AI 正在拆掉自己的护城河
AI 正在拆掉自己的护城河
本周几条看似无关的信号,其实指向同一个方向:过去靠稀缺性维持的壁垒——训练数据、芯片软件栈、验证能力——正在被 AI 自身削弱。
一、数据:RL 环境成了可跨境交易的商品
据 ChinaTalk 的调查,Mercor、Surge AI、AfterQuery 等美国数据经纪商向中国 AI 实验室出售了价值约 5 亿美元的 AI 训练数据,其中包含此前为 OpenAI 或 Anthropic 构建的同一批 RL(强化学习)环境,至少九家公司卷入。
值得注意的不是金额,而是资产形态的转变。过去训练数据的交易标的是问答语料;现在是可以让模型反复试错、获得奖励信号的完整环境。这类环境通常为特定客户定制,内含任务设计与评分逻辑,一旦被复用,等于把别人的训练方法论打包出售。
对中国团队的含义是:采购渠道客观存在,但合规风险与供应商依赖同样真实。判断标准应从“能不能买到”转为“买到之后,这套评分逻辑是否构成我们的差异化”。
二、算力:CUDA 护城河被削掉一角
Anthropic 声称,其内部模型 Mythos 在几乎没有人工干预的情况下,用三天时间把 Claude 移植到 AMD GPU 上——同类工作通常以月计。Anthropic 表示目前 Claude 运行在四个芯片家族上,目标是降低成本、减少对单一供应商的依赖。
这属于厂商自述,尚无第三方复现,需要打折看待。但方向清楚:芯片迁移的主要成本长期不在硬件,而在软件栈的适配与调优,而这恰恰是当前模型最擅长的工作类型——目标明确、反馈即时、结果可自动验证。
三、验证:从“数年”压缩到“四周”
Google DeepMind 的 AlphaProof Code 用四周完成了 Signal 加密核心代码的数学验证,而这类工作通常需要数年。由 Gemini Carbon 驱动的智能体写了超过 600 万行证明代码,仅约 1% 被标记给人工复核。
这条信号对国内团队的启发可能最直接:形式化验证过去是“只有大厂做得起”的质量投入,成本一旦下降,安全与合规就会从纯成本项变成可谈判的信任资产。
四、商业面:支出还在涨,但涨得慢了
Ramp AI Index 显示,2026 年 10 月美国企业 AI 支出环比仅增长 1.65%,但仍创新高。更关键的是结构:1% 的企业贡献了 OpenAI 与 Anthropic 约 80% 的收入。客服正在成为新的增长来源,但其毛利可能低于此前支撑增长的编程业务。
与之对照,TechCrunch 报道 OpenAI 季度营收首次突破 100 亿美元,相比第二季度的 67 亿美元增长近 50%。头部仍在高速扩张,但“1% 客户撑起 80% 收入”说明中小客户的付费转化仍是未解题。
结论:三条可执行建议
1. 把 RL 环境当资产盘点,而非采购项。 明确哪些评分逻辑必须自建、哪些可以外部获取,并对引入的外部环境做来源与授权审查。
2. 优先把“迁移”和“验证”这两件脏活交给智能体。 芯片适配、形式化验证、依赖升级这类有明确正确性标准的工作,投入产出比最高。
3. 别把收入结构赌在少数大客户上。 支出增速放缓与收入高度集中同时出现时,先算清楚自己的前 1% 客户占比,再谈扩张。
护城河没有消失,只是从“拥有资源”变成“能否持续用 AI 重构自己”。
来源
- The Decoder: US data brokers are selling half a billion dollars in RL training environments to Chinese AI labs
- The Decoder: Anthropic says AI is eroding Nvidia's CUDA lead, cutting an AMD chip switch from months to three days
- The Decoder: Google Deepmind's AlphaProof Code verified Signal's cryptographic core in four weeks instead of years
- The Decoder: US corporate AI spending hits a new high in October, but growth slows to 1.65 percent
- TechCrunch: OpenAI's quarterly revenue reportedly crosses $10B for the first time
为下一步任务找到工具
从扫描文档、代码审查或资料研究开始,得到工具短名单与匹配依据;目录筛选不运行模型。
订阅每周好码简报