奧特曼發(fā)紅色警報(bào)，大模型走進(jìn)死胡同了嗎？

昨天，OpenAI CEO奧特曼發(fā)出了一份內(nèi)部備忘錄，宣布公司進(jìn)入“Code Red”(紅色警報(bào))緊急狀態(tài)。

表面上看，這是OpenAI針對(duì)谷歌、Anthropic這兩位強(qiáng)力競爭對(duì)手的應(yīng)急響應(yīng)。

但更深層的問題是，OpenAI正在面臨一個(gè)整個(gè)行業(yè)都無法回避的技術(shù)困境。那就是訓(xùn)練成本飆升，模型規(guī)模不斷擴(kuò)大，但性能提升卻越來越有限。

根據(jù)斯坦福大學(xué)的《2025年AI指數(shù)報(bào)告》，2019年到2022年間，訓(xùn)練成本每增加10倍，模型在主流基準(zhǔn)測試上的性能平均能提升25%-35%。但到了2023年之后，同樣10倍的成本投入，性能提升就只剩下10%-15%。

更糟糕的是，2024年以來，即使訓(xùn)練成本再翻倍，性能提升往往不足5%，投入產(chǎn)出比正在斷崖式下跌。

各家頭部模型的表現(xiàn)開始趨同，仿佛集體撞上了某種看不見的天花板。

這引發(fā)了一個(gè)在AI學(xué)術(shù)界和產(chǎn)業(yè)界激烈爭論的問題：大語言模型，是否已經(jīng)走進(jìn)了死胡同？

01

首先從用戶數(shù)據(jù)來看，OpenAI的領(lǐng)先地位已經(jīng)開始動(dòng)搖。

谷歌的Gemini 3模型在基準(zhǔn)測試上超越了OpenAI，這使得Gemini的月活用戶飆升，谷歌第三季度財(cái)報(bào)披露，目前Gemini的月活已經(jīng)從7月的4.5億增長到10月的6.5億。

與此同時(shí)，Anthropic的Claude也在企業(yè)客戶中越來越受歡迎。根據(jù)OpenRouter的數(shù)據(jù)，截至2025年11月末，Claude的周訪問量達(dá)0.41億人次，較六周前增長17.1%。

但更要命的消息還在后面。

根據(jù)半導(dǎo)體行業(yè)分析公司SemiAnalysis的爆料，自2024年5月GPT-4o發(fā)布以來，OpenAI的頂尖研究人員就再也沒有成功完成過一次大規(guī)模的全面預(yù)訓(xùn)練。

這意味著GPT-5跟GPT-4o之間，其實(shí)沒有經(jīng)歷真正意義上的代際升級(jí)，更像是在GPT-4o基礎(chǔ)上做的微調(diào)和優(yōu)化，而不是一個(gè)全新訓(xùn)練出來的模型。

SemiAnalysis還在分析中給OpenAI補(bǔ)了一刀：“預(yù)訓(xùn)練一個(gè)前沿模型，是整個(gè)AI研發(fā)中最困難、資源最密集的挑戰(zhàn)。而谷歌的TPU平臺(tái)已經(jīng)決定性地通過了這個(gè)測試，可OpenAI并沒有。”

預(yù)訓(xùn)練是訓(xùn)練大語言模型的第一步，也是最關(guān)鍵的一步。在這個(gè)階段，模型要在海量的文本數(shù)據(jù)上學(xué)習(xí)語言的基本規(guī)律，比如語法、語義、事實(shí)知識(shí)等等。

無法完成大規(guī)模預(yù)訓(xùn)練，就無法升級(jí)迭代到下一個(gè)時(shí)代的模型，這對(duì)于OpenAI這種必須保持技術(shù)領(lǐng)先的企業(yè)來說是致命的。

MMLU的跑分進(jìn)一步佐證了SemiAnalysis的觀點(diǎn)。其全稱為大規(guī)模多任務(wù)語言理解（Massive Multitask Language Understanding），是衡量大模型綜合知識(shí)與推理能力的核心權(quán)威基準(zhǔn)測試。

從結(jié)果來看，GPT-5的MMLU評(píng)分只比GPT-4提升了10%-20%。

要知道，Anthropic CEO 達(dá)里奧·阿莫迪（Dario Amodei）曾公開表示，2024-2025年期間的大模型，訓(xùn)練成本是10億到20億美元，是一年前大模型訓(xùn)練成本的10倍。而GPT-5的成本更是比GPT-4（約 6000萬-1億美元）高了約20-30倍。

面對(duì)如此的雙重困境，奧特曼不得不調(diào)整策略，將重心轉(zhuǎn)向優(yōu)化現(xiàn)有產(chǎn)品。

奧特曼在備忘錄中表示，公司需要改進(jìn)ChatGPT的個(gè)性化功能、提高速度和可靠性、擴(kuò)大其可回答的問題范圍。

為此，OpenAI決定推遲廣告、健康和購物AI代理、名為Pulse的個(gè)人助手等其他項(xiàng)目的開發(fā)，鼓勵(lì)員工臨時(shí)調(diào)崗，每天召開專門會(huì)議討論ChatGPT的改進(jìn)。

在此之前，OpenAI曾于2025年10月拉響過“Code Orange”(橙色警報(bào))。

OpenAI內(nèi)部的警報(bào)分為三個(gè)級(jí)別：黃色、橙色、紅色。顏色越紅，就代表事態(tài)越嚴(yán)重。而拉響內(nèi)部警報(bào)的標(biāo)準(zhǔn)，是根據(jù)OpenAI當(dāng)前的市場競爭壓力和產(chǎn)品危機(jī)。

橙色警報(bào)對(duì)應(yīng)明確的競爭威脅或產(chǎn)品危機(jī)，核心業(yè)務(wù)已出現(xiàn) “被動(dòng)局面”，比如市場份額被蠶食、用戶流失。需要OpenAI “局部資源傾斜” 應(yīng)對(duì)。

當(dāng)時(shí)OpenAI的做法是成立 “應(yīng)急優(yōu)化小組”，由產(chǎn)品、技術(shù)、算法核心負(fù)責(zé)人牽頭，調(diào)配 50% 以上的研發(fā)資源聚焦核心產(chǎn)品。

02

但OpenAI不是唯一陷入瓶頸的公司，整個(gè)行業(yè)都在面臨同樣的困境。

從2024年底到2025年初，頂尖大模型的性能提升曲線出現(xiàn)了明顯的平緩。根據(jù)LMSYS Chatbot Arena的盲測數(shù)據(jù)，2024年6月時(shí)，排名第一和第十的模型之間Elo評(píng)分差距超過150分。

但到2025年11月，這個(gè)差距已經(jīng)收窄到不足50分。更值得注意的是，幾乎所有主流模型在關(guān)鍵基準(zhǔn)測試上的得分都開始集中在一個(gè)狹窄的區(qū)間內(nèi)。這種趨勢(shì)意味著，即使各家公司投入的資源差異巨大(從數(shù)千萬美元到數(shù)十億美元不等)，但最終產(chǎn)出的模型性能卻越來越相似。

在2023年3月，OpenAI剛發(fā)布GPT-4時(shí)，其在MMLU測試中的得分確實(shí)為86.4%。而當(dāng)時(shí)主流競爭對(duì)手的成績大多集中在60%-75%區(qū)間，比如同期的Claude v1在該測試中得分僅為75.6%，LLaMA-65則只有 63.4%。

可是到了2025年9月的MMLU-Pro（MMLU的進(jìn)階版評(píng)測基準(zhǔn)，評(píng)分標(biāo)準(zhǔn)更嚴(yán)格）中，所有的頭部模型都是85%到90%，幾乎沒有任何差別。

從更新的頻率來看，Meta的Llama模型從第二代到第三代間隔約9個(gè)月，而Llama 3到計(jì)劃推出的Llama 4間隔已超15個(gè)月；Anthropic從Claude 3到Claude 4的間隔也長達(dá)11個(gè)月。

種種跡象都在表明，曾經(jīng)被奉為大語言模型黃金定律的Scaling Law，正在失效。

造成這一結(jié)果的原因，其實(shí)就來自于大模型本身。

大模型訓(xùn)練的核心任務(wù)是“預(yù)測下一個(gè)詞”。

通過在海量文本上反復(fù)訓(xùn)練這個(gè)任務(wù)，模型逐漸學(xué)會(huì)了語法、常識(shí)、推理能力等。當(dāng)模型已經(jīng)足夠強(qiáng)，明白語法和常識(shí)時(shí)，語言本身的不確定性就成為了影響模型輸出結(jié)果的變量。

舉個(gè)例子：“他把蘋果放在桌子上，然后它就不見了。”這里的“它”是指蘋果還是桌子？從語法上講，兩種理解都說得通。要搞清楚“它”指什么，需要的不是更好的語法知識(shí)，而是對(duì)現(xiàn)實(shí)世界的常識(shí)判斷。

但如果換一種說法：“他把手機(jī)放在桌子上，然后它就倒了。”這里的“它”可能是手機(jī)，也可能是桌子。如果是廉價(jià)折疊桌，確實(shí)可能因?yàn)榉帕藗€(gè)手機(jī)就倒了；如果是手機(jī)殼打開了，手機(jī)本身也可能倒。沒有足夠的上下文，連人類也很難做出準(zhǔn)確判斷。

這種由語言本身的歧義和不確定性造成的誤差，在統(tǒng)計(jì)學(xué)上叫“不可約誤差”（Irreducible Error），或者“貝葉斯誤差率”（Bayes Error Rate）。

即使你有完美的算法、無限的數(shù)據(jù)和算力，這個(gè)誤差也無法消除，它是問題本身固有的特性。

人類語言充滿了這種不確定性。我們平時(shí)說話，很多信息靠語境、肢體語言、聲調(diào)、共同背景知識(shí)來傳遞。把這些都去掉，只留下純文本，信息損失巨大。

大語言模型訓(xùn)練的就是這些純文本，所以天生就會(huì)面臨不可約誤差的限制。

當(dāng)模型還比較弱時(shí)，它會(huì)犯很多低級(jí)錯(cuò)誤，比如語法錯(cuò)誤、事實(shí)錯(cuò)誤、邏輯錯(cuò)誤。解決這些可以通過增加數(shù)據(jù)、增大模型、改進(jìn)算法來實(shí)現(xiàn)。但當(dāng)模型已經(jīng)足夠強(qiáng)，不再犯低級(jí)錯(cuò)誤時(shí)，剩下的錯(cuò)誤主要就是這種不可約的、由語言本身特性造成的誤差。

到這個(gè)階段，再怎么砸錢砸資源，提升也是有限的。

第二個(gè)問題是數(shù)據(jù)枯竭。到GPT-4的時(shí)候，OpenAI幾乎已經(jīng)把整個(gè)互聯(lián)網(wǎng)上的高質(zhì)量文本都學(xué)完了。各種百科、數(shù)字圖書館、GitHub代碼、Reddit討論、各種專業(yè)論文和文檔。

能用的高質(zhì)量數(shù)據(jù)基本都用完了。剩下的是大量低質(zhì)量內(nèi)容，比如廣告軟文、垃圾帖子、重復(fù)內(nèi)容、機(jī)器生成的垃圾信息。

要解決數(shù)據(jù)不足，一些廠商開始用AI生成數(shù)據(jù)來訓(xùn)練AI。但這會(huì)導(dǎo)致一個(gè)嚴(yán)重問題，叫“模型崩潰”（Model Collapse）。簡單說，如果一個(gè)模型只吃自己或其他模型產(chǎn)出的數(shù)據(jù)，它的多樣性會(huì)下降，甚至?xí)糯笞陨淼腻e(cuò)誤和偏見，最終導(dǎo)致模型變得越來越笨，輸出越來越單調(diào)。

這個(gè)過程有點(diǎn)像生物學(xué)上的近親繁殖。在生物界，如果一個(gè)種群長期近親繁殖，基因多樣性會(huì)逐漸喪失，遺傳缺陷會(huì)被放大，最終導(dǎo)致種群退化。模型崩潰也是同樣的道理。

2024年發(fā)表在Nature上的一篇論文《當(dāng) AI 模型在遞歸生成的數(shù)據(jù)上訓(xùn)練時(shí)，會(huì)出現(xiàn)性能崩潰》（AI models collapse when trained on recursively generated data），就系統(tǒng)研究了這個(gè)問題。研究人員發(fā)現(xiàn)，在早期模型崩潰階段，模型會(huì)首先丟失數(shù)據(jù)分布尾部的信息。到了后期，整個(gè)數(shù)據(jù)分布會(huì)收斂到一個(gè)非常狹窄的范圍，跟原始數(shù)據(jù)幾乎沒有相似之處。

研究人員做過實(shí)驗(yàn)：用一個(gè)預(yù)訓(xùn)練好的語言模型生成一批文本，然后用這批文本訓(xùn)練新模型，再用新模型生成文本，再訓(xùn)練更新的模型……如此反復(fù)幾代后，模型的輸出變得越來越單調(diào)、重復(fù)，原本數(shù)據(jù)中那些出現(xiàn)頻率較低但很重要的信息（比如專業(yè)領(lǐng)域知識(shí)、小眾但正確的觀點(diǎn)）逐漸消失了。

每一代模型生成數(shù)據(jù)時(shí)，都會(huì)傾向于生成那些在訓(xùn)練數(shù)據(jù)中最常見、最“安全”的內(nèi)容。那些出現(xiàn)頻率低的、邊緣的信息，在生成的數(shù)據(jù)中出現(xiàn)概率會(huì)更低。經(jīng)過幾代迭代，這些信息就徹底丟失了。

更麻煩的是，現(xiàn)在互聯(lián)網(wǎng)上已經(jīng)充斥著大量AI生成的內(nèi)容。ChatGPT發(fā)布后，網(wǎng)絡(luò)上的文章、社交媒體帖子、甚至學(xué)術(shù)論文，都開始出現(xiàn)越來越多AI生成痕跡。

如果未來模型通過爬取互聯(lián)網(wǎng)獲取訓(xùn)練數(shù)據(jù)，不可避免地會(huì)把這些AI生成內(nèi)容也包含進(jìn)去。這意味著，模型崩潰不再只是實(shí)驗(yàn)室里的理論問題，而是整個(gè)AI行業(yè)都將面臨的實(shí)際威脅。

03

關(guān)于大語言模型是否進(jìn)入了死胡同，這個(gè)問題其實(shí)一直充滿爭議。

以AI教母李飛飛為代表的維新派認(rèn)為：大語言模型不是萬能的，它只是AI系統(tǒng)中的一個(gè)組件。要實(shí)現(xiàn)真正的人工智能，需要把不同類型的任務(wù)分配給不同類型的模型。

李飛飛曾直言不諱地說，AGI是一個(gè)營銷術(shù)語，不是科學(xué)術(shù)語。現(xiàn)如今真正缺失的不是“通用智能”，而是“空間智能”，也就是理解和操作三維物理世界的能力。

她認(rèn)為，未來的AI系統(tǒng)可能是“世界模型”（World Model）。它的核心能力是理解三維空間、物理規(guī)律和因果關(guān)系。它不是通過學(xué)習(xí)文本理解世界，而是通過觀察視頻、圖像、傳感器數(shù)據(jù)來建立對(duì)物理世界的認(rèn)知。

世界模型使用嚴(yán)格的邏輯規(guī)則和數(shù)學(xué)證明技術(shù)，而不是像現(xiàn)在的大語言模型一樣依賴統(tǒng)計(jì)模式。

谷歌DeepMind開發(fā)的AlphaGeometry就是這個(gè)方向的例子，它能夠解決奧林匹克競賽級(jí)別的幾何問題，靠的不是語言模型，而是符號(hào)推理系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的結(jié)合。

圖靈獎(jiǎng)得主、Meta前首席AI科學(xué)家楊立昆（Yann LeCun）對(duì)語言模型路徑的批評(píng)更加直接。他形容這條路徑是“給鸚鵡喂更大的芯片”。

在他看來，語言模型只是在學(xué)習(xí)統(tǒng)計(jì)規(guī)律，在做模式匹配，并沒有真正理解世界。要實(shí)現(xiàn)真正的智能，必須讓AI建立對(duì)物理世界的模型，理解物體、空間、時(shí)間、因果關(guān)系這些基本概念。

彼時(shí)，大語言模型將會(huì)成為“翻譯官”。當(dāng)用戶用自然語言提出需求時(shí)，大語言模型負(fù)責(zé)理解需求，把它翻譯成機(jī)器能處理的指令，分配給合適的像是世界模型這樣的子系統(tǒng)來執(zhí)行。

當(dāng)任務(wù)完成后，大語言模型再把結(jié)果翻譯成自然流暢的人類語言輸出給用戶。

OpenAI和Anthropic則是守舊派。

奧特曼認(rèn)為，只要把語言模型繼續(xù)放大，投入更多數(shù)據(jù)和算力，智能就會(huì)“自動(dòng)涌現(xiàn)”。

他相信，當(dāng)模型規(guī)模達(dá)到某個(gè)臨界點(diǎn)時(shí)，會(huì)突然展現(xiàn)出質(zhì)的飛躍，獲得真正的理解能力和推理能力。這個(gè)觀點(diǎn)在業(yè)內(nèi)被稱為“scaling hypothesis”（規(guī)模假說）。

OpenAI聯(lián)合創(chuàng)始人兼首席科學(xué)家伊爾亞·蘇茲科維（Ilya Sutskever）的觀點(diǎn)是壓縮就是理解。

他坦言，“如果你能把全世界的數(shù)據(jù)無損地壓縮進(jìn)一個(gè)大語言模型的神經(jīng)網(wǎng)絡(luò)，那么這個(gè)模型就在內(nèi)部構(gòu)建出了一個(gè)關(guān)于這個(gè)世界的真實(shí)模型。”

Anthropic的聯(lián)合創(chuàng)始人杰拉德·卡普蘭（Jared Kaplan）則認(rèn)為語言模型本身可能不是智能，但可以成為智能的基礎(chǔ)。他認(rèn)為通過改進(jìn)訓(xùn)練方法、增強(qiáng)安全性對(duì)齊、結(jié)合其他技術(shù)，語言模型路徑仍然有潛力達(dá)到AGI。

MIT的認(rèn)知學(xué)家伊芙琳娜·費(fèi)多林柯（Evelina Fedorenko）以及多位MIT和伯克利的學(xué)者，在《Nature》期刊上發(fā)表文章，他們指出：語言不是思維，人類的思維是獨(dú)立于語言的。嬰兒在學(xué)會(huì)說話之前就已經(jīng)有了對(duì)物理世界的理解，對(duì)因果關(guān)系的認(rèn)知。盲人和聾人雖然缺失某些感官通道，但思維能力并不受影響。

語言主要是交流工具而非思維工具，語言模型也就不可能是真正的人工智能。