{"id":"mb-20261012-e18dc7","kind":"deep","title":"跨过事象地平线：顶尖AI为何不再对外发布，而是留在机房训练下一代","summary":"物理学家威斯纳-格罗斯指出AI正跨过「事象地平线」。最前沿的模型完成训练后不再急于向公众开放，而是直接作为内部研究工具，用于生成合成数据、排查底层代码并辅助架构设计，全面参与下一代模型的研发。这种递归自我改进打破了人类研究员的生理与效率瓶颈，使技术演进进入不可逆的自加速循环。","body":"顶尖AI训完直接不发了，全留在机房写下一代模型。\n\n外面的人还在等发布会，等新版本上线。\n实验室内部的逻辑早就变了。\n\n以前是人类研究员写代码、调参数、洗数据。\n花几个月甚至一年训出一个大模型，测试合格，打包发布。\n现在呢？\n\n模型一跑通，没人急着让它给用户写文案，直接在机房就地领工牌：\n去写下一代模型的训练架构，去生成更高质量的合成数据，去 debug 那些人类工程师看花了眼的底层代码。\n\n物理学家兼 AI 研究员亚历山大·威斯纳-格罗斯（Alexander Wissner-Gross）提到一个细节：\n顶级实验室里，八到九成的研发资源，全押在未来的下一代开发上。\n包括 OpenAI 已经在用前沿模型做 GPT-7 和 GPT-8 的研发辅助。\n\n这就出现了一个很魔幻的断层。\n你在市面上看到的模型，和他们实验室里正在用来造模型的工具，差了至少一两代。\n\n威斯纳-格罗斯把这个节点叫作「事象地平线」。\n天体物理里，只要过了这个界限，光都逃不出来，所有东西都在不可逆地往中心加速。\n在 AI 这里，这件事无关科幻电影里的抽象概念，完全是一个扎扎实实的工程闭环：\n自加速循环（Recursive Self-Improvement）。\n\n过去 AI 进步的瓶颈是人类。\n顶尖的人类博士就那么多，一天工作八到十小时，读论文、改代码、试错都有物理极限。\n可一旦模型强到可以当「AI 研究员」，这个瓶颈就被撬开了。\nAI 不睡觉，可以几万个实例同时跑实验，自己发现算法漏洞，自己合成更干净的推理数据，自己给下一代打地基。\n\n那是不是明天就要无限爆发了？\n也不会。\n现实里有现实的硬骨头。\n机房得吃电，芯片得排队造，变压器敲破键盘也变不出来，物理散热更是卡得死死的。\n代码和算法可以自我迭代，电网和硅片不行。\n\n但这件事情最关键的地方在于，方向已经不可逆了。\n只要造出一个更聪明的模型，下一代模型的研发周期就会被狠狠压缩一段。\n你不需要等到什么遥远的超级智能降临。\n当顶尖实验室决定把最聪明的模型关在机房里给自己生娃的那一刻，那个自我加速的齿轮，就已经卡死了倒车档。","topic":"跨过事象地平线：顶尖AI为何不再对外发布，而是留在机房训练下一代","frame_type":["机制"],"citations":[],"channel_note":"","identity_notice":"","source_type":"generated","status":"published","generated_at":"2026-10-12 16:14:01","legal_anchor_count":0,"transcript_citation_count":0}