---

  新智元报道  

这次是「地球上最聪明的AI」——Grok 3。

Grok 3证明了Scaling Law的确有效，OpenAI技术护城河被攻破！

此前，DeepSeek证明不用Scaling Law也能达到OpenAI o1水平。

真是「一根筋，两头堵」：无论Scaling Law有用没用，OpenAI的技术「窗户纸」被捅破了。

这不得不怀疑OpenAI到底行不行？OpenAI的盈利模式有可持续性吗？xAI+DeepSeek又能带来什么？

Atreides Management的管理合伙人和首席投资官Gavin S. Baker，分享了自己对AI竞争的见解。

OpenAI是首个积极采用传统「Scaling Law」进行预训练的公司，享受了大约7个季度的主导地位。

首次实现o1推理只带来了几个月的优势。

如今，DeepSeek、谷歌和xAI与OpenAI大致处于同一水平，其中xAI可能稍占优势。

谷歌和xAI预计很快会凭借其更好的基础模型，显著超越o3。

因此，OpenAI迫切需要推出GPT-5，作为未来「o5」推理模型的基础。

奥特曼都承认，OpenAI未来的领先优势将会缩小。

而微软CEO纳德拉则明确表示，在模型能力上，OpenAI一度拥有独特的优势，而这一即将结束。

如果Meta在模型能力方面赶上，也会如此。

Gavin S. Baker认为：没有访问独特且有价值数据的顶级AI模型，是有史以来贬值最快的资产。

蒸馏只会加剧这一现象。

微软似乎也认同这一观点：选择了不再给OpenAI投入1600亿美元进行预训练，并取消了传闻中的数据中心建设。

如果没有访问YouTube、X、TeslaVision、Instagram和Facebook等独有数据，未来的尖端模型可能不会有投资回报（ROI）。

从这个角度看，扎克伯格的战略似乎更加合理。

最终，独有的数据可能是唯一能够带来差异化，并对预训练万亿甚至千万亿级别参数模型的投资回报的基础。

OpenAI难以一家独大

经济学家Ethan Mollick，则认为AI的确进入了新时代，OpenAI时代落幕了。

左图是训练Scaling Law，也就就是说模型规模越大，性能越强。训练更大的模型需要增加计算能力、数据和能源的使用量。

通常，需要将计算能力增加10倍以获得性能的线性增长。计算能力以FLOPs（浮点运算）衡量，这是计算机执行的基本数学运算的数量，如加法或乘法。

右图是推理Scaling Law，也就就是说模型思考越久，它表现越好。

如果让模型花更多计算能力去处理问题，就能得到更好的结果——

就像给聪明人几分钟额外时间来解决谜题一样。

这称之为测试时或推理时计算

第二个规模法则诞生了推理模型（Reasoner）。

在需要时，第三代模型都将作为Reasoners运行，因为有两个优势：更大的训练规模，以及在解决问题时具有可扩展性。

这两个Scaling Law正在极大地提升AI的数学能力，并且还在增加其他方面的能力。

如果有一个大型、智能的AI模型，就可以用它来创建更小、更快、更便宜的模型，这些模型的智能程度虽然不如母模型，但仍然相当高。

即使是小型模型，但加入了推理能力，它们会变得更加智能。这意味着AI的能力在提升，而成本却在下降。

下图展示了这一趋势的迅速发展，y轴上表示AI的能力，x轴上表示成本的对数下降。

GPT-4刚发布时，每百token大约需要50美元（大约相当于一个单词）。

而现在使用比比原始GPT-4更强大的Gemini 1.5 Flash，每百万token的成本大约只有12美分，成本下降了99%+。

GPQA是一系列非常难的多项选择题，旨在测试高级知识。拥有互联网访问权限的博士在其专业领域外的正确率为34%，在其专业领域内的正确率为81%。每百万token的成本是使用模型的成本（Gemini Flash Thinking的成本是估算的）。

The information估计软银今年将在OpenAI产品上投入超过20亿美元，约占OpenAI收入的20%。25-30年，OpenAI在算力上的花费为3200亿美元。2027年现金消耗达200亿美元。

而在2023年，纳德拉一度公开表示无法想象没有AI的生活，要全力押注AI。

现在微软和OpenAI的裂痕在持续加大。最近，纳德拉的采访更是被解读为微软与OpenAI不和，引起股价下跌。

去年，微软就表示将非OpenAI的模型接入到Copilot中。

在未来某个时刻，微软甚至可能使用开源模型来支持Copilot。

Copilot已有多家AI供应商

除了最大的外部合作伙伴，一些高管和重要员工也纷纷另立门户。

前CTO，Mira Murati，与OpenAI的老同事联合创立了Thinking Machines Lab，目标是AI研究和产品。

前首席科学家，Ilya Sutskever，创立了Safe Superintelligence，目标是AI安全。

创始员工，Andrej Karpathy，两度加入OpenAI，最后选择离开，创立Eureka Labs，主营业务为AI教育。

副总裁，Dario Amodei，创立Anthropic，最近刚刚推出了AI模型Claude 3.7 Sonnet。

更不要提，马斯克还在法院提起诉讼，竭力阻止奥特曼将OpenAI转为非营利公司。

只要少数几个巨型数据中心，就足以让它们进行所需的连续集群预训练。

其余的AI计算只需要一些较小的数据中心，这些数据中心经过地理优化，从而实现了低延迟和/或高成本效益的推理。

Gavin S. Baker认为：「经济高效的推理 = 更便宜、质量较低的电力」。

现在，全世界有6-10家公司会预训练尖端模型，但到那时，一切将截然不同。

请注意，推理模型的计算量非常大。测试时的计算意味着计算就是智能。

因此，与2023-2024年整个市场的「以预训练为中心」相比，这种情况所需的计算量可能还要大。

这和目前的算力分布，完全不同：

不再是预训练和推理各占50%的情况。

而可能变成预训练只占5%，推理占95%。

很多硬件将针对推理进行优化，而很少针对预训练优化。

卓越的基础设施将至关重要。

所有这些都没有考虑到设备上（on-device）推理和/或完全量化的影响。

而超级智能（ASI）的经济效益，本质上是未知的。

Gavin S. Baker希望它们很高，但一个拥有140智商的模型，在设备上运行并访问关于世界的独特数据，对于大多数用例来说可能已经足够。

ASI（超级智能）并不需要用来预订旅行等任务。

到2030年，推理成本（即运行AI模型的成本）预计将超过训练成本，因此OpenAI需要一个长期可持续的解决方案。

如果Stargate项目未能提供与微软云服务相同的稳定性和效率，这可能会带来重大风险。

时间会证明一切。

即便是DeepSeek梁文峰公开表示，业内对DeepSeek-R1反应过度。他表示这只是一次一般的普通的创新，世界每天都有类似这样的创新。

不妨假设一下，DeepSeek来自美国中西部某个实验室。

比如，某个计算机科学实验室买不起最新的英伟达芯片，只能使用旧硬件。

但他们有一个很棒的算法和系统部门，用几百万美元训练了一个模型：

瞧，这个模型与o1大致相当。看，我们找到了一个新的训练方法，我们优化了很多算法！

每个人都像「哦哇」一样开始尝试同样的方法，然后欢呼：这是AI进步的一周！

美国股市也不会因此蒸发一万亿美元。

DeepSeek的确在大模型训练上，取得了一些创新。但和其他从业人员一样研究同样的问题。

不仅如此，他们还发表了论文，并开源了模型。

在开源AI界，甚至出现了用最经济的方法，复刻DeepSeek-R1「顿悟时刻」的竞赛。

这一切就像是2004年的谷歌。

在2004年，谷歌在上市招股书S-1文件中，向世界透露他们使用分布式算法，在计算机网络中将商品连接在一起，实现了最佳的性价比，从而构建了最大的超级计算机集群。

谷歌S-1文件链接：https://www.sec.gov/Archives/edgar/data/1288776/000119312504073639/ds1.htm

这与当时其他所有科技公司都不同，它们只是购买越来越大的大型机。

为了跟上不断上升的交易量，一些大公司会从甲骨文购买越来越大的数据库服务器。

谷歌的S-1描述了如何能够超越大型机的可伸缩性限制。

后来，谷歌发表了MapReduce和BigTable论文，描述了用于管理和控制这个成本效益更高、功能更强大的超级计算机的算法。

谷歌在取得如此巨大成功之后，并没有马上发表论文，公开他们的做法。

相比之下，在与模型发布的同时，DeepSeek发表了论文。

DeepSeek的发展轨迹，与2004年谷歌展示自己的能力并没有什么本质不同。

竞争对手仍然需要调整并实际去做这件事，但DeepSeek推动了这一领域的发展。

认为英伟达、OpenAI、Meta、微软、谷歌等公司已经完蛋了，这种想法也没什么理由。

当然，DeepSeek是一个新的、强大的新兴公司，但AI领域不是每周都会出现这样的情况吗？

每个人都会在几个月内复制这一成就，一切都会变得更便宜。

唯一的真正后果是，AI乌托邦/末日现在比以往任何时候都要近。