智能規模效應：解讀ChatGPT Atlas背后的數據邊界之戰

OpenAIChatGPT Atlas當然是一個瀏覽器產品，但也更是一個信號。

大家應該還記得劈柴是靠什么當上過去的Google現在的Alphabet的CEO的--很核心的一個點就是Chrome的成功。

回到那個時間點其實可以講Chrome其實是谷歌和微軟那波競爭里面的巨大功臣，它讓谷歌有了自己的端和入口。

在AI大模型的背景下，故事明顯在被重演，只不過角色發生了互換，OpenAI變成了昔日的Google，而今天的Google則變成了昔日的微軟。

這顯然是過去所謂的入口之爭的延續，但還有一部分在悄然發生變化，透視整個變化乃至未來的趨勢需要先從一個我稱之為“智能規模效應”的底層邏輯開始。（也許可以翻譯成：Intelligence Scale Effect，但真的是我杜撰的詞）

這個效應的根基可以用一個簡單的公式來概括：

智能的效能 = 大模型的智能水平 × 現實理解縱深

這個公式可以揭示了未來智能應用競爭的核心。

為了在競爭中獲勝，僅僅擁有一個“更聰明”的大模型（即更高的“智能水平”）是遠遠不夠的。真正的勝負手在于第二個乘數：模型對現實世界“理解的縱深”。

并且越到后面后者越關鍵，甚至會影響前者的進化速度。

為了最大化最終的“效能”，我們將會看到，每一個投身于AI浪潮的公司，都將開始一場瘋狂的、無休止的競賽——一場旨在無限擴展自身數據邊界的競賽。

模型公司想明白了，都會向應用發展，向應用發展就幾乎都會走到這里。

在這里應用和模型是分不開的。

參見：

解構“智能規模效應”

讓我們首先拆解這個公式的兩個關鍵組成部分。

1. 大模型的智能水平

這是AI的“基礎智商”。

它由模型的架構、訓練數據量、參數規模和計算資源共同決定。

以OpenAI的GPT系列、Anthropic的Claude系列為代表的頂尖大模型，通過在數萬億Token的公共數據上進行預訓練，獲得了強大的通用能力，如語言理解、邏輯推理、知識儲備和代碼生成。

這是AI的“勢能”。

它代表了模型理論上能達到的最高高度。

在過去的幾年里，我們見證了這場“智能水平”的軍備競賽——參數從十億級飆升至萬億級，模型能力不斷突破想象。

可往后想，核心是什么？

是誰能拿到更多的真實場景的全量數據。

大家應該還記得此前大家怎么認定智能水平上不去了吧？數據不夠了。

所以大模型的下半場注定要回到數據。

不是和過去性質重復的數據，而是加入過去沒納入的維度的數據。

(自動駕駛場景下理解智能規模效應更容易）

2. 現實理解縱深

這是AI的“情境智商”。

如果說“智能水平”是AI的CPU，那么“現實理解縱深”就是它的RAM（內存）和I/O（輸入/輸出）系統。它代表了模型在執行具體任務時，能夠接觸和理解的特定、實時、私有或專有數據的深度和廣度。

一個“智能水平”再高的模型，如果對正在處理的工作、你的私人日程、你公司的內部知識庫一無所知，它就如同一個被鎖在密室里的天才，空有智慧卻無法施展。

它的“現實理解縱深”為零，導致最終的“智能效能”也趨近于零。

“智能規模效應”的核心洞察在于：

在“智能水平”達到某個閾值后，決定應用成敗的關鍵因素，將迅速從模型本身的智商轉向它所能撬動的“現實數據”的規模。

參見：

數據的“圈地運動”

這會導致什么呢？

會導致新的圈地運動。數據圈地運動。

ChatGPTAltlas可以看成是開始正式號角，直接懟到谷歌的腹地。

但其實這是并不真是從這兒開始，而是由來已久：

表現一：從云端走向桌面與OS——搶占個人上下文

案例：OpenAI的ChatGPTAltlas和Anthropic的桌面端

這其實沒啥好說的，就是端-云一體的路線。

目標也簡單，就是解決體驗瓶頸，拿到更多數據，否則沒法搞定網頁版AI與用戶工作流割裂的核心痛點——網頁AI無法“看到”本地文檔或應用，導致用戶必須頻繁復制粘貼，效能低下。

走向也是定的，所以哪天OpenAI推出OS也一點不稀奇。（Google弄安卓的翻版，并且效果更明顯）

方式也統一。

都是通過具備系統級權限的原生應用，在用戶授權后，AI能直接“看到”屏幕內容、讀取本地文件，從而理解完整的上下文。這與“失明”的Web版AI形成鮮明對比，后者局限于瀏覽器標簽頁內。

可以看一個典型的場景：設計師在Figma中可直接喚出桌面AI，指著某個元素提問：“幫我把這個按鈕改成新擬物風并給出CSS代碼。”AI因“看到”了全局設計，能給出精準建議，將原先5-10分鐘的跨應用操作縮短至30秒內。

當然，這種深度集成也帶來了嚴峻的隱私和安全挑戰，需要用戶給予極高信任。這點后面說。

這就是AI比你自己更了解你自己的開始。你記不住1年前的事的，理論上它可以。

表現二：從靜態走向實時——擁抱動態世界

案例：Perplexity AI（AI搜索引擎）

成立于2022年、在2023-2024年間迅速崛起的Perplexity AI就是干這個的，它解決了兩大痛點：傳統LLM的知識“陳舊”，以及傳統搜索引擎“只給鏈接不給答案”。

在當時他們是比較早的整“實時檢索+LLM總結”（RAG）架構的。

當用戶提問時，它先實時抓取最新網頁信息（擴展現實理解縱深），再將其喂給大模型（如GPT-4）生成即時答案。這與Google（提供鏈接列表）和基礎版ChatGPT（知識陳舊）形成鮮明對比。

現在這個變基本功能了。這事未來不一定有譜，沒準就掛了。

不過也算成就了個產品，Perplexity在2024年初月活躍用戶（MAU）突破1000萬。用戶在查詢“昨晚的財報數據”時，其時效性和召回率遠超靜態LLM，極大節省了篩選時間。

其限制在于答案質量依賴信源，且雙重成本高昂。

表現三：從公共走向私有——深入企業知識庫

案例：Microsoft 365 Copilot

微軟面向其龐大的M365企業客戶群全面推出了Copilot。它旨在解決企業內部最大的痛點：數據孤島。員工的知識沉淀在Outlook、Teams、SharePoint等應用中，傳統工具無法融會貫通。

Copilot的集成核心是Microsoft Graph。

以前我們老貼下面這圖：

這個Graph索引了企業所有的私有數據（構成了“現實理解縱深”），并將其與Copilot的“高智能水平”相結合。當員工提問（如“總結A項目上周進展并起草周報”）時，Copilot能實時檢索郵件、聊天和文檔，生成精準報告。這是任何“公共”AI助手或傳統內部搜索都無法比擬的。

這也是拉通端-云。

據說用戶在總結會議等任務上速度提升近4倍，平均每周節省1.2小時。

表現四：從數字走向物理——萬物互聯的終局 （展望）

這場邊界擴展的終點，必然是從數字世界走向物理世界。

可穿戴設備（如智能眼鏡、AI Pin）和物聯網（IoT） 設備，是擴展“智能規模效應”的終極形態。

奧特曼老勾搭做硬件的，就是這事。

試想，一個AI助手如果能通過你眼鏡上的攝像頭“看到”你正在看的景象，通過麥克風“聽到”你正在進行的對話，它的效能將是何等強大？它可以實時為你翻譯菜單，提醒你識別剛見面的客戶，甚至在你修理器械時提供逐步指導。

這顯然引發其它問題，但我真的在活動上聽到過，大家探討整個麥克風把自己每天活動都錄下來然后做分析的事。

至少當事人本身不排斥，只是說周圍的人可能排斥。

參見：

為何這場競爭比以往更激烈？

“智能規模效應”所引發的競賽，其激烈程度和“贏家通吃”的效應，很可能將遠遠超過PC互聯網和移動互聯網時代。

在互聯網時代，競爭的核心是“注意力”。

平臺通過內容和服務（如搜索、社交、視頻）來爭奪用戶的屏幕停留時間。雖然也存在網絡效應，但用戶的“遷移成本”相對可控——我今天可以用Google，明天也可以切換到Bing；我可以在微信上發文，也可以在微博上發言。

這時候性質完全不同的東西：搜索、IM等它是并行的各玩各的網絡效應。

但在智能時代，競爭的核心已經轉變為“上下文（Context）”，即我們公式中的“現實理解縱深”。

這是一個本質的區別。

加上大模型的智能的通用性，會讓這個本質區別的影響放大到無以復加的程度。

一旦某個AI應用成功地深度嵌入你的個人或企業工作流——它理解了你所有的本地文件（如XX桌面端）、掌握了你公司所有的私有知識庫（如Copilot）、或是接入了你的實時物理世界（如未來的智能眼鏡）——它所積累的“現實理解縱深”將構成一道無與倫比的護城河。

搜索和IM的競爭的弱競爭，上面這種競爭是搜索和搜索的競爭，是強競爭。

所以越往后AI的應用越是：軟硬產品千重浪，遍地英雄起硝煙。

過去真有高度粘性的是網絡效應。

操作系統、微信是很難換的，別的么，換換其實沒啥問題。

京東買還是天貓買東西，有啥粘性。

但接下來高粘性的無形蛛絲可能再來一個：

你無法輕易地將積累在一個AI助手里的、對你個人習慣和私有數據的深度理解，“導出”并“導入”到另一個AI助手中。更換AI助手的成本，可能等同于對一個新員工進行“從零開始”的漫長培訓。

企業的核心是知識，上面這模式整到后面，換產品相當于把員工都換一批，知識清零重來。

又因為通用智能的無邊界的特質，數字空間大廠間這場競賽的終局將更趨向于“零和博弈”。用戶（無論是個人還是企業）最終很可能會選擇一個“主AI”，并將其數據邊界最大化。這導致了競爭的空前加劇：

誰最先占領了用戶的核心數據源，誰就幾乎鎖定了勝局。

（說起來近7-8年前我寫過這話題，實在是早了點）

參見：

效能與信任的“大博弈”

這里面，還有個變量，就是用戶的權重到底有多高。

說來滑稽，在微信告訴擴展的時候用戶雖然全體最關鍵，但個體其實最不關鍵。

就拿紅包和運營各種拉，和割韭菜差別差不多。

“智能規模效應”驅動的這場數據邊界擴展，則在這里帶來了一個新挑戰：隱私與信任。

當AI為了“更懂你”而瘋狂地擴展其數據邊界時，它不可避免地會觸及用戶的隱私紅線。

● 你是否愿意讓AI讀取你所有的本地文件，只為在寫報告時給你提供更好的建議？

● 你是否愿意讓AI分析你所有的聊天記錄，只為更精準地預測你的需求？

● 企業是否愿意將最核心的商業機密交給一個AI系統，只為換取更高的運營效率？

這就是未來的核心矛盾。用戶對“效能”的渴望是無限的，但對“隱私”的擔憂也是真實的。

隱私究竟能不能對沖效能！

因此，這場競賽的下半場，將不僅僅是關于誰能抓取更多的數據，更是關于誰能以一種更可信、更安全的方式來處理這些數據。

小結

要選，我會把“智能規模效應”（智能效能 = 大模型智能水平 × 現實理解縱深）選做AI時代應用的第一性原理。

它明確指出，AI的未來不在于構建一個無所不知的“數字上帝”，而在于構建無數個“深度嵌入”現實的專業助手。

OpenAI的ChatGPTAltlas還只是這場宏大競賽的序幕。

真正的戰場，就在于對“現實理解縱深”的無盡追求。

我個人希望最終的勝利者，將是那些不僅能最大化這個公式的乘積，更能在此過程中，贏得用戶最終信任的人。

參見：

注：

本文部分圖片通過AI輔助生成

入群或者加入AI碰撞局請聯系:shuixiu2024