1 人工智能技术发展仍需时间。

李博涵讨论了GPT5的技术进展，指出其仍沿用预训练模式，但已接近瓶颈他提到预训练和后训练在模型升级中的作用，并解释了业界对算力消耗的争论，认为预训练消耗更多算力，但未来可能有变化。

2 预训练与后训练的算力消耗。

李博涵介绍了预训练和后训练在算力消耗上的差异，指出预训练在理解大量数据时消耗巨大算力，而后训练在特定任务上可能消耗更多他详细解释了Transformer架构在预训练中的工作原理，包括token化、向量化和注意力机制的计算，强调了预训练在理解复杂逻辑关系中的重要性。

3 大模型参数与计算量分析。

李博涵介绍了大模型参数量的增长趋势，从GPT1到GPT4.5，参数量从几百亿增长到上万亿，预计未来可能达到10万亿级他解释了参数量的增加导致计算量呈平方级增长，预训练过程消耗大量算力后训练阶段包括微调、强化学习和打分等步骤，强调高质量数据在强化学习中的重要性。

4 高质量数据对投资模型的影响。

李博涵解释了高质量数据在投资模型中的重要性，强调巴菲特思维模式对模型效果的提升他提到，强化学习通过高质量数据减少计算量，预训练阶段需要更大的数据量和算力，这是预训练与后训练差异的本质原因。

5 预训练与后训练的算力需求变化。

李博涵解释了预训练和后训练在算力需求上的变化，指出预训练已耗尽现有数字信息，需转向合成数据他举例说明通过GPT模型生成高质量数据，模拟特定人物的思维方式，从而提高模型质量这种方法虽非真实数据，但能显著提升模型性能，消耗更多算力。

6 大模型蒸馏降低参数量。

李博涵介绍了大模型蒸馏技术如何降低参数量，并解释了推理模型的核心逻辑，即详细列出所有步骤和可能性，类似于AlphaGo的决策过程他还提到高质量数据调校和计算量增加对芯片算力的需求。

7 李博涵讨论了模型训练中的算力消耗问题。

李博涵通过举例说明，后训练模型比预训练模型消耗更多算力，强调了在模型搭建和数据处理过程中需要大量计算资源他还提到，虽然抄作业可能带来短期效果，但长期学习仍需投入时间和精力。

8 投资需理解技术细节。

李博涵强调，投资决策依赖于对技术细节的深入理解，而非盲目跟风他指出，真正的投资决策时间占比极低，大部分时间应投入于知识储备和研究李博涵认为，只有通过不断学习和积累，才能在复杂的投资环境中做出正确判断，避免因缺乏理解而导致的损失。

9 AI革命性突破令人兴奋。

李博涵强调了AI技术从0到1的突破，特别是transformer和attention机制的重要性他解释了向量生成和特征提取的过程，指出这些技术推动了AI的革命性进展同时，他提醒投资者在投资过程中必须对所投项目有深入了解，以更好地承受市场波动并选择合适的基金经理。