来自硅谷的观察 | 源码资本韩光：通往ASI的路不会是一条直线

来源：源码资本

前不久，源码资本董事总经理韩光又去了一趟硅谷，和一线实验室的研究员、创业者、投资人聊了聊。距上次不过四个月，变化却快得让他觉得时间被压缩了：一边是智力的提升几乎看不到瓶颈、研究员们空前乐观；另一边是“太贵了、收入在哪里”的质疑开始蔓延，资本市场经历了一次不小的回撤。

一百多年前，电力用了几十年，才真正改变世界。今天的AI到底会走一条怎样的路?

以下是韩光这次从硅谷带回的一线观察——关于智力、落地、历史，以及在一场没有人经历过的革命面前，我们该有的态度。内容有删减：

距离上一次去硅谷不过四个月，但体感上速度比以往快了非常多。很难想象，短短四个月里会有如此大的情绪起伏——从“Frontier lab仿佛无所不能”，摇摆到“模型性质会不会是创新药”，中间摆动的幅度极大，资本市场亦然。这一次的见闻，我们仍用几个关键词来更新，它们大致分成两组：一组关于“智力的提升”，那里几乎一片乐观；另一组关于“现实的落地”，那里开始出现越来越多的质疑。

1

智力：目前几乎看不到瓶颈

先说让人兴奋的那一半。

这次去美国，几乎所有实验室的研究员都在谈同一个词—RSI，递归式自我改进（recursive self-improvement）。它的意思是：AI的进步，驱动它自己的进步。AI不断提出模型训练的改进想法，经过筛选，再用大量算力去验证，得到下一步的改进，如此循环。四个月前，这个话题的讨论还不算强烈；这一次，几乎人人都在谈，而且都认为它已经有了雏形。

一位研究员把“AI 做研究”拆成三步：提出想法、筛选想法、执行验证。在他看来，提出想法，AI已经强于今天的研究员，且不知疲倦；端到端的执行验证，AI更是远胜于人；唯一还差一点的，是“筛选”——从一百个想法里挑出最有潜力的那几个，眼下最顶尖的人类研究员仍然更强。但他相信，未来连这一步“taste”也可以被训练出来。

与之相伴的，是另一个判断：模型能力的提升目前还看不到瓶颈。模型的预训练、中期训练、后训练，能力都还看不到头。模型的能力是“锯齿状”的——在一些人类觉得简单的任务上，它提升没那么快，但在部分能力上超过人，几乎是确定的事。有一句话让我印象很深：“公司和大众的主要差异，并不是掌握了什么外界不知道的秘密，而是更相信 Scaling Law，更相信当前这条技术曲线会持续推进。”

研究员们的乐观超出市场，也超出外界。当被问到“如果算力不是问题，多久能实现ASI”，一位研究员的回答是：一秒钟。在他看来，技术是最不需要担心的事——有足够的算力和想法，一切都会很快到来。

这次还听到一个新说法叫“大循环”：更强的AI设计出更好的芯片，未来加上 AI驱动机器人去建设更多数据中心，更大的算力集群再训练出更强的AI——一个从虚拟世界延伸到物理世界、再回到虚拟世界的闭环。如果它成立，智力的发展还会被进一步加速。

而真正决定“谁能稳步向前”的，是另一个词：Roadmap。Roadmap 是一张未来两年整个公司对往哪里走达成的粗线条的共识，算力怎么分、每一部分哪些人负责，都有一个计划的方向。现在，难的不是偶尔训出一个好模型，而是稳定、可预测地一代一代产出更好的模型。Roadmap 在这中间，是很重要的一个东西。

偶尔的灵光一闪，谁都可能有；但持续、可预测地迭代，需要的是一张清晰的地图。今天，能拿出这张地图的公司还是少数——这也是头部与其余者真正拉开距离的地方。

2

落地：太贵了

但这次，我们也清晰地听到了另一种声音。在“智力会不会继续提升”上几乎无人怀疑；可一旦谈到“它到底怎么改变现实世界”，质疑就会出现了。第一个质疑，也是最直接的一个质疑是——太贵了。

企业开始给AI设硬性预算。一些前沿模型发布后，曾出现一段时间里收入增长停滞的情况——背后既有外部环境的因素，也有企业还没真正用起来的原因。

有些公司月消耗的token高得惊人，甚至要做内部用量榜；也有公司几个月就用完了全年的预算。一个session问几个问题可能就结束了，很难想象如此昂贵的token，将来能改变世界的方方面面。“你花了两份钱，收入却没有提升多少。”

于是情绪开始回摆，市场重新追问那些老问题，这些问题每过一个季度就被重新拿出来问：投入会不会太高？回报在哪里？谁来买单？云厂商会不会砍单？这一轮，资本市场出现了一次不小的情绪回撤。所以这次在美国，我们感受到的是两条路并存：一条是智力的提升，快得和最乐观的想象一样；另一条是它对现实世界的改变，开始又一次被质疑。

连Sam Altman近期的访谈也变相承认了这一点：人类作为物种，很容易适应新环境——把今天的模型给2019年的人看，他大概会认为这就是AGI、了不起；可今天的人已经习以为常。也许，我们正处在情绪周期的一个顶部，要面临一段更多质疑的时间。

质疑的核心，可以叫它“生产率悖论”。所有前沿实验室都在加速拿算力，投入的规模一个比一个大；但收入的提升在哪里？

假如你是“世界有限公司”的大股东，每年创造上百万亿美元收入。研发部门告诉你，有一项新技术未来能提升收入，但现在要投入巨额资本、并逐年加码。作为大股东，你一定会问：这些投入，未来到底能换回多少增量回报？——不管技术本身多么了不起。

今天我们看到的更多还是给每个人配一个AI copilot：它提升了个人效率，却还没让那个庞大的整体显现出生产率的跃升。人没有省下来，收入没有涨上去，改变仍停留在旧组织内部的边际提效。

3

历史：电力的四十年

这不是人类第一次面对这样的时刻。1881年，第一座中央发电站投入运行；但直到20年代初，电力才真正推动制造业的生产率提升——中间足足隔了四十年。

最初，工厂只是把车间中央那台蒸汽机换成电动机，头顶的传动轴、皮带、拥挤的多层厂房，全都原封不动。动力源变了，生产方式却没变，提升非常有限。真正的转折，来自系统级的重建：工厂搬到更开阔的土地，盖起单层大厂房，每台机器配上独立的电机，可以自由排布、各自调速；生产流程和组织方式，也随之重新设计。福特的流水线，正是在这时出现的。

电力的价值，不是给旧工厂换一台更好的发动机，而是让人们重新定义工厂应该如何运转。

今天，或许正处在类似的时点。市场真正在寻找的是智能时代的"用电大户"——那些能把"智力"这一新的生产要素，真正转化为更好产出的公司。

但这里有一个绕不开的悖论：让一家成熟公司彻底改变组织形式、甚至裁员，是痛苦的。每个人在逻辑上都拥护AI，可落到具体行动，阻力往往巨大。我们这次在美国和一位VC聊到，像Adobe这样的公司，员工要把AI真正和自己的产品结合时，内部阻力非常大。所以未来更可能是这样一种局面：一批“从零开始、按新生产要素来搭建组织”的公司，慢慢生长出来，一点点吃掉原来的市场。

这次，我们已经看到了一些这样的早期样本。

一家叫Corgi的公司，做的其实是一门旧生意——给创业公司卖D&O、网络安全、Tech E&O这些商业险。传统做法，要经纪人收材料、人工核保，几天到几周才能报价；而Corgi让AI来读材料、判断风险、直接定价出单。它是一家"老公司"，提供的是已经存在的一种服务，又是一家"新公司"：因为组织形式不同、成本结构不同，它的保险更便宜，反应也更快。

另一家叫Mercor，是卖数据的公司，它在AI上的支出，已经超过了付给人的工资。它找来各个行业的专家——医生、律师、投行家、工程师，让他们去定义“什么才算把一件工作做对”，写成评分标准，再搭建出让模型去操作真实工作流的环境。

它们都还很小，用的人也不多，一开始就奔着“直接交付结果”去。未来的“用电大户”究竟在哪里？其实我们还并不知道，现在我们只能看到一些微弱的迹象。但AI若真要改变这个世界，需要更多这样的公司出现——这是全世界都在关注的事。

4

周期：颠簸的路

把镜头拉远：AI是有情绪周期的。

回看这几年，每一轮的引爆点都是模型能力的跃升，或者是关键产业环节的收入加速——2022年底的ChatGPT，2024年的深度推理，2025年下半年的agentic coding。新能力打开新的想象，情绪转向狂热；而在充分演绎几个季度后，市场又总会进入冷静期，反复地问：Scaling Law撞墙了吗？新的收入在哪里？模型会不会商品化？巨额投入谁来买单？这个问题，两年前还是“两千亿谁来买单”，未来还会变成"三万亿谁来买单"。

历史反复提示我们：产业趋势是真的，泡沫也可能是真的。

十九世纪的英国铁路，客运量在几年里增长逾一倍，股价却从高点跌去约三分之二——问题出在资金端，认购只需先缴一成，其余在建设中不断追缴，集中建设期同时到期，体系无力承接。大萧条中的电力行业，用电需求几乎没有减少，但层层加杠杆的控股公司大量归零；而电气化本身，很快就恢复并继续向前。

技术是真的，泡沫也是真的。融资跑在了现金流前面，真实需求之上，也会发生价值毁灭。你看对了趋势，但有可能在中间，有人会倒下。未来的世界已经在徐徐展开，我们有非常强的推背感；但有时，这辆车会冷不丁踩一脚刹车，没扶稳，就会被甩下去。这段路程的颠簸，一定会超过很多人的想象。

贪婪与恐惧，会一次次重演，成为人类反复的注脚。

这个世界正在变得比以往更复杂。我们相信，未来的GDP会极大丰裕，AI 会改变这个世界的方方面面；但最近几个月、乃至过去两年一再提醒我们：这条路一定不是一条笔直的路。起点是现在，终点是AGI或ASI——两端或许是确定的，但中间充满颠簸。

所以我们选择一手乐观，一手敬畏：既充分相信长期的方向，也保持足够的开放，实事求是地去看究竟真实地发生了什么，因为没有人经历过这样的革命。深入到这次智能革命的机理里，保持开放、保持学习、实事求是、不固执、也不傲慢地认定自己此前的看法一定正确——这或许是此刻最重要的品质。