背景：作为一个AI研究者，同时又是深度学习公司的CEO，这些年我亲历了AI行业的一轮又一轮 hype。现在，我觉得我们正站在一个很多人没意识到的关键转折点上。
关于“缩放定律”的问题，大家普遍有个信念：只要模型更大、数据更多、算力更强，AI就会一直进步，就像“AI界的摩尔定律”。但现实是，这种“靠堆资源”的方式已经越来越不香了，收益明显递减。
Ilya Sutskever在NeurIPS上就说过一句话：“我们熟悉的预训练方式，快走到头了。”还有消息说，GPT5虽然不错，但其实没达到OpenAI内部预期（2025年目标）。Google的Gemini也没达到预期性能提升（2024年），而Anthropic也因为开发问题，被迫推迟了Claude 3.5 Opus的发布。
现实很残酷：我们已经摸到了当前模型架构的天花板。想再往前迈一大步，必须靠基础性的科研突破，而这至少要5到10年，不是靠多买点GPU就能解决的。
再来说一个容易被忽视的“死亡陷阱”：OpenAI每年亏85亿，收入才37亿。
具体花销如下：
$40亿用于推理（持续运行）
$30亿训练现有模型
$15亿人力成本
这些运营成本太高了。OpenAI不能说停就停推理服务，毕竟几百万用户都在用。但这些开销也直接吸干了搞前沿研究的资金。当你每个季度都在亏几十亿的时候，哪敢投那种可能几年都看不到结果的研究？于是就只能困在“维护现有系统”的怪圈里。
接下来是中国公司的“降维打击”：比如DeepSeek R1，大多数测试都超过了GPTo1，但开发成本只有600万美元，而OpenAI那边砸了60多亿。而且，DeepSeek的API价格便宜了96%（0.55美元 vs 15美元每百万token），甚至还能在消费级显卡上跑，蒸馏和量化之后，连台式机笔记本都能用。
更夸张的是，他们还没停下。最近DeepSeek发布了V3.1，已经有迹象显示R2在软件工程测试中可能和Sonnet 4、GPT5有一拼。重点是，它可能开源。
当然，目前这些本地部署还是基于蒸馏和量化，你不可能在你自己的显卡上跑一个完整的6710亿参数模型。但我们已经快到临界点了：一旦有人能在消费级硬件上实现完整模型的性能，那整个AI行业格局就彻底变了。API费用没了，云依赖减少，定价权也没了。
这些公司不只是在竞争，他们是在把整个AI堆栈“商品化”。
再说说企业端的变化：我在自己公司也看到了这种趋势。如果企业花更少的钱就能在本地部署AI模型，干嘛还要高价买云服务？现在有47%的IT决策者都在自建AI能力。对于每月花500美元以上的组织来说，本地部署6到12个月就能回本。
有些企业每月在AI上的云支出超过百万美元，这账算下来就太划不来了。一台六千块的服务器就能跑那些模型，否则你得付几千美元的API费用。
有意思的是，那些资源最雄厚的公司（比如OpenAI、Anthropic）反而最难以承担基础研究的风险。他们就像被初创公司干翻的传统巨头，被日常运营压得喘不过气。反而是那些更灵活的小团队和中国公司，能专注做长期的基础研究。
我不是说AI不行了，它依然是颠覆性的技术。但我预计接下来会发生几件事：
对靠“指数增长”支撑的公司估值会有大调整
通用大模型会被“白菜化”
转向更专业的、垂直领域的AI
AI计算任务会从云端慢慢回到本地
下一阶段的重点不是堆模型大小，而是架构上的根本性突破。
总结一下：靠“堆资源”扩张这条路走不动了，高昂的运营成本压得研发喘不过气，效率更高的竞争对手正在把AI变成“大宗商品”。虽然AI的黄金时代还没结束，但它的玩法，真的要变了。
|
微信登陆 
