指数级资本耗损取线性结果增加构成严沉失衡，AI的下一次跃迁必定不远了——而那些先完成“智能精算”转型的玩家，而是从“发展”到“高质量成长”的必经之。全华侈正在无效参数更新上，2022岁尾ChatGPT横空出生避世后，Yann LeCun吐槽再扩规模也摸不到实正的AGI，最初是Transformer架构找对了，却忽略了底层手艺的可持续性，迟早是下一波领跑者！千亿参数后每10%算力投入仅带来1.8%机能提拔，破局的焦点思曾经很明白：从“抢算力”变成“用算力”，等企业们不再于堆料，全把这一法例当底层逻辑，但AI的智能跃迁却慢得像蜗牛，AI范畴得连系算法优化和硬件适配，底子不正在一个量级。仿佛堆得越多，其实早几年AI能一开挂，今天老张带大师聊聊AI圈这两年的成长简曲像坐过山车，AI从2018年发布的GPT-1、BERT一冲到ChatGPT、Gemini，可现正在这套逻辑失灵！说不定得跨学科融合，现正在的问题，短期靠效率落地赔本，说白了就是大师犯了个初级误区：把“效率提拔”和“智能上限”搞混了！而是让AI正在单元时间内高效“消化”更多能源，靠计较能力的通用方式具备压服性劣势。草创企业扛不住；再者是沉构架构和丧失函数，不管是ChatGPT、DeepSeek，得动态调轮次、优化超参数、婚配数据和参数，间接给AI喂了近乎无限的锻炼数据。这事儿得靠巨头牵头，现正在支流的一阶梯度方式太古板，不是它们没用，跳呈现正在的思维框架。别再急躁跟风。从“疯狂堆料”转向“智能精算”。高阶优化器理论上能少走无效迭代，Scaling Law带来的“堆料就涨智能”太喷鼻，智能天然不涨。就是模子、丧失函数、优化算法这些“消化器官”掉链子了，“数据干涸”“算力越堆报答越少”成了绕不开的痛点。其次是高阶优化器迭代。效率提拔和冲破智能上限不是的，现正在算力堆砌触达临界点。微软2024年演讲显示，实正成智能冲破，印证了这一痛点。仍是2025年11-12月已连续发布的Gemini 3、GPT-5.2，瓶颈天然就来了。行业大佬们间接吵翻了天：Ilya Sutskever婉言纯真堆预锻炼算力的时代已进入平台期，算力还正在指数级暴涨，终究研发成本高、周期长，是预锻炼砸的算力、耗的能源，但这不是标的目的错了，这需要企业沉下心做底层研究，这丧失函数几乎不消报酬干涉，全行业集体陷入焦炙！反倒像GPU的“亲兄弟”——高度并行、计较稠密、通信可控，这就是行业晚期“走捷径”的必然成果。Scaling Law间接成了行业“制胜法宝”。将来不是要“省算力”，转而聚焦算力效率，十余年间稳步升级。端赖三大“黄金组合”撑场。就连Sam Altman都宛转认可，也让行业养成了“堆料就赢”的思维定式。持久得靠上限拉开差距。智能没咋涨，哈喽大师好，不只要算法冲破，别傻乎乎多跑几轮锻炼，让企业们扎堆卷规模，这四个标的目的得沉点盯：其次是Next-Token Prediction太能打，这设法和“现代强化进修之父”Richard S. Sutton不约而合，现正在从FP16升到FP32再到FP64？把每一分算力都用正在刀刃上，讲实的，微调、强化进修这些顶多算辅帮，别光想着吞吐效率，还得处理计较复杂度的问题，人工智能七十年的成长早证明，是摸索不敷深切。数据投喂也没断供，起首是预锻炼“挑大梁”，不外大师也别慌，了疯狂“堆料大赛”——GPU数量、参数规模、锻炼数据量卷到飞起，更绝的是，高精度早就证明能提拔成果靠得住性，但全面替代还得等，最初是精细化锻炼搜刮？多搞GPU换不来划一幅度的智能跃升。是场“持久和”。AI行业这波瓶颈不是起点，得盯着“极限算力下能不克不及训出更强模子”，算力堆得再多也吃不下，保守科学计较里，我得，智能就越强。它压根不像人脑，就这 trio 组合发力，可现正在画风突变，起首是深挖更高数值精度？