的云客戶）的競爭關系。相比之下，NVIDIA 是更純粹的軍火商，擁有更多客戶且口袋更深。在Mega7 中，Amazon、Microsoft等大概率不會使用 TPU，而會堅定站在GPU陣營。

智能應用層

在智能應用層的競爭中，OpenAI 之前走的彎路只是暫時的。

過去兩年OpenAI重視Reasoning，忽略了Pre-training，但過去六個月 OpenAI 已經把資源重新集中到了Pre-training上，即使是大概率還沒用上新 Pre-training的GPT-5.2，在榜單上也已經把 Gemini 3刷了下去。

更重要的是，OpenAI在Agent（尤其是 Proactive Agent）上的布局更充分，OpenAI的團隊是由一群“由牛人組成的草臺班子”，沒有大企業病和組織限制，更能從第一性原理出發孵化新物種。

Anti-Google（反谷歌）同盟

如果Gemini的領先優勢擴大，將推動NVIDIA和 OpenAI形成更緊密的盟友關系，AI War的軟硬兩個層面會合二為一，使得局勢更加勢均力敵。

在現金流之戰中，NVIDIA拿走了產業鏈里大部分現金流，是 OpenAI 現金流緊張的源頭，如今NVIDIA應該成為OpenAI最重要的Funding Source（資金來源）。NVIDIA投資OpenAI，本質上是用未來會折舊貶值的商品（GPU），去換取未來有巨大上限的資產（OpenAI 股權），這在投資邏輯上是非常合理的。

Thesis2：新物種萌芽：Agent Potential Picks（智能體潛在的方向）

Proactive Agent目前仍處于早期萌芽階段，初步判斷 2026 年可能非常接近真正落地的時刻。在這一主題下，下列公司可能是potential winner（可能的勝者），有機會享受到趨勢紅利。但需要明確的是，從當前的市場情緒來看，AI play更多集中在硬件板塊，AI軟件敘事從25年下半年一直走弱，在板塊敘事偏弱的背景下，受益公司可能不一定會被有效price-in。

?應用新分發形態：Intuit

OpenAI APP SDK 的出現代表著 ChatGPT 已經成為了一個 Super App。它可以在與用戶對話的過程中分發流量，由 AI 推薦并直接將 UI 推送到用戶面前，無需用戶手動打開應用程序。這種分發能力的摩擦力甚至比微信小程序更低。在這個領域，上市公司中的 Intuit（INTU）是 First Mover（先行者）。Intuit 已經給了 OpenAI 1 億美元，用于購買模型用量以及在 ChatGPT 內的展示位。OpenAI 有極強的動力將 Intuit 打造成一個標桿客戶，只要能證明 Intuit 花這 1 億美金帶來了大于成本的新增收入或流量價值，就能吸引更多公司效仿。

?Agentic Commerce：Shopify

Shopping Agent的苗頭在黑五和圣誕季已經開始顯現。Shopify的優勢在于它是一個極其重要的電商后臺Infra，并且與OpenAI 和 Google兩邊都有合作。無論最終 Shopping Agent的形態收斂在何處，或者哪家模型勝出，作為“賣水人”的 Shopify 都有受益的機會。

?企業定制化：Snowflake & MongoDB

目前企業在 AI 使用上面臨“Build vs Buy”的經典問題，過去兩年主要以 Buy 為主（如購買 Copilot、Agentforce），Build 仍停留在小規模實驗階段。Data Infra公司真正受益的邏輯，需要等到企業開始有信心大規模自己 Build 新的 Agent，目前這仍處于早期觀察階段。

?新碼農：JFrog

在Coding Agent領域，JFrog（FROG）是一個值得關注的標的。JFrog 存儲的是寫完代碼編譯后的二進制構建（Artifacts），這是一個集中管理系統，且商業模式是按量計價的。如果Coding Agent導致代碼產生的應用數量爆發，JFrog 將直接受益。但仍需持謹慎態度，因為目前Coding Agent更多是減少了碼農招聘需求，尚未看到應用程序的大爆發。

?新客服：Twilio

Twilio（TWLO）提供全渠道通信 API，是按量計價的 Communication Infra，如果 Voice Agent 使用量爆發，Twilio 將從中獲益。

掃描海報二維碼學習好課：《2026AGI洞察與投資趨勢》