当“堆算力”失灵：谷歌、OpenAI与AI增长放缓的真实信号

从OpenAI到Google，前沿大模型正同时撞上“规模化红利递减”的天花板。本篇文章基于The AI Daily Brief视频内容，梳理AI模型放缓的关键证据、核心人物的态度转变，以及行业正在探索的下一条技术路线。

规模化神话正在被打破：谷歌也没能例外

这一轮关于“AI是否正在放缓”的讨论之所以重要，是因为它第一次同时击中了OpenAI和Google这两家最具算力与数据优势的公司。视频中提到，据《The Information》报道，OpenAI内部的Orion模型并未复现GPT-3到GPT-4那样的性能飞跃，这迫使OpenAI转而“加码推理与微调”，寻找新的性能突破口。更值得注意的是，Google也出现了几乎一模一样的问题。

消息人士称，Google的旗舰模型Gemini在最新一代训练中，并没有像过去那样，通过简单增加数据量和计算资源实现线性提升。过去被称为“缩放定律（scaling laws）”的核心假设——只要数据更多、算力更强，模型就会持续变聪明——正在经受现实检验。对Google而言，这尤其刺痛：外界原本认为，凭借其在算力和基础设施上的长期积累，Google有机会在这一代模型中反超OpenAI，但现在看，这种“纯靠堆资源实现跃迁”的窗口正在关闭。

这并不是一次孤立的技术受挫，而是对整个行业方法论的挑战。因为当连Google都无法通过规模化取得明显优势时，意味着“更大模型=更强能力”这条直觉路径，正在失效。

从堆数据到“教模型思考”：DeepMind的转向

当规模化不再奏效，为什么“推理”成了新的希望？视频给出了一个非常具体的故事：Google DeepMind已经组建了一支专门的推理模型团队，由首席研究科学家Jack Rae和Character.AI创始人Noam Shazeer共同领导。这个人选本身就说明了战略优先级——Noam Shazeer正是Transformer架构的核心提出者之一。

除了组建新团队，DeepMind的研究人员还在进行一系列“手工级别”的模型改进，包括调整超参数（hyperparameters，即控制模型如何处理信息、建立概念联系的关键变量）。他们还发现，训练数据中存在大量重复内容，这种冗余可能会拉低模型的有效学习效率。为此，Google尝试过合成数据（synthetic data），也就是让大模型生成新数据再喂回训练集中，同时引入音频和视频等多模态数据。

但令人意外的是，消息人士直言，这些方法“并没有带来显著提升”。这正是故事的转折点：那些曾被寄予厚望的技术补丁，并没有像想象中那样立竿见影。这迫使研究者重新思考一个更根本的问题——也许不是“喂得不够多”，而是“教得不对”。

两位“预言者”的合流：Ilya Sutskever与Yann LeCun

视频中最耐人寻味的部分，来自两位AI思想领袖的罕见“立场靠拢”。Meta首席AI科学家、图灵奖得主Yann LeCun多年来一直质疑单纯依赖模型规模的路线。这一次，他在Threads上略带调侃地写道：“I don’t want to say I told you so， but I told you so（我不想说我早就说过，但我确实说过）。”

更具象征意义的，是前OpenAI首席科学家Ilya Sutskever的转向。他曾是“规模化路线”的最重要倡导者之一，却在近期表示：“2010年代是规模化的时代，现在我们又回到了探索和发现的时代。现在，比以往任何时候都更重要的是‘扩展正确的东西’。”这句话在视频中被反复强调，因为它几乎标志着一个时代的结束。

LeCun随后补充道：“我们已经在‘下一件事’上工作了一段时间了。”他指的是Meta基础AI研究团队正在推进的“世界模型（world models）”——一种试图让AI理解物理世界和环境因果关系，而不仅仅是词与词之间统计关联的新架构。这条路径，正在被视为通往通用人工智能（AGI）的潜在方向。

并非所有人都认同：‘AI放缓’是不是伪命题？

当然，视频并没有把“AI放缓”描绘成行业共识。有人明确反对这种说法。评论者Vindu Reddy认为，这根本不是技术停滞，而是“基准测试饱和”的结果：“100分就是最高分，当你拿到100/100时，当然就没地方再进步了。”

这个观点点出了一个现实问题：很多我们用来衡量模型进步的指标，本身就存在上限。当模型在标准化测试中接近满分时，进步会变得不再显眼，但这并不一定意味着模型在真实世界任务中的潜力已经耗尽。

也正因为如此，视频强调，这场争论的真正价值不在于‘到底有没有放缓’，而在于它正在迫使整个行业重新审视方向：未来的突破，可能不再来自一次发布就震撼世界的大模型升级，而是来自更隐蔽、更结构性的能力提升，比如推理、世界建模，或者完全新的架构范式。

从模型到商业：Perplexity与Salesforce的另一种压力

在技术讨论之外，视频还给出了两个极具现实感的商业案例。首先是AI搜索公司Perplexity宣布开始引入广告，形式是“赞助的后续问题”，并明确表示：订阅收入不足以支撑可持续的内容分成体系，“广告是最稳定、可扩展的收入来源”。这些广告将由AI生成，而非由广告主直接撰写。

这一实验的意义远不止Perplexity本身。正如视频所说，AI搜索摘要如何冲击Google以搜索广告为核心的商业模式，仍然是一个悬而未决的问题。

最后，Salesforce CEO Marc Benioff在TechCrunch播客中直言，认为AI会冲击公司收入是“crazy talk”。他坚信AI Agent是未来，并反复强调Salesforce掌握着“230拍字节的客户数据”，以及其成熟的安全与共享模型。但视频作者也指出，即便Benioff最终是对的，AI Agent对传统按席位收费的SaaS模式所施加的压力，是真实而且短期内难以化解的。

总结

这期视频传递的最重要信号，并不是“AI不行了”，而是一个时代正在切换。规模化曾经是最确定的成功公式，但如今，连最坚定的支持者都开始寻找替代路径。无论是推理模型、世界模型，还是AI Agent与新商业模式，行业正在进入一个更不确定、但也更具创造力的阶段。对读者而言，理解这一转折，远比押注某一家公司或某一模型更重要。

关键词： 模型规模化， 推理模型， 世界模型， Gemini， GPT-4

事实核查备注： 视频提及人物：Ilya Sutskever、Yann LeCun、Noam Shazeer、Jack Rae、Marc Benioff；公司与产品：OpenAI（Orion、GPT-4）、Google（Gemini、DeepMind）、Meta、Perplexity、Salesforce、Character.AI；技术概念：缩放定律、推理模型、超参数、合成数据、多模态、世界模型、AI Agent；关键数字：Salesforce管理约230拍字节客户数据。