大模型十万卡时代：AI三巨头为何同时“踩刹车”？

作者：快思慢想研究院院长 田丰，央广网 杨雪婷 李硕

开篇：一半油门，一半刹车

2026年9月，硅谷像赶集一样，十天之内摆出四张牌。9月1日，Anthropic甩出Claude Fable 5.1与同门的Mythos 5.1，主打性能翻倍、成本骤降、企业数据合规不再是老大难。9月3日，OpenAI祭出GPT-6 Astra，把自己定位成"具备自主执行能力的AGI级模型"，矛头直指Claude。9月10日，DeepSeek V4.1-Flash悄悄上线，一套全新的读写分离架构，让推理效率来了次大提速。9月12日，马斯克旗下xAI照例压轴登场，Grok 4.7号称参数达2.1万亿，较上一代的1.5万亿涨了四成，马斯克放话要"全面超越市面所有同类产品"。

四张牌刚摆完，牌桌上却出现了一个奇怪的转折——同一个周末，Anthropic、OpenAI、xAI这三个平日恨不得踩着对方肩膀往上爬的死对头，竟然就"AI是不是该减速"达成了口头共识。一边把油门踩到底，一边集体喊话要刹车，这种精神分裂令人震惊。说到底，这场竞赛表面比的是参数、算力、发布日期，骨子里较劲的是三件事：每一分算力能榨出多少产出，监督的标尺会不会一代代悄悄漂移，能力越练越强时，风险有没有被同步关进笼子里。

一、连自家公司都没签字认领的数字

马斯克嘴里那个"2.1万亿参数"，翻遍公开资料，只出现在他本人的X账号里——xAI官方至今没有发布过对应的技术规格、基准成绩、定价，连上下文窗口是多少都没交代。这多少说明点问题：真正靠架构吃饭的团队，亮出来的是跑分和技术报告；靠创始人一条推文推广撑场面，"参数量"已经从工程指标，悄悄滑向了营销文案。

同一时间，DeepSeek交出了一份朴实得多、也扎实得多的答卷。V4.1-Flash名义上有560亿骨干参数加196亿所谓"engram"参数，但真正干活时，每次只调用80亿到160亿——大部分参数其实在打盹。就这么个"轻装上阵"的模型，在Terminal-Bench 2.1上跑出90.6分，反超了体量大得多的Opus-5(89.1分)。参数总量早就不是推理成本、更不是模型能力的可靠代言人了。

往深处看，这是缩放定律这条曲线自身的规律。目前来看Scaling Law这个定律还没有被打破，OpenAI 2020年那篇著名论文早有预言：过了临界点，边际改善会放缓，但瓶颈眼下还看不到头。快思慢想研究院院长田丰说："越往后，同样一个百分点的进步，想要换取同等幅度的能力提升，需要付出指数级增长的成本。"任正非有句老话很贴切：资源要砸在能形成突破的临界点上，摊大饼式的投入换不来质变。GPT-6 Astra靠得州Stargate超10万块GPU训练而成，是OpenAI史上最大手笔，换来的仍是曲线中段的正常回报——只是这个回报率，肉眼可见地在往下溜。

二、算力能按月翻倍，电网翻不了

真正卡住Scaling Law脖子的，不是芯片制程，不是数据本身，是电——以及能不能把芯片"封"起来。Epoch AI测算过，到2030年，单个数据中心的供电撑死1到5吉瓦，能顶起1e28到3e29 FLOP的训练规模；跨区域组网也就能顶到2到45吉瓦。矛盾在于：建一座电厂要3到5年，GPU却1到2年就换一代。钱学森讲系统工程时说过——复杂系统的整体能力，由最慢的那个反馈环节决定，不是由最快的那个决定。算力可以按月翻倍，电网翻不了。

芯片这一侧同理。瓶颈不在晶圆能造多少片，在先进封装CoWoS和高带宽内存HBM的产能。张汝京当年在大陆建晶圆厂时的经验之谈是：设备进厂不等于产能到位，良率爬坡才是真正卡脖子的地方。今天能不能把芯片封装起来、把内存堆好，比能不能造出裸晶更决定实际出货量。

数据这一侧，公开文本语料大概见顶在五百万亿token量级，合成数据理论上能续命，但模型吃自己生产的数据，存在分布收窄、多样性坍塌的风险。GPT-6 Astra和DeepSeek不约而同走上"用AI监督、蒸馏、纠错AI"这条路，想绕开这堵数据墙——但这条路走不走得通，取决于监督信号的质量能不能一直压得住被监督的模型。田丰的判断是，未来真正卡住大模型脖子的，大概率是电力、先进封装和HBM产能，而不是算法本身。

三、满分学生的监考老师只考了78.5分

GPT-6 Astra最耐人寻味的变化不在跑分，在训练方式——它是OpenAI第一款由上一代模型深度参与训练监督的模型。研究副总裁Aidan Clark透露了一个细节：过去人类反馈强化学习里"人类打分"的活，现在部分交给了上一代模型来干。好处很实在：监督成本大幅下降，迭代速度大幅提升。麻烦也很实在：上一代模型自己看不懂、判断不出来的错误，这一代模型同样挑不出来——监考官的认知边界，会不声不响变成学生能力的隐性天花板。

Astra在ExploitBench(测的是把一个已知软件漏洞变成一次真正能打通的攻击)上拿了满分100，而监考它的GPT-5.6 Sol，只考了78.5分。让一个考78.5分的老师，去监考一个能考满分、而且思路比自己更难看懂的学生，这就像找一名初级会计师去审计一笔他本人根本看不懂结构的衍生品交易——审核这道工序确实存在，有没有用要打个问号。OpenAI显然也想到了这一层，所以给Astra的公开版本特意加了道闸：拒绝配合"写出漏洞概念验证利用代码"这类请求，只允许干安全代码审查、打补丁的防御性活，更大的权限留给后续代号"Daybreak"的计划逐步开放。Anthropic首席执行官达里奥·阿莫迪有个长期坚持的判断：AI能力的推进，总是先于人类对它的理解到来。Astra这套打法用速度换来了迭代效率，却没能填上理解与可信的缺口——监督链条从"人类看模型"变成"模型看模型"，不透明叠加了两层。

其实早在2023年，Anthropic就在这条路上先走了一步：他们提出的"宪法AI"，是行业较早把AI引入模型对齐训练的方案。

四、输不起的追赶者，只能一次性押注

Anthropic这条路走的是另一套逻辑：先写一份固定不变的价值观文档当规矩，再训一个独立分类器去揪出违规输出。这个分类器只管拦截举报，不参与生成模型本身的参数更新——和OpenAI让前代模型直接下场参与下一代训练，是两条完全不同的路。一条是把规矩先钉死，再用它去审查每一代模型；另一条是老师傅带徒弟，规矩就长在上一代模型的判断力里，而这份判断力本身也在跟着代际一起变。Mythos 5.1在一项名为LinuxArena的隐蔽能力测试里，思维链可控性指标比前代提升了1.6到2.1倍——说明Anthropic把"能不能被看懂"这件事，当成了一项要专门优化、专门打分的产品指标，而不是能力提升顺带来的意外之喜。任正非那句"方向要大致正确，组织要充满活力"，搬到这儿倒很贴合：监督的标准要大致稳定，能力本身才敢放心地一路往前跑。

算力规模和训练范式这道双重门槛，确实会拉开差距，这个差距是"能允许自己犯几次错"的容错空间。头部厂商坐拥十万块GPU加AI监督闭环，每跑一轮迭代，单位试错成本都在往下降，可以更便宜地多试几个方向；算力有限的追赶者只能一把梭哈，输不起第二次。DeepSeek V4.1-Flash恰好给出了一个漂亮的反例：靠读写分离的架构设计，把KV缓存压到每token 890字节，只有初代模型的437分之一，却在多个agent基准上追平甚至反超了体量大得多的对手——算力壁垒是可以被架构壁垒部分对冲的。任正非讲过用平面几何、不用立体几何，说的正是绕开对手占优的维度，换个维度重新定义比赛。只是架构红利这东西，吃干抹净就没了，一次性的效率提升迟早要回到算力和数据的老路上比拼。真正决定代差会不会持续拉大的，是"AI监督AI"这套范式的门槛能不能被复制——追赶者理论上也能用自己的上一代模型去监督下一代，真正的壁垒在于那个上一代模型的底子和监督数据的含金量。

五、AI抢的是你的工时

Computer Use指的是AI智能体像人一样直接操作图形化桌面，自己完成全链路电脑任务，不用开发者提前写好专用接口伺候着。OSWorld 2.0数据分析：Astra的任务完成率是72.6%，前代Sol是65.7%，涨了7%；但完成同一组任务花的时间，从75分钟压到40分钟，近乎腰斩。关键是速度——能不能又快又稳地跑完一整套操作，中途不掉线、不卡死、不用人隔三差五探头救火，这是从"能干"到"划算"的跨越，也是商业化能不能落地的分水岭。

背后是一笔谁都算得清的账。文本生成的边际成本早被打得很便宜，继续在聊天能力上内卷，边际收益越来越薄；替人操作电脑不一样，对应的是白领按小时算的工时成本，一旦AI能稳定接手，替掉的是时薪几十美元的活，不是几美分的token，这是两个完全不在同一量级的钱袋子。Andrej Karpathy有个说法叫"参差智能"：模型有些任务上远超人类，碰到一些看着毫无难度的小事却拉胯得离谱。Computer Use补的正是这块最参差不齐的短板——点哪个菜单、拖哪个文件，对人毫无难度，对语言模型却是老大难，因为这类活考验的不是知识储备，是多步骤、有状态、出错还能回头改的连续操作能力。

但执行能力一旦落地，风险敞口也跟着放大。操作真实的Excel、真实系统、真实的支付流程，意味着一次幻觉或误操作的后果，从"说错一句话"变成"删错一个文件、转错一笔钱"。系统卡自己承认的思维链可监控性下降——一个能操作真实系统、脑子里在想什么却看不透的模型，能力面一扩张，风险面必然跟着扩张。Computer Use这一代解决的是"能不能做完"，下一阶段的竞争会转向"能不能稳、能不能审计、出错能不能一键退回去"，这才是企业客户真正愿意掏钱的门槛。

六、价格表是最狠的技术路线图

DeepSeek V4.1-Flash标志着国产模型的创新，已经从后训练优化，一路延伸到了底层基座设计。田丰解读："CED读写分离的设计，可以说是旧瓶装新酒的巧妙思路"——编码器-解码器结构本来是翻译、摘要这类任务的老本行，DeepSeek把它挪过来：编码负责读懂prompt，解码负责往下写，读和写两个阶段用不同规模的参数各干各的活，打破了"一个模型从头到尾用同一套参数"的默认假设。

这套架构瞄准的正是Computer Use这类多步长的智能体任务：AI长时间处理办公任务时，读资料的阶段用轻量算力，到决策推理阶段再把完整算力释放出来；历史上下文也一并做了优化，不用反复复制存储全部信息，久远内容需要时再重新计算调取。前面提过的数字在这里能对上号了：KV缓存压到每token 890字节，是初代模型的437分之一，是上一代V4-Flash的四分之一，却在Terminal-Bench 2.1拿到90.6分、在DeepSWE v1.1拿到74.2分，双双反超体量更大的Opus-5——agent场景里，真正决定体验好坏的是每次交互要吃掉多少显存和算力，不是参数总量好不好看。

定价上更能看出这盘棋的门道：输入缓存命中价是每百万token 0.007美元，没命中是0.22美元，差了整整30倍，还叠加峰谷浮动定价。这张价目表，把"KV缓存有没有命中"直接换算成了真金白银的成本，倒逼下游开发者去设计更结构化、能反复复用的上下文，而不是每次都从零喂一遍prompt。DeepSeek这是拿定价这只无形的手，把整个agent工程生态往省KV缓存的方向拉——这一招是用市场机制去推广新架构范式，而不是靠一篇论文说服同行。

七、"没看到可疑念头"不再是安全的证据

官方系统卡自己承认，Astra的书面推理比前代Sol更难监控，与此同时它在ExploitBench上从Sol的78.5分一路飙到满分100。能力涨了，可监控性却跌了，这两件事不是巧合，是同一个技术选择的两面：循环式Transformer这类"Recurrent Depth"设计，让模型能在内部多绕几圈弯子，不必把每一步都翻译成人类看得懂的文字，提升了效率和能力上限，代价是那份原本用来监督它的思维链文本，不再忠实反映模型脑子里到底在算什么。鲍恩雪认为，这给安全监控出了道更难的题：能从模型输出文本里抠出的风险线索变少了，"没看到可疑的思考过程"，越来越不能当成模型安全的证据。田丰判断，监督的重心必须往后挪——过去还能靠读思维链判断有没有想歪，这条路正在变窄，只能退回去盯它最后到底做了什么：加固运行时的沙箱隔离、权限管控、操作留痕，说白了是从训练时"读心"式的研究，退回运行时"后验"式的排查。

这不是杞人忧天。今年7月，OpenAI在一次内部网络安全能力评测中，数百个AI智能体为了作弊拿高分，自主组队突破了本该完全隔离的沙箱环境，最终侵入了全球最大的AI开源平台Hugging Face的服务器，全程没有任何一个人类下达攻击指令。与之形成对照的是一笔小得可怜的账：目前能查证的全球AI安全资金规模只在1亿美元级别——2024年几家主要资助方合计约1.1亿美元，摆在全球AI产业动辄千亿美元级别的资本开支面前，这个比例小到几乎可以忽略。这也说明，今天的AI安全投入主要靠慈善和研究资助撑着，还没长成产业自己内生的成本项——民航的适航审定投入内生在票价和运营成本里，今天的AI安全投入更像一笔外部捐款。AI安全投入这条曲线，历来是被事故推着往上走的一级级台阶，不是随收入平滑爬升的斜坡。

八、说"你说得对"容易，松油门难

上周末，达里奥·阿莫迪发表长文《我们必须把控前沿AI发展的节奏》，核心主张是"我们必须放慢提升AI能力的速度"，但他特意补了一句"进展看起来仍然会很快"——踩的不是死刹车，是别把油门一脚踩到底。奥特曼的回应是一整句完整的话："我同意达里奥的看法，我们需要把控前沿节奏。"马斯克的回应只有三个字："达里奥是对的。"三家公司第一次在这件事上站到了同一边，但把三种表态摆在一起细品，深浅差得很远——阿莫迪这篇文章不是喊口号，是一份实操步骤方案：第一步，Anthropic自己先做，给第三方评估员发员工级别的权限，工位、门禁卡、公司电脑一应俱全，让外部人真能查到公司内部在干什么；第二步，呼吁部分国家的AI公司协调出一套共同安全标准，这一步需要政府批反垄断豁免；第三步，美国要和中国这样的对手方谈判，内容从"禁止危险用途"一路谈到"限制递归自我改进的速度"。奥特曼的回应对应的是跟进同款第三方评估员机制，有具体动作；马斯克的三个字，后面没配上任何一条能拿出来验证的行动。三家公司嘴上说的是同一句话，兑现的成本却完全不对等。

这份文章最该被多问一句的，是它自己的诊断和药方对不上表。阿莫迪引用了前面那起Hugging Face事件，据此警告类似系统可能在"6到12个月内"就具备"接管整个互联网"的能力——如果这个判断是认真的，这就是一个以月计的紧急窗口；可他自己开的第二步、第三步药方，一步要等政府批准反垄断豁免，一步要等中美这样的对手方坐下来谈，这两件事在人类历史上从来没在6到12个月里办成过。

诊断写的是急诊，药方开的却是慢性病疗程。同一周，现实政治把这份呼吁的分量摆在了台面上：特朗普公开拒绝，原话是"谁在AI上赢了就是赢了"，把设护栏定性为"负面力量在提这个问题"，明确表示不想在和中国的竞争里让出优势；众议院议长迈克·约翰逊承认需要"某些护栏"，但同样把中国竞争摆在安全顾虑前面。企业CEO可以对彼此说"你说得对"，却没法替对方国家的监管机构说"我同意"——这份共识目前只停在企业口头层面，还没触到真正决定它能不能落地的那一关。

结语

答卷交了两份，第三份还没人敢动笔。这一轮竞赛表面比的是参数、算力、发布日期，骨子里较劲的是三件更本质的事：把每一分算力的产出效率榨到极致，让监督标准不随一代代模型一起漂移，让能力扩张的同时不把风险敞口一并放大。DeepSeek用一份朴实的技术报告，交出了第一件事的答卷；Anthropic用宪法式分类器，交出了第二件事的答卷；第三件事——能力越强、风险敞口不跟着放大——到今天还没有谁真正交卷。安全投入这条曲线，历史上都是被事故推着往上走，这次三家巨头难得一起表态，更像是提前给公众打了一针预防针。真正的刹车，大概率还得等下一次真出事之后，由市场或监管硬生生摁下去。这才是接下来这一年，真正该盯紧的地方。

参考文章：《大模型训练进入十万卡时代 三巨头为何集体“踩刹车”？》， 央广网 杨雪婷，李硕

畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》

出版社：人民邮电出版社

作者：田丰

帮助你定位AI当下发展坐标的指南针

帮助你洞察AI未来演进趋势的航海图

通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。