Anthropic借顶级代码反馈拉大AI代际差国产模型陷单向跟随困境

像素范

大模型竞争的终极壁垒在于顶尖真实交互与专业判别反馈构建的自进化飞轮，随着海外先锋逼近模型自我递归，后发梯队面临难以逆转的数据断层风险。

AI-assisted summary of AI的能力差距从哪里来？什么是模型竞争的关键？ — original source. Check the original for full context.

Source published: 2026-10-24

Key ideas

10 月海外大模型（Claude 3.5、Llama、Gemini、Grok）高频集中迭代，而国内模型在通用推理与代码硬核赛道陷入相对沉寂，LMSYS 盲测榜单中差距进一步拉大。 (0:00)
具身智能面临真实物理轨迹数据极度短缺（全球高质量真机数据仅约 50 万小时），国内盲目新建的 70 余家数采工厂因缺乏统一标准和技术路线易变，面临数据贬值与真机闲置风险。 (5:00)
Anthropic 凭借 Claude 在代码领域的极致性能，吸引全球顶尖工程师日常高频使用，免费沉淀出智商密度极高的逻辑执行轨迹与纠错数据，构建起强大的自进化飞轮。 (15:00)
海外头部厂商已通过风控系统封锁高达 99% 的竞对反向蒸馏流量，大模型竞赛的分水岭正加速逼近模型自我递归（RSI，Recursive Self-Improvement）的技术临界点。 (20:00)
高价值训练数据必须兼备真实执行行为与权威评估反馈；字节跳动在视频生成模型上的优势，本质源于抖音多年沉淀的工业级专业审核与多维度标注管线降维赋能。 (25:00)

Detailed notes

## Background 该视频由创作者“像素范”于 2026 年 10 月 24 日发布在 Bilibili 平台。简介指出，理解模型竞争的关键在于审视数据的获取、整理与验证，并从数据质量、反馈机制、应用场景及真实任务效果四个维度，深入探讨了究竟什么样的数据才能驱动 AI 持续进化。

## TL;DR 视频深入剖析了 10 月以来国内大模型与海外头部梯队（如 Claude、Codex）差距被急剧拉大的底层原因。主讲人指出，基础对话的公开语料红利已经耗尽，算力仅是入场门槛，真正拉开代际差距的核心壁垒是高逻辑密度的数据与反馈闭环。Anthropic 凭借顶尖程序员的真实编程交互构筑了自进化的“采水系统”，正逼近 RSI（模型自我递归）的技术奇点；而字节跳动在视频模型上的突破，同样印证了工业级专业标注体系对模型能力的决定性赋能。这种数据飞轮的单向外溢，正在让全球 AI 竞技格局形成难以跨越的代际断层。

## Atmosphere & style 整期内容充满强烈的行业危机感与清醒的现实主义色彩，叙事风格平实辛辣而又极具穿透力。主讲人摆脱了浮躁的榜单狂欢与技术神话，用“佛学偈子审校”、“赛博黑工数采工厂”以及“高考改卷闭环”等生动切身的案例抽丝剥茧，言辞间既有对海外巨头数据飞轮碾压式优势的震撼与敬佩，又流露出对国内追赶者窗口期被极限压缩的深切焦虑与紧迫感。

## Bulletin - [00:00](https://www.bilibili.com/video/BV19ana6AETc?t=0s) 10 月海外大模型（Claude 3.5、Llama、Gemini、Grok）高频集中迭代，而国内模型在通用推理与代码硬核赛道陷入相对沉寂，LMSYS 盲测榜单中差距进一步拉大。 - [05:00](https://www.bilibili.com/video/BV19ana6AETc?t=300s) 具身智能面临真实物理轨迹数据极度短缺（全球高质量真机数据仅约 50 万小时），国内盲目新建的 70 余家数采工厂因缺乏统一标准和技术路线易变，面临数据贬值与真机闲置风险。 - [15:00](https://www.bilibili.com/video/BV19ana6AETc?t=900s) Anthropic 凭借 Claude 在代码领域的极致性能，吸引全球顶尖工程师日常高频使用，免费沉淀出智商密度极高的逻辑执行轨迹与纠错数据，构建起强大的自进化飞轮。 - [20:00](https://www.bilibili.com/video/BV19ana6AETc?t=1200s) 海外头部厂商已通过风控系统封锁高达 99% 的竞对反向蒸馏流量，大模型竞赛的分水岭正加速逼近模型自我递归（RSI，Recursive Self-Improvement）的技术临界点。 - [25:00](https://www.bilibili.com/video/BV19ana6AETc?t=1500s) 高价值训练数据必须兼备真实执行行为与权威评估反馈；字节跳动在视频生成模型上的优势，本质源于抖音多年沉淀的工业级专业审核与多维度标注管线降维赋能。

## Key takeaways - [10:00](https://www.bilibili.com/video/BV19ana6AETc?t=600s) 大模型在第一阶段的纯文本吞吐已彻底同质化，仅依赖公开网络存量语料无法拉开质的代际差距。 - [00:00](https://www.bilibili.com/video/BV19ana6AETc?t=0s) 在深奥晦涩的专业语境（如佛学偈子）中，Gemini 仅能做表层润色，而 Claude 3.5 展现出理解文本内核的代际级水准差距。 - [05:00](https://www.bilibili.com/video/BV19ana6AETc?t=300s) 具身智能无法快速落地的根本原因，在于机器完全缺乏对物理世界力度、倾角、触碰位移等常识的数字化沉淀。 - [15:00](https://www.bilibili.com/video/BV19ana6AETc?t=900s) 大模型第二阶段的核心杠杆是代码理解与生成能力，代码赋予了模型自我查漏、自我编译与逻辑重构的底层骨骼。 - [15:00](https://www.bilibili.com/video/BV19ana6AETc?t=900s) 全球顶尖程序员的真实业务实战与 Debug 过程，作为免费的高价值标注数据持续反哺 Claude，形成了竞品难以复制的马太效应。 - [20:00](https://www.bilibili.com/video/BV19ana6AETc?t=1200s) 模型自我递归（RSI）指模型编写与优化自身代码的能力超越人类开发人员，一旦突破将彻底改写大模型竞争格局。 - [20:00](https://www.bilibili.com/video/BV19ana6AETc?t=1200s) 决定大模型天花板的不是单一明星算法工程师，而是优质数据源的获取、提炼与对齐能力。 - [20:00](https://www.bilibili.com/video/BV19ana6AETc?t=1200s) 面对国内大厂自动化账号矩阵的高并发蒸馏调用，海外头部厂商已展开全面技术封锁并削减了 99% 的非法流量。 - [25:00](https://www.bilibili.com/video/BV19ana6AETc?t=1500s) 巨头的通用搜索日志缺乏推理反馈，而社交与设备私域数据受隐私红线限制，无法直接成为模型泛化燃料。 - [25:00](https://www.bilibili.com/video/BV19ana6AETc?t=1500s) 数据喂养如同高考备考，必须将考生作答轨迹与特高级教师的打分纠偏闭环结合，单凭无标注原始数据无法诱发高阶推理。 - [25:00](https://www.bilibili.com/video/BV19ana6AETc?t=1500s) 字节跳动视频模型的突破，核心动力来自抖音庞大、严苛且结构化的人工内容审核与视频标注团队。 - [30:00](https://www.bilibili.com/video/BV19ana6AETc?t=1800s) 大模型竞争已形成不可逆的单向断层：头部模型探索并释放外溢数据，追赶梯队则严重依赖前沿产物进行反哺与跟随。 - [30:00](https://www.bilibili.com/video/BV19ana6AETc?t=1800s) 算力显卡仅是硬件门槛，以高速存储、内存与数据中心为支撑的数据存力与飞轮构建才是拉开模型差距的关键砝码。

## Detailed walkthrough ### [00:00](https://www.bilibili.com/video/BV19ana6AETc?t=0s) 国产模型的沉寂与海外梯队的狂飙

进入十月后，国内与海外的 AI 模型发展态势呈现出极其鲜明的两极分化。国内模型除了小米 MiLM 更新了端侧小模型、智谱 GLM 推出法律行业垂直模型之外，在降低推理成本、通用人工智能（AGI）、代码能力以及前沿科学能力等硬核赛道上几乎陷入沉寂。反观海外市场，模型更新密集到“刷屏”的程度：OpenAI 的 Codex 保持高频迭代；Anthropic 连续推出 Claude 3.5 Sonnet 与 Haiku 等版本，并预告 Opus 3.5；扎克伯格带领 Meta 的 Llama 系列模型重回第一梯队，特别是在结合 Facebook 生态的人性化交互、私人办公及消费导向场景中，实际体验甚至被认为不输顶尖闭源产品；此前沉寂近一年的 Google Gemini 强势回血；马斯克也紧接着通过 Grok 的持续迭代，并将 Grok 能力与 Cursor 深度统一。

在反映人类盲测偏好的 LMSYS Chatbot Arena 榜单中，此前表现出色的国产模型几乎已被挤出最前沿的竞争区间。即使在开源领域，Meta 及欧洲初创团队的新模型虽然仍略逊于最顶尖的闭源基准，但其与头部 Anthropic 模型的距离，已经显著小于国内 DeepSeek 等代表作与海外顶尖闭源模型的距离。整个十月上旬，堪称国内大模型在口碑、体验与稳定性竞争中最艰难的一段时期。

面对模型之间迅速拉开的代际鸿沟，马斯克在近期的公开表态中点明了一个核心议题：为何模型的工程体验与泛化能力的差距会拉得如此巨大？主讲人分享了一个极其具体的跨领域案例。团队的戴铭老师写了一篇佛学风格、对仗极其工整严谨的“偈子”，想要找 AI 辅助审校润色并提修改意见。主讲人最初调用了背靠全网图书、学术文档与 YouTube 语料的 Google Gemini，Gemini 给出的反馈中规中矩，指出了一些表层细节，但戴铭老师觉得模型并未触及佛学内核。随后，团队另一位老师将相同的文字输入了 Claude 3.5。

```mermaid flowchart LR accTitle: 模型处理佛学偈子能力对比 accDescr: 对比 Gemini 与 Claude 在理解和批改晦涩佛学偈子时的表现差异。

A["原始输入：深奥晦涩的佛学偈子"] --> B["Google Gemini"] A --> C["Anthropic Claude"]

B --> D["高中生 / 大学生水准 （仅停留在文字表面润色）"] C --> E["硕士 / 博士生水准 （直击玄机佛理，洞察文本内核）"] ```

戴铭老师在看完 Claude 给出的一一对应的修改批注后直接拍大腿叫绝，激动得几乎要跳起来，直呼：“这个说的太好了，我确实该这么改，这个确实是我想错了，他怎么能想到这儿？”主讲人感叹道：

> “戴铭老师跟我说的原话是，Claude 的输出的内容差不多应该是大学生的等级，如果 Gemini 是高中生实力或者说 Gemini 如果是大学生，那么 Claude 起码是博士生或者是研究生实力，起码差了一个大阶段的学历水平。”

- 10 月初海外顶流模型（Anthropic Claude 系列、OpenAI Codex、Meta Llama 系列、Google Gemini、xAI Grok）集中更新，形成密集攻势。 - LMSYS 盲测竞技场中国产模型排名滑落，开源与闭源双线均面临海外竞品的极限施压。 - 戴铭老师开玩笑称“Claude 是有修行的”，团队甚至将 Claude 的官方玩偶当作追求学问精进的吉祥物。

---

[05:00](https://www.bilibili.com/video/BV19ana6AETc?t=300s) 具身智能的困局与“赛博黑工”的本质

马斯克曾断言，在全球 AI 迈向第三阶段的过程中，真正能坐在核心牌桌上的可能只有两三家公司。要理解这种断言，必须厘清大模型演进的阶段逻辑。大模型的第一阶段是“全网文字吞吐期”，通过投喂海量互联网现成语料与图书，让模型掌握统计概率上的语言泛化能力；而第二阶段拼杀的关键，则是模型对底层“代码”（Code）的理解与自我重构操作能力。

为了说明高质量物理世界数据有多么匮乏，主讲人播放并解析了一段关于“机器人数据采集工厂”的调查视频。在当下的具身智能热潮中，出现了一种近乎魔幻现实主义的产业怪相：从年轻工人到退休老人，头戴全景摄像头和动作捕捉传感器，一边干活一边录制操作轨迹，沦为教机器人干活的“赛博黑工”。

```mermaid flowchart TD accTitle: 具身智能数采工厂的商业飞轮与技术风险 accDescr: 描述数采工厂从设备采购、数据录制到回购协议及面临技术路线变更的闭环与风险。

subgraph RealityRisk["现实执行困境"] F --> R1["工头组织工人穿戴设备遥控做工"] R1 --> R2["数据格式与验收标准未统一"] R2 --> R3["技术路线一旦迭代，数据直接贬值成废铁"] R3 --> R4["下游未起量，真机闲置，数据滞销"] end ```

行业测算显示，当前全球训练机器人所需的真机高质量操作数据仅有 50 万小时左右，距离智能涌现所需的量级差之甚远。截至今年 6 月底，全国已建成 70 家此类数采工厂，另有 46 家在建或规划中。一些创业团队算过一笔账：采购 100 台机器人耗资 5000 万元，每月产出 1 万小时实操数据，按每小时 700 元以上的市场售价，理论上只需 8 个月即可通过机器人公司的“数据回购协议”收回成本，双方还能凭空做出两笔漂亮的营收流水。

然而现实极为残酷：机器人的端到端算法、传感器格式与验证标准日新月异，一旦基础模型架构变更，此前花费重金采集的动作轨迹数据就会瞬间归零贬值。绝大多数机器人研发公司根本还没走到大规模现金采买数据的阶段，导致数采工厂的机器人大量闲置生锈，中间商手握数据却找不到任何买家。

- 行业共识认为高质量真机多模态轨迹数据处于极度匮乏状态（现存仅约 50 万小时）。 - 全国已建成 70 家数采工厂，46 家在建，背后暗藏设备绑定与数据回购的资本游戏。 - 具身智能之所以无法融入日常生活，根源在于机器完全不具备对物理世界“力度、平衡、端平倾角、触碰位移”的常识性认知，而这部分物理交互在人类历史中从未像代码与文字那样被大规模数字化。

---

[10:00](https://www.bilibili.com/video/BV19ana6AETc?t=600s) 统计学的跃迁：为什么第一阶段拉不开差距？

当前的 AI 革命本质上并不是在大山深处炼成了某种神秘法术，也不是模型真正通晓了天地灵性，其本质是“统计学与数据科学的大成”。主讲人通过神经网络可视化模型解释道，所谓模型能力，就是海量数据在多层嵌套的权重节点之间进行概率分布与正向推导，前端输入的是高密度数据，后端输出的是匹配结果，中间则是极其庞大精密的统计学概率计算。

在模型演进的第一阶段（即以 ChatGPT / GPT-3 为代表的纯文本 Chatbot 阶段），全球模型的技术底色拉不开质的差距。全网公开的网页、论坛、学术论文与百科语料是平等的，当所有人把这些现成存量全倒进参数“大缸”里之后，大家都达到了“像人一样说话”的门槛。早期大众惊叹于 GPT-3 的拟人感，但如今这种基础对话能力已经彻底开源化、白菜化，甚至十几亿参数端侧小模型都能轻松实现。

在第一阶段的存量消耗殆尽后，大家无非拼的是谁在细分小语种上收录更全。例如 Google 在偏门非洲海岛语言或冷门地方方言上极其出众，是因为它坐拥全球网络搜索抓取的基础文档，被戏称为“超级大豆包”。但当全球各大模型厂商把公开文字全部吸收殆尽时，大家在百米赛道的 100 米终点线前几乎是齐头并进的，谁也没法真正甩开对手。

- 第一阶段的核心是公开网络非结构化文本的穷尽式吞吐。 - Chatbot 阶段的同质化极高，任何参数达标的开源模型都能复刻初代 ChatGPT 的语言组织感。 - 模型之间在第一阶段的微小差异，仅仅取决于对长尾专有语料（如小语种网页、公开文献库）的抓取覆盖广度。

---

[15:00](https://www.bilibili.com/video/BV19ana6AETc?t=900s) Anthropic 的突围密码：顶级程序员的“免费灵气反哺”

真正让 Anthropic 彻底拉开身位、扛起行业大旗并持续霸榜整整一年的，是它在第一阶段末期点开的一个“极为诡异却致命”的技术天赋点：深耕编程与代码生成。

模型要想实现跨越式演进，单纯等待人类投喂现成知识已经无法维系。当人类社会的公开文字之水已经把水缸灌满，下一步要做的不是把水缸被动做大，而是必须将这个水缸改造成一套具备自驱能力的“全自动采水系统”——它必须具备钻井深入地下勘探水源、以及蒸馏吸收空气中微小水汽的自进化能力。而支撑模型理解逻辑结构、自我查漏补缺、执行自我编译和自动化优化的关键杠杆，就是代码。

```mermaid flowchart TD accTitle: Anthropic Claude 的代码数据自进化飞轮 accDescr: 解释全球顶级程序员如何作为免费标注者，推动 Claude 模型形成马太效应闭环。

在这条路线上，全球科技圈出现了一个极为恐怖的马太效应闭环。近一年来，全球绝大多数顶尖软件工程师、架构师在实际工作中只信任并使用 Claude 3.5 Sonnet / Opus 进行全自动或辅助编程。这些顶尖开发者的真实日常编码，构成了全人类智商密度最高、逻辑链条最严密的数据集。如果单纯去商业市场上采买或雇人标注同等量级的代码数据，成本是不可承受的天文数字。

全球最聪明的大脑在每天的工作流中，以完全免费的方式充当了 Claude 的交互标注员，将最纯粹、最优质的逻辑执行轨迹、错误修复过程及工程经验“反哺”给模型。主讲人打了个形象的比方：

> “相当于这个世界最聪明的人一起把自己的灵气或者是这个世界最有灵力的部分持续输入灵力给他，甚至他灵力溢出到都不需要要中国的灵力，他就是全世界的其他其他领域的灵力给他就够了。”

- 互联网公开水资源耗尽后，竞争核心转变为“改造水缸形态”，要求模型具备钻探地下水与蒸馏空气的自进化能力。 - 全球软件开发领域对 Claude 形成了极强的生产力路径依赖，竞品在代码场景几乎无法与其抗衡。 - Anthropic 避开了高昂的静态标注采购，依靠全球一线程序员在真实业务交互中沉淀的执行链条，完成了最高阶逻辑数据的动态回流。

---

[20:00](https://www.bilibili.com/video/BV19ana6AETc?t=1200s) RSI 自我递归与数据蒸馏的战壕攻防

为什么一个在代码领域登峰造极的模型，在去写佛学偈子、画网页前端、写诗、做设计审美乃至声音逻辑推导等看似毫无关联的领域，同样能展现出碾压式的代际优势？

原因在于代码赋予了模型最极致的逻辑推演能力和自我工具重构能力。它不仅把水缸灌满了，而且它的“铲子”比所有人都硬。它利用强大的代码能力作为基础骨骼，去蒸馏、消化和重塑其他所有领域的复杂数据。这种能力的终局，指向了一个在 AI 体系中极其关键的技术奇点——**RSI（Recursive Self-Improvement，模型自我递归）**。

当模型的自我编程与逻辑纠错能力强到一定阈值，能够彻底接管人类算法工程师对其进行的日常数据清洗、对齐和训练管线优化时，整场大模型竞赛就将提前宣告终局。眼下，以 Anthropic 为代表的先锋团队正在步步为营地逼近这一临界点。

主讲人强调，大模型领域的核心壁垒绝非单纯依赖某一个天才少年或明星算法工程师。前不久国内月之暗面（Kimi）一位少年成名的年轻天才离职引发行业哄抢，但这并不能从根本上扭转大局。模型与模型之间不可逾越的鸿沟，从始至终都是数据密度的差距。为了获取高质量数据，国内某些电商大厂曾搭建过数十万个自动化账号矩阵，对海外顶级模型进行 24 小时高强度并发蒸馏调用。

面对这种系统性的“偷师”，海外阵营打响了严密的反制战。今年 10 月 14 日前后 Anthropic 发布的论文及公告明确指出，通过其风控与对抗系统的升级，来自竞对阵营的非法数据蒸馏调用量已被削减了 99%。主讲人总结道：

> “真真正正在所有的模型领域中拿数据者拿天下，谁拿数据谁牛逼。”

- **RSI（模型自我递归）**：指模型编写与优化自身代码的能力超越人类开发人员，实现全自动迭代，该节点的突破被视为胜负已定的分水岭。 - 人才流动（如 Kimi 天才高中生的转会）虽受瞩目，但对模型基础能力的决定性影响远弱于优质数据源的争夺。 - 海外头部厂商已对工业级反向数据蒸馏展开全面技术封锁，单月封堵了高达 99% 的自动化窃取流量。

---

[25:00](https://www.bilibili.com/video/BV19ana6AETc?t=1500s) 巨头的数据困境与字节跳动的视频杀手锏

若单纯论拥有“数据”的绝对数量，Google、腾讯、Meta、苹果等科技巨头理应无敌，但为何它们并没能建立绝对的智能代际壁垒？主讲人拆解了数据背后的两重致命陷阱：

1. **公开数据缺乏护城河**：以 Google 的搜索日志为例，早在多年前就被各类爬虫互相对爬殆尽，且用户搜索行为本身没有与强推理反馈绑定，很难判定该数据是否由真实人类产生或具备高推理价值。 2. **私有高价值数据不可碰触**：微信聊天记录、Facebook 社交图谱、苹果私有设备日志虽然蕴含人类最真实的交互细节，但这是巨头安身立命的商业底线，受制于隐私法规与用户信任危机，没有厂商敢公然拿去灌装大模型。

更重要的是，数据不是简单粗暴地塞入模型就能产生智慧。主讲人给出了一个通俗的高考类比：

```mermaid flowchart LR accTitle: 高考卷子学习逻辑 accDescr: 解释高质量数据与有效评估标注对模型泛化能力的必要性。

subgraph RawData["无效投喂"] A1["全中国的高考空白卷"] --> B1["直接投喂给模型"] B1 --> C1["无法形成推理与高分泛化"] end

subgraph StructuredData["有效数据闭环"] A2["考生答题卷（真实行为）"] --> B2["特高级教师逐题打分与纠偏（权威评估）"] B2 --> C2["形成对齐数据集"] C2 --> D2["模型真正消化并获得高阶推理能力"] end ```

如果仅仅把全中国的高考空白卷子，甚至所有考生的作答草稿全扔给模型，它根本考不出高分。模型要真正变聪明，必须包含两个核心结构：第一部分由学生产生真实的推演轨迹与答题数据，第二部分由经验极其丰富的高级教师给出严谨的打分、评注与纠错。只有当“行为数据”与“判别数据”结合在一起形成反馈闭环，模型才能消化出泛化智能。

这一原理完美解释了国内不同厂商在细分领域的极端表现。例如字节跳动在自然语言大模型上并未一骑绝尘，但其推出的视频模型（如基于火山引擎的 Seaweed 等模型系列）却能与海外顶尖产品正面硬刚甚至在多项指标上拔得头筹。

字节跳动能够压制海外如 Sora、Google Veo 等竞品的原因，不在于它掌握了多少原始视频，而在于抖音庞大而严酷的“内容审核与合规标注体系”。做过自媒体的博主都深知抖音审核标准的严苛与细致，字节在长期业务中沉淀了全世界规模最大、训练最专业的人工审核与多维度视频标注团队。他们能将一段视频的动作流畅度、物理连贯性、人体美感、情绪转折乃至违规细节打碎成机器可读的结构化评测标注数据，正是这群庞大的专业“数据精炼人员”，铸就了其视频生成模型的代际壁垒。

- 巨头拥有的通用搜索数据同质化严重，而私域社交数据受制于法务和隐私红线无法作为训练燃料。 - 高价值数据必须由“执行轨迹”与“权威打分反馈”两部分共同构成，单一原始语料无法诱发逻辑泛化。 - 字节跳动视频模型的突围，本质上是抖音工业级审核/标注管线向视频生成领域的降维赋能。

---

[30:00](https://www.bilibili.com/video/BV19ana6AETc?t=1800s) 终局格局：灵力外溢下的不可逆断层

回看整个人工智能的基础设施建设，市场表象是算力显卡涨价，但底层最深层、涨幅最夸张的其实是存储、内存、高吞吐硬盘以及像甲骨文（Oracle）这样全力押注数据中心基建的供应商。算力固然不可或缺，但在模型架构逐渐趋同的今天，真正拉开代际差距的致命砝码依然是数据。

在主讲人构想的模型竞争图景中，头部模型就像一枚能够无限进化的“灵童”，而高质量数据就是它赖以羽化登仙的“天地灵力”。Anthropic 在上一阶段极其敏锐且决绝地把注码全押在代码上，通过汇聚全球顶尖程序员的真实编程反馈，率先将自己的数据闭环做成了一个具备自进化机制的永动机。

```mermaid flowchart TD accTitle: 大模型竞争代际分层格局 accDescr: 展示头部自进化模型与下游追赶者之间的单向数据外溢与跟随关系。

subgraph FrontierTier["前沿破局梯队 (Anthropic Claude / OpenAI)"] H["掌握核心代码场景自进化飞轮 （RSI 递归优化中）"] end

subgraph Spillover["单向数据与经验释放"] H -->|"前沿踩坑与模式探索"| Out1["开源社区基准与架构参照"] H -->|"普通用户交互产物"| Out2["合成数据与下游微调素材"] end

subgraph FollowerTier["追赶梯队 (国内主流模型 / 海外常规闭源)"] Out1 --> F["依赖外部数据与跟随式迭代"] Out2 --> F F -.->|"难以跨越的数据飞轮壁垒"| H end ```

这种格局最残酷的地方在于，模型排位赛几乎失去了“交替领先”的悬念。在常规竞争中，国内模型可能会在特定时间段与 Google Gemini 或马斯克的 Grok 互有胜负、交替靠近；但面对处于金字塔尖的 Anthropic 和 OpenAI，后发者几乎从未完成过哪怕一次并线超车，反而眼睁睁看着彼此的差距在 10 月初越拉越大。

头部模型在前面不计成本地趟路，其日常释放出来的推理产物和人类交互记录，反过来成为了后发梯队构筑自身后续训练集时不可或缺的养料。这种“单向数据外溢”进一步坐实了不可逆的代际断层：

> “可能这就是主旋律了，Claude 在前面，后边其他的模型在后边跟，即使未来我们的显卡跟上了、算力跟上了，数据是不是被他们拿的足够多，或者他们的产生数据能力会不会已经足够强，这已经不好说了。”

眼下，国内几乎所有模型团队在经历了 10 月的震撼后，也都开始掉转车头疯狂向代码领域发力补课。然而，在前锋已经开始迈向模型自我递归（RSI）的节点上，留给追赶者摸索和缩小差距的窗口期，正在被残酷地压缩。

- 显卡算力只是硬门槛，以内存、高速存储和数据中心为载体的数据存力才是拉开差距的最终胜负手。 - 全球大模型竞争格局已失去交替互搏的拉锯感，呈现出前沿“单向趟路外溢数据”、后发“依赖外溢反哺跟随”的单向断层。 - 2024 年下半年国内模型团队全线转向代码能力攻坚，本质是对海外巨头“以代码驱动自进化飞轮”路径的紧急战略对齐。

## Notable quotes > [20:00](https://www.bilibili.com/video/BV19ana6AETc?t=1200s) 真真正正在所有的模型领域中拿数据者拿天下，谁拿数据谁牛逼。 — 主讲人

## Mentioned 小米 MiLM, 智谱 GLM, OpenAI Codex, Anthropic, Claude 3.5 Sonnet, Claude Haiku, Claude Opus 3.5, 马克·扎克伯格, Meta, Llama, Facebook, Google, Google Gemini, 埃隆·马斯克, xAI, Grok, Cursor, LMSYS Chatbot Arena, DeepSeek, 戴铭, YouTube, 月之暗面 (Kimi), 腾讯, 苹果, 微信, 字节跳动, 火山引擎, Seaweed, Sora, Google Veo, 抖音, 甲骨文 (Oracle)

## Video description 什么样的数据，才能帮助模型持续进步？ ① 看质量：数据的准确性、相关性和覆盖范围，都值得关注。 ② 看反馈：任务过程、错误记录和评价结果，能提供进一步优化的线索。 ③ 看场景：代码、视频和现实动作，需要不同的数据来源与评估方式。 ④ 看实际效果：选择模型时，用自己的任务比较结果，别只盯着榜单和宣传。理解模型竞争，也要看数据如何被获取、整理和验证。对从业者来说，判断数据好坏，本身就是值得积累的能力。

[Source](https://www.bilibili.com/video/BV19ana6AETc)

中文简报

Anthropic借顶级代码反馈拉大AI代际差，国产模型陷单向跟随困境大模型竞争的终极壁垒在于顶尖真实交互与专业判别反馈构建的自进化飞轮，随着海外先锋逼近模型自我递归，后发梯队面临难以逆转的数据断层风险。视频深入剖析了10月以来国内大模型与海外头部梯队（如Claude、Codex）差距被急剧拉大的底层原因。主讲人指出，基础对话的公开语料红利已经耗尽，算力仅是入场门槛，真正拉开代际差距的核心壁垒是高逻辑密度的数据与反馈闭环。Anthropic凭借顶尖程序员的真实编程交互构筑了自进化的“采水系统”，正逼近RSI（模型自我递归）的技术奇点；而字节跳动在视频模型上的突破，同样印证了工业级专业标注体系对模型能力的决定性赋能。这种数据飞轮的单向外溢，正在让全球AI竞技格局形成难以跨越的代际断层。 10月海外大模型（Claude 3.5、Llama、Gemini、Grok）高频集中迭代，而国内模型在通用推理与代码硬核赛道陷入相对沉寂，LMSYS盲测榜单中差距进一步拉大。 (0:00) 具身智能面临真实物理轨迹数据极度短缺（全球高质量真机数据仅约50万小时），国内盲目新建的70余家数采工厂因缺乏统一标准和技术路线易变，面临数据贬值与真机闲置风险。 (5:00) Anthropic凭借Claude在代码领域的极致性能，吸引全球顶尖工程师日常高频使用，免费沉淀出智商密度极高的逻辑执行轨迹与纠错数据，构建起强大的自进化飞轮。 (15:00) 海外头部厂商已通过风控系统封锁高达99%的竞对反向蒸馏流量，大模型竞赛的分水岭正加速逼近模型自我递归（RSI，Recursive Self-Improvement）的技术临界点。 (20:00) 高价值训练数据必须兼备真实执行行为与权威评估反馈；字节跳动在视频生成模型上的优势，本质源于抖音多年沉淀的工业级专业审核与多维度标注管线降维赋能。 (25:00)

Reading summary

主讲人认为，大模型竞争的核心瓶颈不在于公开语料或单一算力，而在于由高阶执行轨迹与严格判别构成的优质数据闭环；Anthropic 等前沿团队凭借在代码能力上的早期突破，吸引了全球顶尖开发者的真实反馈并借此迈向自我递归，导致追赶梯队与行业先锋之间拉开了难以逆转的代际断层。十月分化与第一阶段同质化终结 (0:00) 进入十月后，海外 Anthropic、OpenAI、Meta、Google 及 xAI 等模型密集发布并拉开代际差距，而国内大模型在 LMSYS Chatbot Arena 盲测榜单中排名滑落。以佛学偈子的润色为例，Google Gemini 仅能停留在表层文字修饰，而 Claude 3.5 则能直击佛理内核，被主讲人团队评价为“高中生与博士生”的认知水准差距。主讲人指出，大模型第一阶段的核心是吞吐全网公开文本，技术本质为统计学概率推导。由于公开网页、论坛与百科语料对各家厂商基本平等，基础对话与拟人化能力已彻底白菜化。当这批现成存量被消耗殆尽，单纯依靠抓取冷门语料或做大参数量，已无法继续拉开质的差距。代码杠杆与顶尖程序员的自进化闭环 (15:00) Anthropic 建立代际优势的关键，在于其在第一阶段末期重点押注代码生成能力。当公开文字耗尽后，模型必须从被动接受投喂的“水缸”转变为能够自我编译、查漏补缺的“全自动采水系统”，而代码正是驱动这种逻辑重构的关键工具。这一路径触发了显著的马太效应：全球大量顶尖架构师与程序员将 Claude 视作主力开发工具，其在高强度日常实战中的真实调试、重构和纠错反馈，构成了智商密度极高的数据集。这相当于全球顶尖人才免费充当了高阶标注员，为 Claude 提供了源源不断的动态逻辑反哺，免去了高昂的静态数据外采成本。 RSI临界点与反向蒸馏的工业封锁 (20:00) 主讲人强调，代码带来的严密逻辑能力不仅限于编程，还能跨界迁移至文案、审美推演乃至复杂数据重塑。该能力的终局指向“模型自我递归”（RSI），即模型编写与优化自身训练管线的能力超越人类工程师，一旦跨过该临界点，模型演进效率将发生质变。相比明星算法研究员的个体流动，决定模型壁垒的核心始终是数据密度。为了弥补差距，部分国内厂商曾通过数十万个自动化账号矩阵对海外顶级模型展开 24 小时高并发数据蒸馏。然而 Anthropic 在 10 月中旬发布公告与论文证实，通过升级风控与对抗系统，已将来自竞对阵营的非法蒸馏调用削减了 99%，封死了工业级“抄作业”的捷径。行为与判别：巨头困境与字节突围 (5:00) 拥有海量原始数据的科技巨头并未天然形成智能壁垒，原因在于通用搜索日志缺乏深度推理反馈，而社交与设备私域数据受制于隐私红线无法用于训练。主讲人以高考做比喻：直接投喂空白卷或学生草稿无法让模型变聪明，必须让“考生的真实推演行为”与“特高级教师的打分纠偏”形成闭环，才能诱发泛化智能。这一规律在具体赛道上得到了验证。具身智能领域目前面临严重的数据荒，全国数十家数采工厂靠人工穿戴设备录制轨迹，但受限于技术路线更迭和缺乏物理交互常识，数据面临滞销与贬值风险。相反，字节跳动的视频模型之所以能抗衡海外顶尖竞品，关键并非原始视频库，而是抖音长期业务中沉淀的专业内容审核与多维度标注管线，由专业人员将连贯性、美感与细节打碎为机器可读的高质量判别数据。主讲人总结认为，算力与显卡仅是准入门槛，数据中心的高吞吐存储及背后的高质量数据才是终局胜负手。目前海外头部模型已凭借代码飞轮形成了单向数据与经验释放的格局，国内团队虽全线转向代码攻坚，但在前沿已逼近 RSI 的背景下，追赶的时间窗口正被急剧压缩。

Source quotes

[20:00] 主讲人: 真真正正在所有的模型领域中拿数据者拿天下，谁拿数据谁牛逼。

Original transcript

[0:00] 派贝首先说一下本周的AI的大事件首先第一件事情就是我们的国产模型国产模型这个词有点奇异国产模型从10月1号开始到现在基本上都陷入了低调根本就没有任何的更新除了小米的Memo更新了一个小模型以外剩下的全都是一些比较小众的东西比如说质朴GIM出了一个法律模型好像就没有什么然后了他也并没有追过什么成本或者说也没有追过一些什么AGI代码能力啊什么科学能力都没有所以你可以发现就是差不多在10月1的前后基本上全都是国外模型的这个基本上刷屏除了我们常见那个Codex连续28天更新或者说那个Cloud然后他就更新了这个Opus 5.5然后Sony 5.5Haku 5.5紧跟着要Fibbo要更新5.5以外好像国外的所有模型都在一瞬间就被激活了举个例子啊比如说扎克伯格的扎克伯格结果也带着自己的Muse然后重新杀回来的第一梯队甚至据说在使用体验上在人化体验上不输Opus 5.5甚至在有一些领域中尤其他对接他自己的Facebook比如说在私人办公包括一些什么买东西的领域中其实比Opus还要好用这是我在国外的朋友跟我说的另外就是谷歌也是销声匿迹了一年时间的谷歌也带着自己的谷歌也重新杀回了竞争第一梯队然后马斯克也是紧跟着跟上包括GROC 4.6然后包括把所有的GROC的领域加上Cursor的领域进行一个大统一所以比较起来你们可以看到LM Arena就是人肉使用榜单里边我们自己通过自己的使用然后你觉得哪款模型最好用的领域中基本上都已经把所有的国产模型都踢出去了不仅在B原领域中把国产模型踢出去了你也可以看到还有一个小新闻你们可以去搜一搜就是在开源模型领域随着Meta又重新做了一款自己的小模型自己模型的一部分开源的能力然后开源的版本然后加上另外还有一家什么公司想不起来的好像是欧洲的家公司也在做开源模型虽然比我们的模型要差一点但是绝比我们模型距离头部的Anthoropic模型要近你可以理解为第一名是Anthoropic那些低梯队最顶级的deep seek的差距远比我们deep seek到他那些开源模型的差距要大得多这是上周的新闻基本上如果你要是关注尤其是模型与模型之间的战争的话你就该发现上一周应该是中国模型领域的一片最黑暗的一周时间基本上就是全都是外网的模型刷屏然后不论使用体验稳定性效果都在疯狂刷屏除此以外还有几个小新闻也供大家补充一下你们的信息源然后我跟你们说的这些东西作为一个你们可以搜索的话头然后可以去问你们自己的AI模型然后补充你们感兴趣的部分那首先呢还有几个事首先第一个事情就是这是我看到的马斯克在一次发布会里边说他说为什么现在模型之间差距变得如此之大而且很多的模型使用体验也好或者说在整个的工程体验也好能差别的很大我不知道你们有没有这种感觉如果你们最近用过OPS 5.5就是这个Cloud的这个版本的话你会惊奇的发现领域中所有领域中都是最好的有一些领域咱们大家其实都知道举个例子比如说我们说代码领域大家都骑马都会坐个提呼骑车你一看好不好咱们都知道但有些领域其实我们是不知道的我举个例子上周五上周几大鸣老师他写了一篇那个叫寄语叫寄语一个单力人一个佛家的一种不知道反正就是专门的一种说法就类似于像几言绝句那种诗词一样那种东西还写的挺对账的肯定一点都不懂啊然后他写完了以后呢我在拿AI工具帮他提意见我当时晚上凌晨的时候我在跟男朋友老师说这个东西的时候他说哎呀我这个也不知道写的好不好我也想找别人提高那有没有什么AI能帮我去看一看呢然后当时我第一开始先是饶有兴致的把那个Gymna掏出了因为他一背背靠着谷歌的这个大量的内容对吧不论YouTube也好谷歌谷歌 docs就谷歌文档啊谷歌书籍啊他肯定是理解文字最好然后我用谷歌把他的所有写的东西输入进去然后谷歌帮他调一调问题然后他看了看大概说说这块挺有意思的这块写的完全不行这个东西其实还是这块我觉得他完全没懂我在说什么我觉得这块他说的不好当时我就觉得可能确实有点意犹未尽虽然他说确实挺好用的以后我估计还是会用谷歌然后会用这边的阿杠是吧然后我觉得还可以但是紧跟着继子对吧继子不好意思啊然后紧跟着我们就有老师是吧然后在后边他拿着自己的 [5:00] OPS 5.5我在给大名老师装AI工具的时候我就没装Cloud因为我就觉得咱们不是看不起它你反正非像我们这种非行业前沿弄朝尔的话我觉得其实没必要去研究Cloud倒不是说它不配用主要这玩意你生不起气是吧你弄了那么多东西你文档发那么多你一不小心因为什么东西网络问题你就被封了我觉得这还是太麻烦了我就没给他装其他的我都装了什么GPT呀爱马仕装Deep-seek呀什么minimax呀Grogbot呀除了Cloud以外全装了然后我没有老师呢就专门拿Cloud好像文字输入进去了输入完了以后你知道那个什么感情就他真的拿那个看了以后直拍大腿我就感觉到如果不是这边旁边很多老师在这跟他说东西他还是得注意点形象的话他要蹦起来了他说这个说的太好了我这个他说的太好了我确实该这么改这个确实是我想错了哇这个我没有想到这他怎么想到这了哎这块我因为我看不懂吗他里边说那个点然后都是那些佛家那些对账的东西我认为其实Cloud他应该没有输入相关的佛学相关的数据吗我完全不懂他的说什么但是我能看他的表情就完全是眼睛里放的光然后然后他甚至都考虑到他说这个东西到底怎么用啊是要是要出国用吗那不行我就出国一段时间我在研究研究东西好多东西想学原话是cloud是有修行的就这件事情让我反正很震撼咱们不懂啊因为完全跟我的学术领域是完全不相关的我只能说比如说设计领域中我觉得cloud的审美确实也不错我们大家都能看出来cloud生成东西尤其是网页前端和gbt前端但是这个东西因为大家都接触其实谁也都能看出来但在非你们理解的领域就比如说像这种我觉得像中国的佛学相关内容他输入的信息怎么可能比Jim Knight多呢数据怎么可能比GM9多呢但是事实上从结果论来说戴冰老师跟我说的原话是Cloud的输出的内容差不多应该是大学生的等级如果GM9是高中生实力或者说GM9如果是大学生那么Cloud起码是博士生或者是研究生实力起码差了一个大阶段的学历水平就完全是能入行的这种而且是完全能用很多东西他都觉得确实是应该按Cloud的改然后几乎在看完Cloud的所有内容中他没有任何的问题就没有说任何说Cloud这里边说的有什么问题没有问题就是有些东西可能跟他想的有些偏差就他这么表达没问题的我这么表达也还可以但是感觉他跟我说是落落落落半个身位所以很好玩这件事情如果你们看我们团队合影那第一次合影是我们在那边合影第二次然后他就抱那个Cloud那个小玩偶说他说得抱着这个每天得得求求是吧对于他那个领域的学问能够更精进一些然后这是我跟你们说的从另外一个缩影也是从第三方的这种侧影来看出来那为什么会这样呢其实从上一周的马斯克大概提了这么一句话我觉得这句话挺恐怖的但其实是挺对的一件事马斯克说在全世界范围内目前在AI的第三个阶段或者说在下一个阶段里边真正上牌桌的一共就三家公司但我觉得他这个话说但是他说的一共有三家公司分别就是Cloud Codex然后以及他为什么这么说呢他说其实在现在的模型如果说我们说第一代的模型大家发现了预料就是说我们通过通过大量的数据我们说的话或者说我们我们大量的书籍给输入给他了以后他能泛化或者说延展出新的智慧来那么我认为如果那是模型第一阶段那么第二阶段拼的是什么操作代码的能力模型理解代码能力这边我要让你们看一个视频我们拿那个视频来看我们理解一下马斯克他到底为什么这么说这是当今现实中最赛博朋克的景象头戴摄像头一边干活一边录视频从工厂里的年轻人到退休年龄的老人他们正在给机器人卖命这是一门新兴的赛博生意机器人数据采集为了训练机器人需要采集大量真人实操的数据教机器人干活行业估算目前采集到的高质量数据只有50万小时而要达到智能涌现这两年各地兴建机器人数彩工厂,截至今年6月底,全国已建成70家,46家在建设和规划中。此外,民间还有更多买卖数据的中间商包工头闻风而动,串起了一张隐秘而庞大的利益网络。这些数据都是怎么采集的,真的有用吗?又卖了多少钱?我们找到多位从业者,这期视频就来揭秘数彩行业的内幕,还原热潮充的乱象。行业里定义的高质量数据需要真机采集,像这样,真人穿戴设备,遥控机器人干活,采集过程中真人的视觉画面和肢体的轨迹数据,这类大型数彩工厂, [10:00] 前沿技术的实验厂,一些参与方却传承了资本局中局。有数彩创业者跟我们算了笔账,数彩工厂采购100台机器人,每台按50万算,就要5000万。这些机器人每月大概能生产1万小时的真机数据,售价超过700元每小时,这样只需8个月,数彩工厂就能收回机器人的采购成本。有些机器人公司还会和数彩工厂签回购协议你现在从我这买机器人未来我就从你那买数据一笔钱转一圈双方都有了营收但现实没有算盘打的响机器人行业变化极快数据格式验收标准都还没确定一旦技术路线变化刚买的数据可能迅速变值多数机器人公司还没开始大规模采购数据一些数彩工厂的机器人长期闲置已经采集的数据也没找到买家那这个视频呢其实我知道你们说什么这不就是一些赛博黑工吗流水线螺丝钉的这种装配工人吧这个太低端了咱们不聊这个这不是我们今天要聊的话题但是认真听我说我想把刚才那个事件结合这个事给你们说清楚这次的AI革命这次AI革命无论你们怎么理解你们认为他真的是点了点了某一个什么深山老林里边的一个什么什么神奇的法阵或者说跟天地万物沟通获得了几千年的道行修行也好无论你怎么理解其实说实话这次的AI其实是统计学以及数据学的崛起它就是有大量数据堆砌以后,它能够通过大量的概率分布,最后得到一个某一个具体的结果,大概是什么东西呢?我们来看一下,我这次找了一个视频,极其无敌的直观的给你们看一下,大概是什么样子。这个其实大概的模拟一下神经网络里边的效果什么意思就大量的数据通过大量的节点大量的判断多层嵌套最后能够推导出最后的几个结果来判断你想说的东西到底是什么数据是最前端最后实现的效果是最后端中间有大量的概率大量的分布就这样的东西数据学或者统计学的一个最后变成一个大成的结果所以你理解现在的东西就是我们看到国产模型如此落后国外模型如此领先或者说就这几家模型如此领先的原因很简单马斯克说到底是什么为什么这个世界只有2.5个玩家两个真玩家0.5个半玩家是什么意思在一开始的时候我们所输入的数据大量都是文字数据互联网的基础数据那个时候的模型刚刚能做到像人一样沟通很轰动世界了GPT3当时全世界都觉得哇这个东西太理解我了甚至一瞬间我都难以理难以判断它是真人还是AI当然现在GPT3那种技术已经烂大街了任何一款开源模型甚至小模型都能做到那个效果但当年确实很轰动但是在第一个阶段以后大家已经把所有的互联网里边的文字语料输入完了以后大家基本上都陷入到了一个平静期谁与谁的差别都不是很大那个阶段就叫Chatbox其实都是聊天机器人都是聊天的在这个阶段没差之后很多你想推进那不过就是你的数据稍微多一点或者你在某一个领域比如说你专门去聊法语你专门聊某一个什么毛利求斯什么某一个非洲小岛或者某一个极其偏僻的小岛里边的语言你很厉害那这个你们可以去打听谷歌在这方面就很厉害它在某一些极其小众的这个世界完全没有人会的那种语言里边很厉害因为它有全世界的语料所以我们经常会说谷歌是超级大豆包为什么呢就是它有全世界的所有的数据文档有些文档我们大家都能学到有些文档只有它独家掌握所以它在语言能力上很强好的这个阶段到这停所有的模型你可以理解啪到这然后我们跟上我们跟上我们跟上跟上跟上到时候都停了大家都都在这个第一阶段100米大家都换装备这个阶段大家都停了所以谁与时间的差距都差不了多少为什么插开插军了对了第二阶段只有Athropec往这里边点了一个奇怪的天赋点你可以认为它是第二个领域中为什么这家公司脱颖而出了为什么Athropec这家公司重新扛起了AI真正绝对的大旗Athropec这家公司基本上已经霸榜一年了所有的模型争的都是它的次旗带模型为什么呢是因为Athropec在当年他很诡异的点了一个奇怪的天赋点就是程序员你要想让模型下一步再往常走你把人类的所有预料输给它还远远不够你需要让它能够 [15:00] 自我的去查那些我们还没有输入的信息自我的去迭代自己能力这就需要他能够自己去优化自己换句话说他原来就这么大的钢我们把所有的水都往里面倒倒完了以后下一步你就要把这个钢变成自动化可以碳碳地下的水挖井碳地下水以及吸收蒸馏天上空气中的水因为可见的水都已经把它输入完了下一步你不论把钢做多大都没有用改变钢的形态把它变到可以钻井可以蒸馏可以去吸收空气中的水换句话说就是完全不一定的不一样的下一个领域了那么在这个领域中只有Athrope这家公司他在一开始的时候打了这个方向也就是说他往程序员这个方向走包括Codex也这么走过当时没有CodexGPT也这么走过那这个东西你说老师那为什么只有他这个玩家呢因为差不多将近半年还是一年之的时间十年之内全世界的大量的开发包括大量的代码包括大量的程序他们只用Anthropic Opus 4.6 4.7甚至到今天为止程序而写代码还是大量用的是Opus的这个版本他就会越拉越开这个巨神智能领域我们现在说机器人为什么不能到我们身边中帮我们解决生活中的日常问题原因就是他根本不了解现实生活中物理世界的这些包括它的肉体怎么去使用包括它的什么每个碗怎么用它该用多少力度该用什么样的角度怎么去端平它什么是触碰然后什么是位移什么是平衡它都不理解为什么不理解因为表达文字类的东西早就被我们文字化或者语言化或者是代码化了早就放到网上了你非常轻易的可以给AI学习但是所有的动作相关东西我们没有评成专门的数据视频都只不过就这几年你说视频大家存了多少肯定不如文字不如书籍多所以你让AI去达到某一种泛化的这种东西最大的制约点就是没有好数据你们看到现在这种赛博黑工其实就是人类也就是我们现在希望聚身智能什么时候真的到身边了我们说机器人什么都到身边了那就是有大量的人带着各种各样的头衔去录自己的动作教AI教他学习无敌的灵童它有无限的上限它没有任何的心魔和限制器但问题在于你需要有无数的老师非常耐心的一点点教他他最后才能孵化成一个特别厉害的什么大能你也可以理解他就是一个有着一个可以吸收天地万物灵气的这么一个宝贝但是你需要把它放到灵气充盈的地方或者是不断的每一个人过来都给他输入点灵气他到最后才能孵化成功现在还是个胚胎形式那问题就在于从哪找这些灵气从哪找这些数据去那我们刚才看到赛波黑工是吧他们开始大量的通过录制评显的方法来教他那再绕回来再说那Athrobic他是怎么能够一记绝尘领先呢就原因就在于现在全世界的程序员都在用着他的工具作为他的我们的主推比如说公司里边就完全的无代码化我们希望让AI的编程这件事情在工作之中如果你们是程序员或者你们就算不是程序员你身边有程序员你问他一嘴就如果你现在希望用一个模型或者说用AI来代替你平常写代码这个工作你希望用什么模型肯定是Cloud的呀就是程序员这个领域中几乎就没有东西可以代替Cloud的或者说没有东西可以贴近Cloud的所有的程序员相当于免费在帮这个AI在教AI怎么写代码解程序注意这里边这些数据是单独需要集数据集在中心需要收费的但是cloud是有全球最聪明最顶级的程序员免费帮他去做大量的数据这个代码数据的这种这种优化什么样的数据好什么样的数据不好其实是非常简单的通过记忆就能存在cloud的整个的操作流程之中然后他就能重新反补优化cloud的能力这件事情极其的恐怖相当于这个世界最聪明的人一起把自己的灵气或者是这个世界最有灵力的部分持续输入灵力给他甚至他灵力溢出到都不需要要中国的灵力他就是全世界的其他其他领域的灵力给他就够了就是美国欧洲日本韩国东南亚什么这些地方的灵力给他就够了好的绕回来再说我来给大家解答一下为什么第二个阶段里边Cloud在所有领域都比较强你说老师我懂了他在代码领域中比较强但是为什么像刚才说的怎么怎么 [20:00] 怎么像比如说我们写一些佛学的记子之类的这种东西他反而也会强的你如果用过Cloud你就会发现他在所有领域中都强做视频做设计甚至让他去操作你的声音去做音乐工具去写诗写文章甚至让他去做逻辑判断数学什么领域都强为什么为什么很简单还是回到我们刚才说那个大钢那个理论当你把所有的钢都吸收完了以后Cloud是变化最多种多样的这个吸水器在别的吸水器只是把钢变得更大能吸收更多的水可以天上的雨水之后之外他由于开始点这种自己的自进化这个模块使得他的蒸馏空气中的水使得他攫取挖地地下水的能力变到全世界最强Cloud一方面在优化自己的铲子一方面由于自己的铲子不断变强又攫取了更多的数据两步使得他现在就一技绝尘他的速度他本来存量就高然后又把存量全部都用来增变成自己的增量了然后优化自己的获取增量的工具他本来水就多然后还变成吸水还把所有的水拿到的水都用来优化自己的什么吸水器上了那他现在就是一技绝尘而且目前来说马太效应而且越发加剧而且有可能就从现在目前看来好像距离我不知道你们什么感觉距离是越拉越大还是越拉越大起码从10月出头这点时间来看他距离是越拉越大了就他实在是太厉害了在各种领域中他都是这样那么我们说同学们那一直这样下去会怎么样他在玩命增加自己的吸水能力增加到临界点之后一旦跨越那个临界点这是他吸水能力变得极强以后他能爆水了那就真的就无敌了那就真的是赢了最后过了那一个节点就算赢了就已经算是提前宣告游戏结束胜利那是什么时候就是我们经常提的一个词叫RSI模型自我地归就是他已经达到那最后一步了就是我通过我的代码编程能力足够强直到他的编程能力可以代替其他训练他的人全部自动化去优化那么他就基本已经赢了然后目前我们看到的情况他正在有条不紊的往这个方向走中间可能还需要有一些东西比如说需要钱来存储这些水这些存储这些灵气或者需要一些什么各种部门的支持然后让他可以在大量的现实世界中再可以进行一些更复杂的采集有些东西可能还有一些东西的限制所以本质来说绕回来我说一下结论很多本质来说还就是数据的争夺到今天为止模型与模型的差距也就是数据的差距所以我不知道你们怎么看我们说这个模型的智慧比较厉害那个模型的人比较厉害我说句清楚点的话其实真真正正在所有的模型领域中拿数据者拿天下谁拿数据谁牛逼你说老师那里边一定是个特别牛逼的算法工程师老师你知道吗如果我从某个公司挖一个特别牛逼的大牛过来以后他是不是就能带着模型起飞这一周还有一个小新闻是我们Kimi的国产的Kimi的一个14岁入公司的一个天才高中生后来在Kimi也发过很多非常厉害的论文刚从Kimi离职的24小时之内挖走了你们可以搜搜这个新闻确实是有大量的人才争夺但其实这个都不是关键真真正正关键就是数据最近我们国产模型其实被就是被落的很多Cloud在差不多在今年的8月份左右他发了一个论文说他现在被中国的模型攻击惨了尤其是某中国电商大厂甚至构建了几十万个账号24小时不间断的争他的内容这件事情当时很多人去说你解决不了谁蒸留谁谁不是蒸留对吧很多时候都说了一个话但是这件事情他实打实的确实在解决了这个月份也就是10月份刚刚他输了一个论文好像10月14号出了一个论文还是一个公告上面写着在经过他们的不懈努力之下现在的蒸留数据国产模型或者说境外的他说敌对公司的蒸留数据的量已经削减了99%这个数据你可以搜也可以查到相关信息为什么蒸流就可以使他推荐我不需要挖你的人我只需要蒸你的数据就可以真的模型与模型的质量 [25:00] 艺术聪明程度或者说他能做成各种各种各样的这种实现效果他的最关键的点就是数据谁得数据谁得天下换句话说老师我只有数据我显卡稍微差点行吗我只有数据我的人稍微差点行不行我这个里边算法稍微差点行不行都行数据是关键中的关键你只要把数据拿够了剩下给我时间都做得出来所以你能看到还有很多新闻你也就能看懂了包括那谁Cloud在当年初的时候各种去研究什么古籍各种去焚书不知道你有没有听过这个新闻他拿到很多孤本的从市场上买了很多孤本的书然后通过电子扫描扫描上去以后他就把那个书给销毁包括他去研究那个IBM里边那个Cabo那个代码然后研究了以后开始去干掉IBM其实Cloud在搞数据这个领域中他真的搞得非常的猛但是很多人都没提过这件事这一年他就玩命往数据上使劲我知道你在说什么老师你这么说那有数据的公司可不是Cloud的那谷歌早就起飞了腾讯早就起飞了那Meta早就起飞了那苹果早就起飞了对他们确实拿着很多的数据但问题也在于他们的那些数据首先有两种数据第一个就是他们的数据是开源的比如说谷歌的搜索数据那么早就被爬虫互相爬差不多了而且很多数据并不是谷歌公司拥有单纯说用户的搜索习惯这件事这件事情其实没什么太大意义或者说这些数据并没有存在谷歌的服务器你不要认为我们全网搜索的结果都是去直接调用谷歌服务器的数据不可能所以它确实有些数据使得他们可以在追赶这过程中稍微快一点可以快速入牌桌但是这些数据大多数人都能同时获得所以在早年之间这些数据早就被互相爬差不多了他没法去判断这个数据是AI获得的还是真人获得的所以他就相当于没设防这些数据早就被大家都拉得差不多第一点第二点还有一些数据呢老师那不还有一些数据卖网别人根本查不到举个例子比如说我想看看我女神她平常都买什么东西对的但是这个数据这种数据微信的隐私Facebook的隐私腾讯的隐私苹果的隐私这些数据确实牛逼但是他也不敢用因为这是他的生意的根本我不知道的未来他会不会敢用但是目前看来他不敢用顺便我再跟你们说数据对于行业的影响就是你们明白数据在整个的模型训练领域中的重要性你就知道了那老师为什么字节他的语言模型不行他的视频模型变得这么这么行我再跟你们说清楚很多数据是这样的这个数据你直接给AI他也看不懂当然现在的很多模型有很强的学习能力了但是你还是需要把这个模型进行打包整个的给到AI而且数据这些事他其实是很复杂的有些数据好有些数据不好举个例子你把全中国的卷子全中国的高考卷子都给AI你让AI去学他到时候能考高分吗考不了你把所有人答AI高考题的卷子答题的卷子给AIAI能变聪明变不聪明你需要把AI的卷子做好打分你的老师每个都给他打好分然后你给AI才能考高分听得明白吗他有这个数据有两部分组成第一部分是这些学生去产生数据第二部分由这些老师来判断数据这个时候你给AI才能消化这个数据形成他自己的泛化能力好的绕回来说那为什么字节能做出全世界最厉害的视频模型为什么很简单因为字节是全中国是全世界在合规领域中最顶级的公司没有之一过过自媒体博主你就一定知道抖音的审核是最难的最高级的没有之一视频模型到现在为止为什么全世界赶都赶不上你说那个什么Sora谷歌那些什么view他们怎么就比不过C-Lens呢用过就知道C-Lens怎么这么牛逼因为你们确实有视频但是你没有这么多把视频的内容变成数据的这种人员绕回来还是刚才说的那件事你大概就能明白很多很多的事看明白了你就知道了那为什么我们的模型跟不上了为什么中国的视频模型变强为什么为什么这个什么Anthropec出去烧书去很多事你就都能明白了就是数据数据数据以及我们现在看到了数据人员 [30:00] 说未来的你要学个什么大数据或者产生数据优化数据存储数据才是这个世界为什么显卡涨钱什么都没有内存涨的这么夸张没有什么硬盘涨的这么夸张数据为什么像甲骨文这些数据中心他们赚大钱那你说呢那就是数据呗算力固然重要数据我们真的管AI这里边inferAI的基础设置里边数据太重要了它就是拉开差距的关键无论说现在AI增加多少的什么什么什么RSI都是为了它可以自己产生数据自己攫取数据再说清楚点数据就是这个蛋能够不断增长这个什么灵体能够不断增长那个灵力数据就是灵力所以绕回来那为什么到今天为止可能就有点拉开距离为什么Athrobic一技绝尘我们有什么时候可能赶上他或者说是能够再杀回来目前来说有点麻烦但是并不是不可能因为头部模型无论如何他都会产生数据都会产生外泄灵力给到后面的追追逐的人学到他无论如何在趟路我就算什么都不算他所产生的那种老百姓所用他产生的那种也可以构建我们以后AI的新的这种这种用来续训练的数据所以一记绝尘这件事情可能这是未来的主旋律了就是他拿着主要的数据口这个物件已经不可改那么可能永远都不会出现就是我不知道你们你们看完这件事情以后你们大概就能明白为什么世界的模型格局是这样就是没有交替你会发现比如说我们可能会跟Gymna交替领先我们可能会跟Grock交替领先但是从来没有跟OpenAI从来没有跟Athropec交替领先过甚至都没有交替靠近过永远是他们在前面这么走甚至这么走这么点这么走然后走得更远是这样的为什么我们很多时候用来训练我们模型的数据也需要由它产生可能这就是主旋利了Cloud在前面后边其他的模型在后边跟即使未来我们的显卡跟上了算力跟上了数据是不是被他们拿的足够多或者他们的产生数据能力会不会已经足够强这已经不好说了反正在第二个阶段代码这个事情它堵对了所有人开始你可以看到今年的几乎我们所有的国产模型也都开始往代码领域走了

Anthropic借顶级代码反馈拉大AI代际差 国产模型陷单向跟随困境