一条行业争论火起来的时候，往往不是因为它给出了答案，而是因为它把所有人都不确定的问题摆到了台面上。
最近围绕大模型公司价值的这场争论就是典型。一位前OpenAI研究员公开表达了对大模型公司商业前景的看空，理由听起来也合理：模型能力会快速迭代，今天领先的模型，明年可能就不值钱了，公司很难形成持久护城河。随后，知名科技播客主持人Dwarkesh撰文反驳，抛出了一个更激进的观点：如果AGI真的出现，它不会让大模型公司贬值，反而会自己去找工作，自己创造价值。
两个人说的都是同一个主题，结论却几乎对立。作为一个从大模型爆发早期就在跟踪行业动态的开发者，我觉得这场争论不该被当作“谁对谁错”来看，它其实是理解AGI商业化路径的一个很好入口。很多关于未来走势的判断，都可以从这场争论里拆出线索。
1. 先说清楚大模型公司为什么会被“看空”
看空派的逻辑并不是凭空来的。它的基础是过去两年里，大模型行业确实出现了一些让人不安的信号。
首先是模型能力的迭代速度。从GPT-4到GPT-4o，再到o1、o3，OpenAI的发布节奏已经不能用“一年一代”来描述，而是半年甚至更快。与此同时，开源社区也在快速追赶，很多能力差距被压缩到几个月甚至几周内。这就带来一个很现实的问题：如果模型本身会持续升级，那用户凭什么长期绑定你？
其次是算力投入。训练下一代模型需要更多GPU，更多电力，更多数据中心。投入越来越大，但商业回报能不能同步放大，没有人能给出确定性答案。一旦资本市场的耐心下降，或者增长不及预期，整个估值体系都可能被重新评估。
第三是应用层的价值外溢。现在大模型已经变成一个通用能力，很多下游应用开始自己接各种模型。今天用GPT，明天换Claude，后天再换国产模型，切换成本在降低。模型本身并没有形成“用了就离不开”的粘性。
表面上看，这些担忧都成立。但如果你把注意力只停留在这几个点上，很容易得出一个草率结论：大模型公司不值得长期投入。
这里我觉得需要稍微停一下。看空派说的这些风险，本质上指向的是一个东西：大模型公司的价值，是不是只等于“模型本身的价值”？如果答案是肯定的，那确实很危险，因为模型能力会被更快、更强的下一代模型覆盖。但如果一个公司的价值不仅仅在模型，还包括数据飞轮、算力基础设施、终端触达、开发者生态，那这个判断就站不住脚了。
换句话说，真正被看空的风险，不是“模型会过时”，而是“这家公司除了模型，没有别的东西”。这恰好引出了Dwarkesh反驳里最有意思的部分。
2. “AGI会自己找工作”到底在说什么
Dwarkesh的反驳看起来像一个科幻预言，但如果我们把它翻译成更工程化的语言，它其实在讲一件事：当智能本身成为一种可以自我扩展的生产力时，公司的边际价值不会递减，反而会递增。
怎么理解这句话？
先看传统商业逻辑。一家公司创造价值的方式是通过组织人去生产产品或提供服务。人越多，成本越高，效率的增长有上限。所以传统公司的价值，往往受限于组织效率和生产成本。
但大模型公司不一样。它的核心资产不是人，而是智能本身。当模型能力提升到一个足够强的水平，它可以直接参与推理、写代码、做分析、自动化执行任务，甚至反过来优化自身的训练和推理流程。这意味着，每一份额外投入都可能在放大下一次产出的规模。
关键点在这里：传统公司卖的是稀缺资源或重复劳动，边际收益递减；而AGI一旦接近，模型本身可以创造的价值是自我强化的。
Dwarkesh说的“AGI会自己找工作”，本质上是说：一个足够强的通用智能体，不会被闲置。它能自己发现任务、拆分任务、调用工具、完成任务。这样的大模型公司，市值天花板不是由“卖API的次数”决定的，而是由“智能体能在多大范围内替代人类劳动”决定的。
这听起来有点抽象，我们可以用一个更实际的类比。
一个应届生刚入职的时候，价值很低，做的事都是重复性劳动。但他学习能力足够强，一年后能带项目，三年后能带团队，五年后能独立做业务。你对这个人的估值，不会基于他第一年的工资，而会基于他未来能创造的价值曲线。AGI也是一样。今天的大模型可能还有很多能力不足，但一旦它的推理能力和执行能力跨过某个阈值，它的价值曲线就会陡峭向上。
所以“自己找工作”不是说AGI真的会打开电脑投简历，而是说它的能力可以被自动化地应用到几乎所有数字任务上，从而自己源源不断地产生生产力。这会让大模型公司的价值从“卖模型”变成“出售可无限扩展的智能劳动力”。
这个视角确实比“模型会过时”更接近长期趋势。但问题在于，这个判断有一个隐含前提，需要被单独拿出来检查。
3. 真正的风险点不在模型，而在基础设施和分发渠道
我个人的判断是，Dwarkesh的论点有一个必须被承认的边界：它成立的前提，是AGI这种“会自己找工作的智能”只能被少数几家公司掌握。如果它真的只存在于一家公司手里，那这家公司确实是印钞机。
但在现实世界里，即便我们不考虑开源力量，头部大模型公司之间也存在高度竞争。OpenAI、Anthropic、Google DeepMind、Meta，加上中国这边的百度、阿里、字节、DeepSeek，大家都在同一赛道上投入巨额资源。当多方都逼近AGI的时候，单家公司的议价能力会被显著压缩。
这个逻辑在一些行业里已经出现过了。比如云计算，AWS、Azure、阿里云、腾讯云，技术能力都很强，但谁也没法靠“算力”本身形成绝对垄断。用户会在价格、服务、合规、生态之间做权衡，最后形成的是多强共存，而不是一家通吃。
大模型可能也会走向类似的格局。模型能力的差距会被逐步抹平，真正的差异会出现在以下几个地方：
- 数据生态：谁拥有更多高质量、场景化的数据，谁就能训练出更符合实际需求的专业模型。
- 算力基础设施：谁能更便宜地提供推理服务，谁就能在价格战中撑到最后。
- 终端的触达能力：谁的产品能嵌入到更多用户日常使用的场景里，谁就拥有分发优势。
- 组织效率和工程化能力：谁能把模型能力更快变成稳定的产品，谁就能留住客户。
所以大模型公司的价值，可能会从单纯比拼“模型智力”，转向比拼“基础设施+数据+分发”的综合能力。模型能力是入场券，但不是最终的护城河。
看空派的合理之处在于，如果一家公司只押注“下一个模型会比别人的好”，那确实脆弱。因为这种领先本质上只是时间差，而时间差是极容易被抹平的。Dwarkesh的启发在于，我们不必悲观到认为大模型公司一定会贬值，因为智能本身一旦足够强，它就是生产力本身。但我们也必须承认，AGI的商业价值最终会分散在基础设施、数据、应用和终端里，而不是只集中在模型权重里。
4. 对开发者和创业者来说，这轮争论意味着什么
这场争论对普通开发者和创业者不是看热闹的事。它直接影响到我们怎么选择技术路线、怎么评估合作方、怎么安排自己的产品策略。
如果你正在基于大模型做应用层创业，我的建议是：不要把自己的全部身家押在某一家大模型厂商的模型能力上。过去两年，很多人已经吃过这个亏了。上周还在用的模型接口，下周可能因为价格调整、能力迭代或政策原因就要换掉。这不是某一家公司的问题，而是这个行业目前还在快速变动期的必然结果。
更稳的做法是，在应用层构建自己的数据壁垒和场景理解。大模型提供的是通用能力，但你真正值钱的地方，是你更懂你的用户，更懂你的业务，更懂那些模型不会自动替你解决的问题。模型从GPT-4升到GPT-5，你作为开发者的价值不会消失，前提是你做的不是简单的接口包装。
如果你的工作重心在模型层，需要关注的是硬约束的变化。比如算力成本、推理效率、训练稳定性、数据质量和数据获取的合规性。这些都不是模型能力本身能解决的，而是基础设施问题。不管AGI什么时候到来，这个层面都需要长期投入。
另外，关于那些“某公司要做大模型”的判断，我的经验是：不要过度依赖媒体标题，不要听一家之言。技术行业里的争论，表面上是观点冲突，背后往往是立场和利益的差异。前OpenAI研究员的看空，可能是对商业模式的担忧，也可能是对技术路线或公司文化的批评。Dwarkesh的反驳，也可能是出于对长期价值的坚定信仰。他们的争论，更像是把同一个复杂系统放在不同时间尺度下观察得到的不同结论。
如果你要在这轮行业波动里做决策，可以试试这个判断框架：
- 先判断你要解决的问题，是“模型能力问题”还是“工程落地问题”。前者适合跟踪头部模型的进展，后者更适合关注基础设施和开源生态。
- 再看你所在的公司或项目，有没有建立自己的数据或场景壁垒。如果完全没有，可能随时被模型升级或平台政策冲击。
- 最后看团队的组织效率。在大模型时代，能快速把新能力变成产品体验的团队，比单纯拥有先进模型的团队更稀缺。
这套框架不一定能让你预测AGI什么时候来，但能帮你在不确定性里做出更稳的选择。
5. 长期来看，真正稀缺的到底是什么
如果我们把视线再拉长，这场争论背后其实藏着一个更深的问题：在AGI时代，人类和智能体之间会形成怎样的协作关系？
回到文章开头那句话，“AGI会自己找工作”。如果我们不全盘否认它，认真想想它的含义，就会发现它真正改变的不是公司估值，而是工作流程本身。
过去我们写代码，是人告诉AI要做什么，AI执行。未来如果AGI足够强，它可能自己发现问题、自己设计解决方案、自己调用工具验证、自己上线、自己监控。人在这个流程里的角色，从执行者变成监督者，再变成价值定义者。你需要做的，不再是“怎么把它做出来”，而是“什么事情值得做”。
这个大转变对个人成长的影响，可能比对公司估值的影响更早到来。
过去两年，很多人的学习路径是“学Prompt、学微调、学Agent框架”。这些能力在当下有价值，但长期看，它们更像是一个过渡阶段的技能。真正不会过时的能力，是判断力——判断什么任务值得自动化，判断什么场景可以用智能体替代，判断一个系统的边界在哪里，判断什么结果可信、什么结果需要人工复核。
这些能力不是模型能给你的，而是需要你在真实项目里反复打磨出来的。
所以，如果你的团队正在决定要不要上Agent，要不要引入大模型，要不要做私有化部署，我的建议是先不要被“AGI会不会自己找工作”这种大问题带偏。先问自己三个小问题：
- 我的项目里，哪个环节的重复劳动成本最高？
- 这个环节用大模型自动化之后，我能接受的最大误差是多少？
- 如果我接入了某个模型，换掉它的成本高不高？
把这三个问题想清楚，比追着行业争论读完一百篇评论都有用。
6. 别急着站队，先把问题拆开
最后说点更个人的体会。
大模型行业现在有一个不太好的风气：一件事被媒体报道后，大家习惯性地站队，看完标题就决定立场。前研究员看空，就有人喊泡沫破裂；Dwarkesh反驳，又有人喊AGI就要来了。但现实情况是，两种观点都对了一部分，也都没能覆盖全部真相。
看空派的正确之处，是指出了技术壁垒不会永远稳固，模型公司的估值不能只建立在“暂时的领先”上。这一点，对任何行业都成立，大模型也不例外。Dwarkesh的启发在于，AGI一旦趋近，智能本身就会成为新的生产力，这种生产力的增速是指数级的，不能拿传统互联网公司的增长曲线去衡量。
但真正的答案，既不在“全部看空”里，也不在“无脑看多”里，而在于你把时间尺度放在哪里。
短期看，大模型公司的竞争会越来越激烈，模型能力会被逐步抹平，谁能在基础设施、数据和分发上形成壁垒，谁就能活得更久。中期看，应用层开发者需要站到场景和数据上去，而不是单纯做模型适配。长期看，真正稀缺的，是定义问题和判断价值的能力。
到底谁对谁错，可能要等AGI真正逼近之后才能给出最终答案。但对每一个正在用大模型做事的人来说，更重要的已经不是预测未来，而是在一个充满不确定性的环境里，找到自己的位置。
你不需要等AGI会自己找工作那天才开始准备。今天整理好自己的数据，跑通第一版Agent，把一次性的手动流程变成可维护的自动化流程，就已经比大多数观望者多走了十步。
这场争论不会结束，但这不重要。重要的是，你要带着什么能力，去走进那个争论里描述的未来。
