# 「1 亿 TOKEN 俱乐部」挤爆了，AI 的燃料不够了｜对谈于文渊：阿里云百炼技术负责人 十字路口Crossing · 2026-03-29 · 32 min · https://www.xiaoyuzhoufm.com/episode/69c24455521e5c0a80c3ff92?utm_source=rss ## 逐字稿 Ronghui 伴随着 Claude Code 和 OpenClaw 最近爆炸性的流行，我们看到全世界好像都在惊叹：Token 不够用了。Token 不够用只是一个结果，真正不够用的，还是更高性价比的算力。未来我们能不能像用水、电、煤气一样稳定地使用 AI，会决定人类智能的上限。 阿里云百炼也是中国最大的 MaaS 服务商之一，所以我们今天请到了于文渊，阿里云百炼的研发负责人。文渊，你好，欢迎来到《十字路口》，先和大家打个招呼吧。 于文渊 大家好，我是文渊，来自阿里云百炼。非常感谢 Cody 的邀请。 我们还是从快问快答开始，这是节目的老传统，可以先让大家了解一下你。文渊，你今年多大？ 于文渊 我今年 39 岁。 你毕业于哪所学校？ 于文渊 我本科毕业于北京大学，博士毕业于英国的爱丁堡大学。 你的 MBTI 和星座是什么？ 于文渊 我是 INTP，双鱼座。 在负责百炼之前，你在做什么？ 于文渊 2018 年，我做了一家小公司，后来被阿里收购了。当时我们在做图计算，之后我一直在达摩院和通信实验室做系统方面的研究。 ### Token需求开始爆发 这对你们的工作带来了哪些影响？ 于文渊 Token 数量的增长基本上是按月翻倍的速度，而且都是非常高质量、非常前沿的模型 Token。大家已经不再把 AI 当作聊天机器人或者闲聊工具，而是把它融入生产力场景，这种消耗是非常夸张的。现在这仅仅是一个开始，我们相信这个增速会迅速达到一个非常夸张的程度。 一方面是 Cloud Code，另一方面是 Open Cloud，让 Token 燃烧出现了核弹级的爆发，全球都在缺算力。背后还有其他原因吗？ 于文渊 ### 云计算范式正在重写 今天 AI 正在非常深刻地改变大家使用算力的方式。我非常难预测，短期内下一个爆发的场景是什么，但我非常笃定地可以说，未来 3 到 5 年，有非常多原本需要人力解决的事情，一定会用 AI 完成。 第二个变化是云计算。今天云计算的数据中心长什么样子，调度系统长什么样子，大家如何消耗云上的计算、存储和网络资源，基本上 3 到 5 年后都会和今天完全不一样。 所以，你觉得云计算的范式也会发生天翻地覆的变化？ 于文渊 会发生天翻地覆的变化。 云厂商会重新洗牌吗？ 于文渊 已经有一些重新洗牌的趋势了。什么叫作一个好用的云，其实今天也在变化。 为什么会有这么多蓬勃而出的云厂商？未来的云是什么样子？我们现在正处在一个发展的十字路口。其实很长一段时间，大家会认为全世界云厂商的格局几乎已经确定了，就是中国的几个巨头和美国的几个巨头。但最近 Neocloud 出现了，比如 Cloudflare 已经有规模了。你觉得这会是昙花一现，最终还是云巨头拿下这个战场，还是这些新的公司有机会跻身一线巨头的行列？ 于文渊 这个我很难判断。但我觉得，每个云厂商自己也在变革和革命。阿里云是中国最大的云计算厂商，我们也在思考：未来云的用户是不是都不是真人，而是 Agent？Agent 使用云，需要什么样的计算、存储、网络和数据库，需要什么样的算力，以及我们应该怎样满足这些需求？ 所有厂商都在迎接这场变革。 ### 让每块 GPU 都满载 阿里云是全世界非常重要的云厂商之一，你现在最关注的事情有哪些？ 于文渊 我们第一关注的肯定还是稳定性，安全当然也非常重要。但我在这里看到的变化，是用户量、Token 量和算力需求都在白天级别内发生巨大的增长。 千问 3.5 初期当天发布，两个星期的时间里，它的峰值 Tokens per Minute 已经跃升到我们历史上所有文本模型都没有达到过的高度。我们有一位对算力投入非常激进的 CEO，但即便如此，我依然觉得算力不够用。因为我们还有很大的模型研发需求，还有很多客户服务需求，用户数增长依然不够用。 这种爆炸性的增长，是从什么时间节点开始的？ 于文渊 我的感觉是，它从百炼上线的第一天开始就没有停下来过。 所以你没有觉得 Open Cloud 或 Cloud Code 加速了这种增长吗？ 于文渊 它们确实加速了增长，尤其是在 Agent 场景下是绝对的加速。但从我们的历史来看，过去也有很多类似的情况。比如视频生成模型，一个模型跨过某个门槛，从 Demo 变成真正可用于市场的产品，就会迅速带来一波又一波的增长。 在这样剧烈的变化中追求稳定，是不是很难？ 于文渊 很难。我们在保证稳定性的前提下，也非常希望把算力很好地利用起来。 除了安全和稳定性，面对这么快速的增长，我们还有一个巨大的限制，就是 GPU 供给非常有限。很多算法团队都在争抢 GPU：有人说需要 GPU 做训练，有人希望在某个场景中使用更强的模型，或者提供更好的服务质量。这中间有非常大的系统和工程挑战。 我们有一个非常重要的使命，就是让每一块 GPU 不要有一秒钟闲下来，让它发挥最大的作用。无论是 1,000 卡、10,000 卡、100,000 卡还是 1,000,000 卡，我们都希望把阿里云所有 GPU 的算力资源，转化为用户可以享受到的极致弹性和极致稳定性。它们看起来就像一个中国最大的算力集群，用户通过一个 API 就可以使用。 最近我们还看到一个微信群，叫“1 亿 Token 俱乐部”，要一天消耗 1 亿 Token 才有资格进群。前采的时候，你提到过，光看数量没有那么重要，应该同时关注质量。这个可以展开讲讲吗？ 于文渊 Token 其实有一点误导性。一个 0.6B 的小模型或者 Embedding 小模型的 Token，和一个会深度思考的、今天处于 SOTA 水平的大模型的 Token，无论从算力、智能还是水平上来说，都不是等价的。 Open Cloud 这一波里，大家每次使用的都是非常 SOTA 的开源模型或者闭源模型。 在百炼里面，每天烧掉 1 亿 Token 的用户大概有多少人？ 于文渊 我们感觉这个数字现在每天都在增加，每天都有数以万计的人加入。 所以你们的“1 亿 Token 俱乐部”可能要把门槛再提高一点，变成“10 亿 Token 俱乐部”了。 于文渊 我觉得应该变成“10 亿 Token 俱乐部”。因为 Coding Plan 的用户就是重度消耗 Token 的个人用户，1 亿已经不是一个很大的门槛了。 除了 Token，你们还关心什么？ 于文渊 我们关心峰值到底是什么样的调用量，怎么样在技术上削峰填谷，怎么样做好调度，把 GPU 充分利用起来。我们也希望有更多用户进来，同时保证更好的服务质量，包括首包延时和生成速度。 但我在想，让 GPU 物尽其用，是不是还有一个点，就是让它 24 小时都运行？比如做国际化，中国白天由中国用户使用，欧洲白天由欧洲用户使用。你们会有这样的考虑吗？ 于文渊 Token 出海一定是非常重要的事情。我们现在也还处在刚刚起步的阶段。对阿里云来说，我们非常拥抱国际化，希望把国际化做好。 但国内和国际业务的发展速度并不一样。可能只差两个月，你就会发现，国际业务实际上只占个位数百分比，相比整个大盘还很小。今天这两个速度很难齐头并进，但我相信最终的中台一定是国际和国内都要使用的。 当然，这里面有很多问题需要克服，包括地缘政治、合规等问题。但从整体来说，今天中国厂商的 AI 出海，我觉得是一个大势所趋、停不下来的方向。 ### AI 正在进入真实业务 在百炼，我感觉你们是不是可以拥有一种上帝视角？你能看到今天什么赛道、什么领域、什么场景消耗的 Token 最多。有没有一些你观察到的故事可以和我们分享，比如一个人在什么场景下，用大量 Token 去做了一件什么事情？ 于文渊 有一个做饮料的厂商，可能会在经销商群里建立一些机器人。经销商说“补货”，然后直接对机器人说要什么饮料、多少箱。机器人可以进一步理解是什么饮料、经销商以前买过什么水饮，然后直接帮他完成补货。 这听起来确实更自然。不用再去学习一套系统，就像和一个真人说话一样，直接表达自己的需求。会不会这就是一个更加自然的未来？ 于文渊 这肯定是一个自然而然的未来。大模型其实是在替代一个人，未来整个行业中的很多角色，都可能会被大模型深远地影响。 今天所有云服务厂商都推出了自己的 MaaS 服务。在外界看来，大家的产品好像都长得差不多，但从内行的角度来看，我相信它们还是有差异化的。能不能请你讲一讲，大家的差异化主要体现在哪些方面？这里面有没有一个你认为的制胜点？ 于文渊 我是一个比较 hands-on 的人，也可以说是一个 hands-dirty 的工程师。我还是希望自己是一个愿意把手弄脏、真正做工程的工程师。一个公司的基础设施做得好不好、技术做得好不好，会非常影响它最终做出来的产品好不好。 阿里云本身在国内做基础设施已经很多年了，积累非常深，不管是产品线的广泛程度、规模，还是技术厚度，都有很强的基础。与此同时，我们还有同一实验室的兄弟伙伴们为我们提供好的模型。这个模型不是一个黑盒模型，而是我们和他们背靠背一起做的，模型上线前会不断地进行调试和打磨。 我们也有一个很好的芯片团队，就是平头哥。我从 CPU 时代开始就在内部使用很多平头哥的芯片，我觉得它的开发体验非常丝滑，效率也非常高。这是一种很独特的体验：从我们提供的模型，到使用的基础设施，再到算力资源的规模和自研能力，都可以端到端地进行打磨。 具体来说，在百炼上调用千问模型，和在其他平台上调用千问模型，有哪些独特优势？ 于文渊 我听到过非常多的客户反馈：为什么我部署的千问模型，效果、质量或者速度没有百炼上的好？当然，这不只是千问模型的问题，也包括开源模型。 我们这么多年积累了比较完整的精度体系、稳定性体系，以及一套推理服务框架。我们可以比较自信地说，千问所有模型 Model Card 上的分数，在百炼的 API 上一定都可以做到。 今天也有一些企业，尤其是发展到一定规模之后，会觉得私有化部署、自己建设基础设施的成本更低。有没有什么情况，是你觉得企业仍然应该考虑自建的？ 于文渊 这个问题把我问倒了，我想想。 我发表一个暴论，这不代表阿里云，我只代表阿里云百炼：我认为没有任何情况需要自建。真实情况就是这样。 这是不是也符合现代社会的发展规律？大家的分工越来越精细化，专业的人去做专业的事情。 于文渊 一方面我觉得肯定是这样，另一方面我觉得大家低估了这件事情的复杂性和增长速度。 客户可能会自己采购一些 GPU，我觉得无非有 3 个原因。第一个原因是觉得成本可控：不管我使用什么模型，我就只有这么多 GPU，完全知道未来几个月要花多少钱，然后自己做好优化，成本是可控的。 第二个原因可能是安全。模型是自己的，数据是自己的，请求也是自己的，不希望被别人看到，所以对 API 不太放心。第三个原因是，大家可能觉得买来的 GPU 很灵活，可以部署各种各样的模型。业务无论怎么调整，只要是英伟达的卡，可能什么都能做。 但我的暴论是，恰恰相反。如果抱着这 3 个目的，自建可能不是最好的选择，MARS 反而能够更好地解决这 3 个问题：成本可控、安全和灵活性。 首先说成本。如果把成本折算成某个模型的每 Token 成本，需要解决几个问题。第一个是在效果满足的情况下进行推理优化，但模型变化很快，算法迭代也很快。让每家公司都安排一个基础设施工程师，持续保证 Token 推理优化，是很难的。 第二个问题是，你有了自己的 GPU，能不能把它们都用好？模型越来越多，服务质量和成本如何平衡，都是非常复杂的系统问题，实际上很难解决。 从安全上来说，作为云厂商，我们是绝对可信的。这是云厂商的操守：我们看不到，也不会看用户的数据。我们正在推广一种叫“机密推理”的方式，我们看不到你的模型文件，也看不到你的所有请求，端到端的密钥都掌握在你手里。这是真正由密码学提供的保证。 第三，从灵活性上来说，mask 更有灵活。因为今天最大的确定性，其实是不确定明天的 AI 需要什么，明天的模型长什么样，架构会发生什么变化，推理效率又会变成什么样。 ### AI 时代仍要学计算机 这里插播一个问题。你本科是计算机专业，对吗？ 于文渊 对。 今天你的计算机专业学弟学妹们，首先还建议大家在本科阶段学习计算机吗？如果还建议，你认为他们学习的方式方法，和你当年有什么不同？ 于文渊 我的建议是，大家继续学习计算机。 我们实验室的一位导师是 1980 年代北京大学计算机专业的本科生。他说，当时他的老师告诉他，未来的人有两种：一种是被计算机使用的人，一种是使用计算机的人。 这句话在 1980 年代是正确的。 于文渊 对。后来有一篇文章，叫《混在系统里的人》。 我在 2000 年代读大学，所以那时这句话依然正确。我觉得今天它还是正确的。今天计算机专业的同学，不管未来 AI 可以解决什么问题，它实现的仍然是同一件事：物理世界中的逻辑、门电路、硅片上的设计和生产，AI 或自动化会在这些领域发挥越来越大的作用，但我们不能不知道中间的事情是如何发生的。 第二件事是，我觉得学弟学妹们一定要学习如何使用 AI。但我的建议是，不要让 AI 帮你写太多代码。 这听起来可能有点反直觉。前两天我看到张文宏的一段访谈，讨论医生到底应该怎样使用 AI。他说，如果是非常资深的医生，使用 AI 当然没有问题；但如果一个实习医生从接触第一个病人开始，就直接把问题丢给 AI，让 AI 告诉他结果，那么他就会找不到 AI 的问题。 因为他没有经验积累，没有形成对好坏、正确与否的判断。他只能相信 AI 99% 的正确性，而那 1% 的错误，他是找不到的。刚刚迈入计算机行业的同学，一定要避免自己成为和 AI 高度重合、没有真正技能差异的那 99%，而是要成为能够识别 AI 做不到的那 1% 的人。 这确实很有趣。Cursor 半年前发布过一个数据：当时使用 Tab 补全代码的人，也就是无脑补全代码的人，可能只有 20% 到 30%；但最近这个比例已经完全反过来了，用无脑补全代码的人变成了 70% 到 80%。这个趋势好像不可逆转。 你能不能想到一个具体的例子？比如你曾经手写代码，形成了自己的判断和审美，所以当 AI 解决某个问题时，你产生了不同看法，给它提出了不同建议。 于文渊 这种情况在日常工作中非常多。大家做 Code Review 的时候，如果一看代码是 AI 生成的，至少我在做 Code Review 时会很慌。日常工作中，我们经常遇到 AI 代码交进来之后又全部推倒重做的情况。 大家的 web coding 在生产 service 用中，我感觉还是差那么一点点。真正遇到压力时，你会发现很多问题都会暴露出来。做 Prototype 的话，今天 Vibe Coding 的质量已经达到那个水平了，我觉得完全没有问题；但如果是生产可用的代码，你需要知道每一行代码都能完成你想要的事情，同时它的副作用也是可以接受的，不会产生内存泄漏，也不会占用更多文件句柄。 大家做 AI 应该知道，它对上下文以及对事情的深度理解，距离真正做到这一点还很远。所以我觉得，Mission-critical 的代码暂时 AI 还是不行。但它一定可以成为你的效率工具，不要认为它完全没有用。 但这里的判断特别重要。因为所有东西交给 AI 生成之后，再去修正，永远是一件非常昂贵的事情。它不再是效率工具，而是会让你在一座无法维护的代码屎山中做事，在苦海里挣扎。 于文渊 对。相反，我觉得 back coding 就是我们认为比较好的一种方式。你需要先写非常清晰的需求文档或者规范，这对架构师的要求非常高，因为必须把事情讲清楚。 去年 FAST 有一篇很好的论文，发表在顶级存储会议上。论文让 AI 编写文件系统，把各种规范清晰地交给 AI，结果发现，当时的 32B 模型只要拿到足够清楚的规范，就可以把文件系统这种底层系统写好。 这件事给我的启发很大。如果人能够用一种偏形式化的逻辑，把自己想要的东西描述清楚，AI 肯定能把填空题做得很好。但今天我不敢说，只用两三个提示词，它就能把这件事做好。 所以我还是非常鼓励大家多尝试 AI，但前提是自己首先能够完成这项工作，然后再让 AI 去替代自己。现在有一些企业非常激进地提出，要把 AI 生成代码的比例提高到一定程度，并把这个比例当成目标。这种提法在我看来非常危险。 所以在你看来，这是一种危险的提法吗？ 于文渊 我觉得这是非常危险的提法。只要对今天 AI 的算法能力和局限有所了解，就会知道这非常危险。 日常人与人之间的合作和交流中，有很多知识传递是隐式的、过程性的。你没有办法只靠几句提示词，就把很多事情讲清楚：有些地方可以这么做，有些地方可以那么做，事情并没有那么绝对。具体应该怎么做，可能还和公司创始人的风格、产品本身的历史和上下文有很大关系。 这些东西 AI 其实无法获得。不要低估 AI 的能力，也不要高估 AI 的能力，绝对不要高估 AI 的能力。但我相信 AI 应该是一个效率工具。今天更应该说的是，一个 AI 可以完成一个人原来需要几个工程师才能完成的事情，而不是一个 AI 替代几个工程师。 我最近在想，过程知识非常重要。我们把一件东西做出来，需要 3 个要素：第一个是生产要素，第二个是知识要素，第三个是过程要素。 比如我们都在宜家买过家具。我们买来了生产要素，也买来了说明书，也就是知识要素，但每次组装仍然很痛苦。可如果找一个师傅上门，他很快就能把家具装好。 于文渊 是的。他拥有的东西和你是一样的，但因为他装过很多遍，所以他拥有过程上的熟练度。 程序员非常重要的一点，就是一定要把自己的能力建立在 AI 做不到的地方。如果 AI 将来真的永远做到 99.9%，那剩下的 0.1% 也要坚守住，这是没有办法安排和替代的。 我觉得大家会发现，AI 带来的很多事情都很反直觉。看到 AI 写文件系统这件事，我的一个直觉是，AI 真正能替代的，也许是那些写得最好的人。比如写操作系统内核、数据库内核、文件系统，这些工作可能最容易被大规模提效和替代，这和很多人的想法恰恰相反。 于文渊 我觉得，像前端工程师，或者和产品距离比较近的工程师，他们做的很多事情并不是复制粘贴，而是需要一种 Know-how：怎样让用户真正使用起来。 和人距离越近的东西，可能越难被取代。系统工程师写文件系统、写操作系统，是想办法把系统的资源利用到极致，所以反而更容易被取代。因为这类代码库的质量通常很高，测试用例也非常清楚，结果同样很清楚：比如我要优化多少百分比。 这就像 AI 今天数学竞赛做得非常好、编程竞赛做得非常好，是因为这些问题足够清晰，可以定义结果。但什么叫一个好的短视频 App，什么叫好，这没有一个清晰的标准，是一个非常开放的问题。 那你觉得，MaaS 系统工程师是一个开放问题，还是一个封闭问题？ 于文渊 我觉得在今天，它是一个开放问题。因为 AI 的变化太快了，我不知道明天会是什么样子。底层资源变化很快，算力情况变化也很快。在变化如此迅速的情况下，需要的是一个人的潜力，而不只是一个人的知识，是他应对变化的能力。 ### 国产算力必须补上缺口 我们今天谈到中国 AI 时，都会面对英伟达供应，或者断供的问题。在你看来，这对我们的影响有多大？ 于文渊 影响很大，非常大。 但我对国产算力非常有信心。算力这个东西，在今天的市场上有点像石油。它本质上不是中国能不能产石油，或者中国有多少个油田的问题，而是中国每天需要的石油，和每天能够供给的石油是否匹配的问题。 我完全相信中国能够做到自主可控。我们有非常聪明的工程师和工业基础，大家一定能把基础设施建设成为世界第一，这一点我完全有信心。 但今天油田还没有开采出来，下游已经有了非常多的需求，就像高速公路上的车已经跑起来了，但油还不够。算力供给如果产生缺口，其实会非常影响中国 AI 的发展。 这和很多国家的情况一样，只是有些国家可能卡在电力上。电力是工业的血液，这一点可能在 100 年前就已经知道了，但不知道为什么到了今天，还是会出现供血不足的情况。 如果让我真实地说，我个人感觉，只要是能够进入市场的算力供给，对中国来说一定是只有好处、没有坏处的。 现在国产芯片里，我知道有平头哥，还有一些刚上市的芯片公司。你觉得哪些做得比较好？ 于文渊 平头哥做得非常好，今天真的非常好。我觉得已经不能再说得更好了。 英伟达是事实标准。它最早在还没有 AI 的时候就开始做 GPU，大家都已经认为它非常好。它有非常强的软件团队和硬件设计团队，很多东西也都真正落地了，做得非常好。 平头哥，我个人感觉我们的团队还是非常有远见的。我们使用起来非常丝滑，也非常好用。 那现在资本市场上炒得非常热的摩尔线程、沐曦，表现怎么样？ 于文渊 我个人没有用过。但今天还是这句话：我觉得 MaaS 或者 AI 算力的发展，不取决于某一个算力产品做得好不好。 这就像石油，有的是轻质石油，特别容易炼；有的是重质石油，特别难炼，但总有人能炼出来。今天关键是总量供给的问题。 你说我明年能增长 10 倍，为什么不能有 100 倍的算力？如果有 100 倍算力，我一定可以让市场把它消耗掉。即使是 1,000 倍算力，我也相信一定能够被消耗掉。不管是用来训练更强的模型，还是让更多 AI 应用变得更便宜，只要给我算力，我一定能让大家用起来。 所以我永远觉得算力不够用。 大家可能会觉得，中国的算力，包括阿里云的算力，已经很充足了。还是不够吗？ 于文渊 还是不够，可以更多。 这种感觉在云计算时代是从来没有过的。以前从来不会觉得，你再给我更多云资源，我也能把它物尽其用。 于文渊 大家过去没有遇到过这么爆炸性的算力需求。历史上阿里云也曾经有过高速增长，但如果只看算力本身，这种对算力的饥渴是前所未有的状态。 ### MaaS 终局是基础设施 我们来预测一下：到 2026 年年底，你估计会有哪些场景消耗特别多的 Token？这些场景可能是今年才冒出来的，或者是大家意想不到的。 于文渊 现在我的“意想不到”阈值已经非常高了。我觉得今天 AI 做到的事情，已经没有什么是我完全意想不到的。 Agent 一定是今年最大的增量之一，AI 生成也一定会是增长来源之一。到底谁更多，我不敢说，每个厂商可能都不一样，但我相信这两个一定会是今年最大的增长点。 今天大家可以不通过百炼来调用 API。我可以直接调用 OpenAI 的 API，也可以直接调用千问的 API。你觉得百炼夹在中间提供的价值，厚度有多大？ 于文渊 首先，千问的 API 就是百炼的 API。 我觉得中间的价值在于，谁能够做到更好的体验、更低的成本和更好的模型效果，同时还要有容量。不能让任何一块 GPU 一秒钟闲下来，要把这些容量转化成 Token。 今天的 mask 之争，算力转换成 token，谁能转的更高效，谁有更多的算力。 现在百炼上除了千问，还可以使用其他模型吗？ 于文渊 当然可以。百炼作为一个云平台，服务的是客户的需求。中国的开源模型，我们在百炼都有托管式部署。 除此以外，国内模型厂商原厂的模型，比如 MiniMax、Kimi，以及 SiliconFlow 的 DeepSeek API，用户也可以使用百炼的 API Key 来调用这些模型，甚至还可以调用推理厂商的模型。 我们前面聊到 Neocloud。对于这些新的 Neocloud，你自己特别看好哪些？ 于文渊 Neocloud 是一个比较泛的云服务简称，大家无非是希望屏蔽一部分复杂性，把复杂性留在自己这里，给客户提供更简单的使用方式。 我个人不是特别看好那些直接做资源转售的 Neocloud，也就是把英伟达的算力或者类似算力，以相对裸、相对底层的方式往上提供。 但相对来说，我更看好 AI 原生的服务，也就是把硬件和复杂性屏蔽掉的服务。比如 Firefox、Together 这种做 mask 的公司，还有一些做沙箱托管、云桌面、浏览器、搜索等服务的公司。 围绕 AI Agent 的服务，包括可观测性，也就是怎样观测 Agent，像 Datadog 这样的公司，围绕 Agent 和 AI 云相关的服务或产品，都会非常有意思。 最后一个问题。今天仍然感觉 Musk 处在激战区，对吧？外部环境变化非常快，一日千里。你有没有想过，哪一天如果这个战局确定下来，会是因为发生了什么样的变化？ 于文渊 这件事本质上取决于 AI 到底会在我们未来的社会中承担什么样的角色。 我相信它会像水、电、煤气一样，成为一种 Utility，就像手机运营商、电信运营商、交通设施和高速公路一样，一定会成为基础设施级别的 Utility。 AI 的终局可能确实不是一个模型。就像电，我们不会区分核电、水电，插在插座上就是 220 伏交流电。未来一定会有非常多样、非常复杂的 AI，包括不同的速度、速率、模型效果和功能，可能不会形成那么强的垄断。 你会不会觉得，未来我们的基础设施会从水、电、煤气变成水、电、煤气、模型？ 于文渊 一定是这样。它会深远地影响我们的日常生活。水、电、煤气、模型。 今天非常开心请到文渊，和我们录制这一期播客。在这个变化非常快的时代，我们也很期待半年后、一年后再见面时，看看又会有哪些新的变化影响我们的工作和生活。 于文渊 好，谢谢。 谢谢，拜拜。 于文渊 拜拜，谢谢大家。