如果这是真的，hyperscalers就完蛋了

# 若此言属实，超级规模企业恐将面临灭顶之灾 来源：https://klementoninvesting.substack.com/p/if-this-is-true-the-hyperscalers 在我的付费专栏定期研究中，我一直强调认为人工智能的未来并非大型语言模型（LLM），而是运行在本地台式机甚至手机上的小型语言模型（SLM）。今年5月，斯坦福大学团队发表了一项研究（https://arxiv.org/abs/2511.07885），对比了这类SLM与数据中心运行的LLM性能。若该研究结论成立，未来我们或将不再需要大规模数据中心，而那些超级规模企业斥资数千亿美元的投资将付诸东流。 认真地说，若你作为投资者正试图在AI热潮中寻找投资方向，必须通读这篇论文。为方便理解，我先提炼几个核心发现： 首先，研究团队测试了一系列可在本地PC下载的SLM（QWEN 3、GEMMA 3、GPT-OSS、GRANITE 4.0），并将其性能与云端最先进的LLM（ChatGPT 5、Claude Sonnet 4.5、Gemini 2.5 Pro）进行对比。 这些SLM在搭载Nvidia芯片或Apple M4芯片的本地PC上运行——这两种芯片已普遍应用于当前高端台式机（整个研究在Nvidia发布PC专用AI芯片[https://www.bbc.com/news/articles/crmp9mppvzro]之前完成，而后者将进一步加速从数据中心向桌面模型转移的趋势）。 随后，研究追踪了2023年至2025年10月间，这些SLM与LLM在聊天任务和推理任务上的性能表现。 下图展示了SLM在聊天请求（目前仍占绝大多数请求类型）中与LLM的胜率/平手率对比。可见在所有领域中，最佳SLM在90%以上的案例中能提供与LLM相当或更优的答案，各领域平均胜率高达98.6%。 **SLM与LLM在聊天请求中的胜率/平手率对比** [](https://substackcdn.com/image/fetch/$s_!e9IY!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Ff0c92aa6-bba4-40d6-b029-566107561201_548x394.jpeg) 来源：Saad-Falson等人（2026） 在要求更高的推理任务中，SLM正快速追赶。平均而言，它们在62.5%的案例中能提供优于或至少持平LLM的答案。 **SLM与LLM在推理任务中的胜率/平手率对比** [](https://substackcdn.com/image/fetch/$s_!nQrX!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F22588d9f-fb8a-4e8f-9293-90e7a9542f8c_541x400.jpeg) 来源：Saad-Falson等人（2026） 现实中，SLM与LLM的任务通常是聊天请求与推理任务的混合体。因此第三张图基于各领域任务频率，对聊天请求和推理任务表现进行了加权平均。如图所示，平均而言SLM在81.2%的案例中表现与LLM相当甚至更优，仅在工程、生命科学、运输和计算机科学等领域LLM仍具显著优势。 **SLM与LLM在聊天和推理综合任务中的胜率/平手率对比** [](https://substackcdn.com/image/fetch/$s_!Gl7b!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F0a92e89c-b050-4125-b682-9d1cc06e3bb9_540x392.jpeg) 来源：Saad-Falson等人（2026） 但优势不仅体现在准确率。根据所用SLM和硬件配置，SLM的能耗与计算成本较LLM降低50%至85%。 更重要的是，SLM在推理任务上的追赶速度惊人。最终图表仅展示推理任务中SLM随难度等级和模型迭代的性能变化。 2023年，SLM在五级难度推理任务中的成功率普遍仅约50%。到2025年10月，SLM在1-2级简单推理任务中成功率已达99%，3-4级较难任务达85%-92%，仅在5级最复杂任务中仍落后于LLM（成功率51.5%）。 **SLM在推理任务中的成功率变化** [](https://substackcdn.com/image/fetch/$s_!38uM!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2Fd0d7cc59-306e-4494-b18d-b6b1e4e45fbf_1230x734.png) 来源：Saad-Falson等人（2026） 这意味着在五分之四的用例中，可直接用SLM替代数据中心及其昂贵的尖端半导体基础设施。研究报告估算，美国SLM可寻址市场规模已增至约10万亿美元，相当于30万亿美元GDP的三分之一。LLM的生存空间日益收窄，且每年其对SLM的优势都在缩减。 显然某些领域LLM仍遥遥领先，尤其在智能体AI应用中，目前SLM的准确率和成功率仍低于50%。同样，现阶段很难在智能手机运行此类SLM——iPhone可运行的模型性能显著弱于台式PC。 但关键在于：运行在台式PC（尤其是智能手机）上的模型，其能效远优于云端模型。这些SLM的每瓦推理效率通常是LLM的七倍。这意味着遇到可本地解决的任务时，在桌面或移动设备处理比送往数据中心更经济。 我认为这对投资者具有重要启示： - 我们需要的数据中心将远少于预期。若能用SLM替代70%-80%原计划由LLM处理的任务，超级规模企业未来的收入增长将难以支撑其资本支出。事实上，若此研究趋势延续，数据中心可能成为当前AI领域最糟糕的投资标的。 - 虽然各类半导体仍需巨额投资，但不必追求最先进的Nvidia芯片。适用于台式PC的性价比型号即可满足需求。对Nvidia而言，最佳情景是用其新款桌面芯片替代高端数据中心GPU——但这将如何影响其利润率和营收增长？ - 对于最复杂的任务我们仍需LLM，OpenAI、Anthropic等企业可将模型“简化”为SLM销售。但面对QWEN等中国厂商或IBM GRANITE的激烈竞争，这类模型利润率将远低于LLM。这对这些企业的IPO估值和增长轨迹意味着什么？ - 尽管智能体AI目前在LLM上表现更好，但这可能只是暂时优势——正如我们在推理任务和单次聊天请求中看到的演变。若如此，AI热潮的真正赢家将不是先进硬件与数据中心提供商，而是戴尔、苹果等看似平凡的台式电脑制造商。 见证这场竞赛的演进将极具意义。我越来越确信，许多人会因投资错误技术而遭受重创。