今天咱们来继续看12个核心结论的后六个（包含2个核心结论和4个反常识的洞察），特别是反常识的部分，也许会有部分打破你对于AI的固有认知。

先来继续完成核心结论部分。

观点7: 从专利层面，中国依旧数量碾压，但美国技术辐射更强

截至2024年的数据来看，全球2024年一年新的AI相关的专利数量达到13万个左右，而中国主导的AI相关的专利达到全球的7成以上。

但从专利的影响力角度，美国专利被全球引用占比超50%，技术影响力更强。

从每10万居民来看AI专利的话，韩国是全球第一，卢森堡的人才密度也很高。

专利数据一般是来看产品化的进程。从以上的数据我们可以看出，中国AI产业应用落地速度还是全球第一，因为从数量是绝对的碾压。而从核心技术和原创性来讲，美国的影响力仍有不可代替的地位。韩国的人均专利第一本身很有意思，这与韩国目前在半导体+AI的布局直接相关，海力士、三星等企业，还是在专注小而精的创新路线，本身效果从他们本身的股价上可以清晰可见，这个路线本身也值得其他国家所借鉴。另外全球专利同质化的现象也比较严重，颠覆性创新还是太少，这导致AI产业在颠覆性创新到来之前，还是低水平的重复竞争内卷。

观点8: 人才危机，美国吸引力暴跌，性别鸿沟化显著

2017年至今，流入美国的AI研究者的数量下滑了89%，近一年降幅达到80%。以及全球各国AI领域男性的占比都在70%以上。

人才流动的数据其实最能反映全球AI格局的变化。美国人才吸引力呈现断崖式的下滑，说明全球AI中心已经不是美国为中心的单极化，已经呈现多极化转变。但我们也可以看到女性的占比还是比较少，但IT行业整体全球也大概是3～4：1的状态，也就是说大概男性占比75%左右，女性在25%左右。从这个角度是保持一致的。

4个反常识洞察：没准儿打破你的固有认知

洞察1: 小模型不一定弱，比起参数规模更重要的是数据质量

我想讲一下OLMo3，它是艾伦人工智能研究所（AI2）推出的新一代完全开源的大语言模型家族。这个模型提倡“全栈透明”（Full-Stack Transparency）。AI2不仅仅公开了模型权重，还完整的开源了整个生命周期流程，包括训练数据、训练代码、日志，甚至连训练过程的检查点（checkpoint）也开源了出来，真心是推动了AI的开放科学研究。

这个OLMo3的32B版本（还有一个7B的），参数量仅仅为Grok 4的90分之1，但依靠高质量的数据清理、去重、精选和科学基准，我们看到的份依旧有大模型的80%以上的能力。

我们从上图可以看到Olmo3的训练数据集还是很可观的。

“小参数模型智能并没有与大参数模型相差那么大”，这个结论还是挺反直觉的。我们以前可能都认为“参数越大越智能”，但是OLMo3证明了数据质量其实才是模型智能最重要的维度，比参数量更为重要。让我想到以前的GIGO（Garbage in Garbage out），在大模型训练场景被证明同样有效。在训练阶段的数据污染、提示词阶段的糟糕Prompt和微调阶段的不良指令，都会直接影响最终模型的智能度。所以这个发现可以指引中小型企业，没有必要再盲目追求大参数的大模型，通过数据优化也可以大幅提高生产力和竞争力。这也许是AI可持续发展的另一种新的思路。

洞察2: 纯合成数据无法做大模型训练，数据枯竭已经迫在眉睫

我们从报告中可以知道高质量的互联网人类文本，已经接近枯竭，Epoch预测高质量的数据将会在2026-2032年耗尽，而人工混合数据无法超过之前模型的智能上限。并且我们发现自从2025年1月起AI生成的新的内容已经超过了全网内容总量的51%。

洞察3: 算力成本暴跌，但环境负担超重，长期运营持续恶化

从上图我们可以看到，GPU的成本从2006年到目前，已经下落了超过99%。

人类每8次大模型的问答查询，所消耗的算力电量就可以为两部手机充电。

GPT-4o每年制冷过程中消耗的水能够养活120万人，这还不是最新的模型，最新的模型可能会更多，但新模型的此类数据没有被公布。

我们也能看到目前AI系统的耗能量已经超过了芬兰或者澳大利亚一个国家一整年的用电量。而之前的加密货币的挖币的耗电量也是很恐怖的，大约是AI系统的一倍。

这是很典型的“成本转嫁”的逻辑，硬件成本通过工业制造的边际效应和技术进步下降了，但是能源、水资源和碳排放等环境成本却被指数级拉高。如果为了AI要算一笔ROI的话，那么除了之前的CaPEX和OPEX之外还需要加入“环境成本”。这部分成本最终会通过政策（例如碳税）、社会生存压力、环境恶化等方式转嫁给全人类。该报告预测未来5年内，环境成本可能会超过硬件成本，成为AI企业的最大支出项。

洞察4: 韩国人均AI专利断层第一，小而精的路线成为新选择

大家可以看一下这张图，感受一下韩国在人均AI专利上，断层领先的跨度之大。这是非常典型的“生态位锚定”（Niche Anchoring）的策略，这种小而精的模式很可能会成为除了中、美之外，绝大多数国家和地区在AI时代发展的唯一参考模式。

我们知道韩国的硬件卡位是世界级的软硬件闭环生态，包括三星、SK海力士掌控着全球HBM（高性能内存）和存储半导体的命脉。AI算力永远离不开高速存储，所以韩国将AI算法直接“刻”进芯片里（例如内存计算），这种软硬一体的创新，是独特的存在。韩国的创新高度依赖三星、SK、NAVER等巨头，如果比拼全量大模型可能不会比中美等大国更好，但是如果在特定半导体、汽车、造船等行业赛道，这种研发力量和投入都是高度聚焦的。

类似的还有丹麦在能源道路上的积累，属于绿能和风电场景的场景驱动型，从能源AI的角度进行切入，也是一条小而美的道路。

好了，到此为止，我们基本上通篇把这篇报告中最核心的一些观点（Top Takeaways）都已经详细的看过了。接下来我们不仅会看内容，还会透过内容看一些方法层面的东西，我会像玩魔方一样，从不同的侧面进行展开。

感谢您读到这里，请关注我，我们下一篇见。