重塑世界的力量不在硅谷，而在一代中國從業者的努力中。

原標題：跟硅谷的核心AI公司聊完后，得到了這 60 條關鍵洞察
文章來源：Founder Park
內容字數：20957字

錦秋基金硅谷Scale With AI活動觀察：中國力量崛起

本文總結了錦秋基金在硅谷舉辦的Scale With AI活動后，組織者石頭的一些觀察和認知。活動匯聚了眾多AI領域的大廠和人才，石頭從中得出了一些重要的結論。

1. LLM發展趨勢：Pre-training時代終結，Post-training機遇涌現

1. LLM的Pre-training階段已接近瓶頸，Scaling速度放緩，但Post-training仍有巨大潛力。Multi-model的出現，使得數據和算力成為關鍵因素，新的架構也成為突破點。

2. Pre-training對數據質量要求不高，而Post-training則對數據質量要求極高，強化學習(RL)在Post-training中扮演著重要角色，它并非提升模型智力，而是優化思考模式。

3. 大模型優化主要在Post-training階段進行，用于提升安全性、構建Multi-agent框架，優化模型的應用效果。

4. 未來LLM發展方向可能包括：模型架構變化、知識模型解耦，以及大模型生成數據訓練小模型等。

5. 隨著Scaling Law達到極限，閉源和開源模型的差距將縮小。

6. Post-training團隊建設：5人規模即可，需涵蓋基礎設施搭建、數據管理、模型訓練、產品判斷等方面。

7. 數據pipeline構建至關重要，需要高效迭代，構建數據循環和護城河。

2. 視頻模型發展：Scaling Law瓶頸尚遠，但技術路徑多元化

1. 視頻生成技術仍處于早期階段，數據集匱乏是主要瓶頸，開源版本的難度也較高。

2. 未來視頻生成技術將呈現多元化趨勢，不同場景選擇不同的技術棧。

3. 視頻的Scaling Law遠未達到LLM的水平，模型架構優化和高效的數據使用至關重要。

4. 提升視頻生成速度的方法包括生成低分辨率畫面、步數蒸餾等。

5. 長視頻生成的未來在于故事性，而非單純的時長。

6. 視頻模型和其他模態的融合是未來發展方向，但目前仍面臨諸多挑戰。

3. 具身智能：人類級泛化能力的機器人尚遠，但特定場景應用可期

1. 具身機器人尚未迎來類似ChatGPT的“關鍵時刻”，通用性、可靠性和可擴展性是關鍵挑戰。

2. 機器人泛化面臨環境復雜性、物理交互問題和人機交互不確定性等挑戰。

3. 斯坦福實驗室選擇聚焦家庭場景，應對老齡化社會需求。

4. 場景調試至關重要，需要與領域專家合作，確保機器人適應特定場景。

5. 仿真技術是解決數據閉環問題的重要手段，但Sim-to-Real Gap仍然是挑戰。

6. 具身多模態模型具有巨大潛力，但數據整合和融合是關鍵難點。

7. 機器人數據共享面臨諸多挑戰，需要探索新的機制和平臺。

4. AI應用及AI Coding趨勢

1. 硅谷VC認為2025年是AI應用投資大年，但對AI產品的壁壘要求很高。

2. AI Native公司標準與傳統SaaS公司不同，其優勢在于低Customer Acquisition cost和高效的AI Scaling。

3. AI Coding重要趨勢是推理增強技術，例如O3或O1方法，可以顯著提升代碼代理效率。

4. GitHub Copilot是AI Coding領域的主要競爭對手。

5. 客戶成功對于AI Coding工具的采用至關重要。

總而言之，雖然硅谷是AI創新的中心，但石頭認為，重塑世界的力量也來自一代中國AI從業者的努力，這值得我們關注。

聯系作者

文章來源：Founder Park
作者微信：
作者簡介：來自極客公園，專注與科技創業者聊「真問題」。