【深度】AI牛市到头了么？ 互联网泡沫对比、AI剧本预测、产业链分析
2026年9月4日，OpenAI发布新一代前沿模型GPT-6 Astra，总裁Greg Brockman在发布会上宣告“Welcome to the AGI era”。同一天，距离Anthropic推出Claude Fable 5.1和Mythos 5.1仅过去三天，距离谷歌发布Gemini 3.8 Flash仅过去两天。
9月刚过四天，四家海外巨头轮番登场。如果把时间线再拉长一些——此前两周内，DeepSeek V4 Pro、Grok 4.6、谷歌Gemini 3.7 Flash、智谱GLM-5.3在48小时内集中亮相。大模型的发布节奏，正在从“季度更新”压缩到“周更”，甚至“日更”。
榜首保质期：从数月到不足一周
Benchmark排行榜上，最强模型的“保质期”正在急剧缩短。从登顶榜首到被超越，如今连一周都撑不过。2025年初，一款模型登顶后还能维持数月的话题热度；到了2026年，榜单第一名几乎成了“实时股价”——上午登顶，下午就可能被刷新。
这种变化背后，是模型迭代机制的底层变革。OpenAI和谷歌在最新发布中不约而同地提到了RSI（Recursive Self-Improvement，递归式自我改进）——AI参与乃至改进自身研发流程，从而持续缩短模型迭代周期。OpenAI强调，Astra是第一款由前代模型深度参与训练监督的旗舰产品；谷歌DeepMind方面表示，Gemini 3.8 Flash对RSI而言是一次巨大飞跃。据公开信息，Astra训练后期系统可自主连续运行大半天，即便出现问题，AI往往几秒后就能让训练继续推进。
这意味着，模型迭代速度的限制正在从“人类工程师的工作时长”转向“算力、实验设计和安全验证”。周抛，可能很快也会成为过去式。
从“造神工程”到“流水线作业”
大模型研发正在经历一场“工业化”转型。过去，新模型发布是一件“很重”的事情——数据、训练周期、算力都需要巨额投入，研发周期动辄数月甚至更久，每次发布都意味着一场重大的“代际升级”。
如今，基础模型训练方法日趋成熟，后训练、强化学习、推理优化、数据处理等环节越来越工程化。一个新模型不一定需要从头训练一个完全不同的巨型模型，而是可以基于已有底座，通过强化推理、代码、Agent、视觉等特定能力，快速推出新版本。
智谱明确表示，GLM-5.3与GLM-5.2使用同一个基础模型，所有提升全部来自后训练。阿里通义团队在发布Qwen3.8-Flash-Next开源权重时透露，新架构将是全新一代Qwen4系列模型的雏形。模型的“代际”概念正在变得模糊——新版本更像软件产品的“小版本迭代”：能力有提升，体验有变化，价格可能更低，但底层架构未必发生翻天覆地的变化。
天使投资人郭涛指出，小版本更新不必重新训练全新的基础模型，而且“后训练”能力越来越强。在已有基础模型上用新数据、用户反馈和强化学习为模型“补课”，成本远低于重新训练下一代基础模型。
“Flash”密集登场，厂商改打专项战
模型厂商的发布目标正在从“做出一个最强模型”拆解为“推出瞄准某个具体需求且能马上用起来”的专项版本。这也是为什么“Flash”越来越密集地出现在各家模型产品线中——它们不追求在所有指标上击败旗舰，而是把速度、成本、推理能力或特定场景做到极致。
谷歌是这一策略的典型代表。从7月21日的Gemini 3.6 Flash，到8月13日的3.7 Flash，再到9月2日的3.8 Flash，六周内完成了三次迭代。Flash系列的迭代频率被谷歌压缩到了“周”为单位。在3.8 Flash的更新中，谷歌将技能树全点在了代码与智能体能力上——在DeepSWE v1.1测试中，它已能端到端自主解决复杂工程问题，得分超越众多体型庞大的前沿模型。
开源阵营的“闪电战”同样密集。据公开信息，截至8月初的短短八周内，阿里巴巴Qwen3.8-Max、月之暗面Kimi K3、DeepSeek-V4-Flash、智谱GLM-5.2、字节跳动Seedance 2.5五款重磅模型接连亮相。月之暗面分别在1月、4月、6月和7月推出Kimi K2.5、K2.6、K2.7和K3，最短仅间隔一个月。
“快消品”化：品牌崇拜退场，超市货架式选购登场
如果说2023年的大模型是“奢侈品”——稀缺、昂贵、少数巨头独占——那么2026年的模型市场正在变成一场“快消品的盛宴”。没有绝对的TOP，没有不可替代的稀缺性，迭代速度极快，切换几乎没有负担。
据斯坦福大学《2026人工智能指数报告》，截至2026年3月，中美顶尖前沿模型的综合性能差距已收窄至2.7%。自2025年初以来，两国头部模型在各类评测榜单上交替登顶，技术迭代时差压缩到了6至9个月。美国巨额的私人AI投资，并没有换来决定性的技术代差。
更大的变量在价格端。据行业测算，同等业务负载下，部分国产模型的调用成本仅为美国闭源旗舰的1%——同样一笔工作量，Claude收费约25美元，DeepSeek仅需0.18美元。百倍价差并非简单的低价倾销，而是底层技术路线带来的结构性差异：美国闭源厂商背负数亿美元的训练沉没成本，必须靠高API单价维持商业闭环；中国厂商走开源普惠路线，靠海量开发者和规模化落地持续摊薄研发投入。
新加坡科技企业加速器云图SEGA创始人丁新燕形容，中美模型公司仿佛卷入一场“无限游戏”，越来越不存在一次性的胜负。在AI产业链里，上游芯片和云计算企业掌握算力，下游平台和应用企业掌握用户入口，处于中间的模型公司受到两端挤压，“商业模型本身很脆弱”。加上不同模型能力日益趋同，又没有形成微信或脸书那样的社会关系壁垒，用户和开发者可以轻易在不同模型工具之间切换。
狂欢与焦虑并存
模型厂商越来越焦虑，开发者和普通用户却越来越“开心”。当模型进入高频迭代，API价格持续下探，可用模型的选项成倍增长，“超市货架式”的随取随用正在成为现实。
但这种“快消品化”并非没有代价。据毕马威方面观察，截至目前，鲜少国产大模型企业实现稳定盈利，客户黏性不足、付费意愿偏低成为普遍痛点。上游算力租赁价格居高不下，下游API价格却持续下探，形成“成本刚性、收入内卷”的剪刀差。对于中小厂商而言，API收费毛利持续被压缩，边际成本难以下降，难以形成可复制的规模效应。
MIT媒体实验室2025年的一项研究给出了一个刺眼的数字：企业级生成式AI试点项目中，95%没有产生可衡量的财务回报。问题不在模型不够聪明，而在于大多数企业把AI当成了一次“工具采购”，而非组织能力的重建。Gartner也做出类似预警：到2027年底，超过40%的Agentic AI项目会被取消，原因不是技术不行，而是成本失控、业务价值不清、风险管控跟不上。
模型的更新速度本身正在成为竞争壁垒。以前半年不更新，市场觉得正常；现在几周不更新，大家就会开始怀疑“你是不是掉队了”。但高频迭代同样意味着更高的研发投入、更快的技术淘汰和更短的商业化窗口。当整个行业都被卷入这场“周抛”竞赛，谁能跑得更久、更稳，远比谁跑得更快更值得关注。
本文由AI辅助生成
