- 花旗举办全球TMT会议，邀请Poolside联合创始人Jason Warner进行炉边谈话。核心观点包括：(1) 知识工作市场达30万亿美元，占全球GDP的
- 序号：436
- 星球链接：打开网页
- 附件：图片 0，音频 0，文档 0
- 音频文件：无音频
图片
无图片
正文
- 花旗举办全球TMT会议，邀请Poolside联合创始人Jason Warner进行炉边谈话。核心观点包括：(1) 知识工作市场达30万亿美元，占全球GDP的25%，但目前行业将所有任务当作前沿问题处理，导致token支出严重浪费——90%的知识工作经济价值并不需要前沿模型；(2) Poolside的Model Factory架构采用元平台方法，让模型自主发现高效参数，其Laguna S 2.1模型仅用约4000块H200训练5周，参数更少但性能优于同类开放权重模型；(3) DeepSeek和Qwen等开放权重模型因资源受限反而形成了更强的架构严谨性，这一优势差距将继续扩大；(4) Warner认为所谓的训练算力短缺本质上是物理和经济学问题，当前最大模型的规模化服务在经济上不可行，超大规模厂商转向推理可能反映了训练资本开支缺乏经济合理性。
花旗于2026年9月9日在纽约全球TMT大会上邀请了AI初创公司Poolside联合创始人兼联合CEO Jason Warner进行炉边谈话。报告围绕Poolside的Model Factory架构、与英伟达的合作、开放权重模型竞争格局以及AI在知识工作中的长期发展方向展开了深入讨论。核心结论是：，大部分知识工作并不需要前沿模型来驱动，而开放权重模型正以更高的效率和更低的成本挑战闭源前沿模型的统治地位。
一、知识工作市场与token经济学 Warner将全球知识工作市场定义为，占全球GDP的25%。他指出，知识工作本质上是一个"软件在算力上运行"的问题，未来模型将越来越多地自主发现并临时调用API和工具链，智能体（agent）与应用程序之间的界限将日趋模糊。 Warner认为行业目前存在严重的token支出浪费现象——所有任务都被当作前沿问题来处理，但事实上知识工作经济价值的。这一判断对当前AI行业的商业逻辑构成了根本性的挑战。 Warner指出，许多组织选择基于闭源前沿模型构建应用，因为被视为"更安全"的选择。但如果开放权重模型能够实现前沿智能水平，这一趋势可能发生转变。他预期，来自上市公司股东的压力可能会推动更理性的智能分层——前沿、前沿减一（frontier-minus-one）以及小型语言模型（SLM）各司其职。 二、Poolside Model Factory的差异化路径 Poolside并未遵循传统的预训练+后训练范式，而是构建了作为一个，旨在让模型自主发现高效的模型参数。这一设计理念源自强化学习先驱Richard Sutton的**"苦涩教训"（Bitter Lesson）**——将更多算力应用于更简单的搜索问题，往往能带来最持久的进步。
仅使用约
参数数量显著低于同类开放权重模型 性能却优于可比模型 Warner认为，这一成果直接挑战了"前沿能力必须依赖数十亿美元训练投入"的传统假设。 三、开放权重模型的竞争优势 Warner对开放权重模型竞争格局给出了独到分析： 两家公司都面临资源受限的运营环境，这种"约束"反而迫使它们在架构严谨性上下更大功夫。相比之下，一些西方实验室因更容易获得算力，未必需要同等程度地优化架构。 Warner认为开放权重模型与闭源前沿模型之间的能力差距。 未来十年，能源、算力和智能基础设施领域的玩家将成为关键的市场参与者。 四、关于算力短缺叙事的反驳 Warner对当前业界普遍流传的"训练算力短缺"叙事进行了直接反驳： 真正的约束不是供给短缺，而是。 他的核心论点是：。这意味着几家超大规模云厂商（hyperscalers）从训练向推理的转向，可能并非反映算力供给不足，而是反映出。
本报告为花旗全球TMT会议的会议纪要类报告（Flash），。报告性质为行业洞察与管理层观点提炼，旨在为投资者提供AI行业发展趋势的定性参考。 不过，Warner的发言隐含了几个值得跟踪的投资主题： 带来的小型/中型模型机会 作为AI价值链关键环节 对闭源模式的潜在颠覆
Jason Warner作为Poolside联合CEO，其关于"token浪费"、"开放权重模型优势扩大"等观点可能带有推广自身商业模式的倾向，投资者需结合多方观点交叉验证。 Poolside的Model Factory方法虽展示了初步成果，但能否持续产出前沿级模型仍需时间验证，AI训练方法论的竞争远未尘埃落定。 Warner关于"最大模型服务不具经济可行性"的判断，与部分超大规模厂商持续追加训练资本开支的行为存在矛盾，实际经济模型有待市场验证。 开放权重模型在实现前沿智能的同时，其滥用风险和监管挑战可能影响企业采纳意愿，与Warner预期的"安全性不再是选择闭源的理由"存在博弈空间。 本报告为炉边谈话纪要，内容受访谈范围和提问角度限制，不构成完整的行业研究分析框架
总体总结
主题正文
- 核心观点包括：(1) 知识工作市场达30万亿美元，占全球GDP的25%，但目前行业将所有任务当作前沿问题处理，导致token支出严重浪费——90%的知识工作经济价值并不需要前沿模型；
- (2) Poolside的Model Factory架构采用元平台方法，让模型自主发现高效参数，其Laguna S 2.1模型仅用约4000块H200训练5周，参数更少但性能优于同类开放权重模型；
- (4) Warner认为所谓的训练算力短缺本质上是物理和经济学问题，当前最大模型的规模化服务在经济上不可行，超大规模厂商转向推理可能反映了训练资本开支缺乏经济合理性。
- 花旗于2026年9月9日在纽约全球TMT大会上邀请了AI初创公司Poolside联合创始人兼联合CEO Jason Warner进行炉边谈话。
- 核心结论是：，大部分知识工作并不需要前沿模型来驱动，而开放权重模型正以更高的效率和更低的成本挑战闭源前沿模型的统治地位。
- 这一设计理念源自强化学习先驱Richard Sutton的**"苦涩教训"（Bitter Lesson）**——将更多算力应用于更简单的搜索问题，往往能带来最持久的进步。
- Jason Warner作为Poolside联合CEO，其关于"token浪费"、"开放权重模型优势扩大"等观点可能带有推广自身商业模式的倾向，投资者需结合多方观点交叉验证。
- 开放权重模型在实现前沿智能的同时，其滥用风险和监管挑战可能影响企业采纳意愿，与Warner预期的"安全性不再是选择闭源的理由"存在博弈空间。