一个关键词，带你了解这次AI革命
展开
一个关键词，带你了解这次AI革命
前段时间，橡树资本创始人 Howard Marks 发了一篇专门聊 AI 的投资备忘录。这位管着上千亿美金的老爷子，在那篇很长的文章里反复强调了一个词。我看到的时候愣了一下——因为同一个词，我在 2022 年底看完 ChatGPT 第一场技术演示之后，就写在了自己的笔记本上。
当时我有一个很强的直觉：如果你真正理解了这个词，那么今天 AI 领域发生的所有事——从算力军备竞赛到内容行业的颠覆，从英伟达股价飙升到 DeepSeek 横空出世——全都能被一条逻辑线串起来。
三年后，一个管理千亿美金的投资人得出了和我一样的结论。这让我更确信，这个词就是理解当下这场 AI 革命的那把钥匙。
不卖关子，这个词就是 Generative，中文叫"生成"。
你可能觉得这是废话，大家都知道"生成式 AI"。但我发现绝大多数人并没有真正理解"生成"这两个字到底意味着什么，他们把它当成了一个标签、一个分类名。就像"智能手机"，天天用，但很少有人去琢磨"智能"到底指什么。
今天我想把"生成"这两个字掰开揉碎讲清楚。一旦你理解了它，目前 AI 领域所有让你困惑的现象，会突然间 make sense。而且更重要的是，它直接指向投资布局的方向。
先从张一鸣说起
要理解"生成"的意义，我想先聊一个你可能没想到的人，字节跳动的创始人张一鸣。
张一鸣当年说过，他做今日头条，是为了改变"人"和"信息"的关系。这句话很多人听过，但没往深里想。展开来讲，它精准描述了信息消费的两个时代，最后第三个是我的推断。
第一个时代是人找信息，代表是搜索引擎。你有问题，打开 Google 或百度，输入关键词，从结果里找答案。信息已经存在于互联网某个角落，你只是把它找出来。核心假设是：信息是预先存在的，你在检索。
第二个时代是信息找人，从今日头条到抖音。系统根据你的兴趣、行为、画像，主动把你可能感兴趣的内容推到你面前，你只需要刷。但请注意，核心假设其实没变——信息依然是预先存在的，只不过获取方式从"你主动去找"变成了"算法帮你筛选"。无论人找信息还是信息找人，那些文章、视频、音乐，都是某个人在某个时间点已经创作好了的。
第三个时代是 AI 生成信息，这就是我们今天正在经历的。你消费的内容，不再是某个人提前创作好、存在数据库里等着被检索或推荐的，而是 AI 根据你的需求、你的上下文、你的偏好，在那个瞬间实时推理、实时生成出来的。
这些内容在你提问之前并不存在。
这不是微调，不是优化，不是换一种方式帮你"找"东西。这是一种根本性质的跃迁，从"检索已有信息"到"创造全新信息"。理解了这三个时代的演进，你就理解了为什么这次 AI 和以前所有的 AI 都不一样。
为什么"生成"是这轮 AI 革命的本质区别
过去几十年 AI 经历了很多阶段，统计学、机器学、概率模型、神经网络、深度学。每一代都很厉害，但本质上还是在处理已有的数据，做分类、识别、匹配、预测。
你给它一张猫的图片，它告诉你这是猫，这是识别。你给它一组股票历史数据，它预测明天涨还是跌，这是预测。你搜一个问题，它从数据库里把最相关的答案排到前面，这是检索。这些能力当然强大，但有一个共同特征：信息和答案是预先存在的，AI 只是帮你找到、识别、或者做判断。
而基于 Transformer 架构的生成式 AI 做的事情本质不同，它在创造。
你让它写一篇分析英伟达的文章，这篇文章在你开口之前不存在。你让它生成一段视频，这个视频以前没有人拍过。这段内容是 AI 基于训练数据和你的输入，推理之后生成出来的全新东西。
所以"生成式 AI"里的"生成"两个字不是修饰词，它是定义。它告诉你这一代 AI 的核心能力，就是创造之前不存在的东西。
Howard Marks 在备忘录里专门提醒投资者，不要把 AI 模型当搜索引擎来理解——AI 不是帮你检索数据然后吐出来，它是在综合数据之后进行推理。他引用了对 generative 的解释，强调这一代 AI 的能力是创造新东西，而不只是分析或标记已经存在的东西。
我很高兴看到这位大师得出这个结论。但这个认知我在 2022 年就形成了。不是因为我比他聪明，开玩笑，人家管着千亿美金。而是因为我的背景碰巧给了我一个特殊的观察视角。
我是架构师出身，2016 年开始研究 CUDA 和并行计算，2018 年买入英伟达。到 2022 年看到 ChatGPT 的时候，我脑子里已经有了足够多的技术拼图。当我听黄仁勋讲解这一轮 AI 浪潮的底层逻辑时，"生成"这个词几乎是自然而然浮现出来的。
这也是我一直强调的：投资必须有独立思考。在你自己的能力圈里，你完全有可能比管理千亿的大佬更早看到某些真相。但前提是你得有自己的认知体系，而不是等别人替你总结。
从"生成"推导投资：一条完整的逻辑链
理解了"生成"之后，就可以往下推导了。这也是我认为这个词最有价值的地方——它不只帮你理解技术，它直接指向投资布局的方向。
第一步，生成需要推理。这一点非常关键。AI 生成内容的过程，本质上是一个推理过程。你可以类比人类的学和应用：训练就像接受九年义务教育，构建一套知识体系；但面对现实世界的具体问题，你不能只靠背书，你得用学到的东西去推理、去综合判断。你写出来的东西、做出的决策，是过去不存在的，是你根据大脑里的模型生成出来的。
AI 也一样。训练只是打基础，真正产出价值的是推理。而且推理比训练更难、更吃算力。训练好比死记硬背，推理好比活学活用。在推理过程中，还会产生思维链、反思、甚至多轮自我辩论。
所以如果你在 2022 年就理解了这一轮 AI 的核心是生成，你就应该推导出：推理端的算力需求会持续增长。
这里我想纠正一个我自己早期也容易陷进去的思维误区。很多人理解算力需求，是从"需求拉动供给"这个角度——好像存在一个固定的、等着被满足的需求池，算力造得越多，离填满这个池子就越近。但生成式 AI 的逻辑恰恰相反，是供给创造了需求，而不是需求创造了供给。模型能力和算力一旦提升，你会突然发现能做的事情比原来多得多，于是新的需求被创造出来；这些新需求又反过来逼着算力继续往上走。它不是在填一个有底的池子，而是在不断地把池子挖大。
去年 DeepSeek 出来的时候，市场恐慌地认为"算力不重要了"。但如果你真的理解"生成"这个概念，你就知道那个判断是错的。算法优化确实能降低单次推理的成本——但成本降下来之后，原来用不起 AI 的场景、原来不值得算的需求，现在全都变得划算了，需求总量不降反升。每个人都有个性化的需求，而每一个个性化需求的满足，都需要一次独立的推理过程。英伟达后来在推理芯片上的布局，老黄在各种场合反复强调推理端需求会爆发——这些事情串起来，逻辑是完全自洽的。
第二步，推理需要算力。推理吃算力，生成式 AI 的推理量会持续增长，GPU、数据中心、Neo Cloud 这些都是显而易见的方向。但这里有个很多人忽略的点：今天我们消费的内容，绝大部分还是人类生产的，真正由 AI 生成的内容占比其实还很小。想象一下，当未来你想看一段定制化的视频、听一首专门为你生成的音乐、或者让 AI 帮你模拟一个投资场景——这些个性化需求的总量是天文数字。我们现在的算力供给，面对这个需求总量，可能连冰山一角都没碰到。所以你还觉得今天的算力投入是泡沫吗。
第三步，生成需要存储。人有长短期记忆，AI 也一样。做推理的时候，不能只依赖长期记忆，也就是训练好的模型参数，还需要短期记忆和大量的上下文。每一个新问题都带着特定的 context，如何高速存储和调用这些 context，是推理质量的关键。而且生成出来的内容也需要存放。未来 AI 生成视频的速度和数量可能远超人类创作，这些内容需要更多存储。所以存储必须和算力协同发展，光有超强的推理能力，context 处理跟不上，推理结果一样不好用。
第四步，通讯和能源。算力和存储分布在全球各地的数据中心，它们之间需要极高速的通讯，而这一切的运转需要大量电力。光互联、电力这些细分环节，其实是这条链条里最容易被低估的部分，我后面会专门写文章来拆，这里先不展开。
所以从"生成"这一个词出发，你就能推导出四条投资线：算力、存储、通讯、能源。2022 年如果你想明白了这些，那就是布局的最好时机。但我想说的是，这条逻辑链并没有走完，因为生成式 AI 的需求才刚刚开始展露。
内容行业的生死变局
沿着"生成"往另一个方向想，你会看到一场根本性的变革正在发生。
过去的内容生态是人类创作内容、平台用算法分发、人类消费内容。现在正在变成 AI 生成内容、由人来消费。
后果是深远的。内容的生产成本会断崖式下降，AI 可以生成文本、图像、视频、音乐，而且多模态同时具备。当生产成本趋近于零，纯粹靠"生产内容"本身赚钱就越来越难。而人的注意力是有限的。当 AI 生成的内容像洪水一样涌来，人根本看不过来。所以未来竞争的核心不再是"谁能生产更好的内容"，而是"谁能抢到人的注意力"。分发，会变得比生产重要得多。
这也是为什么我在谷歌那篇复盘里反复强调分发渠道的价值——谁手里握着用户入口，谁就掌控了注意力的分发权。
当然，人在创意、深度思考、独特视角上仍然有优势。这也是我现在还在坚持写长文的原因之一：在 AI 内容泛滥的时代，基于真实经历的深度思考反而成了稀缺品。你读到的每一篇有深度的文章，背后都有一个真实的人在认真想问题，这种东西目前 AI 还生成不了。
那这个窗口期还有多久？说说我自己的判断。我倾向于把这一轮看成一个 AI Super Cycle——如果从 ChatGPT 问世那一刻算起，它大概率是一个长达十年的大周期。这中间一定会有起伏，会有让人怀疑人生的回调，眼下的宏观环境本身也确实存在不小的风险。但我的核心判断是：技术驱动的力量，是大于宏观风险的。短期的波动改变不了这条主线的方向。所以与其纠结某一次回调，不如先想清楚自己站在这个十年周期的哪个位置。
Coding 也是生成
顺着"生成"再往外延一下。大家现在关注的 AI Coding，本质上和内容生成是同一件事。
代码是高度结构化的信息，AI 写代码做的事情和写文章一样——根据训练数据、当前上下文和你的需求，推理出应该生成什么样的函数、什么样的参数。语法层面的东西早就不是问题了，那些在训练阶段就固化了。AI 现在需要推理的是：在当前的上下文里，这个位置应该写什么逻辑。
Howard Marks 在备忘录里也提到，已经有创业者只需要用自然语言描述想要什么，AI 就能自己写代码、自己测试、自己修 Bug，最后交付成品。甚至 AI 开始参与构建自身。
作为一个技术出身、做过架构的人，我对这个变化的感受是复杂的。一方面这验证了我 2016 年就开始关注的趋势，另一方面它也提醒我，Coding 本身正在从"门槛"变成"工具"。核心价值不再是你能不能写代码，而是你知不知道该写什么、该解决什么问题。这和内容创作的逻辑完全一致：生产本身不值钱了，值钱的是你脑子里的那个 idea 和判断力。
写在最后
最后总结一下我的核心观点：Generative，是这一轮 AI 革命与此前所有 AI 最根本的区别。理解了它，你就能理解为什么算力需求不会减少、为什么英伟达的护城河还在加深、为什么推理比训练更重要、为什么内容行业正在经历颠覆、为什么纯粹的 Coding 技能正在贬值。
这不是一个技术概念，这是一把钥匙。用它去看目前 AI 领域的每一个现象，你会发现所有的拼图都会各就各位。
一个问题留给各位球友：你觉得现在 AI 的算力投入是泡沫，还是远远不够？说说你的判断和理由。
$中京电子(sz002579)$
前段时间，橡树资本创始人 Howard Marks 发了一篇专门聊 AI 的投资备忘录。这位管着上千亿美金的老爷子，在那篇很长的文章里反复强调了一个词。我看到的时候愣了一下——因为同一个词，我在 2022 年底看完 ChatGPT 第一场技术演示之后，就写在了自己的笔记本上。
当时我有一个很强的直觉：如果你真正理解了这个词，那么今天 AI 领域发生的所有事——从算力军备竞赛到内容行业的颠覆，从英伟达股价飙升到 DeepSeek 横空出世——全都能被一条逻辑线串起来。
三年后，一个管理千亿美金的投资人得出了和我一样的结论。这让我更确信，这个词就是理解当下这场 AI 革命的那把钥匙。
不卖关子，这个词就是 Generative，中文叫"生成"。
你可能觉得这是废话，大家都知道"生成式 AI"。但我发现绝大多数人并没有真正理解"生成"这两个字到底意味着什么，他们把它当成了一个标签、一个分类名。就像"智能手机"，天天用，但很少有人去琢磨"智能"到底指什么。
今天我想把"生成"这两个字掰开揉碎讲清楚。一旦你理解了它，目前 AI 领域所有让你困惑的现象，会突然间 make sense。而且更重要的是，它直接指向投资布局的方向。
先从张一鸣说起
要理解"生成"的意义，我想先聊一个你可能没想到的人，字节跳动的创始人张一鸣。
张一鸣当年说过，他做今日头条，是为了改变"人"和"信息"的关系。这句话很多人听过，但没往深里想。展开来讲，它精准描述了信息消费的两个时代，最后第三个是我的推断。
第一个时代是人找信息，代表是搜索引擎。你有问题，打开 Google 或百度，输入关键词，从结果里找答案。信息已经存在于互联网某个角落，你只是把它找出来。核心假设是：信息是预先存在的，你在检索。
第二个时代是信息找人，从今日头条到抖音。系统根据你的兴趣、行为、画像，主动把你可能感兴趣的内容推到你面前，你只需要刷。但请注意，核心假设其实没变——信息依然是预先存在的，只不过获取方式从"你主动去找"变成了"算法帮你筛选"。无论人找信息还是信息找人，那些文章、视频、音乐，都是某个人在某个时间点已经创作好了的。
第三个时代是 AI 生成信息，这就是我们今天正在经历的。你消费的内容，不再是某个人提前创作好、存在数据库里等着被检索或推荐的，而是 AI 根据你的需求、你的上下文、你的偏好，在那个瞬间实时推理、实时生成出来的。
这些内容在你提问之前并不存在。
这不是微调，不是优化，不是换一种方式帮你"找"东西。这是一种根本性质的跃迁，从"检索已有信息"到"创造全新信息"。理解了这三个时代的演进，你就理解了为什么这次 AI 和以前所有的 AI 都不一样。
为什么"生成"是这轮 AI 革命的本质区别
过去几十年 AI 经历了很多阶段，统计学、机器学、概率模型、神经网络、深度学。每一代都很厉害，但本质上还是在处理已有的数据，做分类、识别、匹配、预测。
你给它一张猫的图片，它告诉你这是猫，这是识别。你给它一组股票历史数据，它预测明天涨还是跌，这是预测。你搜一个问题，它从数据库里把最相关的答案排到前面，这是检索。这些能力当然强大，但有一个共同特征：信息和答案是预先存在的，AI 只是帮你找到、识别、或者做判断。
而基于 Transformer 架构的生成式 AI 做的事情本质不同，它在创造。
你让它写一篇分析英伟达的文章，这篇文章在你开口之前不存在。你让它生成一段视频，这个视频以前没有人拍过。这段内容是 AI 基于训练数据和你的输入，推理之后生成出来的全新东西。
所以"生成式 AI"里的"生成"两个字不是修饰词，它是定义。它告诉你这一代 AI 的核心能力，就是创造之前不存在的东西。
Howard Marks 在备忘录里专门提醒投资者，不要把 AI 模型当搜索引擎来理解——AI 不是帮你检索数据然后吐出来，它是在综合数据之后进行推理。他引用了对 generative 的解释，强调这一代 AI 的能力是创造新东西，而不只是分析或标记已经存在的东西。
我很高兴看到这位大师得出这个结论。但这个认知我在 2022 年就形成了。不是因为我比他聪明，开玩笑，人家管着千亿美金。而是因为我的背景碰巧给了我一个特殊的观察视角。
我是架构师出身，2016 年开始研究 CUDA 和并行计算，2018 年买入英伟达。到 2022 年看到 ChatGPT 的时候，我脑子里已经有了足够多的技术拼图。当我听黄仁勋讲解这一轮 AI 浪潮的底层逻辑时，"生成"这个词几乎是自然而然浮现出来的。
这也是我一直强调的：投资必须有独立思考。在你自己的能力圈里，你完全有可能比管理千亿的大佬更早看到某些真相。但前提是你得有自己的认知体系，而不是等别人替你总结。
从"生成"推导投资：一条完整的逻辑链
理解了"生成"之后，就可以往下推导了。这也是我认为这个词最有价值的地方——它不只帮你理解技术，它直接指向投资布局的方向。
第一步，生成需要推理。这一点非常关键。AI 生成内容的过程，本质上是一个推理过程。你可以类比人类的学和应用：训练就像接受九年义务教育，构建一套知识体系；但面对现实世界的具体问题，你不能只靠背书，你得用学到的东西去推理、去综合判断。你写出来的东西、做出的决策，是过去不存在的，是你根据大脑里的模型生成出来的。
AI 也一样。训练只是打基础，真正产出价值的是推理。而且推理比训练更难、更吃算力。训练好比死记硬背，推理好比活学活用。在推理过程中，还会产生思维链、反思、甚至多轮自我辩论。
所以如果你在 2022 年就理解了这一轮 AI 的核心是生成，你就应该推导出：推理端的算力需求会持续增长。
这里我想纠正一个我自己早期也容易陷进去的思维误区。很多人理解算力需求，是从"需求拉动供给"这个角度——好像存在一个固定的、等着被满足的需求池，算力造得越多，离填满这个池子就越近。但生成式 AI 的逻辑恰恰相反，是供给创造了需求，而不是需求创造了供给。模型能力和算力一旦提升，你会突然发现能做的事情比原来多得多，于是新的需求被创造出来；这些新需求又反过来逼着算力继续往上走。它不是在填一个有底的池子，而是在不断地把池子挖大。
去年 DeepSeek 出来的时候，市场恐慌地认为"算力不重要了"。但如果你真的理解"生成"这个概念，你就知道那个判断是错的。算法优化确实能降低单次推理的成本——但成本降下来之后，原来用不起 AI 的场景、原来不值得算的需求，现在全都变得划算了，需求总量不降反升。每个人都有个性化的需求，而每一个个性化需求的满足，都需要一次独立的推理过程。英伟达后来在推理芯片上的布局，老黄在各种场合反复强调推理端需求会爆发——这些事情串起来，逻辑是完全自洽的。
第二步，推理需要算力。推理吃算力，生成式 AI 的推理量会持续增长，GPU、数据中心、Neo Cloud 这些都是显而易见的方向。但这里有个很多人忽略的点：今天我们消费的内容，绝大部分还是人类生产的，真正由 AI 生成的内容占比其实还很小。想象一下，当未来你想看一段定制化的视频、听一首专门为你生成的音乐、或者让 AI 帮你模拟一个投资场景——这些个性化需求的总量是天文数字。我们现在的算力供给，面对这个需求总量，可能连冰山一角都没碰到。所以你还觉得今天的算力投入是泡沫吗。
第三步，生成需要存储。人有长短期记忆，AI 也一样。做推理的时候，不能只依赖长期记忆，也就是训练好的模型参数，还需要短期记忆和大量的上下文。每一个新问题都带着特定的 context，如何高速存储和调用这些 context，是推理质量的关键。而且生成出来的内容也需要存放。未来 AI 生成视频的速度和数量可能远超人类创作，这些内容需要更多存储。所以存储必须和算力协同发展，光有超强的推理能力，context 处理跟不上，推理结果一样不好用。
第四步，通讯和能源。算力和存储分布在全球各地的数据中心，它们之间需要极高速的通讯，而这一切的运转需要大量电力。光互联、电力这些细分环节，其实是这条链条里最容易被低估的部分，我后面会专门写文章来拆，这里先不展开。
所以从"生成"这一个词出发，你就能推导出四条投资线：算力、存储、通讯、能源。2022 年如果你想明白了这些，那就是布局的最好时机。但我想说的是，这条逻辑链并没有走完，因为生成式 AI 的需求才刚刚开始展露。
内容行业的生死变局
沿着"生成"往另一个方向想，你会看到一场根本性的变革正在发生。
过去的内容生态是人类创作内容、平台用算法分发、人类消费内容。现在正在变成 AI 生成内容、由人来消费。
后果是深远的。内容的生产成本会断崖式下降，AI 可以生成文本、图像、视频、音乐，而且多模态同时具备。当生产成本趋近于零，纯粹靠"生产内容"本身赚钱就越来越难。而人的注意力是有限的。当 AI 生成的内容像洪水一样涌来，人根本看不过来。所以未来竞争的核心不再是"谁能生产更好的内容"，而是"谁能抢到人的注意力"。分发，会变得比生产重要得多。
这也是为什么我在谷歌那篇复盘里反复强调分发渠道的价值——谁手里握着用户入口，谁就掌控了注意力的分发权。
当然，人在创意、深度思考、独特视角上仍然有优势。这也是我现在还在坚持写长文的原因之一：在 AI 内容泛滥的时代，基于真实经历的深度思考反而成了稀缺品。你读到的每一篇有深度的文章，背后都有一个真实的人在认真想问题，这种东西目前 AI 还生成不了。
那这个窗口期还有多久？说说我自己的判断。我倾向于把这一轮看成一个 AI Super Cycle——如果从 ChatGPT 问世那一刻算起，它大概率是一个长达十年的大周期。这中间一定会有起伏，会有让人怀疑人生的回调，眼下的宏观环境本身也确实存在不小的风险。但我的核心判断是：技术驱动的力量，是大于宏观风险的。短期的波动改变不了这条主线的方向。所以与其纠结某一次回调，不如先想清楚自己站在这个十年周期的哪个位置。
Coding 也是生成
顺着"生成"再往外延一下。大家现在关注的 AI Coding，本质上和内容生成是同一件事。
代码是高度结构化的信息，AI 写代码做的事情和写文章一样——根据训练数据、当前上下文和你的需求，推理出应该生成什么样的函数、什么样的参数。语法层面的东西早就不是问题了，那些在训练阶段就固化了。AI 现在需要推理的是：在当前的上下文里，这个位置应该写什么逻辑。
Howard Marks 在备忘录里也提到，已经有创业者只需要用自然语言描述想要什么，AI 就能自己写代码、自己测试、自己修 Bug，最后交付成品。甚至 AI 开始参与构建自身。
作为一个技术出身、做过架构的人，我对这个变化的感受是复杂的。一方面这验证了我 2016 年就开始关注的趋势，另一方面它也提醒我，Coding 本身正在从"门槛"变成"工具"。核心价值不再是你能不能写代码，而是你知不知道该写什么、该解决什么问题。这和内容创作的逻辑完全一致：生产本身不值钱了，值钱的是你脑子里的那个 idea 和判断力。
写在最后
最后总结一下我的核心观点：Generative，是这一轮 AI 革命与此前所有 AI 最根本的区别。理解了它，你就能理解为什么算力需求不会减少、为什么英伟达的护城河还在加深、为什么推理比训练更重要、为什么内容行业正在经历颠覆、为什么纯粹的 Coding 技能正在贬值。
这不是一个技术概念，这是一把钥匙。用它去看目前 AI 领域的每一个现象，你会发现所有的拼图都会各就各位。
一个问题留给各位球友：你觉得现在 AI 的算力投入是泡沫，还是远远不够？说说你的判断和理由。
$中京电子(sz002579)$
主题股票：
主题概念：
声明：遵守相关法律法规，所发内容承担法律责任，倡导理性交流，远离非法证券活动，共建和谐交流环境！
