其实，自从进入十一月以来，就在准备关于2025年的前瞻。
不同于2024年几乎无脑押注的情况不同，对于2025年的预测，无论是哪一个点，其实都会有很多争议的。
一点点展开，我想结构不会是跟以前一样的平行的，而是层次性的。当我回看自己在过去两个月里写下的各种要点时，首先想到的是两个关键词。
Conflict of Interest（利益冲突），以及，Scaling Law（规模法则）。
第一个词可能会引起很多疑惑，第二个词则似乎最近讨论的有点多，争议也有点多。
所以，先解释第一个关键词：Conflict of Interest。
在ChatGPT发布的时候，或者说在“大力出奇迹”的预训练阶段，市场找到了一个产业链的机会：英伟达供应GPU，模型开发商例如OpenAI等提供模型服务（无论是应用还是API），微软因为“前瞻性”的入股OpenAI，近水楼台先得月的推出了Copilot等一系列服务，然后芯片代工，HBM内存、光通信、服务器，一系列产业链公司纷纷受益。这其实是贯穿2023整年的故事，部分公司在2024年高景气持续。
尽管越来越多的人质疑英伟达吃掉了超过90%的“AI带来的收入”，但是到目前为止，谁也不能否认“受益于AI”的公司依然是数量众多的，这是产业链的普惠。
背后最重要的原因，在于第一阶段的AI投入绝大多数都是硬件投入，能够清晰的找到产业链，并且普惠到整个产业链。
而到了2024年，或者更准确点讲是2024年的下半年开始，当关于AI的关注重心逐渐从硬件转向软件，从算力转向模型落地时，冲突开始浮出水面（其实海平面下的冰山早就存在了）。
- 我们看到了大型云厂商一边抢英伟达GPU，一边扶持AMD，更重要的是，都在加大力度搞自研芯片（所以为什么我们从年中开始就认为博通会持续受益）；反过来，英伟达也在不断显示出搞云服务的“野心”；
- OpenAI不断在发布新功能，尽管ChatGPT已经是全球用户量排名前八的超级APP，但是依然需要不断去拓展类似于搜索（SearchGPT）、办公（Canvas的目标）等功能，而这，本来应该是微软希望GPT模型给自家产品“赋能”的领域；反过来，微软则在不断加强自家模型（例如开源的Phi）、独立产品（Copilot，Github Copilot，虽然都用到GPT最新模型，但是哪家模型好换哪家也不是什么难事）的研发，希望不断“巩固生产力工具”的领地；市场是很聪明的，2024年至今，在除去英伟达和特斯拉的剩余五家巨头公司中，微软股价表现是最差的，2023年的动能并没有能够持续；
这未必代表市场充分定价了Conflict of Interest，但是微软产品某种程度上的“拉垮”也必定受此影响；
- 云厂商与SaaS公司。熟悉我的人都知道，在整个2024年，我都是更看好云厂商与SaaS公司的表现，我也总结过，AI落地，国内看硬件，海外看软件。三季度开始，SaaS公司纷纷交出了“亮眼”的财报，企业的AI转型是个长期趋势，云和SaaS都会长期受益，从趋势上看，这才开始。但是从技术演变和行业格局变化看：AI模型提供了很好的打通软件栈的机会，同时如果软件业的最重要关键驱动力是“AI as a Service”，那么成本就会是企业最重要的考量。在这样的环境下，竞争加剧和头部集中几乎成为必然：Salesforce转型成AgentForce，何必局限于CRM；Snowflake与Databricks从数据中台进一步向前台渗透也不是难事；Cloudflare的Worker理论上当然可以做除了系统部署、安全之外更多的事情。AI时代，不就是企业可以花两分钱做到三分甚至四分以上的事情吗？何况，坐拥云硬件基础设施的几大云商，在上面提到的软件服务的细分领域，其实也都有储备；
还有一系列的Conflicts，虽然竞合关系一直是科技行业的主旋律，但是钟摆正在迅速摆向“竞争一端”，因为相比于“硬件”，“软件”的可扩张边界更大，甚至理论上，是“无边界”的。
关键词二：Scaling Law。
是的，目前至少有一种主流观点是：如果2025年，模型不能展现出更大的进步，那么对于AI的乐观情绪可能会遭遇巨大挫折。背后来自技术方面最大的疑问就是：Scaling Law是否依然有效？
其实，从算法层面看，一直是“贪心法”与“优化算法”的交替迭代，背后是硬件进步和数据积累的周期使然：每隔三五年甚至十年，硬件都会积累巨大的进步和更低的成本，数据也会大量积累，“贪心法”就成为有效选项；而在“贪心法”短时间挖尽硬件和数据潜力后，类似于“回溯法”之类的优化算法就成为主流。硬件与软件的交替进步也基本源于这样的原因。
所以，从“广义”而言，一直是Scaling Law在主导着信息科学领域的进步，“Scaling Law失效”根本上就是一个伪命题。
但是因为要等待更大规模的算力集群（例如十万张卡的Blackwell集群），要等待更多的数据，基于Transformer架构的GPT类模型暂时无法Scaling也是基本事实，但这不是Scaling Law失效，而是基础条件需要时间才能准备好。
在这个过程中，通过算法优化，通过加强后训练，就成为更合适的选择。
而在这个过程中，会有两个短期阵痛的点：
- 数据需要时间积累（或者生成），算力集群需要时间搭建，这些都需要巨大的资金和能源投入，对于模型研发者而言，投入的结果是乐观的，但是对于出资者而言，能见度却快速下降；
- 因为模型都在其他方面进行优化，普通用户将无法直观感知到模型升级带来的能力提升，所以，所谓的“会思考”、“数学更好”、“程序能力更强”，对于越来越多的人而言，也变得越来越抽象；
这大概也解释了，为什么我从去年一开始就坚持“AI的机会在ToB，而不在ToC”：我们可能可以部署几十亿甚至几百亿的Agent，但是我们却不能指望这一代的AI会如社交网络一样，拥有几十亿的“人类日活”。
两个关键词后，对应的应该是关于机会的若干预测，但是，在预测之前，还是想说一下风险的问题。
虽然AGI的吸引力大到投入再多资本都在所不惜，虽然从技术层面而言，沿着transformer架构，投入更大的集群算力和数据，依然是通向AGI确定性最强的道路。但是在技术钟摆开始摆向算法优化时，上面所说的短期阵痛点会成为2025年一个概率不会太小的风险事件：
模型的进步不再显性，预训练过高的成本（并不只是购买硬件，更重要的是能源、数据的准备时间），模型大规模部署时选择更廉价的推理硬件（例如端侧）等，都会让市场重新评估持续了两年的投资逻辑。其实，过去半年以来英伟达的股价表现已经很说明问题了，不过出于合规考量，本篇不再展开了。
关于风险的最后一句话，这个风险并非小概率事件，发生的时间也不会太晚，当然，持续的时间也不会太久。
提示完风险，进入第三部分，也可能是很多人最关心的部分：预测。
在过去一段时间，我曾经写了五篇四个挑战，这些，在我看来，既是挑战，更是关于机会的预测的一部分：
- AI挑战2025之一：AI程序员，由bolt.new想到的
- AI挑战2025之二：AI搜索，颠覆Google搜索的也许是安卓自己
- AI挑战2025之三：教育，一个贯穿了20年的话题
- AI挑战2025之四（上）：数据自主可控，我们需要新的“五笔输入法”吗？
- AI挑战2025之四（下）：“数据墙”真的是阻碍模型进步的主要原因吗？
是的，如果一点一点的讨论，大概是：
- 目前模型比较合适的应用领域大概就是教育、前沿科学研究和生物医药；
- 为什么我始终认为生成式AI可以改变几乎所有的行业？最大的底气就是来自于模型的程序能力，既然现在几乎所有行业都离不开软件了，那么AI程序员能够带来的行业变革也一定超过数字化浪潮：从根本上讲，所谓的AI Agent，其实就是AI程序员；
- 制约模型发展的两大因素，一是能源，二是数据。能源方面，如果同时考虑ESG与效率，小型核电站确实是中期最佳解决方案；相比之下，无论是模型训练还是模型落地，“缺数据”虽然不如“缺能源”那么直观，却更“痛”：从数据采集与生成，到数据存储，到数据检索，到数据处理，到数据安全，“人机共存”的世界，就是数据的世界，远远大于“大数据”的世界；
- 如果说2025年对模型本身还有什么期待的话，空间智能大概可以排在首位；它既是无人驾驶和人型机器人的基础，也可能是“类人智能”的关键钥匙之一；
- 端侧，无论手机还是PC的AI化，都需要拓展场景，我可能一直都更为期待PC和手机成为AI硬件的处理核心，而不是AI“XX”本身；可穿戴AI，底层逻辑的变化；
- 2025年或许真的非常有可能成为“智能计算”的元年：推理的总算力需求将超过训练，可以用于各种生产生活环境的模型不再稀缺，对综合成本（TCO、能耗、续航、便携性，等等等等）的考量带来硬件形态多样性的需求，自研芯片、端侧算力已经展露头角，这种高景气还将持续；
- 最大最大的趋势，写在我前段时间的一篇文章里：硬件--，软件++，智能##。还是那句话，当周期的钟摆向软件和算法摆动时：技术层面变得越来越有趣，因为我们可以从一张空白画布（canvas）开始构建一切，而投资上变得越来越难以捉摸，因为无边界的竞争，谁又能说地清楚呢？