最近的美国AI圈，非常热闹。

9月22日，英伟达宣布向OpenAI投资最高1000亿美元，以建设用于训练和运行下一代大规模 AI 模型的数据中心。OpenAl再将这笔资金用于采购英伟达芯片系统，同时英伟达将获得 OpenAI 的非控股股权作为回报。

10月6日，OpenAI与AMD达成AI芯片供应协议，OpenAl将部署价值数十亿美元的AMD芯片，绑定了与算力部署相关的10%的股权投资。

最近一段时间，OpenAI与英伟达、AMD、甲骨文等巨头签署了总额近1万亿美元的算力协议。这个数字远超其营收。OpenAl还将向云服务商CoreWeave支付高达224亿美元。

与此同时，马斯克的xAI采用一种与芯片采购直接“挂钩”的创新融资结构，推进一轮高达200亿美元的融资。

在这些协议之下，OpenAl、英伟达、AMD、甲骨文、微软、CoreWeave等巨头通过股权、债务及长期算力购买合约，形成了庞大的绑定网络。资金在这个网络中的芯片、云、数据中心及能源企业之间循环流转。

那么，为什么会出现这个局面？其实，某种程度上，这不是因为确定性，而是为了更确定的，应对不确定性。

Part 1

人工智能史上的重要人物图灵奖得主、Meta首席AI科学家、纽约大学教授杨立昆对大模型的未来并不看好。美国国家工程院院士，被称为AI教母的李飞飞也持有类似看法。

他们的观点是类似的，即现在的大型语言模型（LLM）主要基于文本数据训练，擅长反刍和检索知识，但缺乏对物理世界的理解和推理能力，无法进行真正的推理，无法发明新的东西或提出自己的科学发现，离接近人类水平的智能还非常遥远。

麻省理工学院、芝加哥大学和哈佛大学联合发表的研究论文，也提出一个叫“波将金式理解”的概念，直接质疑了现在靠纯LLM来实现通用人工智能（AGI）的主流思路。

‌强化学习之父、2024年图灵奖得主、“算力至上”的旗手理查德·萨顿，也正在不断向科技巨头们发出警告：“大语言模型是错误的起点，是条死胡同。”在9月底的一次深度访谈中，他称：

“单纯堆砌算力的大模型，可能永远无法实现通用智能。”

其实，萨顿并未背叛自己“算力至上”的观点，毕竟，当年他那篇影响深远的短文《苦涩的教训》里最核心的前提是：只有那些直接从经验中获得的算法，才具有无限扩展的潜力。

《黑天鹅》《反脆弱》的作者塔勒布，也认为LLM依赖于概率和现有数据，它们被限制在“最有可能”的领域，而不是“最具创新性”的领域。这限制了其提供革命性见解的能力。

而且，大模型还可能陷入“自我舔舐的棒棒糖”这样一个递归陷阱。随着LLM生成越来越多的内容，充斥网络，未来，用来训练LLM的数据，就是其先前生成的数据。这会逐渐稀释网络内容的多样性和原创性。

Part 2

这些都意味着，技术前路并不确定。其实，美国的市场机制一直很擅长应对这种情况，即各种技术试错大战，比如，浏览器大战、显卡芯片大战，甚至cpu大战。这些方式，这似乎才是目前最佳的试错方式。

浏览器首次大战，始于1995年微软在windows中绑定IE浏览器，打击网景，引发反垄断诉讼。后以1998年网景被AOL收购结束。第二次浏览器大战发生在2004年，Firefox、Chrome、Safari和Opera等浏览器逐步侵蚀IE市场主导地位。Chrome凭借沙盒架构及扩展生态实现反超。

更残酷的是显卡芯片大战。上世纪90年代，Nvidia创始人黄仁勋在创办公司时曾经给一位Bay Area公司的分析师打电话，想听听对自己准备在图形芯片领域创业的建议。这位叫乔恩的分析师告诉他：“这个市场还没起步且已经乱成一团了，现在已经有将近30家公司，你最好别干这个。”

早在大多数中国人还不知道电脑为何物的1990年，就有20家厂商宣称开发个人电脑用3D显卡芯片。1996年更急速膨胀到70家。待到90年代末，呈现出群雄逐鹿中原的局面。

很多经历过那个时代的人现在应该还记得一些品牌的名字：ATI、Matrox、Permedia、S3、3dfx、Trident、NEC、SiS。到了2000年，经过激烈的竞争，显卡芯片厂家快速缩减至12 家。但在激烈的试错中，跑出来了AMD和nvidia，并最终成就了AI时代。

相反，不经过激烈的试错，全力下注某个技术路线，代价是很大的。

上世纪80年代初，日本政府制定了一个野心勃勃的十年规划，打造第五代计算机，打算在IT领域一举超越美国。规划一推出，就震惊欧美，一些美国人甚至认为，这是日本人在计算机领域的“珍珠港事件”！

当时的日本，随着战后经济爆发式发展，在消费类电子和汽车工业已经是世界领先。在半导体领域，通过组织半导体协会，把产业整合在一起，在很短的时间内就全面赶超了美国公司，占据了70%的存储半导体市场。Intel公司转向微型处理器，也是因为这个原因。

这时的日本信心爆棚，觉得他们已经进入“无人区”，必须创新，实施弯道超车。日本的目标是，抛弃冯诺依曼架构，采用新的并行架构，新的编程语言，处理自然语言、图像。显然，日本的技术方向其实是正确的，如今的GPU也正是并行结构，日本当年的目标，也带有AI的影子了。

但日本失败了，而美国在PC的带动下，多媒体走入千家万户，摩尔定律带动了计算机、互联网的发展。

那么，为什么美国现在的AI巨头，不采取这种方式去应对AI技术路线的不确定性，而是抱团大力下注大模型呢？

Part 3

在我看来，有三个原因。

首先，大模型，规模法则（Scaling Law）非常有效，大模型短期的前途是明显的。

当增加AI模型中的参数数量，并增加训练数据和算力时，模型的性能并不是线性提升的，而是随着模型规模（参数数量）、训练数据集大小及计算资源的增加，而呈显著提高。这种规律被称为规模法则（Scaling Law）。这被业界认为是大模型预训练第一性原理。

而且，当模型或数据达到一定规模时，我们可能会看到性能非线性的突然跃升。大模型会突然能理解隐喻、讽刺等复杂语言现象，表现出人类般的常识推理能力，并可能在没有专门训练的情况下，突然能够执行多种不同类型的任务。这就是涌现能力。

所以，即便最终不能达到“真正的通用人工智能”目标，但在实用性上，目前大模型的前景仍然是确定的。为了追求性能的提升，特别是涌现能力，所以，各方都砸巨资，追求更大的规模。

追求涌现能力所需的资金量非常大。根据知名金融机构摩根士丹利的预测，在接下来的五年里，全球用于建设和维护支持人工智能的数据中心的总支出，将高达约三万亿美元。

微软今年Q1宣布未来三年AI资本开支提升至1200亿美金，谷歌紧随其后将数据中心建设预算上调40%，甲骨文更是喊出“五年内算力规模翻20倍”的目标。比起公司自己融资，产业链的相互投资可以刺激出资本市场更大的预期，带来更多潜在资金。

更重要的是，这是一场不能三心二意的战争，没人想看到其他人偏离现有的技术路线。所以，上游的nvidia，中游的云计算，下游的ai厂商，都需要相互交出投名状。

交叉投资，不仅是整合产业链，稳定芯片来源，也有绑定同行，大家一起下注的作用。毕竟，技术路线是人为的，当大家都在一条船上，这条技术路线的胜算就更大。

即便大模型不是真正的答案，由此可能形成的路径依赖，市场优势，可以帮助这一轮大模型的赢家，获得下一轮“真正的通用人工智能”的先机。

所以，巨大的资金量，意愿的稳定性，都迫使头部公司，抱团取暖，相互绑定。

Part 4

还有一个非常重要，但却被忽略，与中国相关的原因是，领先者模仿追赶者机制。

1986年的“美洲杯帆船赛”中，美国队果然一路领先。在离终点还有四海里的时候，海上的风转向了。

风向转了，有两种情况。一种情况是旋风，过会儿就会恢复原来的风向。这种情况下，帆船就不需要调帆。因为调帆适应风向，费时间，会耽误船的速度，不如等待风向转会。另一种情况阵风，风向转了不再变了，就必须调帆，获得最大动力。

所以，帆船比赛，不可能风向一变就跟着调，需要判断。老船长说这风是阵风，船员就调帆。但老船长判断错了，风向又变回来了。这意味着美国队还得调回来。调两次帆，船原地不动，而澳大利亚队没有调帆，就超过了美国队得了冠军。

后来，媒体开始批评老船长决策错误。老船长不服，说判断风向靠运气，不怪我。不过，有博弈专家出来反驳说：不，和天气无关，就怪你。

专家给出了一个方案：当领先时，海上风发生转向时，不要看天，要回头看对手。对手调我们就调，对手不调，我们就不调。如果对手判断对了，他能从风中获得最大动力，我们也能。我们领先三海里。如果对手判断错了，他动不了了，我们也动不了，但仍然领先三海里。无论对错，都可以保持领先。

如果不跟追赶者采取一致的措施，有两种情况。

第一种，他的判断对了，从风中获得最大速度。你的判断错了，停下来。他赶上你。这也是比赛中实际发生的情况。

这就是著名的“领先者模仿追赶者”策略：在帆船比赛中，只要你是领先者，就不必太在意方向。你只需要观察追赶者的动作，他调帆你就调，他不调你就不调。因为无论你是前进还是原地打转，大家一起“都对或都错”，你都领先对手。

通常的认知是，追赶者要模仿领先者。这是从追赶者的视角出发。但对于领先者而言，有足够的领先优势，就反而应该模仿追赶者。无论第二名采用何种策略，第一名只需跟随第二名保持一致，就能稳住自己的地位。

所以，一定程度上，美国AI行业也在模仿中国的产业链整合的模式，OpenAI旨在通过相互投资，整合AI全产业链。

目前，中国在追赶方面，已经非常有优势，有了一套自己成熟的方法论。

中国在“从1到100”的产业化扩张方面，已展现出全球瞩目的能力。这指的是将一项已被验证的技术或原型，通过整合产业链、政府促进投资等方式，促进大规模制造和持续优化，进而发展为具有全球竞争力的高效率成熟产业。

在新能源车、光伏方面，中国通过这种模式，已经占据了全球优势地位。目前，在大模型领域，中国也在努力追赶。

因此，具有领先地位的美国ai企业，最佳策略是模仿中国的方式，自己整合产业链，避免产业外溢，进而避免中国通过整合产业链的方式超车。

比如，近期美国政府以89亿美元资金、软银集团20亿美元资金投资Intel，收购英特尔10%的股份后，NVIDIA也以每股23.28美元的价格认购50亿美元Intel普通股。

这对于在CPU市场的全产品线中连年受挫、自身工艺水平落后的英特尔来说，这无疑是雪中送炭。对于NVIDIA来讲，在GPU领域无人能敌，但CPU方面与Intel合作，可以弥补自己CPU方面的短板，并整合成在各领域具有优势的SoC。

显然，当下的很多美国人并不愿意看到nvidia借现在的优势，向x86发起进攻，而是愿意看到一种整合协同的态势。

除了在人工智能领域，我们也可以看到各国政府在产业政策中，正在发挥越来越大的作用。某种程度上，这都是“模仿追赶者”的策略。

ai

Part 5

对此，我们应该有清醒的认识。

首先，领先者的模仿，并非一定因为追赶者策略是对的。而是为了“都对、都错”，保持优势。那么，我们就不能用其他国家政府的政策，来论证目前一些产业政策的正确性，而应该客观看到其带来的内卷等后果。

更重要的是，领先者，模仿后来者，是为了消除不确定性。但挑战者要想打破竞争格局，则需要进行颠覆性改变。追赶者需要差异，因为只有差异化搅局，才有不确定性，自己才有机会。如果追赶者，看到领先者在模仿自己，维持自己的策略，反而会因为丧失不确定性，导致差距的固化。所以，超大市场规模的优势，并不仅仅在于整合，而在于创新。

END

刘 远 举

央视网、第一财经、光明日报、腾讯大家、南方周末、新京报、南方都市报、FT中文网、澎湃等特约作家，多家智库研究员。

关注时政、财经、科技话题，以深度、专业、理性的态度，去掘现象背后的事实。

第34届中国经济新闻奖，评论一等奖

第28届北京新闻奖一等奖

腾讯大家年度作家奖

新浪最有价值专栏作家奖

红辣椒评论年度佳作奖

中国科技自媒体50人