美国AI调研纪要20240613.pdfVIP

202406北美AI产业链调研小结

本次调研走访北美相关科技公司以及相关产业专家。聊了部分公司IR（英伟达

/supermicro/intel/tesla/equninix），在技术端以及产品应用端，聊了相关技术与产品专家

（openai/adobe/google/meta/微软/amazon/nVidia/anthropic）。

1.当前大模型的能力是否依然在进步？模型的能力上限在哪里？

这个问题某种意义上决定整个AI产业的上限，模型能力的最终极限决定了算力的需求

以及应用的想象空间。

从交流的专家来看，普遍对大模型的2-3年维度的持续迭代进步保持谨慎乐观的态度。

但这种乐观某种意义上，与去年gpt3.5横空出世那种星辰大海不同，这个乐观更多是基于

研发人员在模型端的具体进步而得出的结论，

比如说大语言模型在用户感知端的进步已经比较缓慢（也有专家表示这是为什么

gpt5没有推出而是推出gpt4o的原因），进步更多的可能是用户感知不明显的数学

能力等方面

通过相对较小的大模型的预研究仍然能够看到进步，也意味着更大规模的算力仍然

能够带来模型的进步。

因此，从一年维度来看，模型进步对于算力需求的牵引应该是非常强的，一方面是基于

本身研发端能够看到切实有价值的进步，同时这个调研可以非常明显感受到传统大厂在AI

大模型落后之后的压力，比如google为此进行了比较多的组织架构调整，同时也是在薪资

上给出了非常高的待遇（应届大牛工资+股票100万刀，package唯一能匹配上openai的传

统大厂）

对于大模型能否通向AGI，似乎并没有人主动提及。Google专家也表示，尽管大模型能

够通过图灵测试（最公认的判定AGI的标准），其实现在大家似乎也很难认为当下的大模型

就是AGI了，甚至某种意义上大模型现在是一种统计结果。或许，大模型再次出现类似于

gpt3.5的能力跃升，更多的机会在于多模态（google专家演示了一个手机端gemini实时交互

的视频），或者是当传统大模型的transformer架构有非常大的突破。

2.scalinglaw是否持续有效，能保证大厂高强度的capex得以持续

model的质量主要有以下三个环节构成

模型架构：目前来看transformer架构是公认主流，短期很难看到被颠覆的可能。

模型规模：规模越大，性能越好。

数据质量（数据的多样性，质量，数量）：训练数据的枯竭是被多次提到的问题。

从以上三个环节来看，数据的枯竭可能是限制scalinglaw的一个比较重要的问题，这个

问题在大语言模型的训练中尤其明显。数据的scalinglaw可能依然有效，但是数据的规模可

能不能支撑无限制扩张下去。相比之下，多模态的训练数据还没有遇到这个问题。

算力的堆叠目前来看是分歧最小的方向，一方面大模型仍在进步，另一方面硅谷巨头仍

然处在格局未定的战备阶段。当前算力在美国的制约是电力，为了应对电力短缺，谷歌已经

开始尝试多数据中心协同计算。

3.竞争格局：

目前来看，openai、google、meta是综合来看比较领先的，anthropic作为amazon和google

共同投资的独角兽也是有背书的。马斯克的Xai在起步阶段，但是专家表示马斯克在高端人

才的号召力很大，xai也有非常强的人才储备。

北美几个龙头与openai的差距某种意义上应该是在缩小的，一方面是传统巨头在人才

储备上是完全够用的，尤其是google，在硅谷的技术人才储备上是公认的最领先的。其次，

硅谷之间的技术交流相对便利，并且没有禁业协议。Meta专家表示除非openai在架构上再

次出现跃升，否则即使他没有开源，对于业内专家而言他的技术实现也不是秘密，很快能追

上。对于openai如何维持这个领先，openai的专家表示更多还是依靠本身的人才密度（现

在的招聘门槛很高），以及chatgpt积累的数据资源。

国内模型研发的差距，从最前沿的科学角度差的依然比较大，硅谷的环境非常与世隔绝，

科技大厂对于研发的投入更纯粹（meta，amazon的专家表示公司烧百亿美金，也并没有要

求一定药做出啥产品来），因此在前沿架构的探索上，和硅谷差距非常大。但是考虑到当前

硅谷整体模型的迭代也出现一定程度放缓，国内模型应该能够保持不被拉开。

4.应用创新：北美在创新一样迷茫，瓶颈何在？