被压低的稀缺性
通用文本能力、基础推理接口和部分部署能力会因开源与价格竞争逐步普惠。
原文讲解：从“我不信 AGI”到“我愿意投 DeepSeek”
这期没有从技术报告逐页读起，而是从一次投资判断的复盘开始。下面按节目顺序讲清楚：朱啸虎先承认什么变了，再把变化推向模型公司、数据、基础设施、应用和资本。
| 时间 | 节目段落 | 主持人/嘉宾在追问什么 |
|---|---|---|
| 00:00–07:00 | 一年后的 DeepSeek | 过去对中国模型创业的判断，哪些被事实打脸？ |
| 07:00–17:40 | 开放模型、意识与数据 | DeepSeek 为什么像 Android？用户和高质量数据意味着什么？ |
| 17:40–34:07 | 模型公司、Stargate 与 Nvidia | 如果 scaling 变慢，闭源模型和巨型算力计划怎么办？ |
| 34:07–47:39 | 重写创业与 Agent 判断 | 创业者还要不要训练基础模型？应用、Agent 和内容平台谁受益？ |
| 47:39–55:30 | 中国机会与海外市场 | 中国公司怎样把 AI 能力带到海外？ |
| 55:30–1:03:08 | 快速问答 | 投资风格、AI 意识、工作时间和下一步推荐。 |
节目开头先把时间拨回一年前。张小珺提到上一期“中国现实主义 AIGC 故事”及相关文章：当时朱啸虎不相信 AGI 会在可见时间里实现，也认为中国有六家基础模型公司，但自己不会投其中任何一家。主持人问，这次 DeepSeek-R1 的出现是不是让他改变了判断。
一、DeepSeek 让“AGI 可能性”从远景变成了眼前的技术问题
朱啸虎的第一反应不是单纯称赞模型效果，而是说 DeepSeek 让他几乎开始相信 AGI。原因有两层：一是 R1 在复杂数学和推理任务上表现出超出预期的能力；二是它让人看到，这种能力不必完全依靠一座无限扩大的预训练算力山，也可以通过强化学习和推理时计算逐步获得。
主持人和嘉宾随后讨论模型是否可能有“意识”。朱啸虎引用模型写出的诗性回答，并把“意识”理解成可能有连续谱，而不是只有人类意识和完全无意识两个开关。他还把 R1 视为机器意识的一个起点。这里的节目氛围带有强烈的惊奇感：模型不仅答对题，还会表达自我、反思和情绪。但这部分是嘉宾的哲学推测，不是神经科学或认知科学意义上的证明。
二、为什么他把 DeepSeek 叫作 AI 的 Android
朱啸虎认为，R1 的关键不只在于它“强”，而在于它足够便宜、开放、可部署。节目里他提到 DeepSeek 上线后在很短时间内达到两千万日活、没有大规模广告投放，并把这一数字作为口述中的增长例子；本文不把它改写成独立统计事实。
Android 类比的含义是：一个强大的开放底座降低了应用公司的进入门槛。以前应用公司可能要依赖某一家闭源模型，既承担价格和调用限制，也无法控制底层能力；如果 DeepSeek 这样的模型可以低成本部署，应用层就可以直接在上面做搜索、内容、办公、客服、行业工具和消费产品。基础模型像操作系统，应用公司真正要争的是用户、工作流、分发和数据。
这个判断也改变了他对闭源模型公司的看法。若未来巨型集群投入很多 GPU，只能带来有限的智力增益，用户可能更偏好便宜、开放、可接入的模型。闭源公司在领先时当然希望保持优势，但一旦开放生态已经壮大，再把模型开放出来可能已经错过窗口。API 业务会因为同质化和可替换性承受价格竞争；面向终端用户的订阅产品则可能通过整套能力形成更强的组合。
三、从算力 scaling 转向数据和训练信号
节目中最重要的转折，是朱啸虎对 scaling law 和数据稀缺性的重新估计。过去他更相信，只要算力、数据量和模型规模继续扩大，基础模型会沿着可预测的路线变强；DeepSeek 让他怀疑，真正稀缺的可能不是原始算力，而是高质量训练数据，尤其是那些需要专家判断、规则不清晰、模型尚未掌握的任务。
他提出几个具体问题：DeepSeek 的预训练语料到底是什么，为什么没有完全公开；在金融、法律、科研、产品决策这类领域，什么是“正确答案”必须由专业人士定义；普通用户的聊天数据大多是闲聊，数量再多也不一定产生智能。数据飞轮只有在用户行为能提供高价值任务、研究员能把任务变成训练信号时才成立。
这条判断也解释了他对 Stargate、Nvidia 和巨型数据中心的怀疑：如果基础设施投资仍然假设“多十倍算力就多十倍能力”，而瓶颈已经移到数据和反馈，那么一部分投资可能有表演成分。不过他并没有说算力不重要，而是认为长期计算仍是必要条件，只是增长速度、芯片结构和价值分配可能变化。节目中的国产芯片、推理成本和 Nvidia 增长判断均属于嘉宾口述，不能当作完整产业数据。
四、他怎样重写上一期给创业者的建议
朱啸虎说，上一期的大多数判断仍然成立：创业公司不应该轻易训练自己的基础模型，要利用免费或便宜的强模型，把资源放在用户关系、工作流和商业化上；真正有价值的公司不是给模型套一层界面，而是能把客户需求转化为稳定交付。
被 DeepSeek 改写的是“数据护城河”的强度。用户关系、心智和工作流比原来更重要，因为底层模型可能快速开放和降价；但数据仍然重要，只是它必须是任务数据、专业反馈和结果数据，而不是简单的聊天总量。创业建议因而变成：以强模型为底，尽快捕获需求，形成真实使用和交付，再把高价值反馈沉淀成自己的评价、流程和产品优势。
Agent 也被他用一个很实际的标准重新定义：不要纠结它是不是 Agent，而要看它能否在一个边界清楚的领域里替代人类工作的一半、八成甚至九成。写代码之所以领先，是因为规则、测试和反馈更清楚；其他行业必须先找到能测试的环境。标签不重要，可靠的工作替代才重要。
五、内容平台、消费和中国公司的海外机会
谈到内容平台，朱啸虎认为 AI 生成内容短期更可能帮助已有平台，因为它们有流量、社区和分发；但内容质量和社区氛围可能被破坏，平台不能只追求产量。这个判断和他对 AI 应用的偏好是一致的：他更看好能直接进入消费场景、降低成本、提升体验的产品，而不是只讲模型能力的公司。
对于中国公司，他认为 AI 能力和应用机会并不只在中国市场。模型和工具的差距可能成为出海的杠杆，消费品牌与 AI 服务可以一起走出去。他举了 Pop Mart 在新加坡等市场做盲盒和产品组合的例子，把它当成中国公司理解海外用户、再把供应链和产品能力带出去的案例。这里仍然是节目里的商业类比，不是对每个行业的普遍证明。
六、收尾：投资不是把每一次融资当作下一轮的必然
在投资方法上，朱啸虎把消费投资和 AI/AR 投资看成两条腿：消费更现实，AI 和 AR 更浪漫、更需要承受失败。他仍强调单笔项目的仓位、组合中风险类型的平衡，以及每次融资都应该当作“最后一轮”来经营，先把商业化做出来，再期待下一轮资本。
最后的快速问答把节目拉回个人判断：他推荐 AI 应用和消费，认为中国公司的海外机会更值得看；对于更短工作周的未来，他保持乐观但承认具体形态不清楚。节目没有给出一张完整的投资清单，而是完成了一次方法论复盘：DeepSeek 不是让所有模型公司自动成功，而是让投资者必须重新判断底座、数据、应用、分发和资本的相对稀缺性。
原文讲解到这里。下面才进入结构化抽象、证据审计和独立判断。
核心判断：DeepSeek 真正改写的是“稀缺性排序”，不是“AGI 已经实现”
这期最值得保留的不是“朱啸虎终于相信 AGI”，而是一个更可操作的变化：强推理模型的公开与降价，会把部分能力从资本密集型底座释放到应用层；与此同时，能定义困难任务、提供专业反馈、控制工作流并承担交付责任的能力变得更重要。
应用价值 ≈ 基础模型能力 × 任务/反馈质量 × 用户关系 × 工作流嵌入 − 推理成本 − 失败风险
仍然稀缺的东西
高质量任务、专家反馈、可验证结果、客户关系、场景分发和长期状态。
容易被误读的东西
用户量、模型榜单、诗性回答、融资规模和 GPU 使用量都不能直接等同于回报。
证据审计：把惊叹、论文和投资预测拆开
DeepSeek-R1 的公开论文支持几个较窄但重要的事实：R1-Zero 以纯 RL 研究可验证推理，论文讨论自我反思、验证和动态策略变化，并展示把大模型推理模式蒸馏到小模型的路线。它不能单独证明 DeepSeek 的用户增长、中文情商、意识、国产芯片推理效果或未来商业模式。节目中的数据与产业判断必须保留原说法的来源等级。
| 本期主张 | 当前证据 | 应如何使用 |
|---|---|---|
| R1 让 AGI 看起来更可能。 | 嘉宾的技术/哲学判断；论文支持部分推理能力提升。 | 可作为路线信号，不可作为 AGI 已到来的证明。 |
| 短期达到两千万 DAU、低广告增长。 | 节目口述，本文未独立核验统计口径。 | 保留为嘉宾对传播速度的观察，不写成审计后的用户数据。 |
| 高质量数据取代算力成为主要瓶颈。 | 嘉宾假说；R1 仍依赖强预训练基座、任务和验证器。 | 可作为资源配置问题研究，不能推出算力不重要。 |
| 开放模型像 Android，应用层会爆发。 | 机制类比与投资判断。 | 需要观察应用留存、毛利、迁移成本和工作流嵌入。 |
| 模型可能出现意识。 | 行为印象与哲学推测。 | 不能替代对主观体验、因果机制和可重复实验的研究。 |
不要把“可验证任务”偷换成“通用智能”数学和代码之所以适合 RL，是因为答案、测试或证明提供了相对清晰的反馈。投资、战略、文学、组织和现实行动的目标更开放；把前者的 scaling 直接外推到后者，是这期最需要抵抗的叙事跳跃。
独立分析：投资者应该重新问五个问题
1. 模型开放后，应用到底留下什么
“免费强模型会带来应用爆发”只完成了供给侧的一半。应用要留下的不是一层可替换的 API 包装，而是对某类任务的持续理解：用户真正要完成什么，哪些输入意味着风险，哪些步骤需要人工确认，怎样把结果交付出去，失败如何补救。底座越便宜，应用越需要在任务和结果上形成差异。
2. 数据护城河不是数据总量，而是反馈结构
普通聊天数量大，却可能缺少难度、标准答案和结果；专业任务数量小，却可能含有高价值的失败路径、专家解释和可复用验证器。更好的问题不是“我有多少用户数据”，而是“我能否持续得到别人拿不到的困难任务，以及这些任务能否回流到产品和训练”。
数据资产强度 = 任务稀缺性 × 标注专业度 × 结果可观测性 × 反馈闭环速度
3. 基础设施投资要按瓶颈变化重算
朱啸虎对 Stargate 和 Nvidia 的怀疑有启发，但不能把“数据重要”理解成“算力过剩”。训练、推理、检索、模拟和 Agent 环境仍需要计算；真正要问的是新增计算带来的边际能力是否能被客户付费覆盖，硬件是否会因模型架构变化而失去利用率，以及价值会落在芯片、云、模型、应用还是数据评价层。
4. Agent 的投资标准必须从标签转成替代率
“这是 Agent”不是商业指标。更有用的研究表是：任务完成率、人工接管率、返工时间、客户愿付价格、每次完成成本、模型切换后的性能、以及失败造成的损失。朱啸虎在节目后段说的“替代 50%、80%、90% 的工作”可以成为方向，但必须落到明确岗位、明确任务边界和明确责任上。
5. “浪漫”项目也需要现实的止损线
DeepSeek 是一个小团队突破大叙事的例子，但它不能被用来证明所有高风险项目都值得投。更稳健的投资流程是：先写出共识为什么成立，再指出被低估的变量，给出三到六个月能观察的信号，并设定没有下一轮融资时的存活方案。非共识的价值在于更好的信息和更快的验证，不在于反对共识本身。
后续如何证伪或修正
- 如果开放模型持续增强，但应用留存、毛利和工作流嵌入并未改善，说明“底座普惠会自动带来应用爆发”过于乐观。
- 如果高质量专业数据能显著改善真实任务完成率，而聊天规模扩张没有类似效果，数据结构而非数据总量的判断得到加强。
- 如果算力投入持续增加仍能带来可支付的能力增益，基础设施悲观判断需要收缩；反之，单位任务成本长期不降则说明 scaling 的资本回报承压。
- 如果 Agent 能在清晰领域稳定替代大量人工工时，并且失败风险可控，应用投资逻辑成立；如果只能做 demo 和低价值自动化，标签热度不代表商业价值。
所以，DeepSeek 之后最务实的投资问题不是“谁会赢得 AGI”，而是：在通用能力快速普惠的情况下，谁拥有最难获得的任务、反馈、信任和交付结果。
证据边界与资料索引
正文以 #90 的完整节目材料为主。用户增长、模型成本、国产芯片、Stargate/Nvidia、公司决策、中文标注、意识、海外市场和工作时间预测均按嘉宾口述、类比或推测处理；本文没有把这些内容改写成独立统计或投资建议。
- 官方 YouTube：#90 朱啸虎又来了：中国现实主义 AIGC 故事的一周年连载。
- Scripod：#90 公开转录入口。
- DeepSeek-R1 论文 与 DeepSeek-R1 官方仓库：核对 R1-Zero、RL、可验证任务和蒸馏的公开范围。
- 节目提到的上一年度“中国现实主义 AIGC 故事”文章：用于理解朱啸虎观点变化的前史。
- 张小珺 Podcast 全频道目录与路线图：节目在整个系列中的位置。
证据顺序：节目原始材料 → DeepSeek 官方论文/仓库与节目引用的前史文章 → 本文分析。本文的“意识”“Android”“超级入口”和“数据飞轮”均是解释性框架，不是已经被实验证明的事实。