#38 陈恂：从 AI 2.0 到 AI 3.0，大模型降温后真正的战场

原文讲解：节目到底讲了什么

这期的现场前提是：2023 年上半年，大模型经历了一轮全球狂热，到了夏天，访问量、估值和创业叙事开始出现降温。张小珺没有把“降温”直接等同于失败，而是请陈恂解释技术周期，以及为什么他反而认为这是很适合做事情的时刻。

陈恂的背景决定了他回答问题的方式。他在北京大学和斯坦福学习物理、电子工程和芯片相关技术；做过两次科技创业，第一次在硅谷从事算法优化和计算，后来被 ASML 收购；之后在 Silver Lake 建立香港、东京和上海的亚洲办公室和投资团队，再成为 SoftBank Vision Fund 管理合伙人并负责中国业务；节目中，他还介绍自己是“一方建树”的联合创始人和董事长。公开人物资料能够校准他在 Silver Lake、软银愿景基金和早期 Brion/光刻计算创业上的主要履历；关于企业内部产品、客户、投资判断和个人评价，本文仍按访谈口述保留。

一、从 AI 1.0、2.0 到 3.0：陈恂如何定义“大模型时代”

张小珺先问，去年两人谈“大模型、小模型”时，行业到底怎么看。陈恂说，那时大家已经看到模型体量和可吸收数据量不断增长，但还没有像 2023 年这样清晰地意识到大模型会成为一代基础设施。他当时用了“智能的封装和表达形式”以及“智能的航母级时代”来描述趋势；在本期回头看，他仍认为这个判断成立，而且大模型之后还会继续出现更大的智能形态。

他把 AI 历史分成三个阶段。AI 1.0 是专家系统；AI 2.0 是深度学习，2016 年 AlphaGo 击败李世石让深度学习框架被广泛证明能够做到过去做不到的事；AI 3.0 则是大模型时代。SoftBank Vision Fund 当年主要投资的是 AI 2.0 企业，而他本期要解释的是：AI 3.0 不是简单把模型做得更大，而是改变 AI 如何进入社会和经济。

二、语言模型只是“反刍”人类知识：机器还可以直接观察世界

陈恂用一个很有画面感的比喻解释语言大模型。人类观察世界、总结规律，再把经验写进语言；语言是人类对世界认知的符号化沉淀。爱因斯坦写下 E=mc² 后，后人不必重新观察同一件事，而可以从这个符号和已有知识继续学习。大语言模型的训练，正是在大量语言材料中学习符号之间的关系。

所以在他看来，语言大模型像牛反刍：人类已经把世界观察和消化过一遍，模型再从语言中学习人类消化后的结果。这一步已经非常惊艳，但仍不是机器智能的终点。机器可以直接观察社会、自然和宇宙，从自己的感知中提炼规律，甚至创造出人类看不懂的符号；它不必只能复述人类已经说过的话。

他用感知能力说明为什么机器的“世界”可能大于人的世界。人眼只对可见光敏感，看不到红外、紫外；机器可以借助不同传感器观察这些范围。普通视频每秒十几到三十帧已经足以让人感觉流畅，但先进机器可能捕捉每秒上千帧的变化。机器的观察角度和时间分辨率都可以不同于人，因此不能把人类已经提炼出的知识当成宇宙知识的总和。

主持人追问下一步会不会是世界模型。陈恂认为世界模型与语言模型不是非此即彼的竞争：语言模型可以继续做有价值的写作、交流和推理；世界模型则可能通过直接观察世界获得人类看不到的规律，两条路线可以互相补充。

三、AI 2.0 为什么重：每换一个场景，都要重新支付一遍成本

陈恂回到自己在 SoftBank Vision Fund 投资 AI 2.0 企业时看到的困难。无论服务金融、保险、普通消费者还是政府，企业都要从收集数据开始，接着整理、治理、标注数据，针对特定应用开发模型，再微调、优化、测试，获得反馈，最后把模型插进业务系统。模型能在演示中取得好成绩，不等于它已经变成企业每天都能运行的业务。

一旦模型进入保险公司，数据收集、标注、治理和调优就必须变成每天运转的流程；这不仅需要钱和高端人才，还要求使用 AI 的企业改变自己的文化、组织和工作方式。它的摩擦力很大，因此 AI 2.0 的好公司有一个共同点：找到了一个足够大、可以放大的单一市场。市场越大，前期数据、人才和系统成本越能被摊销。

人脸识别被他当作上一代比较成功的应用：一个模型可以进入很多场景，因此有机会形成企业。但他也强调，所谓成功是相对的，其他 AI 应用可能更难商业化。AI 2.0 的共同问题，是每做一个新事情都要重新来一遍，场景越多，可变成本越高。

四、AI 3.0 的根本变化：把可变成本变成固定成本

大模型时代把大量通用能力先训练到一个基础模型里。之后在基础模型上做调优、行业化、企业化和专业应用化，不必从零收集和训练一套完整模型，速度更快，人员门槛也降低。陈恂把这概括为：AI 3.0 把过去每个场景都要重新支付的可变成本，变成了基础模型阶段一次性承担的固定成本。

这就是他所说的“全民 AI”迹象：任何有一点技术自尊的企业，都在尝试、探索和学习大模型，有些已经进入应用。技术拐点之所以能够带来行业爆发，是因为编辑/开发成本被大幅压低，更多人能够在同一基础设施上尝试不同产品。

张小珺接着问：既然模型越来越大，是否应该追求一个越大越好的模型？陈恂没有直接回答“越大越好”，而是从人脑模块化说起。人的大脑像很多专门模块组成的系统：一个模块关心财务，一个模块喜欢 Aston Martin，另一个模块提醒“可能买不起”；它们对同一件事提出意见，最后由一个 arbitration 机制决定采用哪一个或如何组合。

他把这看成 AGI 的一种可能定义：多个模型彼此竞争、互补、协作，在上层形成一个类似 Society of Minds 的模型社会。简单任务用小模型，复杂任务用大模型，模型之间通过编排和仲裁共同完成任务。因此企业不应该从“我是否需要做一个最大模型”开始，而应该先问：我服务什么客户、满足什么市场需求、怎样比竞争对手更好；答案可能是一个小模型、一个中模型、一个大模型或很多模型组合。

五、基础模型不是终点：模型树、行业模型和企业模型

陈恂估计，基础大模型的开发成本可能达到数亿美元、数十亿元人民币，甚至有人认为这只是入场券。因此世界不太可能出现几百上千个同等规模的基础模型；但他也不认为最后只剩个位数。他判断全球可能有几十个基础模型，有开源的、闭源的、开放程度不同的模型；在基础模型之上，还会长出大量行业模型、企业模型，甚至个人模型。

他用一棵树来说明层级：基础模型像树干，行业模型是分叉，企业和个人模型是叶子。基础模型提供高质量出发点，但上层的专业化仍然有很大价值。企业必须把自己的专业数据和应用场景放进模型，使模型对本行业的理解超过普通互联网知识。

医疗是他举的例子。一方面，通用生成式大模型有创意和表达能力；另一方面，医疗更需要准确、可控和精确，不能把“创意”直接当成治疗建议。一个医疗企业要把基础模型的开放生成能力压缩到可控制的范围，还要用专业知识图谱、数据和流程校验结果。OpenAI 是否愿意为全世界前五十个行业都做深，也是不确定的；每个行业都有自己的知识、数据和责任，行业模型因此成为机会。

六、生态能不能成立，关键是隐私、知识产权和利益分配

大模型的使用方式带来一组 AI 2.0 没有那么尖锐的新问题。对使用方来说，企业需要用基础模型，但不希望把商业机密上传到云服务。陈恂认为，在当时的技术框架下，一旦公司把信息交给云上的模型，就很难确定这些信息未来会以什么形式、被谁调用出来，所以许多大企业明确要求员工不得用公开聊天服务处理公司事务。

对基础模型提供方来说，问题又反过来：它希望企业基于自己的模型调优，但企业调优之后形成的衍生模型可能不再完全属于提供方；提供方怎样保护模型知识产权、怎样从后续使用中获得商业利益，也必须被解决。

因此生态中会出现第三类角色：帮助企业做数据治理、模型优化、行业适配和服务的团队。陈恂说，他所在公司计划在 8 月 30 日宣布一款产品，目标就是同时保护模型提供方的知识产权、使用方的商业机密和个人隐私，并建立各方都认可的利益分配机制。本文把这作为节目时点的企业计划，不把发布后的真实效果或商业规模写成已证实事实。

他进一步把数据、算力和模型都看作需要流通的“虚拟化资产”。数据具有非竞争性：给别人一份，自己并不会少一份；算力虽然有芯片和服务器的物理基础，但对使用者可以像网络服务一样被调度；模型也会在不同基础模型、行业模型和企业模型之间组合。资产要流通，就必须处理安全、匹配和价值分配。

七、OpenAI 会不会一骑绝尘：技术领先必须转成商业壁垒

陈恂不接受“OpenAI 已经第一，所以一定永远领先”的简单推断。OpenAI 的重要贡献是向世界证明大模型这件事可行；一旦别人知道可行，就会有很多人来做。全球基础模型可能有几十个，行业模型则数不胜数，形成“万物皆可模型”的生态。

但他也不说 OpenAI 一定无法垄断。关键问题是：它能不能把技术领先迅速转换为分发、数据、客户、生态和商业模式等其他壁垒。如果技术领先者能在别人追上技术前建立生态，就可能像 Google 在搜索时代那样形成强势地位；如果做不到，其他公司就能分享市场。节目把 OpenAI 的未来保留为开放问题，而不是把今天的技术领先等同于长期商业垄断。

医疗例子再次说明这一点：技术大模型可以是很好的起点，但行业服务需要精确的专业数据、流程和责任。模型越向具体业务靠近，越不能只比较参数和通用能力，而要比较谁能把专业生态建立起来。

八、全球降温不是坏消息：狂热之后才是价值真正被做出来的时期

面对大模型全球降温，陈恂的第一反应是“这可以预料”。人类往往对短期过度乐观，对长期反而可能过度悲观；OpenAI 证明可行之后，市场自然会产生过高期待，现在只是把期待逐步理性化。真正需要焦虑的不是热度下降，而是有没有人愿意在难题里继续做落地。

他用文生图广告物料举例。假设要为一个真实包包做广告，生成模型可以快速给出很多图片，但每一张都可能改变包的颜色、形状、比例或尺寸，结果没有一张真正是这款包。广告客户要的是对真实商品负责的素材，而不是“看起来漂亮”的图。基础模型公司未必最关注这个垂直问题，也未必最擅长解决它；应用落地需要额外的人、数据和流程。

当时 ChatGPT 访问增速从 1 月的高位明显回落，陈恂不声称自己有确定解释，只猜测一部分用户是尝鲜，发现模型无法完成真实任务后自然流失。技术泡沫经历过很多次，2000 年 dot-com bubble 是一个更剧烈的例子；但他认为今天的大模型不是同等规模的非理性泡沫，更像几十年 AI 技术周期的起步阶段。

“狂热之后的冷静是最重要的时刻”是这一段的核心。真正把技术变成价值的工作，往往发生在热度不再替团队融资、但仍有长期趋势支撑的阶段。陈恂不预测冷静期一定持续多久，只说它可能快也可能慢。

九、未来三年、五年和十年：从训练走向推理，从模型走向生态

陈恂认为，2023 年行业还没有完成从训练和微调到大量推理、真正上量的过渡。大家还在开发模型、调优模型，但真实推理量并没有想象中那么大。用户每次与 ChatGPT 对话，模型是在固定参数上做推理，而不是重新训练；推理才意味着模型真的被产品和用户使用。

他最期待未来三年的变化，是推理生态丰富起来。消费者、企业和政府会需要不同的安全等级、覆盖人群、界面、算力和服务形态；推理不一定都表现为聊天窗口，也可以藏在微信、办公软件、政府系统和各种熟悉的应用里。三年判断的核心不是“又出现一个更大模型”，而是从开发阶段进入使用阶段。

未来三到五年，他猜测国产算力可能逐渐撑起一片天。国产芯片和算力系统已经有企业在做，但真正的难点是软件、应用和生态协作，需要时间。十年左右可能出现下一次大的技术跃迁，但他不敢判断具体是在第三年还是第七年，只把它作为从深度学习到大模型之后的长期可能性。

算力短缺的解决在节目中分三步。第一是把已有算力调度好：算力可能分布在内蒙古、贵州、上海或北京，关键是感知哪里空闲、匹配它适合的任务、做负载均衡。第二是企业、地方政府、国企和央企建设新的算力中心，逐步释放供给。第三是国产算力形成完整生态。节目提到的算力调度平台正是在做第一步；平台名称和产品效果属于节目口述，本文不把它扩展为独立行业事实。

十、投资不是“看见 AI 就投”：bottom-up 与商业模式审美

张小珺问，SoftBank 在 AI 2.0 时代是不是投早了。陈恂回答，投资是 ultimate bottom-up business：面对一家企业，不能因为它属于人工智能就投资，而必须理解它和其他 AI 企业有什么不同。AI 2.0 时代当然有好企业，也有值得投资的机会；宏观趋势只是入口，投资决定仍然要落到具体公司。

他还解释自己如何在投资人与创业者之间切换。他不认为人生完全是规划出来的，更像选择和被选择的过程：机会、经验和教训每天改变，人要根据当时看到的趋势和能力重新判断。2023 年他认为很适合创业，因为大模型处在几十年技术大潮的开端；这很像 1990 年代末到 2000 年初的互联网，但他第一次创业是在 2002 年、互联网泡沫最冷的时候。那次创业把斯坦福实验室技术商业化，后来被 ASML 收购；成功既有技术和客户，也有趋势与偶然，不能全归功于创始人意志。

几年投资之后，他发展出所谓“商业模式的美学”，也就是判断一个模式是否漂亮的 taste。一个同样是一亿元订单的企业，订单的质量、现金回收、交付结构和持续性可能完全不同。中后期投资人尤其重视现金流，往往不只看会计利润和 PE，而会使用 EV/EBITDA 等指标作为现金流能力的近似观察。这里不是一条估值公式，而是一个价值排序：持续产生现金的商业模式，比只在报表上显得盈利更可靠。

他把早期投资和中后期投资区分开。早期投资更多看方向、团队和概率，可以在一百家公司里押中一部分；中后期投资必须深入分析企业怎么赚钱、怎么花钱、什么时候赚钱、什么时候花钱以及现金流是否可持续。早期投资人可能觉得后期投资人像冷血的鲨鱼，陈恂则说这是把故事放进数据和趋势中理解，并不等于没有同理心。

Silver Lake 和 SoftBank Vision Fund 也不是同一种中后期投资。前者更偏成熟、现金流稳定、行业位置清晰的企业；后者更偏高速成长、商业模式尚未完全证明但可以预判的企业。相同的“中后期”标签，背后仍有不同的风险和审美。

十一、给 native AI 创业者的建议：趋势比个人能力更大

陈恂给年轻创业者的第一条建议很朴素：先想清楚服务谁、为他做什么、提供什么价值、客户是否真的认为这是价值，再问自己能不能比别人做得更好。不要轻易把自己当成 Steve Jobs；绝大多数创业者都必须理解和发掘用户需求。

资源也不只是钱。某些业务需要人才、生产能力、政府或国家的信任、行业关系和合规资格。创业者如果只把问题定义成“我有一项能力，怎样把它最大化”，就容易忽略时代的方向。他建议至少用一半时间思考未来五到十年会发生什么，再问自己在这个趋势里能做什么。个人能力只是一个小目标，顺势而为才能获得更大的杠杆。

他还解释为什么一些有国际经历的中国创业者仍会回到中国。海外大公司会议里，业务分析可能不输别人；但休息时大家聊小时候听过的棒球队、歌星和电影，文化共同记忆的缺失会让一个人始终像外人。回到自己的家园，不一定意味着业务更容易，却可能意味着人的存在更自在。这个答案把职业选择从融资和市场问题拉回了文化归属。

融资环境冷时，他重复 NVIDIA CEO 黄仁勋早年创业建议的三件事：省钱、赚钱、融钱。创业者要持续重视融资，也要重视现金流和支出控制；在产品和市场没有充分证明前，不要轻易扩张。没人知道资本市场的寒冷会持续多久，所以必须按更坏的情形准备，只有活下来才有后续选择。

至于创始人给自己发多少工资，陈恂并不特别敏感：每个人都要生活，只要不过分，拿工资做事是可以理解的。投资人真正担心的不是创始人正常生活，而是公司在没有证明价值之前失去现金和选择权。

原文讲解到这里。节目随后以对 8 月 30 日产品发布的预告和片尾结束；接下来才进入结构化提炼、证据审计和我的独立判断。

结构化提炼：AI 3.0 的核心不是更大的模型，而是更低的落地摩擦

陈恂的叙事可以压缩成一条产业链：基础模型把通用智能能力预先做出来，行业和企业在上面做数据、场景和责任的专业化，推理阶段把模型真正变成用户每天使用的服务，算力调度、安全和利益分配则让这套生态能够持续运转。

证据审计：技术事实、嘉宾判断与公司叙事要分开

独立判断：大模型真正改变的是“重新开始一次”的成本

陈恂的 AI 2.0/3.0 区分很有解释力，但需要进一步精确。大模型并不是把所有成本神奇地变成固定成本，而是把一部分通用学习成本集中到基础模型提供方，让下游应用不必为每个场景从零开始。成本没有消失，而是从“每个项目都重新支付”变成“少数基础设施先支付、全生态共享，再在推理和专业化阶段重新分配”。

把这套判断拆成四层

1. 基础层：模型提供通用能力和初始知识，但不保证行业准确性，也不自动拥有客户信任。
2. 适配层：企业把专业数据、知识图谱、流程和安全规则接进去，决定模型能否做具体工作。
3. 推理层：真实用户不断调用模型，延迟、成本、稳定性、错误率和界面开始成为产品问题。
4. 治理层：数据权限、商业机密、模型 IP、利益分配和责任追踪决定生态能否长期协作。

这也解释了陈恂为什么同时谈世界模型、模型社会、算力调度和商业模式审美。它们看似分散，实际上都在问同一个问题：机器能力怎样从实验室进入一个有状态、有资源、有责任的现实系统？仅仅拥有更强模型，不能回答谁来部署、谁来付费、谁来复核和谁来承担后果。

给创业者和投资人的两张不同清单

陈恂说“不要把个人能力最大化当作唯一目标”，我认为这句话对 AI 时代尤其重要。模型把个人工具能力迅速商品化之后，单点技能的稀缺性会下降；理解趋势、选择真实问题、组织反馈和控制现金的能力，反而更能决定一个人或一家公司的生存。

可证伪条件：什么时候需要修改“AI 3.0”这套解释

• 如果未来大多数 AI 价值都由少数基础模型直接捕获，下游行业模型和企业模型只剩薄弱集成层，说明“模型社会/树状生态”的判断高估了专业化价值。
• 如果通用大模型在医疗、法律和广告等高责任场景都能无需大量行业数据和人工复核地稳定交付，说明本文对适配与治理成本的强调过重。
• 如果三到五年后推理量仍然没有成为主要需求，训练和模型建设持续占据绝大部分资源，说明“从开发到使用”的过渡比节目预期更慢。
• 如果国产算力的硬件性能已经提升，但软件、调度、开发者和应用生态仍无法形成闭环，说明算力本身不是生态起飞的充分条件。
• 如果 OpenAI 或其他一家基础模型公司成功把技术领先稳定转换成数据、分发、客户和生态壁垒，且其他模型无法形成可持续竞争，说明“几十家基础模型”的竞争预测需要下修。
• 如果拥有更强个人能力、更多融资和更大模型的创业者在任何周期都显著胜过顺势选择行业需求的人，说明“趋势比个人能力更重要”的创业建议需要收窄。

证据边界与资料索引

本文主体依据 #38 的完整公开音频和节目页章节先重建陈恂与张小珺的连续对话，再以公开人物资料校准职业背景。大模型生态、基础模型数量、推理时间表、国产算力、产品发布和商业模式判断均保留节目时点边界。

• YouTube：38. 和软银愿景原GP聊聊，大模型全球降温后，人工智能何去何从
• 小宇宙节目页：简介与公开章节
• 未来论坛：陈恂人物资料

连续时间轴转写 用于定位长音频、校正章节顺序和复核术语；“牛的反刍”“模型社会”“商业模式的美学”等表达保留为嘉宾的比喻与概念，不把它们伪装成标准技术定义。