前OpenAI研究员看空大模型公司，Dwarkesh发文反驳：AGI会自己找工作

编辑｜山辉

离开 OpenAI 不到一天，研究员 Andrew Ho 在 X 上写下一篇长文，质疑整个前沿 AI 实验室的商业模式。

「前沿 AI 实验室赚的钱，或许根本撑不到 AGI 到来。」

AI 圈知名播客主持人 Dwarkesh Patel 随后发文反驳：只要模型能力仍在快速增长，领先本身就能创造巨大的商业价值；一旦真正的 AGI 出现，它就会主动扩散。

马斯克迅速评论，支持这样乐观的预期。

这场争论指向一个很现实的问题：AI 越来越强，大模型公司就一定越来越赚钱吗？

烧钱的模型竞赛

大模型公司，可能是当下最光鲜，却也最难赚钱的一门生意。

2025 年，OpenAI 实现约130 亿美元收入，总成本和费用却达到340 亿美元，经营亏损超过200 亿美元。

换句话说，OpenAI 每赚进 1 美元，就要支出约 2.6 美元。

Andrew Ho 将当前的模型竞争描述为一种「惩罚性循环」。

训练下一代模型，需要更多芯片、电力、数据和人才。实验室只有不断扩大投入，才有机会实现能力的领先。

但这种领先只能维持几个月。

竞争对手会推出水平接近的闭源模型，开放权重模型也会继续追赶。率先突破的实验室承担了探索能力的全部成本，上一代能力却可能很快变成价格低廉、随处可得的商品。

最近发生的两件事，正好展现了这种压力。

GPT-5.6 系列在 7 月 9 日发布，三周后的 7 月 30 日，OpenAI 便将 Luna 的 API 价格下调 80%、Terra 下调 20%。

并且就在此前几天，月之暗面开放了 2.8 万亿参数 Kimi K3 的完整模型权重，允许第三方自行部署和继续开发。

前沿实验室几乎没有停下来的空间。

同时，即使保持能力领先，这种领先也不会自动转化为商业收入。

一项新技术出现后，人们通常需要经过很长时间的尝试，才能推出符合市场并且可以长期获利覆盖成本的产品。

Andrew 甚至认为，即使模型能力停留在今天的水平，社会也可能需要20 年以上，才能将大语言模型充分整合进日常生活。

这意味着，前沿实验室既要持续承担越来越高的研发成本，又可能要等待多年，才能看到新技术大规模落地带来的收入。

也正因如此，Andrew 质疑这些公司的股权是否真的值现在这么多钱。

如果有机会按照 OpenAI 或 Anthropic 最近一轮融资的估值买入，他也不确定自己是否愿意。

能力领先三个月，到底值多少钱

Dwarkesh 并未完全否定 Andrew 的推导。

他承认，如果模型能力的增长真的越来越慢、越来越零散，并且受到数据限制，那么前沿实验室当前的估值确实很难成立。

分歧在于，Andrew 认为模型增长正在接近平台期，而 Dwarkesh 相信，模型能力仍会以足够快的速度向前推进。

在快速进步阶段，能力领先三个月，意味着产品功能的明显跃升。

三个月前，这款模型只能生成代码，而三个月后，模型可以独立完成调试和部署。

只要领先模型能够完成竞争对手无法稳定完成的任务，用户就可能愿意支付数倍价格，换取更高的成功率和更少的人工返工。

问题在于，模型价格本身也在快速下降。

斯坦福大学《AI Index 2025》显示，达到 GPT-3.5 水平的模型推理成本，从 2022 年 11 月至 2024 年 10 月下降了超过 280 倍。

模型公司必须在竞争对手追上之前，尽快把能力优势转化成收入，然后继续投入下一轮训练。

随着竞争的加剧，领先能力的「价格保质期」正变得越来越短。

Andrew 担心，这份保质期不足以覆盖研发成本；Dwarkesh 则相信，如果下一次能力跃升足够快、足够大，领先者就能不断获得新的定价空间。

AI 落地，要等 20 年吗？

在「技术扩散」的问题上，Andrew 看到的是一种时间上的错位：训练成本需要立刻支付，经济回报却需要等待企业慢慢改造组织。

Dwarkesh 则认为，这种判断低估了 AGI 与过去技术的根本差异。

如果 AGI 真的相当于「运行在服务器上的人类」，它就不会像一套普通软件那样，等待企业为它设计完整的部署流程。

它可以自己阅读公司的云盘和内部文档，了解组织结构，观察同事如何工作，主动询问哪里需要帮助，并逐渐接管更复杂的任务。

它还可以将一个 AI 员工学到的经验迅速复制给大量实例，让其他「新员工」省去从头培训的过程。

Dwarkesh 将这种 AGI 类比为一名高技能、有经验、具有创业能力的移民。

一个人进入陌生社会后，会主动找工作、学习规则、建立关系，也可能创办自己的公司。他不需要等待整个社会先为自己准备好使用说明。

AGI 同样可以做到这些，而且复制成本更低。

因此，Dwarkesh 提出了一种判断：AGI 会自己扩散。

按照这套逻辑，当前 AI 进入企业的速度仍然缓慢，可能意味着模型能力还不够强。

只要模型仍需要人类替它拆解任务、清洗数据、连接系统和检查结果，它就仍然是一项需要部署的工具。

等到 AI 能够自己完成这些工作，技术扩散可能从一项持续数十年的组织改造，变成一次快速增加「数字员工」的招聘过程。

Dwarkesh 认为，引入一个经过安全验证、可以直接复制的 AGI，甚至可能比招聘、培训和管理一名人类员工更加容易。

奇点到来之前

评论区有人指出，即使 AGI 没有立刻出现，前沿实验室的商业模式仍有两条可能的出路。

在成本端，OpenAI、Google 等公司正在向芯片产业链上游移动，希望通过定制芯片和自建基础设施，降低生产单位智能的成本，减少被芯片和云计算供应商拿走的利润。

而在收入端，大模型也具有传统企业不具备的规模效应。

一种能力只需训练一次，便可以同时出售给数百万用户。如果模型在编程、制药、金融或法律等高价值领域取得突破，巨额训练成本就可以由大量客户共同分摊。

最引人注目的还是这条评论。

你怎么看？