一条行业争论火起来的时候往往不是因为它给出了答案而是因为它把所有人都不确定的问题摆到了台面上。最近围绕大模型公司价值的这场争论就是典型。一位前OpenAI研究员公开表达了对大模型公司商业前景的看空理由听起来也合理模型能力会快速迭代今天领先的模型明年可能就不值钱了公司很难形成持久护城河。随后知名科技播客主持人Dwarkesh撰文反驳抛出了一个更激进的观点如果AGI真的出现它不会让大模型公司贬值反而会自己去找工作自己创造价值。两个人说的都是同一个主题结论却几乎对立。作为一个从大模型爆发早期就在跟踪行业动态的开发者我觉得这场争论不该被当作“谁对谁错”来看它其实是理解AGI商业化路径的一个很好入口。很多关于未来走势的判断都可以从这场争论里拆出线索。1. 先说清楚大模型公司为什么会被“看空”看空派的逻辑并不是凭空来的。它的基础是过去两年里大模型行业确实出现了一些让人不安的信号。首先是模型能力的迭代速度。从GPT-4到GPT-4o再到o1、o3OpenAI的发布节奏已经不能用“一年一代”来描述而是半年甚至更快。与此同时开源社区也在快速追赶很多能力差距被压缩到几个月甚至几周内。这就带来一个很现实的问题如果模型本身会持续升级那用户凭什么长期绑定你其次是算力投入。训练下一代模型需要更多GPU更多电力更多数据中心。投入越来越大但商业回报能不能同步放大没有人能给出确定性答案。一旦资本市场的耐心下降或者增长不及预期整个估值体系都可能被重新评估。第三是应用层的价值外溢。现在大模型已经变成一个通用能力很多下游应用开始自己接各种模型。今天用GPT明天换Claude后天再换国产模型切换成本在降低。模型本身并没有形成“用了就离不开”的粘性。表面上看这些担忧都成立。但如果你把注意力只停留在这几个点上很容易得出一个草率结论大模型公司不值得长期投入。这里我觉得需要稍微停一下。看空派说的这些风险本质上指向的是一个东西大模型公司的价值是不是只等于“模型本身的价值”如果答案是肯定的那确实很危险因为模型能力会被更快、更强的下一代模型覆盖。但如果一个公司的价值不仅仅在模型还包括数据飞轮、算力基础设施、终端触达、开发者生态那这个判断就站不住脚了。换句话说真正被看空的风险不是“模型会过时”而是“这家公司除了模型没有别的东西”。这恰好引出了Dwarkesh反驳里最有意思的部分。2. “AGI会自己找工作”到底在说什么Dwarkesh的反驳看起来像一个科幻预言但如果我们把它翻译成更工程化的语言它其实在讲一件事当智能本身成为一种可以自我扩展的生产力时公司的边际价值不会递减反而会递增。怎么理解这句话先看传统商业逻辑。一家公司创造价值的方式是通过组织人去生产产品或提供服务。人越多成本越高效率的增长有上限。所以传统公司的价值往往受限于组织效率和生产成本。但大模型公司不一样。它的核心资产不是人而是智能本身。当模型能力提升到一个足够强的水平它可以直接参与推理、写代码、做分析、自动化执行任务甚至反过来优化自身的训练和推理流程。这意味着每一份额外投入都可能在放大下一次产出的规模。关键点在这里传统公司卖的是稀缺资源或重复劳动边际收益递减而AGI一旦接近模型本身可以创造的价值是自我强化的。Dwarkesh说的“AGI会自己找工作”本质上是说一个足够强的通用智能体不会被闲置。它能自己发现任务、拆分任务、调用工具、完成任务。这样的大模型公司市值天花板不是由“卖API的次数”决定的而是由“智能体能在多大范围内替代人类劳动”决定的。这听起来有点抽象我们可以用一个更实际的类比。一个应届生刚入职的时候价值很低做的事都是重复性劳动。但他学习能力足够强一年后能带项目三年后能带团队五年后能独立做业务。你对这个人的估值不会基于他第一年的工资而会基于他未来能创造的价值曲线。AGI也是一样。今天的大模型可能还有很多能力不足但一旦它的推理能力和执行能力跨过某个阈值它的价值曲线就会陡峭向上。所以“自己找工作”不是说AGI真的会打开电脑投简历而是说它的能力可以被自动化地应用到几乎所有数字任务上从而自己源源不断地产生生产力。这会让大模型公司的价值从“卖模型”变成“出售可无限扩展的智能劳动力”。这个视角确实比“模型会过时”更接近长期趋势。但问题在于这个判断有一个隐含前提需要被单独拿出来检查。3. 真正的风险点不在模型而在基础设施和分发渠道我个人的判断是Dwarkesh的论点有一个必须被承认的边界它成立的前提是AGI这种“会自己找工作的智能”只能被少数几家公司掌握。如果它真的只存在于一家公司手里那这家公司确实是印钞机。但在现实世界里即便我们不考虑开源力量头部大模型公司之间也存在高度竞争。OpenAI、Anthropic、Google DeepMind、Meta加上中国这边的百度、阿里、字节、DeepSeek大家都在同一赛道上投入巨额资源。当多方都逼近AGI的时候单家公司的议价能力会被显著压缩。这个逻辑在一些行业里已经出现过了。比如云计算AWS、Azure、阿里云、腾讯云技术能力都很强但谁也没法靠“算力”本身形成绝对垄断。用户会在价格、服务、合规、生态之间做权衡最后形成的是多强共存而不是一家通吃。大模型可能也会走向类似的格局。模型能力的差距会被逐步抹平真正的差异会出现在以下几个地方数据生态谁拥有更多高质量、场景化的数据谁就能训练出更符合实际需求的专业模型。算力基础设施谁能更便宜地提供推理服务谁就能在价格战中撑到最后。终端的触达能力谁的产品能嵌入到更多用户日常使用的场景里谁就拥有分发优势。组织效率和工程化能力谁能把模型能力更快变成稳定的产品谁就能留住客户。所以大模型公司的价值可能会从单纯比拼“模型智力”转向比拼“基础设施数据分发”的综合能力。模型能力是入场券但不是最终的护城河。看空派的合理之处在于如果一家公司只押注“下一个模型会比别人的好”那确实脆弱。因为这种领先本质上只是时间差而时间差是极容易被抹平的。Dwarkesh的启发在于我们不必悲观到认为大模型公司一定会贬值因为智能本身一旦足够强它就是生产力本身。但我们也必须承认AGI的商业价值最终会分散在基础设施、数据、应用和终端里而不是只集中在模型权重里。4. 对开发者和创业者来说这轮争论意味着什么这场争论对普通开发者和创业者不是看热闹的事。它直接影响到我们怎么选择技术路线、怎么评估合作方、怎么安排自己的产品策略。如果你正在基于大模型做应用层创业我的建议是不要把自己的全部身家押在某一家大模型厂商的模型能力上。过去两年很多人已经吃过这个亏了。上周还在用的模型接口下周可能因为价格调整、能力迭代或政策原因就要换掉。这不是某一家公司的问题而是这个行业目前还在快速变动期的必然结果。更稳的做法是在应用层构建自己的数据壁垒和场景理解。大模型提供的是通用能力但你真正值钱的地方是你更懂你的用户更懂你的业务更懂那些模型不会自动替你解决的问题。模型从GPT-4升到GPT-5你作为开发者的价值不会消失前提是你做的不是简单的接口包装。如果你的工作重心在模型层需要关注的是硬约束的变化。比如算力成本、推理效率、训练稳定性、数据质量和数据获取的合规性。这些都不是模型能力本身能解决的而是基础设施问题。不管AGI什么时候到来这个层面都需要长期投入。另外关于那些“某公司要做大模型”的判断我的经验是不要过度依赖媒体标题不要听一家之言。技术行业里的争论表面上是观点冲突背后往往是立场和利益的差异。前OpenAI研究员的看空可能是对商业模式的担忧也可能是对技术路线或公司文化的批评。Dwarkesh的反驳也可能是出于对长期价值的坚定信仰。他们的争论更像是把同一个复杂系统放在不同时间尺度下观察得到的不同结论。如果你要在这轮行业波动里做决策可以试试这个判断框架先判断你要解决的问题是“模型能力问题”还是“工程落地问题”。前者适合跟踪头部模型的进展后者更适合关注基础设施和开源生态。再看你所在的公司或项目有没有建立自己的数据或场景壁垒。如果完全没有可能随时被模型升级或平台政策冲击。最后看团队的组织效率。在大模型时代能快速把新能力变成产品体验的团队比单纯拥有先进模型的团队更稀缺。这套框架不一定能让你预测AGI什么时候来但能帮你在不确定性里做出更稳的选择。5. 长期来看真正稀缺的到底是什么如果我们把视线再拉长这场争论背后其实藏着一个更深的问题在AGI时代人类和智能体之间会形成怎样的协作关系回到文章开头那句话“AGI会自己找工作”。如果我们不全盘否认它认真想想它的含义就会发现它真正改变的不是公司估值而是工作流程本身。过去我们写代码是人告诉AI要做什么AI执行。未来如果AGI足够强它可能自己发现问题、自己设计解决方案、自己调用工具验证、自己上线、自己监控。人在这个流程里的角色从执行者变成监督者再变成价值定义者。你需要做的不再是“怎么把它做出来”而是“什么事情值得做”。这个大转变对个人成长的影响可能比对公司估值的影响更早到来。过去两年很多人的学习路径是“学Prompt、学微调、学Agent框架”。这些能力在当下有价值但长期看它们更像是一个过渡阶段的技能。真正不会过时的能力是判断力——判断什么任务值得自动化判断什么场景可以用智能体替代判断一个系统的边界在哪里判断什么结果可信、什么结果需要人工复核。这些能力不是模型能给你的而是需要你在真实项目里反复打磨出来的。所以如果你的团队正在决定要不要上Agent要不要引入大模型要不要做私有化部署我的建议是先不要被“AGI会不会自己找工作”这种大问题带偏。先问自己三个小问题我的项目里哪个环节的重复劳动成本最高这个环节用大模型自动化之后我能接受的最大误差是多少如果我接入了某个模型换掉它的成本高不高把这三个问题想清楚比追着行业争论读完一百篇评论都有用。6. 别急着站队先把问题拆开最后说点更个人的体会。大模型行业现在有一个不太好的风气一件事被媒体报道后大家习惯性地站队看完标题就决定立场。前研究员看空就有人喊泡沫破裂Dwarkesh反驳又有人喊AGI就要来了。但现实情况是两种观点都对了一部分也都没能覆盖全部真相。看空派的正确之处是指出了技术壁垒不会永远稳固模型公司的估值不能只建立在“暂时的领先”上。这一点对任何行业都成立大模型也不例外。Dwarkesh的启发在于AGI一旦趋近智能本身就会成为新的生产力这种生产力的增速是指数级的不能拿传统互联网公司的增长曲线去衡量。但真正的答案既不在“全部看空”里也不在“无脑看多”里而在于你把时间尺度放在哪里。短期看大模型公司的竞争会越来越激烈模型能力会被逐步抹平谁能在基础设施、数据和分发上形成壁垒谁就能活得更久。中期看应用层开发者需要站到场景和数据上去而不是单纯做模型适配。长期看真正稀缺的是定义问题和判断价值的能力。到底谁对谁错可能要等AGI真正逼近之后才能给出最终答案。但对每一个正在用大模型做事的人来说更重要的已经不是预测未来而是在一个充满不确定性的环境里找到自己的位置。你不需要等AGI会自己找工作那天才开始准备。今天整理好自己的数据跑通第一版Agent把一次性的手动流程变成可维护的自动化流程就已经比大多数观望者多走了十步。这场争论不会结束但这不重要。重要的是你要带着什么能力去走进那个争论里描述的未来。 大模型公司价值之争：AGI能否自我创造生产力？
一条行业争论火起来的时候往往不是因为它给出了答案而是因为它把所有人都不确定的问题摆到了台面上。最近围绕大模型公司价值的这场争论就是典型。一位前OpenAI研究员公开表达了对大模型公司商业前景的看空理由听起来也合理模型能力会快速迭代今天领先的模型明年可能就不值钱了公司很难形成持久护城河。随后知名科技播客主持人Dwarkesh撰文反驳抛出了一个更激进的观点如果AGI真的出现它不会让大模型公司贬值反而会自己去找工作自己创造价值。两个人说的都是同一个主题结论却几乎对立。作为一个从大模型爆发早期就在跟踪行业动态的开发者我觉得这场争论不该被当作“谁对谁错”来看它其实是理解AGI商业化路径的一个很好入口。很多关于未来走势的判断都可以从这场争论里拆出线索。1. 先说清楚大模型公司为什么会被“看空”看空派的逻辑并不是凭空来的。它的基础是过去两年里大模型行业确实出现了一些让人不安的信号。首先是模型能力的迭代速度。从GPT-4到GPT-4o再到o1、o3OpenAI的发布节奏已经不能用“一年一代”来描述而是半年甚至更快。与此同时开源社区也在快速追赶很多能力差距被压缩到几个月甚至几周内。这就带来一个很现实的问题如果模型本身会持续升级那用户凭什么长期绑定你其次是算力投入。训练下一代模型需要更多GPU更多电力更多数据中心。投入越来越大但商业回报能不能同步放大没有人能给出确定性答案。一旦资本市场的耐心下降或者增长不及预期整个估值体系都可能被重新评估。第三是应用层的价值外溢。现在大模型已经变成一个通用能力很多下游应用开始自己接各种模型。今天用GPT明天换Claude后天再换国产模型切换成本在降低。模型本身并没有形成“用了就离不开”的粘性。表面上看这些担忧都成立。但如果你把注意力只停留在这几个点上很容易得出一个草率结论大模型公司不值得长期投入。这里我觉得需要稍微停一下。看空派说的这些风险本质上指向的是一个东西大模型公司的价值是不是只等于“模型本身的价值”如果答案是肯定的那确实很危险因为模型能力会被更快、更强的下一代模型覆盖。但如果一个公司的价值不仅仅在模型还包括数据飞轮、算力基础设施、终端触达、开发者生态那这个判断就站不住脚了。换句话说真正被看空的风险不是“模型会过时”而是“这家公司除了模型没有别的东西”。这恰好引出了Dwarkesh反驳里最有意思的部分。2. “AGI会自己找工作”到底在说什么Dwarkesh的反驳看起来像一个科幻预言但如果我们把它翻译成更工程化的语言它其实在讲一件事当智能本身成为一种可以自我扩展的生产力时公司的边际价值不会递减反而会递增。怎么理解这句话先看传统商业逻辑。一家公司创造价值的方式是通过组织人去生产产品或提供服务。人越多成本越高效率的增长有上限。所以传统公司的价值往往受限于组织效率和生产成本。但大模型公司不一样。它的核心资产不是人而是智能本身。当模型能力提升到一个足够强的水平它可以直接参与推理、写代码、做分析、自动化执行任务甚至反过来优化自身的训练和推理流程。这意味着每一份额外投入都可能在放大下一次产出的规模。关键点在这里传统公司卖的是稀缺资源或重复劳动边际收益递减而AGI一旦接近模型本身可以创造的价值是自我强化的。Dwarkesh说的“AGI会自己找工作”本质上是说一个足够强的通用智能体不会被闲置。它能自己发现任务、拆分任务、调用工具、完成任务。这样的大模型公司市值天花板不是由“卖API的次数”决定的而是由“智能体能在多大范围内替代人类劳动”决定的。这听起来有点抽象我们可以用一个更实际的类比。一个应届生刚入职的时候价值很低做的事都是重复性劳动。但他学习能力足够强一年后能带项目三年后能带团队五年后能独立做业务。你对这个人的估值不会基于他第一年的工资而会基于他未来能创造的价值曲线。AGI也是一样。今天的大模型可能还有很多能力不足但一旦它的推理能力和执行能力跨过某个阈值它的价值曲线就会陡峭向上。所以“自己找工作”不是说AGI真的会打开电脑投简历而是说它的能力可以被自动化地应用到几乎所有数字任务上从而自己源源不断地产生生产力。这会让大模型公司的价值从“卖模型”变成“出售可无限扩展的智能劳动力”。这个视角确实比“模型会过时”更接近长期趋势。但问题在于这个判断有一个隐含前提需要被单独拿出来检查。3. 真正的风险点不在模型而在基础设施和分发渠道我个人的判断是Dwarkesh的论点有一个必须被承认的边界它成立的前提是AGI这种“会自己找工作的智能”只能被少数几家公司掌握。如果它真的只存在于一家公司手里那这家公司确实是印钞机。但在现实世界里即便我们不考虑开源力量头部大模型公司之间也存在高度竞争。OpenAI、Anthropic、Google DeepMind、Meta加上中国这边的百度、阿里、字节、DeepSeek大家都在同一赛道上投入巨额资源。当多方都逼近AGI的时候单家公司的议价能力会被显著压缩。这个逻辑在一些行业里已经出现过了。比如云计算AWS、Azure、阿里云、腾讯云技术能力都很强但谁也没法靠“算力”本身形成绝对垄断。用户会在价格、服务、合规、生态之间做权衡最后形成的是多强共存而不是一家通吃。大模型可能也会走向类似的格局。模型能力的差距会被逐步抹平真正的差异会出现在以下几个地方数据生态谁拥有更多高质量、场景化的数据谁就能训练出更符合实际需求的专业模型。算力基础设施谁能更便宜地提供推理服务谁就能在价格战中撑到最后。终端的触达能力谁的产品能嵌入到更多用户日常使用的场景里谁就拥有分发优势。组织效率和工程化能力谁能把模型能力更快变成稳定的产品谁就能留住客户。所以大模型公司的价值可能会从单纯比拼“模型智力”转向比拼“基础设施数据分发”的综合能力。模型能力是入场券但不是最终的护城河。看空派的合理之处在于如果一家公司只押注“下一个模型会比别人的好”那确实脆弱。因为这种领先本质上只是时间差而时间差是极容易被抹平的。Dwarkesh的启发在于我们不必悲观到认为大模型公司一定会贬值因为智能本身一旦足够强它就是生产力本身。但我们也必须承认AGI的商业价值最终会分散在基础设施、数据、应用和终端里而不是只集中在模型权重里。4. 对开发者和创业者来说这轮争论意味着什么这场争论对普通开发者和创业者不是看热闹的事。它直接影响到我们怎么选择技术路线、怎么评估合作方、怎么安排自己的产品策略。如果你正在基于大模型做应用层创业我的建议是不要把自己的全部身家押在某一家大模型厂商的模型能力上。过去两年很多人已经吃过这个亏了。上周还在用的模型接口下周可能因为价格调整、能力迭代或政策原因就要换掉。这不是某一家公司的问题而是这个行业目前还在快速变动期的必然结果。更稳的做法是在应用层构建自己的数据壁垒和场景理解。大模型提供的是通用能力但你真正值钱的地方是你更懂你的用户更懂你的业务更懂那些模型不会自动替你解决的问题。模型从GPT-4升到GPT-5你作为开发者的价值不会消失前提是你做的不是简单的接口包装。如果你的工作重心在模型层需要关注的是硬约束的变化。比如算力成本、推理效率、训练稳定性、数据质量和数据获取的合规性。这些都不是模型能力本身能解决的而是基础设施问题。不管AGI什么时候到来这个层面都需要长期投入。另外关于那些“某公司要做大模型”的判断我的经验是不要过度依赖媒体标题不要听一家之言。技术行业里的争论表面上是观点冲突背后往往是立场和利益的差异。前OpenAI研究员的看空可能是对商业模式的担忧也可能是对技术路线或公司文化的批评。Dwarkesh的反驳也可能是出于对长期价值的坚定信仰。他们的争论更像是把同一个复杂系统放在不同时间尺度下观察得到的不同结论。如果你要在这轮行业波动里做决策可以试试这个判断框架先判断你要解决的问题是“模型能力问题”还是“工程落地问题”。前者适合跟踪头部模型的进展后者更适合关注基础设施和开源生态。再看你所在的公司或项目有没有建立自己的数据或场景壁垒。如果完全没有可能随时被模型升级或平台政策冲击。最后看团队的组织效率。在大模型时代能快速把新能力变成产品体验的团队比单纯拥有先进模型的团队更稀缺。这套框架不一定能让你预测AGI什么时候来但能帮你在不确定性里做出更稳的选择。5. 长期来看真正稀缺的到底是什么如果我们把视线再拉长这场争论背后其实藏着一个更深的问题在AGI时代人类和智能体之间会形成怎样的协作关系回到文章开头那句话“AGI会自己找工作”。如果我们不全盘否认它认真想想它的含义就会发现它真正改变的不是公司估值而是工作流程本身。过去我们写代码是人告诉AI要做什么AI执行。未来如果AGI足够强它可能自己发现问题、自己设计解决方案、自己调用工具验证、自己上线、自己监控。人在这个流程里的角色从执行者变成监督者再变成价值定义者。你需要做的不再是“怎么把它做出来”而是“什么事情值得做”。这个大转变对个人成长的影响可能比对公司估值的影响更早到来。过去两年很多人的学习路径是“学Prompt、学微调、学Agent框架”。这些能力在当下有价值但长期看它们更像是一个过渡阶段的技能。真正不会过时的能力是判断力——判断什么任务值得自动化判断什么场景可以用智能体替代判断一个系统的边界在哪里判断什么结果可信、什么结果需要人工复核。这些能力不是模型能给你的而是需要你在真实项目里反复打磨出来的。所以如果你的团队正在决定要不要上Agent要不要引入大模型要不要做私有化部署我的建议是先不要被“AGI会不会自己找工作”这种大问题带偏。先问自己三个小问题我的项目里哪个环节的重复劳动成本最高这个环节用大模型自动化之后我能接受的最大误差是多少如果我接入了某个模型换掉它的成本高不高把这三个问题想清楚比追着行业争论读完一百篇评论都有用。6. 别急着站队先把问题拆开最后说点更个人的体会。大模型行业现在有一个不太好的风气一件事被媒体报道后大家习惯性地站队看完标题就决定立场。前研究员看空就有人喊泡沫破裂Dwarkesh反驳又有人喊AGI就要来了。但现实情况是两种观点都对了一部分也都没能覆盖全部真相。看空派的正确之处是指出了技术壁垒不会永远稳固模型公司的估值不能只建立在“暂时的领先”上。这一点对任何行业都成立大模型也不例外。Dwarkesh的启发在于AGI一旦趋近智能本身就会成为新的生产力这种生产力的增速是指数级的不能拿传统互联网公司的增长曲线去衡量。但真正的答案既不在“全部看空”里也不在“无脑看多”里而在于你把时间尺度放在哪里。短期看大模型公司的竞争会越来越激烈模型能力会被逐步抹平谁能在基础设施、数据和分发上形成壁垒谁就能活得更久。中期看应用层开发者需要站到场景和数据上去而不是单纯做模型适配。长期看真正稀缺的是定义问题和判断价值的能力。到底谁对谁错可能要等AGI真正逼近之后才能给出最终答案。但对每一个正在用大模型做事的人来说更重要的已经不是预测未来而是在一个充满不确定性的环境里找到自己的位置。你不需要等AGI会自己找工作那天才开始准备。今天整理好自己的数据跑通第一版Agent把一次性的手动流程变成可维护的自动化流程就已经比大多数观望者多走了十步。这场争论不会结束但这不重要。重要的是你要带着什么能力去走进那个争论里描述的未来。