红杉资本对谈OpenAI前研究主管：专有数据正在贬值，构建AI护城河的4个关键点

进入2025年，AI世界正在发生深层结构性的变化。

红杉资本近期专访了OpenAI前研究主管 Bob McGrew——他曾主导GPT-3、GPT-4以及内部代号为 o1/o3 的推理模型研发，并首次提出“预训练、后训练、推理”三位一体的模型演化框架。

在McGrew看来，通向AGI的底层逻辑已基本锁定：Transformer 架构、规模化预训练、推理能力三者构成技术三支柱。而其中“推理”——这个长期被低估的维度——正成为2025年模型能力突破的主战场。

McGrew坦言，能力边际已经从“堆算力”转向“学思考”；代理服务也将被彻底商品化，未来不再按“人类替代值”定价，而是按“运行所耗计算成本”来标价。在前沿模型日趋同质化的时代，真正的竞争优势，恰恰来自“模型之外”的系统能力、业务集成与数据信任。

这是一场从技术路线到商业定价、从能力飞跃到落地护城河的全景思考。

推理是2025年最关键的能力突破口

“如果你看o1-preview和o3之间的能力差距，你会发现最大的区别是——o1不会使用工具，而o3可以把工具调用纳入思维链。这种能力的提升，在训练阶段其实早就知道是必须的，但实现它，花了我们六个月。”

在McGrew看来，推理是一种“新基础能力”，它不是对已有模型的微调优化，而是一种质变：模型不再只是生成答案，而是能在生成过程中进行任务分解、中间验证、条件性判断与工具协同。

推理的核心，不是更多的数据或者参数，而是更接近人类“先思考、再回答”的认知结构。

GPT-3的结构中并不具备草稿本或逻辑链，它只是模拟了过去人类的最终答案。而推理让模型拥有了中间过程的建构能力，这不仅是技术能力的拓展，更是模型思维范式的转变。

为什么是现在？McGrew给出的答案是：能力边际正在迁移。

过去几年预训练带来的能力增长明显，如今，随着计算资源瓶颈趋紧、数据重复度上升、模型规模放缓，推理成为唯一还能实现非线性跃升的“自由变量”。而这也是OpenAI、Anthropic、DeepSeek等实验室此刻集中投入的方向。

预训练并未失效，但其角色已发生根本性变化

“预训练仍然是必须的，它是结构优化和上下文能力提升的基础。但智能增长和算力的对数关系意味着，收益已经开始递减。你需要花数月时间霸占整个数据中心，才能训练出一个差异不大的模型。”

McGrew指出，预训练从模型能力的“主引擎”转向了支撑系统结构优化的“幕后地基”。一方面，预训练不再带来显著的通用能力提升；另一方面，结构性优化（如上下文窗口拓展、注意力机制重构、多模态融合）仍需以完整预训练过程来支持。

因此，2025年之后的预训练将更少是能力竞速，而更多是一种面向架构演化的基础性工程。例如，如果你希望提升推理效率或增加token记忆长度，你需要在架构层面做出改动，再围绕这个新架构重新进行预训练。这是一项代价高昂但不可避免的任务。

“能力真正的杠杆点已从‘更大’转向‘更聪明’。”

代理将被商品化，不能按人类价值定价

“你不能认为一个AI律师就值人类律师的钱。律师贵，是因为人类律师的时间稀缺；AI律师一旦出现，就是无限供应，边际成本趋近于零。”

McGrew强调，AI代理的基本经济学逻辑与人类服务本质不同。人类收费是基于时间、稀缺性、不可复制性；而AI代理具备近乎无限的复制能力，它的价格最终必然逼近“运行它所消耗的计算成本”。

他将其称为 “计算单位定价”逻辑。这意味着，AI代理不会因为“完成的是人类高价值任务”而能索取高价。任何以此为基础的商业模式，都会因供给激增而失效。

“你的AI代理初创项目，也许能先跑出来，但别人只要调用相同的前沿模型，就能复制你的产品。长期来看，你的利润空间将被压缩到底层算力的边际溢价。”

所以，初创公司的护城河，不可能来自“模型能力”，只能来自：

• 网络效应（如ChatGPT用户粘性）

• 品牌心智占位（如Perplexity的认知定位）

• 分销路径与数据闭环

• 企业流程的高集成度

/ 04 /

模型层竞争趋同，初创机会在“系统层”而非“能力层”

当模型能力逐渐“同质化”，McGrew认为，初创公司不应再盯着“做出更强模型”，而应转向围绕模型构建系统性应用结构。

以Palantir AIP和Distyl为例，他们并不训练模型，而是通过：

• 系统性接入企业业务流程

• 自动化提取上下文信息

• 标准化输入、优化输出结构

• 在端到端流程中构建高粘性、高依赖度的决策链

这些系统不是“更聪明”，而是“更贴近业务流动性”，也因此具备现实可用性与防御性。对此，McGrew总结为：

“大型实验室不会为一个中型企业的业务问题训练一个新模型，但你可以为这类问题构建一个稳定、通用的任务接口和交付系统。”

/ 05 /

机器人进入产业转折点，语言+视觉+模型共振让通用任务执行成为现实

回忆2016年McGrew自己做机器人跳棋项目，他承认：“很酷，但完全无法商业化。”

今天不同了。

“我们不再需要教机器人每一步，而是用语言描述任务，用视觉模型理解环境，然后由通用模型规划执行。这种范式上的变化，使机器人从原型走向现实。”

他尤其提到Physical Intelligence这类公司，能在几个月内解决“折衣服、装箱”等多步骤操作任务，这是传统机器人研发可能需要3年完成的挑战。

关键转变在于：

• 语言接口：不再硬编码任务逻辑，而是自然语言调用；

• 视觉模型：借助强大的感知能力理解环境变化；

• 模型迁移能力：从过去任务中快速学习，完成组合型推理与执行；

这意味着机器人已不再是“远期革命”，而是现阶段最接近商业爆发的AI子方向之一。

/ 06 /

专有数据的价值正在下降，AI能重建你花年积月累的内容

McGrew的判断异常冷静：

“许多所谓的专有数据，其实只是过去人工劳动的痕迹——访谈、调研、研究报告。AI今天已经可以直接生成这些。”

他指出，AI模型具备了“重新发明劳动成果”的能力——即便没有原始数据，它也能通过生成、对话、归纳等方式重构结果。因此，那些靠人力一点一点堆出的专有数据壁垒，正在被击穿。

唯一仍有价值的，是以下两类：

1.客户授权的数据：如银行、财务顾问手中掌握的客户目标、风险偏好等

2.实时上下文闭环数据：如端上行为、隐式决策偏好，AI无法从公共数据中还原

这意味着，数据的壁垒从“积累多少”转向“能否获得授权与信任”。

/ 07 /

AI+编程：人机协作成为长期常态，自动化不代表“替代”

McGrew明确指出，编程领域正在快速“过临界点”：

• 自动生成函数、重构模块、迁移代码成为代理式AI的擅长项；

• 人类程序员更多负责设计结构、理解上下游依赖、制定高层架构。

“你可以让AI从COBOL翻译到Python，但你不能让它理解‘为什么当时这个系统这么设计’。”

他说，现在许多AI原型做出来都“能用”，但代码质量不稳定、可维护性低，无法进入真实生产环境。最终的落点不是全自动，而是“人类做架构，AI做实现”。

因此，AI对编程的改变更像是“带了一个聪明又听话的初级工程师”，而不是“完全不用写代码”。

/ 08 /

教育的关键是训练“问题提出者”，不是培养答案记忆者

谈到下一代如何适应AI时代，McGrew强调的不是编程能力，而是好奇心与行动力的结合。

“你要相信自己能做事，然后知道用工具把事做出来。”

他分享了8岁儿子用ChatGPT设计家用提醒系统的故事——从零了解电路板、询问器件、购买零件、组装线路、调试代码，全程靠AI辅助完成。这不是投机取巧，而是把AI当作一套“行动放大器”。

“如果你愿意提出问题，那说明你已经准备好学会它了。AI能在你准备好那一刻，把所有知识送到你面前。”

这是一种“反学校式”的学习方式，也许会重塑整整一代人的知识观与动机模型。

/ 09 /

结语：技术路线已经明确，变数在于谁能落地做出“可持续系统”

McGrew回忆2020年GPT-3完成训练时的场景：OpenAI会议室内，几位核心成员都意识到——技术路线已清晰，接下来是如何落地、如何将思维能力转为系统执行能力。

从2020到2025，正如他所说：

“Transformer、预训练、推理——这三件事就是AGI的三条腿。2035年我们回望，很可能依然是它们支撑着一切。”

在这个结构日趋稳定、能力门槛不断抬升的时代，创业者唯一能做的，就是找到那个别人不愿做、实验室不擅长做、但现实世界急需解决的问题，并用系统性方式把它变成一门生意。

McGrew的这句话，也许是对初创者最冷静但最清晰的忠告：

“你不能只关注模型能做什么，更要关注现实需要它做什么。”

PS：如果你对AI大模型领域有独特的看法，欢迎扫码加入我们的大模型交流群。