跟硅谷的核心AI公司聊完后，得到了这 60 条关键洞察

重塑世界的力量不在硅谷，而在一代中国从业者的努力中。

原标题：跟硅谷的核心AI公司聊完后，得到了这 60 条关键洞察
文章来源：Founder Park
内容字数：20957字

锦秋基金硅谷Scale With AI活动观察：中国力量崛起

本文总结了锦秋基金在硅谷举办的Scale With AI活动后，组织者石头的一些观察和认知。活动汇聚了众多AI领域的大厂和人才，石头从中得出了一些重要的结论。

1. LLM发展趋势：Pre-training时代终结，Post-training机遇涌现

1. LLM的Pre-training阶段已接近瓶颈，Scaling速度放缓，但Post-training仍有巨大潜力。Multi-model的出现，使得数据和算力成为关键因素，新的架构也成为突破点。

2. Pre-training对数据质量要求不高，而Post-training则对数据质量要求极高，强化学习(RL)在Post-training中扮演着重要角色，它并非提升模型智力，而是优化思考模式。

3. 大模型优化主要在Post-training阶段进行，用于提升安全性、构建Multi-agent框架，优化模型的应用效果。

4. 未来LLM发展方向可能包括：模型架构变化、知识模型解耦，以及大模型生成数据训练小模型等。

5. 随着Scaling Law达到极限，闭源和开源模型的差距将缩小。

6. Post-training团队建设：5人规模即可，需涵盖基础设施搭建、数据管理、模型训练、产品判断等方面。

7. 数据pipeline构建至关重要，需要高效迭代，构建数据循环和护城河。

2. 视频模型发展：Scaling Law瓶颈尚远，但技术路径多元化

1. 视频生成技术仍处于早期阶段，数据集匮乏是主要瓶颈，开源版本的难度也较高。

2. 未来视频生成技术将呈现多元化趋势，不同场景选择不同的技术栈。

3. 视频的Scaling Law远未达到LLM的水平，模型架构优化和高效的数据使用至关重要。

4. 提升视频生成速度的方法包括生成低分辨率画面、步数蒸馏等。

5. 长视频生成的未来在于故事性，而非单纯的时长。

6. 视频模型和其他模态的融合是未来发展方向，但目前仍面临诸多挑战。

3. 具身智能：人类级泛化能力的机器人尚远，但特定场景应用可期

1. 具身机器人尚未迎来类似ChatGPT的“关键时刻”，通用性、可靠性和可扩展性是关键挑战。

2. 机器人泛化面临环境复杂性、物理交互问题和人机交互不确定性等挑战。

3. 斯坦福实验室选择聚焦家庭场景，应对老龄化社会需求。

4. 场景调试至关重要，需要与领域专家合作，确保机器人适应特定场景。

5. 仿真技术是解决数据闭环问题的重要手段，但Sim-to-Real Gap仍然是挑战。

6. 具身多模态模型具有巨大潜力，但数据整合和融合是关键难点。

7. 机器人数据共享面临诸多挑战，需要探索新的机制和平台。

4. AI应用及AI Coding趋势

1. 硅谷VC认为2025年是AI应用投资大年，但对AI产品的壁垒要求很高。

2. AI Native公司标准与传统SaaS公司不同，其优势在于低Customer Acquisition cost和高效的AI Scaling。

3. AI Coding重要趋势是推理增强技术，例如O3或O1方法，可以显著提升代码代理效率。

4. GitHub Copilot是AI Coding领域的主要竞争对手。

5. 客户成功对于AI Coding工具的采用至关重要。

总而言之，虽然硅谷是AI创新的中心，但石头认为，重塑世界的力量也来自一代中国AI从业者的努力，这值得我们关注。

联系作者

文章来源：Founder Park
作者微信：
作者简介：来自极客公园，专注与科技创业者聊「真问题」。