核心内容总结
作者通过硅谷一个月的一线见闻，对比3月与当前AI进展，分享了几个关键判断：AGI（通用人工智能）到来速度远超预期，知识工作者和研究员的AI替代率大幅提升；大模型将吞噬90%以上应用价值，但剩余10%有杠杆的应用能诞生大公司；Coding模型能力差距在收敛（中美开源闭源追及）；企业AI需求是潜力巨大的“盲区”，落地需复合人才；模型分层和Token重定价是下一个重要机会，中国开源模型未来空间巨大。同时提到硬件领域存储>CPU>光的优先级，以及硅谷对AI的“信仰充值”与国内理性的对比。
1. AGI来得比你想的快：白领和研究员的替代率飙升
3月时作者觉得白领被AI替代50%、研究员30%，现在这两个数字已经涨到80%和50%，连基础设施（比如服务器管理）的AI自动化也开始了（10-20%）。简单说，以前AI可能只是帮你写个文案、查个资料，现在连研究员做的数据分析、论文初稿都能替代一半；白领的日常工作（如报告、邮件、PPT）几乎80%都能交给AI。
更关键的是，行业内的研究者都认为“模型越大、数据越多效果越好”的规律（scaling law）还没到头——数据还有余量、算法和硬件还能优化，意味着AI能力还会继续爆发。但这种进步只属于少数大公司（比如OpenAI、谷歌），普通人基本沾不上边，就像普通人没法参与火箭研发一样。
2. 大模型像“吞食者”：吞掉90%应用，但10%逃逸者能成大公司
作者用刘慈欣《吞食者》的比喻：大模型是不断吞噬的超级文明，大部分应用（90%）都会被它“吃掉”（比如普通的聊天、搜索、工具类应用，直接用大模型就能替代）。但剩下10%有“杠杆”的应用（比如有独特数据或垂直场景的），能通过“加速跑”逃逸——核心是“数据加速度”（比如医疗领域的独家病例数据、金融领域的交易数据）。
举个例子：如果一个应用只是做“AI写作文”，肯定会被ChatGPT吞掉；但如果是“用AI分析罕见病的病历数据”，因为有独家数据，就能跑赢大模型，甚至成为大公司。
3. Coding模型格局：中美追及，但企业切换难
Coding模型（写代码的AI）的能力差距在缩小：一是头部闭源模型（比如GPT-4、Claude）之间的差距在追平；二是开源模型（比如中国的DeepSeek、美国的Llama）和闭源模型的差距也在缩小（本质是中美AI的追及）。
但切换Coding工具的难度分两种：个人开发者或小团队容易换（试新工具成本低），但大企业很难——一是价格敏感（换工具要重新付费），二是员工担心失业（怕新工具让自己的工作被替代，不愿学）。另外，AI自动完成整个工作流程（比如从需求到代码上线）的能力（Agentic Workflow）一旦用习惯，换起来更难。
4. 企业AI需求是“黑箱”：潜力大但落地难
企业对AI的需求不是慢慢增长，而是“阶梯式跳跃”：如果预算来自IT部门（降本），增长是线性的；如果来自业务部门（用AI赚钱，比如AI优化营销），增长会突然爆发（非线性）。
落地的卡点不是模型能力不够，而是“理论能力和实际用起来的差距”——需要既懂AI、又懂企业流程、还懂管理的复合人才。比如一个AI模型能写代码，但要让它适配企业的老系统、和员工的工作流结合，就需要这样的人。
企业部署AI有三种方式：全放云上（用云厂商的LLM）、混合（本地硬件+云LLM）、全本地（自己的硬件+开源LLM）。就像10年前SaaS刚起来时一样，现在还看不清哪种占主流，但都在快速增长。
5. 模型分层+Token重定价：下一个机会点
现在的问题是：做简单任务（比如查天气）和复杂任务（比如写论文）用的是同一个模型（比如GPT-4），浪费钱。Model routing就是“给不同任务找最合适的模型”——比如查天气用便宜的小模型，写论文用贵的大模型，比盲目打价格战有用100倍。
另外，Token（AI处理的文字单位）现在是“平权”的——不管是简单的“你好”还是复杂的公式，价格一样，但其实背后的劳动力成本差很多。未来Token定价会根据任务复杂度调整，这是个大机会。
对中国来说，模型分层会打开开源模型的市场空间（比如企业用不起闭源大模型，就会选合适的开源小模型），所以作者“严重看好中国AI”。
最后补充：硅谷硬件圈现在认为存储（比如内存）>CPU>光模块的优先级，因为存储是AI“记住知识”的关键，而内存公司都是端到端的（没有第三方代工），估值应该更高。作者在硅谷时AI信仰“充值到200%”，回国后会被理性拉回来，但一线见闻让他感受到AI“涌现”的魅力——就是AI突然具备了之前没有的能力，比如能写小说、解复杂题。