发动AI竞赛的Anthropic呼吁“慢一点” 硅谷和华尔街同意吗？

作者：周艾琳，腾讯财经

把AI竞赛推向高潮的公司，开始呼吁“慢一点”。近期，Anthropic CEO 阿莫代（Dario Amodei）更是公开呼吁“为前沿AI放慢步伐”，并获得OpenAI CEO奥特曼（Sam Altman）、特斯拉CEO马斯克（Elon Musk）等人不同程度的背书，这一表态重创全球AI基建板块，部分明星AI概念股两日跌幅就突破10%。 

但AI基建的狂飙突进，例如芯片、服务器和数据中心的投资，早已建立在一个高速增长的预期之上：模型会越来越强，客户会越来越多，消耗的Token也会持续增加。

此外，安全对齐问题时不时也被推至风口浪尖。安全评估需要时间，资本却要计算回报。一个问题随之摆到投资者面前：如果模型研发和商业化的节奏改变，已经投入的算力能否被充分消化，后续的基建投资又是否需要重新安排？

企业客户也在重新算账。一些原本交给昂贵模型的任务，正被转交给更便宜的模型，或通过优化流程减少调用。过去，Token消耗增长被视为需求旺盛的信号；如今，投资者需要追问，其中有多少对应真实、持续的业务需求，又有多少会在企业控制成本时被削减。对模型公司，这是收入增长能否延续的问题；对芯片和云厂商，则要看新增使用量能否抵消效率提升带来的需求变化。

真相是什么？一线业内人士究竟怎么看？对此，腾讯财经调研了来自华尔街、硅谷的多位AI基建投资人和模型开发从业者。

“呼吁模型减速”早非新闻

“‘呼吁模型减速’对我们在硅谷的人来说早就不是新闻了。7月14日， Alphabet 首席科学家Demis Hassabis就已经发长文讨论，谷歌应该率先建立更严格的前沿 AI评估机制。而且一个很容易被市场忽略的点是，模型公司不发布新模型，不代表它们不训练。训练周期和产品发布周期本来就是两回事，超过50%的算力仍在用于下一代模型和AGI研究。”

“Anthropic仍在大规模扩充训练和部署基础设施，这很难和‘停止AI基础设施投资’画等号。”

她提及，英伟达CEO黄仁勋的表态也很有意思。他说不会让AI slowdown（AI放缓）发生。

“我觉得行业现在讨论的并不是‘AI还要不要发展’，而是前沿能力发展的速度和安全治理应该怎么匹配。”

“呼吁模型减速没什么用。 潘多拉魔盒已经打开了， 加上中美在AI 竞争都不允许输， 这种减速也就是呼吁而已。 ”美国资深投资人、Voyager Capital 创始合伙人陈培基博士对腾讯财经称。

无独有偶，华尔街投行高盛也表示，最终被迫缩减的支出规模可能相当有限。从另一个角度看，那些站在技术最前沿的人之所以呼吁放慢，恰恰因为他们亲眼见证了技术进步的惊人速度——这本身就是对AI技术能力最有力的背书。

“安全对齐”短期难迎头赶上

减速的呼吁可能只是一句口号，但更多业内人士认为，安全对齐倒是真正关乎人类未来。

“安全对齐至关重要。”陈培基表示，“可惜现在中美在激烈竞争中都已杀红眼了。 短期不可能看到政府在模型发展的全链条上介入监管。 估计要到真有几件对社会造成严重影响的事件出现，政府才会被迫开始强监管措施。”

原Hugging Face工程师、独立AI研究人士王铁震对腾讯财经称，有效的监管在单一司法辖区内往往就需要数年时间，而要在全球范围内实现统一监管，则需要更长时间。我们当然必须推动建立国际标准，但监管框架推进得太慢，难以应对眼下迫在眉睫的威胁。

“在我看来，目前最紧迫的前沿风险是网络安全。”王铁震认为，如果前沿模型已具备发动大规模网络攻击的能力，那么留给我们采取行动的时间正在迅速缩短。

事实上，绝大多数企业的IT系统都还没做好准备，而近期Hugging Face遭遇的安全漏洞事件，只是一个较早出现的公开警告。如果自主智能体继续突破沙箱限制，并开始攻击DNS网络等关键数字基础设施，其后果可能在全球范围内造成灾难性的影响。

正因为监管存在滞后，透明度必须成为我们当下最优先考虑的问题。在这方面，前沿AI实验室肩负着全球性的责任。

王铁震认为，它们应当向严格的第三方审计以及更广泛的公众监督开放其系统，让我们真正了解目前这些模型究竟发展到了什么程度。与开放权重模型相比，前沿模型在很大程度上仍是一个“信息黑洞”。

此外，我们还需要提高对大语言模型本身的透明度和可解释性——不仅需要知道一个系统得出了什么答案，还需要知道它为什么会得出这个答案。这涉及模型的训练方法、数据来源与流转过程（data lineage），甚至模型架构本身——既包括研究层面，也包括工程层面。

在业内人士看来，充分的可见性能够让研究人员在模型训练过程中就发现并消除恶意行为，而不是等到模型完成训练后，再依赖脆弱的安全过滤机制进行补救。

当然，这一切要践行起来仍任重道远。

对AI投资意味着什么？

在减速论的冲击下，AI投资主题暴跌。那么这一切对未来的AI投资意味着什么？

就目前而言，华尔街和硅谷投资人普遍认为，市场焦虑过度。

“关于AI投资回报的担忧每隔几个月就冲顶一次，市场来一波闪崩，华尔街很难理解AI超级周期的本质——但这对我们反而是机会。"Christina称。

无独有偶，高盛最新提及：“微软、Meta和中国科技公司突然停止投入的可能性极低，更现实的结局是引入独立评估机构对模型开发进行背书，并建立更严格的安全门槛。安全与对齐方面的担忧确有其真实依据，但‘AI真的有效’这一信号，已经内嵌在警告本身之中——市场反应过度。”

事实上，在圈内人看来，比起“AI减速”的呼吁，对于投资判断更关键也更有迹可循的趋势是——Token Maxxing（token最大化）变成了Value Maxxing（价值最大化），企业第一次开始系统性地管理 AI 成本。

在这一趋势下，Christina认为，对前沿模型试验室而言，真正要重新思考的，不是 OpenAI、Anthropic 会不会被开源取代，而是市场是否需要重估它们的 ARR（年化经常性收入） 增长假设。

一个直白的判断：Anthropic 上半年的高增长里，有一部分来自“拿最贵的模型干杂活”——用 Opus 级模型跑非前沿任务。

下半年，这些任务要么被 Token Optimization（token优化） 砍掉，要么被路由给便宜模型。昂贵模型仍承担最高价值的任务，但收入增长将更多依赖高价值推理，而不是所有 token 同步膨胀。

对半导体环节而言，投资人反而更乐观。担心token优化压制 GPU 需求的人，忽略了杰文斯悖论（Jevons Paradox）：单位成本下降不会减少总消耗，反而会扩大总需求。便宜的模型会把 AI推向主流。更何况，中国缺算力，这些开源模型最终仍要托管在算力充裕的地方。

同时，行业重心会从训练逐渐转向推理，但 GPU、HBM、高速网络、先进封装仍是AI基建里确定性较高的方向。一个不可忽视的细节是：像 Kimi K3 这样的巨型开源模型，只有最高 HBM 密度的机架才装得下——开源模型越大，存储厂商越开心。

就云基础设施来看，云厂商未来比拼的不再只是有多少 GPU，而是谁能帮客户以更低成本完成推理——推理效率、模型部署、调度能力和 TCO （总体拥有成本）会越来越重要。中国模型的部署，实际上在增加而不是减少云端算力需求。

Christina认为，未来最大的机会正在从模型层转向应用层和调度层。模型逐渐商品化，而能帮企业自动选模型、优化成本、提升 ROI 的平台价值反而在上升，包括：Routing（路由）、Inference Infra（推理基建）、Agent 编排等。

整体而言，圈内AI从业者和投资人甚至对AI主题更为乐观，只不过AI 的竞争范式已经发生变化，各界开始更关注安全，更注重效率，即“Intelligence per Dollar”（每美元有效智能）。未来一年的AI演进无疑将更有看头。