6.3 训练负载迁移弹性的量化测算（中置信度）
问题：若美国东部电价上涨20–30%，多少训练负载可迁移？
测算：
· 前沿基座训练数据规模：10–100 PB；
· 跨大西洋可用带宽：10–100 Tbps（共享），传输10 PB约需8–80小时，边际成本极低；
· 训练完成后模型权重通常<10 GB，回传延迟不敏感；
· 限制因素：数据合规、实时调试需求、企业数据主权顾虑。
结论：15–25%的训练负载可在12–18个月内迁移至电力充裕区。

6.4 推理负载的可迁移性:
【推理负载迁移弹性表】
推理类型：低延迟交互推理
特征：毫秒级响应（实时对话、搜索）
可迁移弹性：基本不可迁移
解释：物理延迟天花板
推理类型：异步推理
特征：文档解析、代码审查、批量报告
可迁移弹性：10–15%
解释：分钟级/小时级容忍
推理类型：边缘轻量化推理
特征：模型蒸馏后的终端推理
可迁移弹性：5–10%分流
解释：减轻中心负载
推理类型：综合
特征：—
可迁移弹性：5–20%
解释：—
核心结论：推理负载的“不可迁移”是程度问题而非绝对判断。实时交互类推理确实受困于电网约束，但异步推理和边缘推理存在有限迁移空间。电网瓶颈的真正承压点是低延迟交互推理——它必须靠近用户，无法通过地理套利缓解。

6.5 中国算力体系的结构特征
中国算力体系具备东数西算资源优势，国有资本为算力基建提供逆周期托底能力；同时客观存在先进制程供给约束，东部推理算力长期承压。这是体系内部的结构性短板，而非周期性波动。

第七章 三轨情景与轨道内碎片化稳态
7.1 三轨情景定义与先验概率
【三轨情景先验概率表】
情景：中轨（基准）
先验区间：55–65%
核心假设：工程迭代按当前速率延续
失效条件：范式锁死或电力严重不足
情景：慢轨
先验区间：20–30%
核心假设：范式停滞/电力缺口/资本退潮/强监管任一主导
失效条件：颠覆性范式出现
情景：快轨
先验区间：10–15%
核心假设：递归加速突破范式层+资源极端宽松
失效条件：无范式产出→回落中轨
时间线（中轨基准）：
【中轨时间线表】
阶段：经济型AGI（E-AGI）
时间窗口：2028–2032
阶段：领域通用AGI（D-AGI）
时间窗口：2031–2036
阶段：完整认知AGI（F-AGI）
时间窗口：2038–2045+

7.2 轨道内碎片化稳态：被低估的现实路径
轨道切换（快/中/慢）捕捉了全局性变化，但忽视了一个更可能发生的状态：不同行业以不同速度被AI渗透。
碎片化稳态的定义：AI在低风险行业（代码、翻译、客服）率先完成E-AGI落地，但高风险行业（医疗、航空）因E4安全阈值无法满足而长期停留在“辅助工具”阶段。行业间形成持续的AI渗透率差距，差距持续时间超过5年。

碎片化的必然性来源：
· E4分级安全阈值的核心设计就是让不同行业的验收门槛不同——低风险10⁻²，高风险10⁻⁵，差三个数量级。这意味着高风险行业的达标难度高出几个数量级，所需时间自然更长；
· 工程迭代的优先级天然偏向低风险行业（验证成本低、监管宽松、商业化快）。经济激励驱动资源向容易达标的行业集中，而非向最需要AI的行业集中。
碎片化稳态的持续时间估计（低置信度）：基于E4阈值差与METR任务时长曲线的联合外推，预计低风险行业（代码、客服）可能在2028–2029年达标，而高风险行业（医疗、航空）可能推迟至2033–2035年或更晚。碎片化窗口约5–7年。
碎片化的自我强化效应：率先完成AI替代的行业释放资本和人才，理论上可加速其他行业的替代。但在碎片化格局下，这一效应受到三重阻隔：

· 制度防火墙：高风险行业的监管审批周期不变，人才流动无法加速审批；
· 技能壁垒：从代码行业释放的人才无法直接转行到医疗AI领域（需要领域知识）；
· 资本偏好：资本更倾向投入已验证的快速回报领域，而非高风险慢回报领域。

碎片化对社会的结构性影响：
即使不发生轨道切换，碎片化稳态本身就足以深刻改变社会经济结构：
· 结构性失业与技能错配：代码行业失业的程序员无法填补医疗AI领域的人才缺口；
· 行业间收入分配扭曲：被AI替代的行业收入下降，未被替代的行业因人力稀缺收入反而上升（如护士、外科医生）；
· 政策干预窗口的错位：政府在高风险行业尚未被AI替代时就介入再培训，可能过早（目标不明确）；等到碎片化格局清晰后再介入，可能过晚（结构性失业已固化）。

【碎片化政策窗口表】
时间阶段：2026–2028（碎片化形成期）
政策重点：建立行业级AI渗透率监测体系
依据：需要实时数据判断碎片化速度
时间阶段：2028–2030（碎片化加速期）
政策重点：优先对中风险行业（法律、审计）做技能转型预置
依据：中风险行业是碎片化波次的下一个承压点
时间阶段：2030–2033（碎片化成熟期）
政策重点：高风险行业人才储备与安全验证体系建设
依据：为高风险行业最终达标后的人力结构做准备

8.1 修正后的估值框架
传统NPV模型假设AI投资是财务驱动的独立项目评估。现实是：大量投入是战略防御性的。修正框架：
\text{调整NPV} = \text{单模型NPV} + \lambda \cdot V_{defense}
8.2 可观测代理指标
【战略资本代理指标表】
抽象概念：V_defense（防御性战略价值）
代理指标：核心业务AI替代侵蚀率；竞争对手AI业务营收增速差值
数据来源：财报、行业报告
置信度：中
抽象概念：λ（竞争强度系数）
代理指标：行业AI投入HHI集中度；头部企业研发投入对称程度
数据来源：财报、专利数据
置信度：中

8.3 资本退潮信号的双指标校验
缺陷修正：此前版本以“AI预算占集团总研发比例下降”作为退潮信号。但“占比下降”可能仅仅因为总盘子变大（分母效应）。修正方案：同时观测AI研发投入占比与AI研发绝对规模增速。
【资本退潮双指标信号表】
信号：AI研发投入占比
黄灯（预警）：连续2年下降，累计降幅<20%
红灯（退潮）：连续2年下降，累计降幅>20%
信号：AI研发绝对规模增速
黄灯（预警）：年增速降至个位数
红灯（退潮）：年增速转负
红灯判定需双指标同时满足，避免分母效应导致的误判。

8.4 中国AI资本结构的二元特征
中国AI资本结构呈现国有资本与社会资本并存的二元格局：
优势：国有资本具备逆周期平滑能力——在全球VC退潮期，国有资本可维持基础设施层面的持续投入（如算力中心建设），避免基础设施投资断层。
约束：国有资本受政绩考核周期与投资回报考核约束，存在低效项目风险；创新容错边界存在现实局限——国有资本难以像风险投资那样容忍90%的失败率。这意味着中国的算力基础设施可维持逆周期建设，但前沿模型的探索性研发更依赖社会资本与头部企业。

第九章 开源治理集中度（OGCI）
9.1 OGCI的定义与定位
OGCI（Open Governance Concentration Index，开源治理集中度指数）刻画技术路线、迭代权限与训练管线的企业-社区控制权分配。
明确定位：OGCI是概念启发型指数，服务趋势研判与政策分层，不作为高精度实证对比工具。

9.2 指数构成
【OGCI指数构成表】
维度：训练管线开放透明度
权重：25%
测量方法：0–1专家打分
数据来源：技术文档、开源披露
维度：技术决策委员会外部成员占比
权重：25%
测量方法：0–1专家打分
数据来源：项目治理文件
维度：社区PR合并决策权
权重：25%
测量方法：0–1专家打分
数据来源：GitHub贡献统计
维度：训练数据与安全审计公开程度
权重：25%
测量方法：0–1专家打分
数据来源：审计报告、数据披露

9.3 主要开源模型的OGCI区间评估（专家打分，低置信度）
【主要开源模型OGCI评估表】
模型：Llama
OGCI区间：0.7–0.8
治理特征：企业控制力强，社区参与度低
模型：DeepSeek
OGCI区间：0.65–0.75
治理特征：权重开放，训练管线透明度有限
模型：Qwen
OGCI区间：0.6–0.7
治理特征：开源活跃，但技术决策集中于阿里
分数区间仅表达相对高低，不代表精确客观测量结果。