WEBVTT
Kind: captions
Language: zh-Hans

00:00:00.000 --> 00:00:01.766
一个不会聊天的AI模型

00:00:01.766 --> 00:00:03.833
很可能威胁两家大模型巨头？

00:00:03.833 --> 00:00:05.500
一个完全不会写文章、

00:00:05.500 --> 00:00:06.866
不会陪你聊天

00:00:06.866 --> 00:00:09.600
甚至连一句完整对话都懒得生成的 AI

00:00:09.600 --> 00:00:11.666
最近竟然成了矽谷最火、

00:00:11.666 --> 00:00:13.400
大家抢著用的新模型！

00:00:13.400 --> 00:00:14.766
这个模型叫 Jev

00:00:14.766 --> 00:00:16.700
大家熟悉的 ChatGPT 或者

00:00:16.700 --> 00:00:17.100
Claude

00:00:17.100 --> 00:00:18.233
都在比谁更聪明、

00:00:18.233 --> 00:00:19.366
回答更像真人

00:00:19.366 --> 00:00:20.966
但 Jev 完全反过来

00:00:20.966 --> 00:00:22.100
它只做三件事：

00:00:22.100 --> 00:00:22.900
判断真假、

00:00:22.900 --> 00:00:23.733
做出选择、

00:00:23.733 --> 00:00:24.400
打个分数

00:00:24.400 --> 00:00:26.300
听起来是不是弱得有点可笑？

00:00:26.300 --> 00:00:28.500
但它上线 Vercel 平台之后

00:00:28.500 --> 00:00:32.200
短短 24 小时内就被接近 13% 的付

00:00:32.200 --> 00:00:33.600
费团队直接采用

00:00:33.600 --> 00:00:36.166
打破了所有新模型的历史纪录！

00:00:36.166 --> 00:00:38.000
而且价格便宜到夸张

00:00:38.000 --> 00:00:41.100
每 100 万个词元输入只要 0.04 美元

00:00:41.100 --> 00:00:42.866
输出甚至完全免费

00:00:42.866 --> 00:00:44.700
这件事真正可怕的点

00:00:44.700 --> 00:00:47.000
是公司突然看清了一件事：

00:00:47.000 --> 00:00:49.400
过去大笔大笔花在 OpenAI 和

00:00:49.400 --> 00:00:51.366
Anthropic 旗舰模型身上的钱

00:00:51.366 --> 00:00:53.166
很多根本都白花了！

00:00:53.300 --> 00:00:54.700
像客服要不要退款？

00:00:54.700 --> 00:00:56.533
这笔交易是不是诈骗？

00:00:56.533 --> 00:00:58.300
履历能不能过关？

00:00:58.833 --> 00:01:01.733
这些工作根本不需要一篇文采斐然的作文

00:01:01.733 --> 00:01:03.200
只需要一个极速、

00:01:03.200 --> 00:01:03.966
超便宜

00:01:03.966 --> 00:01:06.100
又能直接让程式执行的判断

00:01:06.100 --> 00:01:09.533
如果海量工作开始转向这种极便宜的小模型

00:01:09.533 --> 00:01:11.666
那大模型巨头OpenAI 和

00:01:11.666 --> 00:01:13.766
Anthropic 的收入还能不能暴增？

00:01:13.766 --> 00:01:16.333
市场给它们逼近一两兆美元的估值

00:01:16.333 --> 00:01:18.766
是不是踩在一个正在松动的假设上？

00:01:18.766 --> 00:01:21.966
Jev的出现有没有可能影响你手里的辉达、

00:01:22.000 --> 00:01:23.266
博通跟超微？

00:01:23.266 --> 00:01:26.733
今天 Yuki 就带大家把这笔帐彻底算清楚！

00:01:29.933 --> 00:01:30.933
首先我们要搞清楚

00:01:30.933 --> 00:01:33.166
Jev 既不是缩小版的 ChatGPT

00:01:33.166 --> 00:01:35.366
也不是什么打折版的 Claude

00:01:35.366 --> 00:01:37.366
开发它的 TypeSafe AI 把它叫

00:01:37.366 --> 00:01:38.466
做「系统一模型」

00:01:38.466 --> 00:01:40.833
这个概念来自心理学家康纳曼：

00:01:40.833 --> 00:01:42.300
指的是那种快速、

00:01:42.300 --> 00:01:43.033
凭直觉、

00:01:43.033 --> 00:01:44.833
几乎不用花时间思考的反应

00:01:44.833 --> 00:01:46.633
平常大家用的语言模型

00:01:46.633 --> 00:01:48.933
比较像是一位很会写报告的顾问

00:01:48.933 --> 00:01:49.933
你问它问题

00:01:50.000 --> 00:01:51.766
它一个字一个字慢慢打出来

00:01:51.766 --> 00:01:53.633
你的系统拿到这段话之后

00:01:53.633 --> 00:01:55.933
还要专门写程式去拆解文字、

00:01:55.933 --> 00:01:56.733
确认格式

00:01:56.733 --> 00:01:58.833
才能决定下一步要干嘛

00:01:58.833 --> 00:02:00.966
但 Jev 走的是完全不同的路

00:02:00.966 --> 00:02:02.900
你先把选项准备好

00:02:02.900 --> 00:02:04.800
直接让它做单选或复选

00:02:04.800 --> 00:02:06.733
比如一张客服工单进来

00:02:06.733 --> 00:02:08.300
系统可以直接问它：

00:02:08.300 --> 00:02:10.433
这位客户是不是在要求退款？

00:02:10.433 --> 00:02:12.366
答案只有「真」或「假」

00:02:12.766 --> 00:02:14.866
这张单子的紧急程度给个分数？

00:02:14.866 --> 00:02:18.033
这个问题该转给技术部还是客服部？

00:02:18.033 --> 00:02:20.233
Jev 会直接给出决定和机率

00:02:20.233 --> 00:02:22.733
程式拿到资料就能立刻执行

00:02:22.733 --> 00:02:25.966
根本不用从一大堆文字里猜它到底想表达什么

00:02:25.966 --> 00:02:26.966
你可能会想：

00:02:26.966 --> 00:02:28.700
把回答限制得这么死

00:02:28.700 --> 00:02:30.533
AI 不就失去灵魂了吗？

00:02:31.000 --> 00:02:33.466
这跟传统程式写死逻辑有什么不一样？

00:02:33.466 --> 00:02:34.833
其实完全不同！

00:02:35.333 --> 00:02:38.166
传统程式需要你把每种文字情境都写清楚

00:02:38.166 --> 00:02:40.766
但 Jev 能看懂人类五花八门的用语

00:02:40.766 --> 00:02:42.633
又能直接产出结构化的结果

00:02:42.633 --> 00:02:46.266
普通聊天模型就像每次都要写完整报告的专家

00:02:46.266 --> 00:02:49.066
而 Jev 就像机场的自动分流闸门

00:02:49.066 --> 00:02:50.466
它不会跟你聊人生

00:02:50.466 --> 00:02:52.166
但可以在几百毫秒内

00:02:52.166 --> 00:02:54.466
决定每一位旅客该走哪条通道

00:02:54.466 --> 00:02:55.666
官方资料显示

00:02:55.666 --> 00:02:57.800
Jev 完成一次判断只需要 70 到

00:02:57.833 --> 00:02:58.466
500 毫秒

00:02:58.466 --> 00:03:00.100
在官方的测试流程里

00:03:00.100 --> 00:03:03.166
它比传统大模型最高快了约 194 倍

00:03:03.166 --> 00:03:05.233
便宜了约 445 倍！

00:03:05.233 --> 00:03:05.833
也就是说

00:03:05.833 --> 00:03:07.833
Jev 追求的不是讲话多漂亮

00:03:07.833 --> 00:03:10.066
而是让软体能用极低的成本、

00:03:10.066 --> 00:03:11.566
极高的频率去打考绩、

00:03:11.566 --> 00:03:12.300
做决定

00:03:12.300 --> 00:03:14.066
这也是它突然爆火的原因

00:03:14.066 --> 00:03:17.166
工程师不是突然觉得它比 GPT 更聪明

00:03:17.166 --> 00:03:20.366
而是终于拿到了一个可以完美塞进软体流程里

00:03:20.366 --> 00:03:21.833
的超级省钱工具

00:03:21.833 --> 00:03:24.166
那是不是代表它又快又便宜

00:03:24.166 --> 00:03:25.600
就能一路横扫市场、

00:03:25.600 --> 00:03:27.733
把其他模型通通淘汰掉呢？

00:03:27.733 --> 00:03:28.766
那可不一定！

00:03:28.766 --> 00:03:31.166
我们可不能直接把它吹成大模型杀手

00:03:31.166 --> 00:03:32.533
在一些中文测试里

00:03:32.533 --> 00:03:34.800
Jev 在分类与判断上的准确率

00:03:34.800 --> 00:03:37.133
其实并没有碾压其他便宜模型

00:03:37.133 --> 00:03:38.533
甚至有测试发现

00:03:38.533 --> 00:03:40.933
只要多花一点点钱换成 MiniMax

00:03:41.000 --> 00:03:43.266
正确率就能高出大约 10 个百分点

00:03:43.266 --> 00:03:44.900
听到这里你可能会怀疑：

00:03:44.900 --> 00:03:46.466
既然准确率没有顶尖

00:03:46.466 --> 00:03:47.800
大家为什么还抢著用？

00:03:47.800 --> 00:03:49.933
因为 Jev 真正的卖点在于：

00:03:49.933 --> 00:03:52.700
当企业面对海量的简单判断时

00:03:52.700 --> 00:03:55.433
可以接受稍微低一点点的能力

00:03:55.433 --> 00:03:57.833
去换取极致的速度和极低的成本；

00:03:57.833 --> 00:03:59.966
真的遇到搞不定的复杂问题

00:03:59.966 --> 00:04:01.466
再转交给 Claude、

00:04:01.466 --> 00:04:03.166
GPT 或者人工来处理

00:04:03.166 --> 00:04:05.566
这就是它最值得投资人注意的地方

00:04:05.733 --> 00:04:08.633
它没有证明小模型全面赢过大模型

00:04:08.633 --> 00:04:09.966
却向全世界证明了：

00:04:09.966 --> 00:04:11.166
大量 AI 任务

00:04:11.166 --> 00:04:14.500
根本不需要每次都去呼叫最昂贵的旗舰模型！

00:04:14.500 --> 00:04:16.833
而当企业开始重新分配这些任务

00:04:16.833 --> 00:04:18.566
真正被动到蛋糕的

00:04:18.566 --> 00:04:20.266
很可能就是 OpenAI 和

00:04:20.266 --> 00:04:22.200
Anthropic 的收费模式了

00:04:26.100 --> 00:04:27.200
讲完工作原理

00:04:27.300 --> 00:04:28.933
我们直接来算企业的财务帐

00:04:29.333 --> 00:04:32.533
假设一家公司每天要处理 100 万张客服工单

00:04:32.766 --> 00:04:33.666
过去的做法

00:04:33.666 --> 00:04:36.366
是把整张工单丢给最强的大模型

00:04:36.566 --> 00:04:37.866
让它去理解意思、

00:04:37.933 --> 00:04:38.566
分类问题、

00:04:38.900 --> 00:04:39.600
评估风险

00:04:39.833 --> 00:04:41.500
最后再写出一段回复

00:04:41.866 --> 00:04:43.166
这就像客人一进餐厅

00:04:43.266 --> 00:04:45.333
你就让行政主厨亲自出来接客、

00:04:45.433 --> 00:04:45.833
点菜、

00:04:45.966 --> 00:04:46.366
洗菜、

00:04:46.533 --> 00:04:46.900
切菜

00:04:47.166 --> 00:04:48.633
最后再亲自端盘子

00:04:48.866 --> 00:04:49.733
效果当然很好

00:04:49.966 --> 00:04:51.833
但帐单也绝对非常惊人

00:04:51.833 --> 00:04:53.233
现在的新做法

00:04:53.233 --> 00:04:56.566
是先用 Jev 这类快速模型在前面分流

00:04:56.733 --> 00:04:58.300
是不是垃圾讯息？

00:04:58.533 --> 00:04:59.500
是不是要退款？

00:04:59.766 --> 00:05:00.633
风险高不高？

00:05:00.966 --> 00:05:03.266
这些基础问题先交给便宜模型处理

00:05:03.733 --> 00:05:04.966
只有遇到真正复杂、

00:05:04.966 --> 00:05:06.933
需要推理或者写长文的情境

00:05:07.100 --> 00:05:08.833
才升级给 GPT 或 Claude

00:05:08.966 --> 00:05:09.766
你可能会好奇：

00:05:10.033 --> 00:05:12.400
反正最后还是要用到 GPT 或 Claude

00:05:12.433 --> 00:05:13.266
这样拆开来做

00:05:13.266 --> 00:05:14.766
真的能省下大钱吗？

00:05:15.100 --> 00:05:16.533
省下的钱不是一点点

00:05:16.633 --> 00:05:18.533
而是会直接砍半再砍半！

00:05:18.533 --> 00:05:19.500
你想想看

00:05:19.766 --> 00:05:21.466
同一张工单依然用了 AI

00:05:21.866 --> 00:05:24.000
甚至使用的次数还变多了

00:05:24.033 --> 00:05:27.400
但真正落到高价旗舰模型手里的工作比例

00:05:27.533 --> 00:05:28.700
却大幅下降了！

00:05:28.966 --> 00:05:31.233
过去处理一个流程可能要花 100 块呼叫

00:05:31.233 --> 00:05:32.033
高阶模型；

00:05:32.333 --> 00:05:34.633
现在大部分前置判断交给便宜模型

00:05:34.866 --> 00:05:37.533
总成本可能被压缩到只剩原本的一小部分

00:05:37.866 --> 00:05:38.766
昂贵的模型

00:05:39.033 --> 00:05:40.766
从原本包办所有杂事的人

00:05:41.033 --> 00:05:44.200
变成了只有遇到难题才出场的特约专家

00:05:44.566 --> 00:05:45.400
对公司来说

00:05:45.600 --> 00:05:47.066
这当然是省钱的大好消息

00:05:47.066 --> 00:05:48.366
但对 OpenAI 和

00:05:48.366 --> 00:05:49.233
Anthropic 来说

00:05:49.433 --> 00:05:50.633
问题可就大了！

00:05:50.633 --> 00:05:53.566
它们砸了几百亿美元去训练下一代模型

00:05:53.766 --> 00:05:56.466
就是赌市场愿意为更高的智慧付高价

00:05:56.833 --> 00:05:58.333
但现在这种分流机制

00:05:58.333 --> 00:06:00.200
直接把这个算盘给拆了

00:06:00.533 --> 00:06:02.433
企业依然需要 GPT 和 Claude

00:06:02.433 --> 00:06:04.933
但不再愿意让它们包办所有杂事

00:06:05.133 --> 00:06:07.166
这会带来三个非常直接的冲击：

00:06:07.533 --> 00:06:07.933
首先

00:06:08.133 --> 00:06:10.166
模型之间的价格战会变得非常残酷

00:06:10.433 --> 00:06:13.066
当简单工作可以随时被便宜模型接走

00:06:13.333 --> 00:06:16.033
旗舰模型就再也无法只靠品牌卖高价

00:06:16.033 --> 00:06:17.566
它必须不断证明：

00:06:17.766 --> 00:06:18.400
多收的钱

00:06:18.400 --> 00:06:20.600
真的能换来不可替代的结果

00:06:20.900 --> 00:06:21.700
更可怕的是

00:06:22.066 --> 00:06:24.066
使用量会跟收入彻底脱钩

00:06:24.633 --> 00:06:26.733
AI 每天处理的任务量又翻倍了

00:06:26.933 --> 00:06:30.200
但这并不代表大模型公司收到的钱也翻倍了

00:06:30.533 --> 00:06:33.333
如果新增的呼叫全发生在低价模型上

00:06:33.433 --> 00:06:34.966
就跟手机行动网路一样

00:06:35.200 --> 00:06:36.333
大家流量用得再多

00:06:36.466 --> 00:06:39.233
电信公司每个月能收的月租费也不会变多

00:06:39.600 --> 00:06:40.033
最后

00:06:40.266 --> 00:06:43.233
大模型的地位可能从「平台」降级成「高阶供

00:06:43.233 --> 00:06:43.600
应商」

00:06:43.600 --> 00:06:45.766
原本所有流量都经过大模型

00:06:45.900 --> 00:06:47.666
规则跟定价由它说了算

00:06:47.866 --> 00:06:50.666
但如果路由系统成了决定「这一次该叫哪个模

00:06:50.666 --> 00:06:51.266
型」的大脑

00:06:51.566 --> 00:06:53.300
真正控制订单分配权的人

00:06:53.300 --> 00:06:54.833
就变成了这个分流层！

00:06:55.233 --> 00:06:55.966
今天用 Jev

00:06:56.066 --> 00:06:58.233
明天只要有更便宜的就随时换掉

00:06:58.533 --> 00:07:00.966
企业对单一模型根本没有忠诚度可言

00:07:01.233 --> 00:07:01.866
说白了

00:07:02.033 --> 00:07:04.366
小模型真正抢走的不是聊天的使用者

00:07:04.566 --> 00:07:05.533
而是 OpenAI 和

00:07:05.533 --> 00:07:06.866
Anthropic 原本算好的、

00:07:07.166 --> 00:07:10.566
那一张张可以靠旗舰模型统一收费的企业大帐单！

00:07:10.566 --> 00:07:11.466
问题是

00:07:11.700 --> 00:07:13.566
OpenAI和Anthropic早在

00:07:13.566 --> 00:07:14.566
Jev出现之前

00:07:14.833 --> 00:07:16.566
就已经押注旗舰模型

00:07:16.733 --> 00:07:18.433
投入巨额资金买晶片、

00:07:18.633 --> 00:07:19.566
签算力合约

00:07:20.000 --> 00:07:20.400
如今

00:07:20.433 --> 00:07:23.366
Jev代表的轻量模型与智慧路由开始重新分

00:07:23.366 --> 00:07:24.233
配AI任务

00:07:24.466 --> 00:07:26.300
这些既有的重资产投入

00:07:26.466 --> 00:07:28.333
究竟会变成难以回收的成本

00:07:28.533 --> 00:07:31.466
还是继续支撑两家公司的兆美元估值？

00:07:35.333 --> 00:07:38.866
我们来看看市场砸了多少钱在这两家公司身上

00:07:38.933 --> 00:07:41.633
OpenAI 今年完成了一轮规模空前的融资

00:07:41.933 --> 00:07:44.233
承诺资金约 1220 亿美元

00:07:44.500 --> 00:07:47.500
投后估值直接冲到约 8520 亿美元！

00:07:47.833 --> 00:07:48.933
根据公开报导

00:07:49.033 --> 00:07:52.233
它最新的年化收入速度大约是 400 亿美元

00:07:52.566 --> 00:07:53.833
Anthropic 更是惊人

00:07:53.933 --> 00:07:56.333
今年 5 月完成 650 亿美元融资

00:07:56.600 --> 00:07:58.966
估值被推到约 9650 亿美元

00:07:59.366 --> 00:08:00.100
到了 7 月底

00:08:00.233 --> 00:08:03.133
多家媒体报导它的年化收入速度已经超过

00:08:03.133 --> 00:08:04.333
650 亿美元

00:08:04.600 --> 00:08:07.200
最近甚至有消息说这个数字正在冲向

00:08:07.200 --> 00:08:08.133
1000 亿美元！

00:08:08.500 --> 00:08:10.033
而且它正在筹备上市

00:08:10.233 --> 00:08:13.033
市场传出最高可能募资 1000 亿美元

00:08:13.366 --> 00:08:15.733
估值甚至叫价到接近 2兆美元！

00:08:16.100 --> 00:08:17.100
看到这些数字

00:08:17.200 --> 00:08:17.866
你可能会想：

00:08:18.133 --> 00:08:19.633
既然收入成长得这么猛

00:08:19.900 --> 00:08:21.233
卖算力又供不应求

00:08:21.533 --> 00:08:23.933
这种几兆美元的估值不是很合理吗？

00:08:24.266 --> 00:08:27.133
但大家可千万别被这些营收数字给骗了！

00:08:27.433 --> 00:08:28.066
营收成长

00:08:28.066 --> 00:08:31.800
可完全不等于股东最后能拿进口袋的真金白银啊！

00:08:31.833 --> 00:08:34.300
大模型这门生意最让人头痛的地方

00:08:34.433 --> 00:08:36.266
就是它每多服务一个客户

00:08:36.400 --> 00:08:38.100
背后都要砸更多 GPU、

00:08:38.333 --> 00:08:39.533
建更多资料中心、

00:08:39.633 --> 00:08:40.533
吃更多电

00:08:40.666 --> 00:08:42.833
还要花天价去训练下一代模型

00:08:43.200 --> 00:08:45.200
像 Anthropic 今年 2 月的融资里

00:08:45.333 --> 00:08:46.866
微软和辉达投进来的钱

00:08:47.033 --> 00:08:49.133
其实直接跟 Anthropic 向微软购

00:08:49.133 --> 00:08:52.100
买大约 300 亿美元算力的承诺绑在一起

00:08:52.566 --> 00:08:54.433
这个循环大家一定要看清楚：

00:08:54.733 --> 00:08:56.733
云端与晶片巨头投资模型公司

00:08:56.733 --> 00:09:00.100
模型公司再把这些钱拿回头去买晶片和算力

00:09:00.366 --> 00:09:01.833
营收看起来飙得很快

00:09:02.033 --> 00:09:03.800
但算力开销飙得更快！

00:09:04.233 --> 00:09:05.233
而 Jev 的出现

00:09:05.500 --> 00:09:08.600
恰好刺中了这个估值模式最脆弱的神经

00:09:09.133 --> 00:09:11.333
市场之所以敢给出几万亿美元的估值

00:09:11.566 --> 00:09:14.000
背后假设的前提不只是「大家会用 AI」

00:09:14.400 --> 00:09:17.500
而是「大家会持续花高价买旗舰模型的算力」

00:09:17.800 --> 00:09:21.200
那如果未来的架构变成了「便宜模型处理九成判断

00:09:21.433 --> 00:09:23.233
昂贵模型只处理一成难题」

00:09:23.600 --> 00:09:25.433
这套原本算得好好的收费模型

00:09:25.433 --> 00:09:26.933
不就直接塌掉了一半吗？

00:09:27.033 --> 00:09:30.433
这就让大模型公司直接撞上两道难以跨越的财

00:09:30.433 --> 00:09:30.966
务大墙：

00:09:31.233 --> 00:09:31.966
第一道墙

00:09:32.233 --> 00:09:33.600
是你的收入成长速度

00:09:33.766 --> 00:09:35.400
到底能不能跑赢资本开支？

00:09:35.800 --> 00:09:37.700
如果公司营收成长了 50%

00:09:38.000 --> 00:09:41.266
但为了支持这些营收所砸进去的算力成本却成

00:09:41.266 --> 00:09:42.200
长了 70%

00:09:42.700 --> 00:09:43.633
那规模越大

00:09:43.833 --> 00:09:45.300
离真正赚钱反而越远！

00:09:45.600 --> 00:09:46.133
第二道墙

00:09:46.133 --> 00:09:47.566
是呼叫量暴增之后

00:09:47.700 --> 00:09:49.733
每一次呼叫到底还值多少钱？

00:09:50.000 --> 00:09:51.333
如果大家用得越来越多

00:09:51.533 --> 00:09:53.033
但因为竞争跟分流

00:09:53.033 --> 00:09:55.266
单价跟毛利率持续下滑

00:09:55.400 --> 00:09:57.400
那看似漂亮的营收数字

00:09:57.533 --> 00:10:00.466
背后的含金量其实正在快速下降

00:10:00.800 --> 00:10:01.166
所以

00:10:01.333 --> 00:10:03.766
要判断两兆美元估值到底是不是泡沫

00:10:04.000 --> 00:10:06.133
根本不用去猜 AI 会不会被淘汰

00:10:06.400 --> 00:10:07.566
只要紧盯两组对比：

00:10:07.900 --> 00:10:10.733
一边看「收入增速」能不能跑赢「资本投入增速」；

00:10:10.933 --> 00:10:13.666
另一边看「呼叫量增速」能不能带动「毛利率

00:10:13.666 --> 00:10:14.100
改善」

00:10:14.366 --> 00:10:16.566
如果资本开支永远比收入跑得快

00:10:16.800 --> 00:10:18.566
单价又被小模型压著打

00:10:18.733 --> 00:10:21.733
那么估值倍数就势必要被市场重新血洗

00:10:21.733 --> 00:10:22.600
听到这里

00:10:22.800 --> 00:10:25.133
你心里可能会泛起另一个最大的疑虑：

00:10:25.400 --> 00:10:26.900
如果连 OpenAI 和

00:10:26.900 --> 00:10:29.333
Anthropic 的定价权都被削弱了

00:10:29.566 --> 00:10:30.800
那是不是代表辉达、

00:10:30.800 --> 00:10:32.600
博通跟整个算力供应链

00:10:32.600 --> 00:10:34.033
也要跟著一起倒楣了？

00:10:34.500 --> 00:10:35.700
答案可能正好相反！

00:10:38.966 --> 00:10:39.500
不过

00:10:39.600 --> 00:10:41.200
如果你看到小模型更快、

00:10:41.433 --> 00:10:41.966
更便宜

00:10:42.200 --> 00:10:45.600
就直接认为全球需要的晶片和算力会跟著减少

00:10:45.733 --> 00:10:47.100
那可能又猜错了

00:10:47.366 --> 00:10:50.866
因为科技史上曾经反复出现一种看似矛盾的现象：

00:10:51.100 --> 00:10:52.766
一项资源用得越有效率

00:10:52.900 --> 00:10:54.500
最后的总消耗量反而越大

00:10:54.833 --> 00:10:55.366
更巧的是

00:10:55.600 --> 00:10:57.766
Jev这个名字本身就在提示答案

00:10:57.800 --> 00:10:58.833
它的命名灵感

00:10:58.833 --> 00:11:02.100
正是来自经济学上非常著名的「杰文斯悖论」

00:11:02.100 --> 00:11:03.200
（Jevons Paradox）

00:11:03.500 --> 00:11:04.233
19世纪

00:11:04.233 --> 00:11:06.866
英国经济学家威廉・史丹利・杰文斯发现

00:11:07.133 --> 00:11:09.066
蒸汽机变得越来越省煤之后

00:11:09.300 --> 00:11:11.600
英国消耗的煤炭总量不但没有下降

00:11:11.766 --> 00:11:13.266
反而快速增长

00:11:13.566 --> 00:11:14.566
原因并不复杂：

00:11:14.800 --> 00:11:16.500
效率提升降低了使用成本

00:11:16.666 --> 00:11:18.966
原本不划算的应用开始大量出现

00:11:19.233 --> 00:11:20.600
新增需求带来的消耗

00:11:20.600 --> 00:11:23.366
最终超过每一次使用节省下来的资源

00:11:23.633 --> 00:11:24.166
今天的AI

00:11:24.166 --> 00:11:26.633
很可能正在重演同一套剧情

00:11:26.966 --> 00:11:29.233
过去呼叫一次高阶模型又慢又贵

00:11:29.233 --> 00:11:32.266
企业只敢在少数高价值的地方省著用

00:11:32.466 --> 00:11:35.033
但如果现在一次判断只要几百毫秒

00:11:35.200 --> 00:11:36.633
便宜到可以忽略不计

00:11:36.800 --> 00:11:38.733
AI 就会从「偶尔请教的专家」

00:11:38.733 --> 00:11:42.200
变成嵌入在所有软体流程里的「基础零件」

00:11:42.500 --> 00:11:43.333
你可能会怀疑：

00:11:43.566 --> 00:11:45.900
大家都在用这种超省算力的小模型

00:11:46.166 --> 00:11:47.966
晶片的需求不就会大幅减少了吗？

00:11:48.300 --> 00:11:50.300
其实事情完全不是你想的那样！

00:11:50.633 --> 00:11:51.266
你想想看

00:11:51.466 --> 00:11:53.600
以前一张客服工单只呼叫一次 AI

00:11:53.900 --> 00:11:55.333
未来可能从判断语言、

00:11:55.466 --> 00:11:56.133
评估意图、

00:11:56.300 --> 00:11:57.766
分析风险到决定部门

00:11:57.766 --> 00:12:00.166
连续呼叫五次甚至十次！

00:12:00.266 --> 00:12:01.200
每一笔付款、

00:12:01.366 --> 00:12:02.133
每一封邮件、

00:12:02.300 --> 00:12:03.500
每一次广告投放

00:12:03.700 --> 00:12:06.300
背后都多了好几次机器自动判断

00:12:06.633 --> 00:12:08.100
单次价格是下降了

00:12:08.200 --> 00:12:11.666
但总呼叫次数却暴增了几十倍甚至上百倍！

00:12:12.000 --> 00:12:13.000
从这个角度来看

00:12:13.200 --> 00:12:14.066
小模型的崛起

00:12:14.266 --> 00:12:17.333
对大模型公司的「软体高估值」确实是巨大的压力

00:12:17.666 --> 00:12:18.966
但对「算力硬体」来说

00:12:19.166 --> 00:12:21.433
反而像是踩下了一脚超大力的油门！

00:12:21.566 --> 00:12:23.300
辉达卖的是运算平台

00:12:23.433 --> 00:12:25.700
博通做的是客制化晶片与高速网路

00:12:25.700 --> 00:12:27.400
超微也在抢推理市场

00:12:27.433 --> 00:12:30.233
它们根本不在乎每次呼叫是谁在收钱

00:12:30.233 --> 00:12:33.433
它们只在乎全球最终到底产生了多少次运算、

00:12:33.633 --> 00:12:35.266
需要多少晶片跟记忆体！

00:12:35.600 --> 00:12:37.200
只要总需求的爆发速度

00:12:37.300 --> 00:12:39.466
快过单次成本下降的速度

00:12:39.533 --> 00:12:42.266
硬体算力的需求就会继续疯狂扩张

00:12:42.600 --> 00:12:42.900
所以

00:12:42.900 --> 00:12:46.366
这场变局并不是简单的「小模型打败大模型」

00:12:46.600 --> 00:12:48.933
而是整个 AI 产业利润的重新分配：

00:12:49.300 --> 00:12:52.066
大模型公司失去了低价值任务的垄断权；

00:12:52.366 --> 00:12:54.466
路由平台拿到了分单的控制权；

00:12:54.466 --> 00:12:57.333
专用小模型承接了海量的日常判断；

00:12:57.366 --> 00:12:58.933
而晶片与云端巨头

00:12:58.933 --> 00:13:01.466
则坐收整体运算量暴增的红利！

00:13:01.700 --> 00:13:02.000
当然

00:13:02.000 --> 00:13:04.000
投资硬体也不能盲目乐观

00:13:04.266 --> 00:13:05.866
如果小模型省算力的速度

00:13:05.866 --> 00:13:07.900
真的快过新应用产生的速度

00:13:07.966 --> 00:13:09.866
硬体需求依然会面临调整

00:13:10.200 --> 00:13:11.066
但总结来说

00:13:11.200 --> 00:13:13.233
Jev 不会在一夜之间杀死 OpenAI

00:13:13.233 --> 00:13:14.266
或 Anthropic

00:13:14.333 --> 00:13:16.166
旗舰模型在复杂程式开发、

00:13:16.166 --> 00:13:17.866
科学研究跟长链推理上

00:13:17.866 --> 00:13:20.100
依然有著不可替代的霸主地位

00:13:20.200 --> 00:13:21.500
它真正刺破的

00:13:21.500 --> 00:13:24.300
是兆美元估值背后最脆弱的那句神话：

00:13:24.466 --> 00:13:25.800
以为 AI 用得越多

00:13:25.900 --> 00:13:29.300
钱就理所当然会源源不绝地流进最昂贵的模型

00:13:29.300 --> 00:13:29.866
口袋里

00:13:30.133 --> 00:13:31.166
理解了这个逻辑

00:13:31.400 --> 00:13:33.100
我们在看未来的投资地图时

00:13:33.366 --> 00:13:34.733
方向就会清晰得多

00:13:35.066 --> 00:13:36.800
如果 Anthropic 未来真的以接近

00:13:36.800 --> 00:13:38.400
两兆美元的估值上市

00:13:38.666 --> 00:13:41.366
你最担心的是它的收入成长不够快

00:13:41.633 --> 00:13:43.633
还是算力开销永远降不下来？

00:13:43.900 --> 00:13:44.266
另外

00:13:44.500 --> 00:13:46.166
你觉得像 Jev 这样的小模型

00:13:46.500 --> 00:13:50.033
最终会不会把辉达跟算力链推向下一轮更大的繁荣？

00:13:50.033 --> 00:13:51.666
欢迎在分享你的看法！

00:13:51.666 --> 00:13:52.133
按赞、

00:13:52.133 --> 00:13:53.300
订阅并开启小铃铛

00:13:53.466 --> 00:13:53.966
我是 Yuki

00:13:54.166 --> 00:13:55.166
我们下期见啰！