智能规模效应，ChatGPT Atlas数据边界之战深度解析

本文探讨了智能规模效应，重点解读了ChatGPT Atlas背后的数据边界之战，通过深入剖析，我们发现智能规模效应的实现离不开大数据的支持，而ChatGPT Atlas作为领先的AI技术，在数据边界的探索中展现出了强大的实力，其背后的数据战争，揭示了智能时代技术竞争的关键所在，即如何有效利用数据资源，实现智能技术的突破和规模化应用。

文 | 李智勇

OpenAIChatGPT Atlas当然是一个浏览器产品，但也更是一个信号。

大家应该还记得劈柴是靠什么当上过去的Google现在的Alphabet的CEO的--很核心的一个点就是Chrome的成功。

回到那个时间点其实可以讲Chrome其实是谷歌和微软那波竞争里面的巨大功臣，它让谷歌有了自己的端和入口。

在AI大模型的背景下，故事明显在被重演，只不过角色发生了互换，OpenAI变成了昔日的Google，而今天的Google则变成了昔日的微软。

这显然是过去所谓的入口之争的延续，但还有一部分在悄然发生变化，透视整个变化乃至未来的趋势需要先从一个我称之为“智能规模效应”的底层逻辑开始。（也许可以翻译成：Intelligence Scale Effect，但真的是我杜撰的词）

这个效应的根基可以用一个简单的公式来概括：

智能的效能 = 大模型的智能水平 × 现实理解纵深

这个公式可以揭示了未来智能应用竞争的核心。

为了在竞争中获胜，仅仅拥有一个“更聪明”的大模型（即更高的“智能水平”）是远远不够的。真正的胜负手在于第二个乘数：模型对现实世界“理解的纵深”。

并且越到后面后者越关键，甚至会影响前者的进化速度。

为了最大化最终的“效能”，我们将会看到，每一个投身于AI浪潮的公司，都将开始一场疯狂的、无休止的竞赛——一场旨在无限扩展自身数据边界的竞赛。

模型公司想明白了，都会向应用发展，向应用发展就几乎都会走到这里。

在这里应用和模型是分不开的。

参见：马上，OpenAI就会成为最大的无人公司（Zero-Person Company）

解构“智能规模效应”

让我们首先拆解这个公式的两个关键组成部分。

1. 大模型的智能水平

这是AI的“基础智商”。

它由模型的架构、训练数据量、参数规模和计算资源共同决定。

以OpenAI的GPT系列、Anthropic的Claude系列为代表的顶尖大模型，通过在数万亿Token的公共数据上进行预训练，获得了强大的通用能力，如语言理解、逻辑推理、知识储备和代码生成。

这是AI的“势能”。

它代表了模型理论上能达到的最高高度。

在过去的几年里，我们见证了这场“智能水平”的军备竞赛——参数从十亿级飙升至万亿级，模型能力不断突破想象。

可往后想，核心是什么？

是谁能拿到更多的真实场景的全量数据。

大家应该还记得此前大家怎么认定智能水平上不去了吧？数据不够了。

所以大模型的下半场注定要回到数据。

不是和过去性质重复的数据，而是加入过去没纳入的维度的数据。

(自动驾驶场景下理解智能规模效应更容易）

2. 现实理解纵深

这是AI的“情境智商”。

如果说“智能水平”是AI的CPU，那么“现实理解纵深”就是它的RAM（内存）和I/O（输入/输出）系统。它代表了模型在执行具体任务时，能够接触和理解的特定、实时、私有或专有数据的深度和广度。

一个“智能水平”再高的模型，如果对正在处理的工作、你的私人日程、你公司的内部知识库一无所知，它就如同一个被锁在密室里的天才，空有智慧却无法施展。

它的“现实理解纵深”为零，导致最终的“智能效能”也趋近于零。

“智能规模效应”的核心洞察在于：

在“智能水平”达到某个阈值后，决定应用成败的关键因素，将迅速从模型本身的智商转向它所能撬动的“现实数据”的规模。

参见：没有组织的进化，就没有AI的深层落地

数据的“圈地运动”

这会导致什么呢？

会导致新的圈地运动。数据圈地运动。

ChatGPTAltlas可以看成是开始正式号角，直接怼到谷歌的腹地。

但其实这是并不真是从这儿开始，而是由来已久：

案例：OpenAI的ChatGPTAltlas和Anthropic的桌面端

这其实没啥好说的，就是端-云一体的路线。

目标也简单，就是解决体验瓶颈，拿到更多数据，否则没法搞定网页版AI与用户工作流割裂的核心痛点——网页AI无法“看到”本地文档或应用，导致用户必须频繁复制粘贴，效能低下。

走向也是定的，所以哪天OpenAI推出OS也一点不稀奇。（Google弄安卓的翻版，并且效果更明显）

方式也统一。

都是通过具备系统级权限的原生应用，在用户授权后，AI能直接“看到”屏幕内容、读取本地文件，从而理解完整的上下文。这与“失明”的Web版AI形成鲜明对比，后者局限于浏览器标签页内。

可以看一个典型的场景：设计师在Figma中可直接唤出桌面AI，指着某个元素提问：“帮我把这个按钮改成新拟物风并给出CSS代码。”AI因“看到”了全局设计，能给出精准建议，将原先5-10分钟的跨应用操作缩短至30秒内。

当然，这种深度集成也带来了严峻的隐私和安全挑战，需要用户给予极高信任。这点后面说。

这就是AI比你自己更了解你自己的开始。你记不住1年前的事的，理论上它可以。

案例：Perplexity AI（AI搜索引擎）

成立于2022年、在2023-2024年间迅速崛起的Perplexity AI就是干这个的，它解决了两大痛点：传统LLM的知识“陈旧”，以及传统搜索引擎“只给链接不给答案”。

在当时他们是比较早的整“实时检索+LLM总结”（RAG）架构的。

当用户提问时，它先实时抓取最新网页信息（扩展现实理解纵深），再将其喂给大模型（如GPT-4）生成即时答案。这与Google（提供链接列表）和基础版ChatGPT（知识陈旧）形成鲜明对比。

现在这个变基本功能了。这事未来不一定有谱，没准就挂了。

不过也算成就了个产品，Perplexity在2024年初月活跃用户（MAU）突破1000万。用户在查询“昨晚的财报数据”时，其时效性和召回率远超静态LLM，极大节省了筛选时间。

其限制在于答案质量依赖信源，且双重成本高昂。

案例：Microsoft 365 Copilot

微软面向其庞大的M365企业客户群全面推出了Copilot。它旨在解决企业内部最大的痛点：数据孤岛。员工的知识沉淀在Outlook、Teams、SharePoint等应用中，传统工具无法融会贯通。

Copilot的集成核心是Microsoft Graph。

以前我们老贴下面这图：

这个Graph索引了企业所有的私有数据（构成了“现实理解纵深”），并将其与Copilot的“高智能水平”相结合。当员工提问（如“总结A项目上周进展并起草周报”）时，Copilot能实时检索邮件、聊天和文档，生成精准报告。这是任何“公共”AI助手或传统内部搜索都无法比拟的。

这也是拉通端-云。

据说用户在总结会议等任务上速度提升近4倍，平均每周节省1.2小时。

这场边界扩展的终点，必然是从数字世界走向物理世界。

可穿戴设备（如智能眼镜、AI Pin）和物联网（IoT） 设备，是扩展“智能规模效应”的终极形态。

奥特曼老勾搭做硬件的，就是这事。

试想，一个AI助手如果能通过你眼镜上的摄像头“看到”你正在看的景象，通过麦克风“听到”你正在进行的对话，它的效能将是何等强大？它可以实时为你翻译菜单，提醒你识别刚见面的客户，甚至在你修理器械时提供逐步指导。

这显然引发其它问题，但我真的在活动上听到过，大家探讨整个麦克风把自己每天活动都录下来然后做分析的事。

至少当事人本身不排斥，只是说周围的人可能排斥。

参见：怎样才能提前2年看穿OpenAI的发展路径

为何这场竞争比以往更激烈？

“智能规模效应”所引发的竞赛，其激烈程度和“赢家通吃”的效应，很可能将远远超过PC互联网和移动互联网时代。

在互联网时代，竞争的核心是“注意力”。

平台通过内容和服务（如搜索、社交、视频）来争夺用户的屏幕停留时间。虽然也存在网络效应，但用户的“迁移成本”相对可控——我今天可以用Google，明天也可以切换到Bing；我可以在微信上发文，也可以在微博上发言。

这时候性质完全不同的东西：搜索、IM等它是并行的各玩各的网络效应。

但在智能时代，竞争的核心已经转变为“上下文（Context）”，即我们公式中的“现实理解纵深”。

这是一个本质的区别。

加上大模型的智能的通用性，会让这个本质区别的影响放大到无以复加的程度。

一旦某个AI应用成功地深度嵌入你的个人或企业工作流——它理解了你所有的本地文件（如XX桌面端）、掌握了你公司所有的私有知识库（如Copilot）、或是接入了你的实时物理世界（如未来的智能眼镜）——它所积累的“现实理解纵深”将构成一道无与伦比的护城河。

搜索和IM的竞争的弱竞争，上面这种竞争是搜索和搜索的竞争，是强竞争。

所以越往后AI的应用越是：软硬产品千重浪，遍地英雄起硝烟。

过去真有高度粘性的是网络效应。

操作系统、微信是很难换的，别的么，换换其实没啥问题。

京东买还是天猫买东西，有啥粘性。

但接下来高粘性的无形蛛丝可能再来一个：

你无法轻易地将积累在一个AI助手里的、对你个人习惯和私有数据的深度理解，“导出”并“导入”到另一个AI助手中。更换AI助手的成本，可能等同于对一个新员工进行“从零开始”的漫长培训。

企业的核心是知识，上面这模式整到后面，换产品相当于把员工都换一批，知识清零重来。

又因为通用智能的无边界的特质，数字空间大厂间这场竞赛的终局将更趋向于“零和博弈”。用户（无论是个人还是企业）最终很可能会选择一个“主AI”，并将其数据边界最大化。这导致了竞争的空前加剧：

谁最先占领了用户的核心数据源，谁就几乎锁定了胜局。

（说起来近7-8年前我写过这话题，实在是早了点）

参见：

接近温和拐点，AI将迎来比撒手速度的周期

效能与信任的“大博弈”

这里面，还有个变量，就是用户的权重到底有多高。

说来滑稽，在微信告诉扩展的时候用户虽然全体最关键，但个体其实最不关键。

就拿红包和运营各种拉，和割韭菜差别差不多。

“智能规模效应”驱动的这场数据边界扩展，则在这里带来了一个新挑战：隐私与信任。

当AI为了“更懂你”而疯狂地扩展其数据边界时，它不可避免地会触及用户的隐私红线。

● 你是否愿意让AI读取你所有的本地文件，只为在写报告时给你提供更好的建议？

● 你是否愿意让AI分析你所有的聊天记录，只为更精准地预测你的需求？

● 企业是否愿意将最核心的商业机密交给一个AI系统，只为换取更高的运营效率？

这就是未来的核心矛盾。用户对“效能”的渴望是无限的，但对“隐私”的担忧也是真实的。

隐私究竟能不能对冲效能！

因此，这场竞赛的下半场，将不仅仅是关于谁能抓取更多的数据，更是关于谁能以一种更可信、更安全的方式来处理这些数据。

小结

要选，我会把“智能规模效应”（智能效能 = 大模型智能水平 × 现实理解纵深）选做AI时代应用的第一性原理。

它明确指出，AI的未来不在于构建一个无所不知的“数字上帝”，而在于构建无数个“深度嵌入”现实的专业助手。

OpenAI的ChatGPTAltlas还只是这场宏大竞赛的序幕。

真正的战场，就在于对“现实理解纵深”的无尽追求。

我个人希望最终的胜利者，将是那些不仅能最大化这个公式的乘积，更能在此过程中，赢得用户最终信任的人。

参见：

基于人的教育可能解决不了AI带来的问题

注：本文部分图片通过AI辅助生成