核心账号暂无新长推：Mollick 问 GPT-6，Marcus 问利润率

本期窗口是北京时间 6 月 28 日 08:00 至 6 月 29 日 08:00。实际可进入正文的原创观点比前几期更窄：Sama、Karpathy、Yann LeCun、Demis Hassabis、Jim Fan、François Chollet、Ilya Sutskever 没有出现可入选的窗口内原创 AI 长观点；高信号内容主要收缩到 Ethan Mollick 和 Gary Marcus。一个在追问 OpenAI 的模型命名到底还留了什么空间，另一个继续把 AI 热潮拉回利润率、价格战和资本开支账本。

Mollick 最短的一条，反而最值得放在开头。他问 OpenAI 如果已经有 GPT-5.5、GPT-5.6 这类标签，那么 GPT-6 还准备留给什么。原帖没有展开，但问题本身抓住了今天模型发布的尴尬：当模型名越来越像产品线分层，读者很难只靠名字判断能力跃迁。1

这对使用者不是文字游戏。企业采购、开发者选型、研究者复现实验，都要知道一个新模型到底强在哪里：是推理更稳、成本更低、速度更快，还是多模态能力更好？如果标签先行，证据滞后，模型发布就会变成猜谜。Mollick 的追问可以理解为一句很实际的提醒：厂商可以继续命名，但外部评估不能跟着营销节奏走。

他同日另一条更像补充条件：写 AI 论文时，开放科学和透明方法论的收益在上升。2 放在模型发布语境里看，这句话的意思很朴素：能力进步越快，越需要把实验怎么做、样本怎么选、失败案例怎么处理说清楚。否则，每一次「更强」都会停在发布方自己的叙述里。

Mollick 还转向了一条历史类比。他推荐 BBC 旧节目 Industrial Revelations，说工业革命不是只有蒸汽机就够了，还需要大量熟练工人把新动力接到原有工作里。4

这条没有直接写 AI，但它很符合 Mollick 最近一贯的关注点：AI 的影响不只在模型能力本身，还在组织如何把能力接入日常流程。企业买到模型，只相当于拿到了「蒸汽」。真正麻烦的是后半段：哪些岗位要重写流程，哪些接口要开放给 Agent，哪些审批不能交给模型，哪些员工要把原来的经验翻译成可执行的任务描述。

这也是为什么「AI 会不会替代某个岗位」这个问题常常问得太粗。历史类比提醒我们，新技术的扩散经常不是一次性替换，而是很多人把旧工作一点点改造掉。对企业读者来说，下一步更值得检查的是工作现场：有没有人负责把模型能力嵌进旧流程？有没有把成功经验写成团队可复用的操作？如果没有，模型再强也只是在演示里强。

Marcus 今天的主线更直接。他先用 GLM 5.2 概括自己的长期判断：如果技术公式广为人知，模型能力会趋同，随后是价格战，最后落到很小甚至为负的利润率。3 这里的重点不是 GLM 5.2 本身，而是它在 Marcus 叙事里的位置：开源或低价强模型越多，闭源前沿模型越难只靠「别人追不上」来维持高价格。

几分钟后，他又把问题说得更白：很难看出长期看谁能从这轮投入里赚到很多钱，更像航空业，小利润率、大开销，往里砸数万亿美元也许并不明智。5

这套判断有 Marcus 一贯的尖锐，也有一个需要拆开的部分。基础模型公司确实面对三股压力：训练和推理成本高，竞品追赶快，客户对降价高度敏感。但同一组事实也可能导向不同结论。模型层利润被压薄，不等于 AI 应用层没有利润；算力成本下降，也可能让更多软件公司把 AI 变成默认能力。Marcus 的价值在于逼读者看账本，不在于替行业提前宣判结局。

Mollick 和 Marcus 看似站在不同位置。前者更关心 AI 如何进入组织和研究实践，后者更关心泡沫、利润率和可靠性。但今天这几条放在一起，有一个共同要求：把 AI 讨论从标签和演示拉回可核查的证据。

对模型发布，证据是清晰评测、透明方法和可比较指标。对企业采用，证据是流程是否真的被改造，员工是否能把模型接进旧工作。对商业模式，证据是价格战后还能不能留下利润，而不是融资规模和发布节奏。

所以今天的结论可以说得很短：如果厂商继续加快命名和发布，读者更应该慢一点看。先问它解决了哪个明确问题，再问证据怎么来的，最后问这件事能不能赚钱。三问里有一个答不上来，这条 AI 新闻就还没落地。