原来是美男 解读ChatGPT Atlas背后的数据边界之战_我的网站
A |
当地时间16日，美国肯塔基州共和党众议员托马斯·马西宣布，其正在同另外20名众议员一起推动一项针对美联储的法案《联邦储备委员会废除法案》。 OpenAIChatGPT Atlas当然是一个浏览器产品，但也更是一个信号。
除了废除联邦储备委员会理事以及联邦储备银行外，该法案还要废除国会于1913年通过的《联邦储备法》，这一法案授权设立联邦储备系统（即美联储）作为美国的中央银行。
资料显示，《联邦储备法》最初的授权期限只有20年，但根据1927年美国国会通过的《麦克法登法案》，美联储目前没有所谓的“授权到期日”或废除日期。
大家应该还记得劈柴是靠什么当上过去的Google现在的Alphabet的CEO的——很核心的一个点就是Chrome的成功。
B |
根据美国立法程序，在众议员提出新法案后，法案将先被提交至众议院相关委员会进行审议，接下来众议院将发起表决，若获得多数通过，法案将提交至参议院进行审议表决。
C | 若法案再在参议院的投票中获得多数通过，该法案才有机会出现在总统的办公桌上，并最终由总统签字生效成为正式法律。而现在马西等议员提出的这一法案还处于最初阶段。
马西将美国的通胀问题归咎于美联储，“美国人正在遭受严重的通货膨胀带来的痛苦，而美联储应该为此受到谴责。
回到那个时间点其实可以讲Chrome其实是谷歌和微软那波竞争里面的巨大功臣，它让谷歌有了自己的端和入口。”马西称，新冠疫情期间，美联储凭空往市场狂撒了数万亿美元，“通过债务货币化，美联储使美元贬值并实行宽松的货币政策，导致出现了我们今天所见到的高通胀情况。
在AI大模型的背景下，故事明显在被重演，只不过角色发生了互换，OpenAI变成了昔日的Google，而今天的Google则变成了昔日的微软。
这显然是过去所谓的入口之争的延续，但还有一部分在悄然发生变化，透视整个变化乃至未来的趋势，需要先从一个我称之为“智能规模效应”的底层逻辑开始。（也许可以翻译成：Intelligence Scale Effect，但真的是我杜撰的词）
这个效应的根基可以用一个简单的公式来概括：
智能的效能 = 大模型的智能水平 × 现实理解纵深
这个公式可以揭示了未来智能应用竞争的核心。
为了在竞争中获胜，仅仅拥有一个“更聪明”的大模型（即更高的“智能水平”）是远远不够的。”
据新华社报道，在全球新冠疫情暴发后，美联储再度开启了量化宽松政策，并以前所未有的力度向市场狂撒美元，借此对冲疫情对美国经济的影响。在美国，美联储为了大量增发货币，美国财政部就需要增发国债，再由美联储买入，这正是“债务的货币化”的表现。
“在白宫、美联储、财政部、国会、大型银行和华尔街机构的共同作用下，美国形成了债务货币化。
D | 而美联储推行的通胀政策实际上更有利于富人，但退休人员的储蓄却蒸发了。
E | 真正的胜负手在于第二个乘数：模型对现实世界“理解的纵深”。
F | ”马西称，如果真的想降低通胀，最有效的方法就是废除美联储。“如果没有美联储，我们会生活得更好。”他在社交平台“X”（即推特）上写道。
实际上，这不是首次有议员提出要《联邦储备委员会废除法案》。
并且越到后面后者越关键，甚至会影响前者的进化速度。
G | 1999年，得克萨斯州共和党众议员罗恩·保罗便提出了《联邦储备委员会废除法案》，在2006年的采访中，美国经济学家米尔顿·弗里德曼也表示“美联储该被废除”，其称自己一直赞同该废除美联储，并以计算机系统代之。
为了最大化最终的“效能”，我们将会看到，每一个投身于AI浪潮的公司，都将开始一场疯狂的、无休止的竞赛——一场旨在无限扩展自身数据边界的竞赛。
模型公司想明白了，都会向应用发展，向应用发展就几乎都会走到这里。
H |
在这里应用和模型是分不开的。
I |
在美国独立建国两百余年间，美国总共出现了3个央行。1791年，美国第一银行被国会授权成为美国的央行，以稳定该国当时的财政以及处理战争债务，授权期限为1791年到1811年。
解构“智能规模效应”
让我们首先拆解这个公式的两个关键组成部分。然而随着战争债务基本得到解决，再加之以托马斯·杰斐逊为代表的政治家认为联邦政府成立央行有“违宪”之嫌，许多人认为该国不再需要有央行的存在。为此，在1811年投票决定是否“续约”时，关于“美国第一银行续约”的提案因一票之差未能通过。
J |
1. 大模型的智能水平
这是AI的“基础智商”。
它由模型的架构、训练数据量、参数规模和计算资源共同决定。
K | 美国第一个央行就此停止运营。
L |
▲现任美联储主席鲍威尔 据ICphoto
1812年，美国爆发“第二次独立战争”，联邦债务再次增加，政府融资需求上升。
以OpenAI的GPT系列、Anthropic的Claude系列为代表的顶尖大模型，通过在数万亿Token的公共数据上进行预训练，获得了强大的通用能力，如语言理解、逻辑推理、知识储备和代码生成。在此情况下，舆论再次要求建立国家银行。1816年，国会授权美国第二银行成为美国第二个央行，授权年限仍为20年。
这是AI的“势能”。
它代表了模型理论上能达到的最高高度。
在过去的几年里，我们见证了这场“智能水平”的军备竞赛——参数从十亿级飙升至万亿级，模型能力不断突破想象。
M |
可往后想，核心是什么？
是谁能拿到更多的真实场景的全量数据。
大家应该还记得此前大家怎么认定智能水平上不去了吧？数据不够了。
所以大模型的下半场注定要回到数据。
在此期间，明确反对成立央行的安德鲁·杰克逊当选了美国总统。杰克逊1829年当选时，银行运营状态良好。时任行长尼古拉斯·比德尔在得知杰克逊有关闭央行的打算时，便开始动用银行资源对抗杰克逊，从而掀起了一场争斗，杰克逊最终削弱了央行功能。
不是和过去性质重复的数据，而是加入过去没纳入的维度的数据。
(自动驾驶场景下理解智能规模效应更容易）
2. 现实理解纵深
这是AI的“情境智商”。
如果说“智能水平”是AI的CPU，那么“现实理解纵深”就是它的RAM（内存）和I/O（输入/输出）系统。美国第二个央行在1836年授权期结束后，也停止了运营。它代表了模型在执行具体任务时，能够接触和理解的特定、实时、私有或专有数据的深度和广度。
在此后的近80年间，该国先后进入了“自由银行时代”（1837-1863）和“国民银行时代”（1863-1913），直到1913年美联储的出现。
N |
一个“智能水平”再高的模型，如果对正在处理的工作、你的私人日程、你公司的内部知识库一无所知，它就如同一个被锁在密室里的天才，空有智慧却无法施展。
它的“现实理解纵深”为零，导致最终的“智能效能”也趋近于零。在缺少央行的这数十年间，美国遭遇了多次经济危机，出现“银行恐慌”（即储户在无法提款后产生恐慌，导致银行挤兑）。
从美国近现代金融史来看，央行的存在具有一定的必要性。
“智能规模效应”的核心洞察在于：
在“智能水平”达到某个阈值后，决定应用成败的关键因素，将迅速从模型本身的智商转向它所能撬动的“现实数据”的规模。
数据的“圈地运动”
这会导致什么呢？
会导致新的圈地运动——数据圈地运动。但随着金融危机的出现，美联储的货币政策不可避免地招致批评，甚至被要求废除。
o |
ChatGPT Altlas可以看成是开始正式号角，直接怼到谷歌的腹地。
p | 专注于研究美国政策的智库“传统基金会”在2023年的分析中写道：“只要美联储在一天，美国经济就会在通胀和衰退中摇摆。
q | 美国历史上出现过不止一个央行，但最终都成了‘历史的灰烬’。”
美国舆论早在2012年的一篇文章中，就设想了如果没有美联储会出现的情况。
r | 首先，美国是全球市场的重要组成部分，若没有美联储，市场将会陷入混乱，因为大家不确定谁在管理美国利率和美国经济。
但其实这并不真是从这儿开始，而是由来已久：
表现一：从云端走向桌面与OS——抢占个人上下文
案例：OpenAI的ChatGPTAltlas和Anthropic的桌面端
这其实没啥好说的，就是端-云一体的路线。而按照保罗的设想，美国该回归至“金本位”，将美元与黄金重量挂钩。这一制度曾在历史上出现过，但美国已于1933年结束了“金本位”，并在1971年彻底让美元和黄金脱钩。
目标也简单，就是解决体验瓶颈，拿到更多数据，否则没法搞定网页版AI与用户工作流割裂的核心痛点——网页AI无法“看到”本地文档或应用，导致用户必须频繁复制粘贴，效能低下。
▲专家认为，美国回归“金本位”弊大于利 图据ICphoto
投资咨询公司“赫蒂财富合作伙伴”的分析师信息官大卫·阿布夫认为，若回归“金本位”弊大于利.“这种制度的确可以让物价长期处于稳定状态，但其会限制经济增长。
走向也是定的，所以哪天OpenAI推出OS也一点不稀奇。因为货币的供应量将受限于黄金的产量，可能没有足够的黄金来支撑美元。（Google弄安卓的翻版，并且效果更明显）
方式也统一。
s | ”如果既废除美联储，也不回归“本金位”，那财政部有可能充当美联储这一角色吗？有分析认为，现在的美联储独立于白宫和国会，若以后由财政部接替，其经济自主权很容易消失。
都是通过具备系统级权限的原生应用，在用户授权后，AI能直接“看到”屏幕内容、读取本地文件，从而理解完整的上下文。
t | 这与“失明”的Web版AI形成鲜明对比，后者局限于浏览器标签页内。
u |
美国佩斯大学卢宾商学院教授约翰·艾伦·詹姆斯则认为，有关要“废除美联储”的言论都是政治废话。
可以看一个典型的场景：设计师在Figma中可直接唤出桌面AI，指着某个元素提问：“帮我把这个按钮改成新拟物风并给出CSS代码。
v | ”AI因“看到”了全局设计，能给出精准建议，将原先5～10分钟的跨应用操作缩短至30秒内。“想要废除美联储几乎是不现实的。
当然，这种深度集成也带来了严峻的隐私和安全挑战，需要用户给予极高信任。这点后面说。”
。
这就是AI比你自己更了解你自己的开始。你记不住1年前的事的，理论上它可以。
表现二：从静态走向实时——拥抱动态世界
案例：Perplexity AI（AI搜索引擎）
成立于2022年、在2023～2024年间迅速崛起的Perplexity AI就是干这个的，它解决了两大痛点：传统LLM的知识“陈旧”，以及传统搜索引擎“只给链接不给答案”。
在当时他们是比较早的整“实时检索+LLM总结”（RAG）架构的。
当用户提问时，它先实时抓取最新网页信息（扩展现实理解纵深），再将其喂给大模型（如GPT-4）生成即时答案。
w | 这与Google（提供链接列表）和基础版ChatGPT（知识陈旧）形成鲜明对比。
现在这个变基本功能了。这事未来不一定有谱，没准就挂了。
不过也算成就了个产品，Perplexity在2024年初月活跃用户（MAU）突破1000万。用户在查询“昨晚的财报数据”时，其时效性和召回率远超静态LLM，极大节省了筛选时间。
其限制在于答案质量依赖信源，且双重成本高昂。
x |
表现三：从公共走向私有——深入企业知识库
案例：Microsoft 365 Copilot
微软面向其庞大的M365企业客户群全面推出了Copilot。
y | 它旨在解决企业内部最大的痛点：数据孤岛。员工的知识沉淀在Outlook、Teams、SharePoint等应用中，传统工具无法融会贯通。
Copilot的集成核心是Microsoft Graph。
以前我们老贴下面这图：
这个Graph索引了企业所有的私有数据（构成了“现实理解纵深”），并将其与Copilot的“高智能水平”相结合。当员工提问（如“总结A项目上周进展并起草周报”）时，Copilot能实时检索邮件、聊天和文档，生成精准报告。这是任何“公共”AI助手或传统内部搜索都无法比拟的。
这也是拉通端-云。
据说用户在总结会议等任务上速度提升近4倍，平均每周节省1.2小时。
z |
表现四：从数字走向物理——万物互联的终局（展望）
这场边界扩展的终点，必然是从数字世界走向物理世界。
可穿戴设备（如智能眼镜、AI Pin）和物联网（IoT） 设备，是扩展“智能规模效应”的终极形态。
奥特曼老勾搭做硬件的，就是这事。
试想，一个AI助手如果能通过你眼镜上的摄像头“看到”你正在看的景象，通过麦克风“听到”你正在进行的对话，它的效能将是何等强大？它可以实时为你翻译菜单，提醒你识别刚见面的客户，甚至在你修理器械时提供逐步指导。
这显然引发其它问题，但我真的在活动上听到过，大家探讨整个麦克风把自己每天活动都录下来然后做分析的事。
至少当事人本身不排斥，只是说周围的人可能排斥。
为何这场竞争比以往更激烈？
“智能规模效应”所引发的竞赛，其激烈程度和“赢家通吃”的效应，很可能将远远超过PC互联网和移动互联网时代。
在互联网时代，竞争的核心是“注意力”。
|
平台通过内容和服务（如搜索、社交、视频）来争夺用户的屏幕停留时间。虽然也存在网络效应，但用户的“迁移成本”相对可控——我今天可以用Google，明天也可以切换到Bing；我可以在微信上发文，也可以在微博上发言。
这时候性质完全不同的东西：搜索、IM等，它是并行的各玩各的网络效应。
但在智能时代，竞争的核心已经转变为“上下文（Context）”，即我们公式中的“现实理解纵深”。
|
这是一个本质的区别。
加上大模型的智能的通用性，会让这个本质区别的影响放大到无以复加的程度。
一旦某个AI应用成功地深度嵌入你的个人或企业工作流——它理解了你所有的本地文件（如XX桌面端）、掌握了你公司所有的私有知识库（如Copilot）、或是接入了你的实时物理世界（如未来的智能眼镜）——它所积累的“现实理解纵深”将构成一道无与伦比的护城河。
搜索和IM的竞争的弱竞争，上面这种竞争是搜索和搜索的竞争，是强竞争。
所以越往后AI的应用越是：软硬产品千重浪，遍地英雄起硝烟。
|
过去真有高度粘性的是网络效应。
操作系统、微信是很难换的，别的么，换换其实没啥问题。
|
京东买还是天猫买东西，有啥粘性。
但接下来高粘性的无形蛛丝可能再来一个：
你无法轻易地将积累在一个AI助手里的、对你个人习惯和私有数据的深度理解，“导出”并“导入”到另一个AI助手中。更换AI助手的成本，可能等同于对一个新员工进行“从零开始”的漫长培训。
企业的核心是知识，上面这模式整到后面，换产品相当于把员工都换一批，知识清零重来。
又因为通用智能的无边界的特质，数字空间大厂间这场竞赛的终局将更趋向于“零和博弈”。用户（无论是个人还是企业）最终很可能会选择一个“主AI”，并将其数据边界最大化。这导致了竞争的空前加剧：
谁最先占领了用户的核心数据源，谁就几乎锁定了胜局。
|
效能与信任的“大博弈”
这里面，还有个变量，就是用户的权重到底有多高。
说来滑稽，在微信告诉扩展的时候用户虽然全体最关键，但个体其实最不关键。
就拿红包和运营各种拉，和割韭菜差别差不多。
“智能规模效应”驱动的这场数据边界扩展，则在这里带来了一个新挑战：隐私与信任。
当AI为了“更懂你”而疯狂地扩展其数据边界时，它不可避免地会触及用户的隐私红线。
● 你是否愿意让AI读取你所有的本地文件，只为在写报告时给你提供更好的建议？
● 你是否愿意让AI分析你所有的聊天记录，只为更精准地预测你的需求？
● 企业是否愿意将最核心的商业机密交给一个AI系统，只为换取更高的运营效率？
这就是未来的核心矛盾。
| 用户对“效能”的渴望是无限的，但对“隐私”的担忧也是真实的。
隐私究竟能不能对冲效能！
因此，这场竞赛的下半场，将不仅仅是关于谁能抓取更多的数据，更是关于谁能以一种更可信、更安全的方式来处理这些数据。
小结
要选，我会把“智能规模效应”（智能效能 = 大模型智能水平 × 现实理解纵深）选做AI时代应用的第一性原理。
|
它明确指出，AI的未来不在于构建一个无所不知的“数字上帝”，而在于构建无数个“深度嵌入”现实的专业助手。
OpenAI的ChatGPTAltlas还只是这场宏大竞赛的序幕。
真正的战场，就在于对“现实理解纵深”的无尽追求。
我个人希望最终的胜利者，将是那些不仅能最大化这个公式的乘积，更能在此过程中，赢得用户最终信任的人。
本文来自微信公众号：琢磨事，作者：李智勇。
Current article:http://rqba.caihezhehuagenshun.sbs/53dsv8/20260826/7381178.html
Published on:20:42:22
发表于 16:42:37 
QQ好友和群
QQ空间
腾讯微博
腾讯朋友
收藏
支持
反对
发表于 18:38:58 
