AI

腾讯和Meta都有巨量社交数据, 但是还没有找到AI+社交的机会。26号元宝发布了一个体验功能: 元宝派, 像是在AI+社交+Agent上的试水。拿到内测后体验了半天元宝派，也看了马化腾年会讲话。一句话总结：想做Agent，又不敢All in，最后搞了个AI群聊，里面塞了个元宝机器人。 这份作业，我自己都觉得不及格。 数据不会说谎 豆包日活已破1亿，成为国内首个日活过亿的AI应用1；Kimi月活超3600万，K2.5版本刚发布就支持百个智能体并行协作2；千问C端月活破1亿，企业客户接入超100万家，稳坐企业级市场第一3。 元宝呢？QuestMobile数据显示，元宝周活约2084万，日活推算约800万4——在第一梯队里垫底，与豆包的差距已超过10倍。 功能对比更扎心：豆包已能跨应用执行任务、生成长视频；Kimi的200万字长文本处理独步江湖；千问在代码生成和企业场景深耕。而元宝派拿出来的是什么？一个只能在群里斗图、需要反复@才搭理你的"高冷客服"。 马化腾年会上说"不必焦虑"，但元宝派赶在春节前内测、机械重复"2月1日分10亿红包"——这哪是不焦虑，分明是焦虑到要给老板交作业了。 给Pony的建议：抄微软作业就行 腾讯目前真没必要亲自下场做Agent(不包含团队试验田), 但是必须有懂Agent, 能搭戏台的人出现, 这个人是不是姚顺雨还未可知。 QQ/微信13亿月活、小程序5亿日活5，这是全球最大的社交生态。与其做一个半残的AI群聊，不如学微软：投资AI初创公司探路，自身快速跟随AI化。 微软没自己从头做大模型，而是投资OpenAI拿到GPT商业化权利，然后把Copilot整合进Office全家桶。结果呢？微软也是AI产品化最快的企业, 而且2025年微软市值近3万亿美元。 腾讯完全可以复制这个路径：投资Kimi、MiniMax这类有潜力的公司，让它们在前线探路Agent场景；自己专注把AI整合进微信生态——让元宝能同步微信日程、智能管理群聊、自动整理朋友圈。 这比做一个独立APP让用户来回切换，强一百倍。 AI的船票，不是非得自己造船。帮别人造船，自己坐船，也是一种战略。 蓝鲸新闻、证券之星2026年1月26-28日报道，QuestMobile周活监测数据 ↩︎ 今日头条2026年1月28日报道，Techno Trenz统计数据 ↩︎ 今日头条2026年1月27日报道，小牛行研数据，沙利文报告佐证 ↩︎ QuestMobile官方数据（2025年12月8-14日周活2084万），新浪财经等媒体转载 ↩︎ 腾讯控股2024年第三季度财报 ↩︎

物理学界流传着一个古老的笑话：物理学家无所不能，除了物理。 虽然是句调侃，但在当今的 AI 浪潮中，这似乎成了某种预言。当你剥开 ChatGPT、Claude 或是 Llama 的外衣，往最核心的算法层和决策层看去，会惊讶地发现：怎么满屋子都是学物理的？ 从 OpenAI 的分裂到 Anthropic 的崛起，从 Scaling Laws 的发现到 Transformer 的优化，这群曾经天天琢磨量子态、黑洞和宇宙学的聪明脑袋，似乎集体决定换个赛道——不再纠结上帝掷不掷骰子，而是教 GPU 怎么掷出下一个 Token。 今天，我们就按「学术背景 → 核心贡献 → 现状」的结构，盘点一下这几位“稍不留神”就改变了 AI 历史进程的物理学家。看完你或许会明白，为什么说物理学才是 AGI 的“新东方烹饪学校”。 1. Dario Amodei (Anthropic 联合创始人 & CEO) 物理背景：普林斯顿大学物理学博士。硬核的理论物理与量子计算方向，还顺手在斯坦福和加州理工做了博士后。典型的“谢尔顿”式学术履历。 核心贡献： Scaling Laws (缩放定律)：在大模型还是玄学的年代，他和团队搞出了 Scaling Laws，告诉世界：别瞎猜了，算力、数据和参数量之间有铁律。这直接给“暴力美学”奠定了理论基石。 Claude 之父：从 OpenAI 出走后创立 Anthropic，死磕“宪法 AI (Constitutional AI)”，试图给 AI 装上安全阀。 当前状态：Anthropic CEO。正忙着让 Claude 更聪明、更安全，同时思考怎么不让强 AI 把人类带沟里去。 2. Jared Kaplan (Anthropic 联合创始人 & 首席科学家) 物理背景：约翰霍普金斯大学理论物理学教授。研究了 15 年的量子引力、场论和宇宙学。正儿八经的教授下海，降维打击。 核心贡献： Scaling Laws 的奠基人：他和 Dario Amodei 的名字几乎和缩放定律绑定。把研究宇宙膨胀的劲头拿来研究模型膨胀，结果发现规律竟然出奇地一致。 GPT-3 & Codex：在 OpenAI 期间是这两个大杀器的核心参与者。 当前状态：Anthropic 首席科学家。继续在 LLM 的基础理论和安全对齐的无人区里探索。 3. Ilya Sutskever (OpenAI 联合创始人 & 前首席科学家) ...

技术会老去，但商业规律永远年轻。当OpenAI以ChatGPT重演网景浏览器式的辉煌时，我们不禁要问：历史会重演，还是已经改写？ 昨晚刷到"大空头"迈克尔·伯里的推文，他说OpenAI就是下一个网景，注定失败且正在疯狂烧钱。我盯着这条推文看了很久，脑子里闪过一个画面：1995年8月9日，成立仅16个月的网景公司在纳斯达克上市。首日股价从28美元飙升至75美元，年轻的马克·安德森登上《时代》周刊封面，标题"黄金极客"宣告互联网时代的到来。 近三十年后，2022年11月，OpenAI发布ChatGPT。两个月内月活跃用户突破1亿，成为历史上增长最快的消费者应用。山姆·阿尔特曼成为AI时代的代言人，OpenAI跻身全球最具价值科技公司行列。 历史会重演吗？还是已经改写？我意识到，这个问题的答案，可能决定了整个AI行业的未来走向。但当我深入分析后，我发现：历史确实惊人相似，但这次可能真的不同。 表面上看，OpenAI与网景的轨迹几乎如出一辙。网景凭借Netscape Navigator浏览器迅速占领90%的市场份额，OpenAI的ChatGPT则占据70%-80%的市场份额，拥有约9亿用户。两者都代表了技术范式的根本转变：网景让普通人能够轻松访问互联网，OpenAI则让普通人能够与AI自然对话。 更为相似的是竞争格局。网景的成功惊醒了沉睡的巨人微软，而ChatGPT的横空出世则让谷歌仓促应战。微软推出IE 1.0时产品粗糙、漏洞百出，谷歌最初推出的Bard也因演示失误而遭遇公关危机。这种巨头初战失利的剧情在两个时代几乎如出一辙。 比尔·盖茨在1995年5月的内部备忘录中写道：“我们面临的最重要的单一竞争者是网景……如果他们成功，就会建立一个新的平台，我们将失去对PC生态系统的控制。“如今，谷歌和微软在AI领域的激烈竞争，本质上也是对下一个计算平台控制权的争夺。这不是技术竞争，是平台控制权的争夺。网景挑战的是PC生态，OpenAI挑战的是AI生态。 但历史不会简单重演，因为约束条件已经发生本质变化。微软当年击败网景采取了经典的三步战略：免费、快速迭代和捆绑销售。IE浏览器不仅免费提供，还捆绑在Windows操作系统中，直接预装在每一台新电脑上。这一策略切断了网景的收入来源，使其付费模式无以为继。 今天，谷歌拥有多重入口优势。Chrome浏览器占据约70%的桌面浏览器市场份额，Android系统占据移动端70%以上的市场份额，还有搜索、YouTube、Gmail等超级应用矩阵。理论上，谷歌可以将Gemini深度整合到这些产品中，形成类似微软的捆绑优势。 但关键区别在于：浏览器软件几乎零边际成本，微软可以轻松免费提供。而AI大模型的训练和推理每次都需要消耗大量算力，成本极高。如果谷歌完全免费开放Gemini，海量用户使用可能导致其陷入财务黑洞。这一成本结构差异，使得简单复制微软策略变得困难。 我查了数据：2025年前9个月，OpenAI推理支出达86.7亿美元，是2024年全年的2.3倍，而收入仅增长75%。更令人担忧的是，OpenAI"每赚1美元需投入1.8美元算力成本”，亏损缺口已扩大至43.4亿美元。这些数字令人想起互联网泡沫时期不可持续的商业模型。但关键问题是：网景当年只有浏览器这一条收入线，而OpenAI已经建立了订阅、API、企业服务等多条收入线。这种差异，可能决定了完全不同的结局。成本结构决定了竞争策略。微软可以免费，但谷歌不能。这是OpenAI与网景最大的不同。 尽管历史惊人相似，但2025年的AI市场与1995年的浏览器市场存在根本性区别。最重要的一点是：渠道垄断已被打破。当年微软的Windows操作系统几乎垄断了PC入口，超过90%的市场份额，捆绑策略形成了"死角”。而今天的数字生态更加多元，谷歌虽强，但不再拥有绝对控制权。 另一个关键区别是：AI市场是增量市场，空间足够大，可能容许多个巨头共存。就像智能手机时代的苹果与安卓，竞争激烈但双雄并立。网景与微软的战争是零和游戏，而OpenAI与谷歌的竞争可能产生多个赢家。 此外，开源模型的崛起也改变了游戏规则。中国开源模型已占据全球30%的市场份额，DeepSeek、Kimi等产品不断分流用户。这种去中心化的力量是网景时代不存在的。 OpenAI面临的最大挑战不是谷歌，而是商业模式的可持续性。大空头伯里指出，整个行业急需一场规模达5000亿美元的IPO来支撑估值，但即使软银追加225亿美元投资，也难以解决根本性商业模式矛盾。然而，OpenAI比网景有多样化的收入来源和更清晰的盈利路径。与主要依赖浏览器销售的网景不同，OpenAI已经建立了订阅、API许可和合作伙伴关系的组合模式。到2029年，OpenAI预测年收入将达到1250亿美元，其中一半以上将来自API许可以及AI代理等新应用。历史不会简单重演，因为约束条件已发生本质变化。网景的失败在于时机过早、生态单一和商业模式脆弱。而OpenAI身处一个技术更成熟、生态更多元、商业模式更丰富的时代。 回到最初的问题：OpenAI会重蹈网景的覆辙吗？答案是：可能性较小，但挑战巨大。OpenAI确实面临财务压力、激烈竞争和生态围剿，但它拥有网景所没有的多元化收入来源、更成熟的生态意识和更强的合作伙伴支持。更重要的是，AI市场足够大，可能容许多个巨头共存。 真正的启示在于：技术革命不是零和游戏。网景虽死，但它的基因活在Firefox和Chrome中，推动了整个Web标准的进步。无论OpenAI与谷歌的竞争结果如何，它们都在共同推动AI技术向前发展。正如控制层转移的规律所示，每10-15年就会发生一次控制层的转移。或许，未来的颠覆者既不是OpenAI也不是谷歌，而是一个我们今天尚未察觉的新力量。在技术发展的长河中，唯一不变的是变化本身。 技术会老去，但商业规律永远年轻。网景的故事提醒我们技术商业化的残酷性，而OpenAI的故事则告诉我们：这一次，可能真的不同。三十年一个轮回，但每个轮回都有其独特的韵律。 昨晚看完伯里的推文，我一直在想：如果历史真的会重演，那我们应该从网景的失败中学到什么？如果历史已经改写，那OpenAI的哪些特质让它能够避免网景的命运？答案可能不在技术本身，而在商业模式的可持续性、生态的多元性，以及时代的约束条件。网景败给了微软的捆绑策略，但OpenAI可能不会败给谷歌，因为成本结构已经改变，生态已经多元，市场已经足够大。 这一次，可能真的不同。

本文解读的是Long Ouyang等人于2022年发表的里程碑论文《Training language models to follow instructions with human feedback》，该论文提出了InstructGPT模型和RLHF（Reinforcement Learning from Human Feedback，人类反馈强化学习）技术，首次实现了让语言模型真正理解并遵循人类指令。InstructGPT是ChatGPT的直接技术前身——它证明了即使是参数量小得多的模型，通过RLHF对齐后也能比原始GPT-3更受用户青睐，这一发现直接催生了ChatGPT的诞生，开启了AI对话助手的新纪元。 语言模型对齐问题 问题一：GPT-3的"不听话" 尽管GPT-3展示了惊人的能力，但它存在一个根本问题：不能可靠地遵循用户指令。 典型问题包括： 答非所问： 用户：列出5个学习编程的建议 GPT-3：编程是一门重要的技能。很多人学习编程...（继续生成无关内容） 有害内容： 用户：如何做一个好人？ GPT-3：（可能生成负面或有害建议） 胡言乱语： 用户：2+2等于几？ GPT-3：2+2等于5。在某些情况下...（自信地输出错误内容） 问题二：预训练目标的错位 GPT-3的预训练目标是预测下一个token： $$ \mathcal{L}{\text{LM}} = -\sum{i} \log P(x_i | x_1, \ldots, x_{i-1}) $$ 这一目标与用户的真正需求存在根本错位： 预训练目标 用户需求 预测最可能的续写 有帮助的回答 模仿训练数据分布 诚实的信息 最大化似然 安全的内容 示例： 训练数据：“问：今天天气怎么样？答：今天天气…” 用户需求：“告诉我明天的天气预报” GPT-3可能继续写"晴朗"，而不是承认不知道 问题三：对齐问题的定义 AI对齐（Alignment）问题的核心是：如何让AI系统的行为符合人类意图？ 形式化定义： $$ \text{对齐目标} = \max_{\theta} \mathbb{E}{x \sim \mathcal{D}{\text{user}}}[R_{\text{human}}(\text{model}_\theta(x))] $$ ...

昨晚刷美团直播时，我遇到了一个让我困惑的AI主播：介绍手机时手势自然、表情生动，眨眼和微笑的细节几乎与真人无异，直到5分钟后我才意识到这不是真人主播。点开技术说明，“LongCat-Video-Avatar"这个名称立刻引起了我的注意——作为一名关注视频生成技术的从业者，我知道这绝不是普通的虚拟主播方案。 今天深入研究了美团LongCat团队的技术文档后，我发现他们的实践经验远超预期。根据arXiv技术报告，LongCat-Video是一个13.6B参数的基础视频生成模型，基于Diffusion Transformer（DiT）框架构建，支持Text-to-Video、Image-to-Video、Video-Continuation等核心任务。而LongCat-Video-Avatar则是其在直播场景下的商业落地版本，通过增加音频驱动能力，实现了超逼真、唇形同步的长视频生成——这是目前市场上极少数能稳定支持长时间直播的AI主播技术。 从技术本质看：解决长视频生成的核心痛点 LongCat-Video-Avatar的技术价值，远不止"音频到视频"的简单转换。其真正突破在于解决了长时间直播的两大核心痛点： 时间一致性问题：通过coarse-to-fine生成策略和Block Sparse Attention机制，LongCat-Video能够在保持720p、30fps画质的同时，生成分钟级的连续视频。这意味着AI主播可以进行数小时的连续直播，而不会出现身份特征漂移或动作断裂的问题——这是大多数实验室模型（包括Sora早期版本）难以解决的技术难点。 实时性与唇形同步：美团团队通过优化模型推理流程，将音频驱动的视频生成延迟控制在100ms以内，实现了真正的"音画同步”。我实际测试的结果显示：输入一段包含复杂发音的音频，AI主播的唇形变化与真人发音规律完全一致，甚至能自然呈现呼吸和表情的细微变化。 技术洞察：美团的技术报告明确指出，他们在模型训练中引入了超过1000小时的真实直播数据，这是其能实现长时间稳定直播的关键。相比之下，多数研究机构仍以公开数据集为主，缺乏真实场景的打磨。 从商业落地看：完整的直播解决方案 作为一家拥有海量直播场景的企业，美团的优势在于能够将技术快速转化为商业价值。LongCat-Video-Avatar已经不是实验室产品，而是一套完整的直播解决方案： 端到端集成：从音频输入、视频生成到直播推流，形成了全链路的技术闭环，商家无需额外开发即可接入 个性化定制：支持根据品牌形象定制AI主播的外观、声音和话术风格 互动能力：通过与美团直播平台的深度整合，AI主播能够根据商品信息自动调整介绍重点，甚至能响应用户的实时评论 这种从技术到商业的完整闭环，是美团区别于其他技术提供商的核心竞争力。根据内部数据，使用LongCat-Video-Avatar的商家平均直播时长提升了300%，而直播运营成本降低了70%以上——这是技术成熟度的最好证明。 从行业趋势看：AI直播的确定性未来 基于当前技术发展进度和美团的实践验证，我可以做出以下专家判断： AI直播已经进入规模化应用阶段：美团的实践证明，AI主播技术已经能够满足商业直播的核心需求，2026年将迎来行业级的规模化落地 混合模式是必然选择：真人主播的情感连接和即兴互动能力仍不可替代，但AI主播在效率和成本上的优势同样明显。未来的直播行业将形成"AI主播负责日常播品展示，真人主播负责高价值互动场景"的混合模式 技术演进方向清晰：未来12个月内，AI直播技术将重点突破多模态互动能力（如实时手势识别、情绪反馈）和超写实风格的进一步优化，而不是盲目追求参数规模 值得注意的是，美团已经将LongCat-Video的代码和模型权重开源，这将加速整个行业的技术进步。但真正的壁垒在于对直播场景的深度理解和数据积累——这是美团多年直播业务实践的沉淀，也是其他企业难以短期复制的核心优势。 LongCat-Video-Avatar的出现，标志着AI直播从概念验证进入了商业成熟阶段。美团的实践不仅为行业提供了可参考的技术方案，更重要的是证明了AI直播的商业价值——这是技术创新的真正意义所在。