我一直在科技/人工智能行业工作了15年，并且目前正在与企业的大型人工智能系统密切合作。

根据我的观察，这场人工智能大赛的最终赢家将是芯片供应商（如NVDA，TSMC，MU等）或前三甲的第一工厂实现全智能。假如不是全智能，LLMs将仅仅是普及化了。

我不认为我们已经接近全智能。模型的改进一定是有的，但我并不认为它已经具备了全智能所需的所有成分。

以下是我的下一步骤。

-AI数据中心基础设施支出的增长将继续增加。一旦美国市场饱和，超大型云服务商将会进入其他市场。
-大部分基础设施初始用来训练，训练后会慢慢转向更多的模型 inference。
-AI实验室将会每6个月左右发布新模型，直到改进变得无关紧要。
-公开（主要是中国）AI实验室将会持续将SOTA模型分离并在4-6个月后发布，之后才会有一个SOTA模型被US实验室发布。
- 由于费用支出、安全研究、RLHF对齐工作等US实验室需要向客户收取高额费用，而公开实验室则无法这样。这个原因导致的结果是，US实验室的模型成本显著高于公开实验室的成本。
-例如，Kimik2.6在agentic以及 coding基准测试中领先，高达58.6%（与GPT-5.4的57.7%相比）。「K2.6」比「GPT-5.4」在输入时便宜了约17倍，在输出时便宜了约12倍。
-一个处理100Mtoken/月的团队可以将这种优势转化为 100 美元 vs $1,500（GPT-5.4）。
-最终，细微量的智能优势并不值得因为之而支付高额费用（例如，新iPhone 的性能又稍微提高了一些）。结果是，大部分推断功能将会以公开模型为主。这已经发生在.setCursor上，他们发布了一个开源的模型，后来又对其进行了微调。
-基础设施公司将继续获利，因为他们仍被用于推断，但US实验室可能会被搁置。
-当然，这三方都将获利的问题。但做投资人来说，我们需要知道应该投资于哪里。如果你与我持同样的见解，我应该投资于哪里？