今天初八，新的一年开工了。关于AI创业，我也简单、系统性地整理了一下自己的一些笔记，便于日后查阅、纠偏、以及与朋友们分享。

首先，我认为围绕AI可做的事情从下至上还是可以大致分为三类：基础设施(芯片)、模型和应用。我想复盘一下关于这三类事情的格局、机会与陷阱，以及分析一下我为什么想暂停已完成的一个原型(TripMeta)和分享一下曾经构思的GEO创业项目，最后找找OPC的可能性。关于GEO和OPC的事情一篇写不完，之后另作分享，这篇先为TripMeta做个总结吧。

第一部分：AI的三层楼

如果把AI产业比作一栋三层建筑，每一层的玩家、逻辑和机会完全不同。

第一层：基础设施——卖铲子的人

这一层离普通创业者最远，但它是整个行业的根基。

芯片 vs. 算力：这是一个容易被混淆的概念。简单说，算力是需求（你需要多少计算能力），芯片是供应（提供计算能力的物理硬件）。就像货运公司，算力是你要搬多少吨货，芯片是那辆卡车。

GPU不是唯一的答案。英伟达以92%的市场份额占据绝对主导，但AMD（7%）和英特尔（1%）也是重要参与者。更重要的是，随着AI从“训练”走向“推理”，芯片的格局正在被重塑。

• GPU（图形处理器）：全能特种兵。适合模型训练和多样化场景推理，但功耗高。代表：NVIDIA H100/A100。

• 推理芯片（NPU/TPU）：自动化机器臂。专攻高吞吐量、低功耗的推理任务，能效比极高。代表：Google TPU、华为昇腾910。

这里有一个关键概念需要厘清：ASIC、NPU、TPU的关系。TPU是Google设计的一种NPU，而NPU是专门用于AI计算的ASIC。按用途从宽到窄：集成电路 → ASIC → NPU → TPU。

Groq的启示：2025年底，英伟达以约200亿美元“技术授权+人才收购”的模式“收编”了Groq——一家专攻AI推理的芯片初创公司。Groq的LPU（语言处理单元）用SRAM取代HBM，实现了极低延迟，在某些场景下速度比H100快10倍。英伟达之所以愿意支付3倍溢价（Groq三个月前估值仅69亿美元），是因为AI的“下半场”是推理，而Groq精准点中了GPU的软肋。

算力单位：PetaFLOPS（每秒千万亿次浮点运算）是衡量AI算力的常用单位。一张H100的峰值算力约2 PFLOPS，通常一台AI服务器里插上 8 张 H100，那么这台机器的总算力就大约是16 PFLOPS。训练一次GPT-4需要消耗大约2.15e25 FLOPS，换算下来大约是 21,500 PetaFLOPS·天。意思是，如果用一台算力为1 PFLOPS的机器去训练，需要不间断地跑 21,500 天（约 59 年）；如果用那台16 PFLOPS的服务器，则需要1343 天（约 3.7 年）。——这就是为什么需要数万张芯片组成的超大规模集群，用并行计算来缩短训练时间。

第二层：模型——红海中的差异化

这一层是我花最多时间研究的，也是绝大多数AI创业者最纠结的地方。

通用模型：双雄并立，开源闭路各有所长。

国家	模型名称	开发商	定位/生态
US	GPT-5.2	OpenAI	极致逻辑与语音交互，闭源
US	Gemini 3 Pro	Google DeepMind	全能型多模态Agent，100万Token上下文，闭源
US	Claude Opus 4.5	Anthropic	长文档与代码安全专家，闭源
CN	Qwen系列	阿里巴巴	全球开发者首选的开源模型，Hugging Face下载量已超越Llama，开源（Open-weight），并提供闭源的旗舰推理模型（如Qwen3-Max-Thinking）
CN	DeepSeek系列	深度求索	极致性价比与开源生态，OCR领域有独特创新，开源
CN	文心大模型5.0	百度	原生全模态架构，闭源
CN	Kimi K2.5	月之暗面	高规低价“中式模型”，闭源
CN	豆包大模型2.0	字节跳动	多模态Agent模型，闭源

两个关键趋势：

1. 开源力量的崛起：以阿里Qwen和DeepSeek为代表的中国开源模型，凭借极高的性价比和开放的策略，已经成为全球开发者的“首选底座”。在硅谷，使用开源技术栈的初创公司中，高达80%正在运行中国模型。
2. 竞争焦点的转移：从“参数规模”到“Agent能力”与“多模态”。模型正在从“聊天助手”全面转型为能够处理实际工作的“智能体”。

垂类模型：通才与专家的不同路径

通用基座模型的预训练需要海量、多样化的语料（超级语料包，互联网级，数万亿Token），从零开始预训练，成本极高（千卡/万卡集群，如LLaMA 3用了1.6万多张H100，跑了54天）。

垂类模型的预训练则是拿到开源的通用基座模型，灌入垂直领域数据继续预训练（专业语料包，如千万级论文/专刊），成本可能只有前者的1/10甚至更少。

补充：在实际应用中，垂类模型的训练并不只有“预训练”这一条路。通常有三种路径，

1. 完全从零预训练：成本极高，除非你有海量的独有数据和雄厚的资金，否则极少采用。
2. 领域继续预训练：（上文提到的）这是打造深度专家模型的主流方式。
3. 通用模型 + 微调：（这是更常见的低成本方案）如果只是想让模型理解特定业务（比如做一个客服机器人），甚至不需要做领域预训练。只需要拿一个现成的通用模型，用几千条高质量的“问题-答案”对进行“监督微调”，它就能很好地完成这个任务。

一个完整的模型成长路径：

预训练：自监督学习 + 反向传播。让模型学会“预测下一个词”，从海量数据中习得语法、知识和推理逻辑。成果是基础模型（满腹经纶但不懂世事）。

监督微调（SFT）：用高质量的“问题-答案”对，教模型如何与人对话。成果是指令模型（学会遵循指令）。

基于人类反馈的强化学习（RLHF）：让模型内化人类对“好坏”的判断标准。成果是对齐的模型（有用、无害、诚实的智能助手）。

推理：模型实际使用的过程，一个字一个字地生成回答。这是AI真正大规模落地的“下半场”。

大语言模型（LLM）是目前最常见、最成熟的一类基座模型。

第三层：应用——机会与陷阱

这一层离用户最近，也是最多创业者涌入的地方。

通用Agent：基本已经被大厂垄断。国内：豆包、千问、元宝、DeepSeek、Kimi等。国外：Gemini、ChatGPT、Claude等。Manus能成主要是因为时间早，春节前大厂还在加速“内嵌Agent”争夺流量入口，节后基本牌桌已关、不要入局。

垂直Agent（编程）：Claude Code、Cursor，窗口收窄、门槛极高。

垂直Agent（金融/医疗/旅游等）：金融/医疗头部玩家开始卡位，需深度行业know-how；携程Trip.com已内嵌产品生成旅行攻略等；剪映集成了Seedance 2.0。机会因人而异。

OpenClaw的启示：从“做Agent”转向“为Agent服务”，从SaaS转向AaaS(Agent as a Service)。OpenClaw是“系统级自主操作型Agent”，Cowork（及国产版如QoderWork）与其虽然有区别，但都预示着桌面Agent将是下一个超级入口。

具身智能：软硬件结合的赛道，正在分化。

小成本：情感陪伴类、成长型的毛绒玩具

大成本：家庭机器人（陪伴老人、打扫卫生、小孩教育）、机器人女友/男友、工厂搬运机器人等

代表玩家：波士顿动力（CES 2026上新一代Atlas人形机器人亮相并官宣量产）、宇树科技（春晚）、银河通用、魔法原子、松延动力、科大讯飞、新松机器人

值得关注：马斯克的Optimus人形机器人，2026年Q1将发布第三代，目标成本2万美元以内

---

第二部分：TripMeta原型为什么暂停了？

想复盘一个自己暂停的原型——TripMeta，因为它是我心中的白月光。

当初为TripMeta写商业计划书的时候，对它的定位是垂类模型应用，核心想解决旅游攻略生成的问题。但最终没有继续，原因值得记录：

核心竞争力问题

Tripmeta的核心竞争力应该是垂类模型。但实际开发中，我们用的是通用模型API，并没有自己训练垂类模型。

为什么不自己训练？（上文提到的）垂类模型的训练有三种路径：

1. 完全从零预训练：成本极高，需要海量独有数据和雄厚资金

2. 通用模型+灌入领域数据继续预训练：成本适中，但需要高质量领域数据

3. 通用模型+微调：成本最低，用几千条“问题-答案”对即可

其实我们可以走第二种路径，但我们选了第三种，那么问题来了：如果只是微调，核心竞争力在哪里？通用模型厂商随时可以做同样的事。

获客问题

（上文提到的）旅游行业有机会，做小众深度游、非遗文化、中医体验，确实有市场。但问题在于：如何找到这群人？

如果通过内容营销获客，就意味着需要长期打造专业性内容，周期长、概率低。在冷启动阶段，这是致命的。

最后的结局

想清楚后，结论很明确：最后大概率会被通用大模型厂商或者行业大佬归零。不是因为他们做不出来，而是因为他们有流量、有数据、有场景，一旦他们做，我们没有任何壁垒。

---

第三部分：回顾

回到开头那三层楼：基础设施（芯片）、模型、应用。

每一层都有机会，但每一层的门槛和游戏规则完全不同。芯片层是巨头的游戏，模型层是开源的天下，应用层是精细化运营的战场。

我的选择在哪里，下篇继续。