DeepSeek 一年后：技术走到哪里，钱又押在何处

2025 年 1 月，DeepSeek-R1 把一场原本主要发生在模型公司、开发者和投资人之间的竞争，推到了大众视野。它让用户接触到推理模型，也把开源、训练成本和中美模型公司的位置放到同一张讨论桌上。一年后，庄明浩在与《厚雪长播》的对谈中回看这场变化：模型并没有只沿着“更聪明”这一条线发展，产品正在从对话走向行动，资本却要为漫长而昂贵的基础设施建设先付账。

R1 震动的并不只是榜单

庄明浩把 R1 的意义拆成几层。第一层是能力：行业此前已从普通聊天机器人走向推理模型，但 OpenAI 的早期推理模型是闭源的，外界只能感受答案变好，难以了解做法。DeepSeek 在公开 R1 时，把训练方式、数据集采集和在其他开源模型上的实验一并摆出来。对于希望跟进这条路线的团队，这意味着可以研究、复现并继续改进，而不只是等待一家闭源公司发布下一代产品。

第二层是成本叙事。节目中反复出现的对比，一边是美国宣布的大规模 AI 资本计划，另一边是 R1 被描述为数百万美元的一次训练成本。两项数字口径不同：前者涉及长期的基础设施与资本投入，后者对应单次训练。这种落差之所以造成冲击，在于市场突然要重新估计，达到相近能力究竟需要多少资源、谁能用更低成本跟上。

这也改变了开源的角色。庄明浩认为，过去主流叙事更相信高投入、顶尖人才和闭源研发的组合。R1 之后，中国模型厂商的频繁开源，加上 Meta Llama 在 2025 年的竞争力下滑，让开源模型的重心发生了变化。开源没有让基础研究失去价值；它让数据清洗、训练工程、成本效率和实际部署也成为可见的竞争环节。

Agent 的演示很直观，环境却很难补齐

Manus 在 2025 年初走红，部分原因正是它把执行过程展示在屏幕上：打开网页、点击、收集资料、做演示文稿。庄明浩把这种“看得见 AI 在干活”的感受放在 Agent 热潮的中心。聊天模型只需回答问题；当模型开始访问网站、调用数据库、下单、叫车或操作文件，用户才会把它和完成一项工作联系起来。

但这种跨越也暴露出产品之外的缺口。浏览器、网页、数据库、账号和验证码原本主要为人设计。AI 想访问服务，需要身份、权限和验证；服务提供者则需要判断它是不是爬虫、异常流量或可以被授权的代理。节目提到 Browser Use 这类面向 AI 的浏览器中间件，也提到 MCP、ACP 等协议讨论。它们都指向同一个问题：模型能力不能自动生成可交互的工作环境。

这就是为什么表层 Agent 的讨论在 2025 年下半年变少，而 Agent 基础设施开始获得更多注意。谁定义访问协议，谁承担错误操作的责任，商业公司为什么要采用并维护一种共同标准，这些问题不像演示界面那样能迅速解决。Agent 产品仍可随着使用习惯和推广增长收入，但从语言到真实行动的链条比单纯提升模型能力长得多。

推理可见之后，多模态成为新的体验入口

庄明浩回忆，DeepSeek 产品陆续提供深度思考和在线搜索后，用户不只得到一个快速答案，也能看到模型如何拆解问题。对普通人而言，这种过程感把模型能力从抽象的评测分数，变成一次可以观察的交互体验。当然，显示出的步骤并不等于人能完全判断模型每一步是否可靠；它改变的是用户感知能力的方式。

他用一次给小学课堂制作 AI 演示文稿的经历说明图像和语言正在靠近。面对“用《西游记》的故事讲模型训练和学习使用”的要求，Google 的工具不只是把人物放进插图，还把唐僧、孙悟空等角色关系与提示、约束、辅助学习的主题联系起来。受访者由此感受到，生成系统开始把文字理解、视觉组织和叙事结构放在一次任务里处理。

这也是他理解多模态的方式。早期常把语言、图像、视频和编程看作平行的产品线：先写大纲，再选模板，再配图。现在，不少厂商想让文字、图像、视频和语音共同进入一个模型核心，再输出多种内容。节目提到千问提出的“三进三出”正是这种目标。它是厂商正在追求的方向，而不是已经完成的统一架构。

模型仍有三层功课

在底层研发上，庄明浩没有认为预训练已经结束。公开可用的数据越来越有限，但同一批数据如何筛选、清洗、组织和训练，仍会改变效果。他把 Google 在 2025 年后段的表现部分归于这一层：不只是拥有数据，而是改进了处理数据和训练模型的工程实施。

第二层是后训练，尤其是强化学习。数学题有明确答案，代码能否跑通也能给出反馈，因此这类能力进展显著。开放式任务更棘手：谁来定义好答案，如何让资深律师、医生或交易员的判断进入训练，怎样避免模型只为获得奖励而寻找取巧路径，都会影响强化学习能走多远。节目把数据标注、评测与防止 reward hacking 放在同一组难题里。

第三层是在线学习或持续学习。现有模型通常经历一段预训练和后训练，在某个版本发布后供用户使用；持续学习设想让模型接收不断发生的反馈，而不是完全按版本切换。庄明浩认为，2026 年硅谷的新实验室会更多研究这一方向。它也意味着更高的资源和系统复杂度，甚至缺少稳定的基准，因此只能被看作研究机会，而不能视为已经可用的能力。

世界模型瞄准的是现实经验的缺口

多模态继续往前，会碰到机器人和自动驾驶需要的现实世界经验。文本可以大规模收集，具身系统却不能只靠读文字学会爬坡、涉水、抓取不同材质的物体。把所有规则写进程序或让机器在现实中逐条试错，成本都很高。世界模型因而被寄望于生成符合物理规律的虚拟环境，让系统在受控条件下尝试。

节目区分了两条路线。一条偏物理模拟，要在虚拟场景中保持物体重量、坡度、水面和破碎等规律，服务机器人或自动驾驶训练；另一条从图像和视频生成出发，希望得到能实时渲染、可交互的空间。两者可能互相借鉴，也面对不同目标。庄明浩没有断言哪一条会胜出，只指出它们在 2025 年后段获得了更多媒体关注和融资讨论。

应用想成为平台，估值先把未来写进价格

技术走向产品之后，问题变成谁能拿到用户与收入。庄明浩认为，过去几年的 AI 应用多是工具：写作、搜索、编程、图像或视频处理。工具可以有价值，却未必是最大的商业体量；大型公司因此希望把 AI 做成入口，连接内容、社交、电商、广告或原有服务。ChatGPT 的广告尝试，在节目中被视为这种商业化探索的一部分。

平台化还需要商业模式和网络效应。庄明浩认为，目前 AI 在这些环节还没有完全站稳。与此同时，资本市场已经在按远期位置下注。节目以 OpenAI 为例，提到约 1 万亿美元估值和约 200 亿美元年收入的市场估算，主持人据此计算出约 50 倍 PS。这个例子用来说明，投资者正在押注 2030 年前后可能形成的收入与少数平台位置，当期报表并非唯一尺度。

这种张力传导到产业链的每一层。模型公司需要算力，云厂商需要扩数据中心，设备与芯片供应商也为需求预期投入资本开支。节目特别提到，高杠杆的新云公司与需要巨额资本开支的企业，更可能因为收入和支出错配而承受重新定价。需求增长与现金流紧张可以同时发生，不能用其中一项替代另一项。

中国大厂在走不同节奏

回到中国公司，庄明浩没有把阿里、字节和腾讯写成同一种故事。阿里在云、千问模型和消费端产品整合上更积极；字节维持偏闭源、强调多模态和豆包消费端的取向；腾讯拥有游戏、广告和支付等稳定业务，因而能把 AI 放进会议、文档、搜索和游戏相关能力中，组织和人才调整则显示它也在寻找新的上限。

这种差别首先来自已有的业务结构。对大型科技公司而言，市场越来越用一张覆盖芯片、数据中心、云、模型、应用和分发的能力表来观察它们。但一家企业是否要把每层都做到最强，以及什么时候集中投入，仍取决于资源、创始人风格和原有业务能提供多大缓冲。节目没有给出统一答案，也没有把短期股价当作唯一尺度。

供应链的信心，仍留下一组未解的账

对谈最后回到台积电。节目提到，台积电把下一年资本开支预估从 490 亿美元上调至 520 亿至 560 亿美元，并表示在过去三到四个月调研了客户及客户的客户的 AI 需求。庄明浩把这视为产业链末端对需求更有信心的信号：代工厂既要面对客户订单，也要看见最终需求是否足以支撑长期投资。

不过，供应链的信心不能单独回答应用的毛利、模型的收入或云厂商的现金流。用户规模、留存、付费率、单个用户的 Token 消耗和使用场景扩张仍在增长；市场是否已经把这些增长充分计价，则需要放回各自的时间表和资产负债表中判断。转录在这一段尚未说完时中断，因此无法据此补写嘉宾原本可能给出的最终结论。