这是 Medeo_AI 一篇观点文章的核心比喻。它不讨论谁更快，而是追问一个更根本的问题：你的资源禀赋决定了你的策略，而你的策略反过来揭示了你对智能本身的信念。
五个输入，决定登山路线
文章把推动模型智能前进的一切归结为五个要素。它们不是互相独立的——构成一个约束网络，任何一个短板都会锁死上限。
数据排第一，因为它决定了游戏的终局。现存数据——公开的还是私有的——已经接近枯竭。真正的长期竞争围绕"新数据"展开：为让模型更聪明而刻意生产的数据。这又分两类。封闭域问题（数学、代码）有可验证的答案，机器能自动判分——这是当前 scaling 还能持续推进的少数领域。开放域问题（"这段视频好不好""这篇文章说服力如何"）没有标准答案——它的 reward function 是什么？没有人真正知道。而现实世界的绝大多数智能恰恰属于开放域。
能源就是电。电力的天花板就是算力的天花板。2026 年这一点被推到前台——美国的数据中心建设速度跟不上模型训练需求，中国的电力基础设施优势反而在推理时代成为结构性红利。
算法听起来像思想，但本质是人。算法进步的速度取决于你拥有多少顶级研究者以及他们的密度。一个 50 人的紧密团队往往比 500 人的松散组织产出更多突破——密度比总数重要。
芯片分训练和推理两条线，两者的供给约束、成本结构和地缘政治完全不同。训练芯片是少数人的游戏——H200、B200 的出口管制直接划定了国界。推理芯片则可能走上 commoditization 道路——越便宜，用得越多，生态越大。你能拿到哪种芯片，决定了你能构建哪种 AI。
资本是两个问题：市场怎么给你定价，钱是谁的。硅谷 VC 的钱能忍受十年不盈利，中国资本市场的回报周期要短得多。钱的来源决定了它要求什么样的回报，以及愿意等多久。
关键洞察：没有任何组织能在五个要素上全部领先。你继承一份资源禀赋，这份禀赋迟早会替你做出战略选择——有时是有意识的，更多时候是在惯性中滑过去的。
南坡 vs 北坡：两种策略，两种信念
🏔️ 南坡 · 训练驱动
美国路线。最大存量的现存数据，最容易获取的高价值封闭域数据，最密集的研究者浓度，不受限制的顶级训练芯片，愿意为宏大叙事持续买单多年的资本市场。
策略：封闭系统。训练别人无法复现的能力，高利润卖出有限 token。垄断溢价逻辑——少 token，厚利润。
信念：阶跃式 AGI。攻克"核心问题清单"（数学、代码、科学推理），整类问题连带解决。AGI 是一组需要被占领的核心能力。封闭的、集中的、自上而下的。
⛰️ 北坡 · 推理驱动
中国路线。大量开放域应用场景，能生产和标注数据的人口基数，廉价充裕的电力，以及可能持续降价的推理芯片。
策略：开放系统。训练和推理成本压到地板，开源或定价近零，靠 token 的量赚钱。规模经济逻辑——利润在洪流里，不在利润率上。
信念：渐进式 AGI。不存在捷径。视频制作、软件开发、游戏创作——每个都是独立的智能问题，逐个击破。智能藏在真实场景的长尾里。开放的、分布式的、自下而上的。
英雄史观还是人民史观
文章最后一层的翻转最漂亮：两条路线在足够长的尺度上不是敌人，而是交替推进——阶跃突破重置基线，渐进路线的数据积累喂养下一轮突破。
但在任何一个具体时刻，一个组织只有一堆资源，必须做出选择。
所以这个选择本质上是一种历史观。阶跃式 AGI 是英雄史观：少数几个大问题驱动一切前进，普通使用场景是被扫荡的历史尘埃。渐进式 AGI 是人民史观：AGI 是数百万普通场景中普通智能的累积，每个用户的每个行为、每个细分领域的每次尝试都算数。
同一座山顶。但你选择攀登的哪一侧，暴露了你对智能本身最深层的信念。