Sam Altman 在播客访谈中首次披露,按用户数计算印度已超过美国成为 OpenAI 最大市场,并将增长归因于新兴市场供需缺口带来的高接受度。谈及核心成员离职潮,他称分歧本质是“只有自己来做才值得信任”的心态,同时承认 OpenAI 独家掌握该技术并非好结果。
缩放定律
Scaling Laws
描述模型性能随参数、数据和算力增加而提升的经验规律
收录情报动态
图灵奖得主、《苦涩的教训》作者 Richard Sutton 发表新文,直言单纯堆叠算力不足以产生智能,AI 科学需要更聪明的新方法,且远未走到终点。他此前已批评大模型缩放的天花板,将合成数据称为“大错误”,并主张智能体应具备世界模型、从自身经验中持续学习。
在 GPT-6 Astra 发布、黄仁勋宣称“AGI 已至”的背景下,OpenAI、Google DeepMind 与 Meta 的模型核心创作者纷纷离职创办新实验室,在尚无产品的情况下融资数十亿美元。文章按研究方向梳理了 45 家新实验室,指出它们押注现有技术配方不足以通向 AGI,并分析了这些实验室试图突破的当前 AI 局限。
OpenAI 员工 Ted Sanders 指出,大模型性能是多维的,但规模仍是决定可靠性、成本和知识召回的核心变量。他同时澄清了版本号不仅代表发布顺序,还隐含训练数据相似性与改进幅度。
前谷歌 CEO Eric Schmidt、历史学家 Niall Ferguson 等人在《外交事务》撰文,将 OpenAI 和 Anthropic 比作现代东印度公司。文章指出 AI 发展依赖算力、能源与资本,导致全球对美中形成“种植园经济”式依赖,并呼吁建立类似冷战时期的 AI 缓和机制以限制危险能力。
文章探讨将驱动大模型进步的“规模定律”应用于机器人领域的可能性。核心观点指出,尽管语言模型通过海量数据实现了能力跃升,但机器人领域正面临获取同等规模真实世界交互数据的巨大挑战,目前尚处于验证该范式是否适用的早期阶段。
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在播客中深入探讨 AI 生物学前沿。双方指出 AlphaFold 的结构预测仅是开端,单纯堆砌算力无法解决蛋白质折叠的全部谜题。对话强调下一代模型需从单一蛋白转向细胞级系统建模,并探索如何在生物数据中发现新的 Scaling Laws。
AWS 联合 Hugging Face 发布关于基础模型训练与推理的架构指南,重点阐述从单纯算力堆叠向高效分布式基础设施优化的转变。文章回顾了 Kaplan 缩放定律,并介绍了在 AWS 上优化大规模加速器利用率及分布式训练的具体技术组件。该资料主要面向企业级用户,提供云原生 AI 基础设施的最佳实践参考。
Hugging Face 发布技术博客,深入解析混合专家(MoE)架构在 Transformers 库中的实现与演进。文章回顾了从稠密模型到稀疏模型的范式转变,并探讨了当前 MoE 在训练效率与推理优化方面的最新进展及未来抽象层设计方向。
ICLR 2026 论文 ATLAS 发布了迄今最大规模的多语言预训练研究,涵盖 774 次训练运行及 400+ 种语言。该研究提出了“自适应迁移缩放定律”,量化了 1400 对语言间的协同效应,为构建非英语主导或混合语言模型提供了数据驱动的效率与成本指导。