对话北美一线研究者：大模型还在狂飙，现实正撞上硬约束

在大模型技术的最前沿，正在出现截然不同的时间线感知。

一线实验室的研究员正逐步适应全新范式——工作不再是手写每一行代码，而是监督和调度上万个AI智能体，部分大模型的预训练团队已从数百人精简至数十人。而在另一端，企业组织对AI的消化速度、基础设施的物理交付周期，却正按完全不同的步调缓慢推进。

扩展法则并未停滞，但驱动力正在换挡

关于大模型扩展法则（Scaling Law）是否见顶，一线研究者的普遍判断仍然偏向乐观。这种乐观并非源自继续在现有架构内简单堆叠网页数据和算力，而是来自于训练维度的转换。

当前训练数据量已由过去的10T–20T拓展至100T规模，参数量正向下一代推进。但更核心的变革在于：

1. 强化学习（RL）权重大幅上升：原本被视为垂直领域精调手段的RL，正被深度融合进模型核心训练流程。
2. 从静态语料到任务环境（Environment）：训练素材正在由人类书写的内容转变为可执行、可反馈的沙盒环境。模型不再只是“阅读”，而是在交互中试错、校正并建立飞轮效应。
3. 推理与解码效率探索：除架构更迭外，推测解码（Speculative Decoding）等方法也在大幅改善推理经济性。

组织落地转向考核ROI，走出“刷Token”误区

模型能力的跃升并未平滑转化为企业端交付的爆发。研究数据显示，自主编码智能体虽带来了240%的代码提交增幅，但实际业务功能发布的增幅仅为30%。提交到交付之间，效益层层稀释。

硅谷企业此前出现的“Tokenmaxxing”（为达标而刻意消耗Token）现象正在退潮。大厂内部考核已逐步取消单纯的AI使用率或Token消耗量指标，重新锚定产出质量、交付周期与工程复杂度。未经验证的大量AI代码反倒急剧推高了人工审查与修复的边际成本。各行业正在意识到：Token是成本投入，代码是中间产物，唯有被业务系统闭环验证的产出才是真实价值。

算力基建撞墙：从“拼芯片”到“拼电力”

随着训练胃口持续扩大，AI算力基础设施的瓶颈正从芯片供应转向严苛的物理条件限制。

超大规模集群的构建正遭遇双重硬约束：

• 并网排期漫长：部分地区新增大型电力容量与输电设施的审批和建设周期长达数年。
• 社会与物理承载力：电网负荷、高功耗散热及水资源消耗使得社区阻力上升。

高端计算卡及配套设施功耗巨大，百万卡级别集群的电力需求已逼近大型核电机组出力。这也推动业界探索小规模分布式计算、靠近电源端部署，以及先进液冷和能效管理架构。算力基础设施的竞争计量单位，正迅速从“算力卡数”转向“有效功率”。

具身智能的冷思考：缺乏硬件闭环的挑战

与大模型带来的软件激进演进不同，北美一线研究者对具身智能（Embodied AI）的态度更为审慎。主要症结在于技术路线尚未收敛，且真机验证链条极长。大模型算法可以极速跑通测试，但机器人的物理磨损、硬件鲁棒性及传感器偏差，往往拖慢迭代效率。

更聪明的通用模型虽然能缩短算法学习曲线，但物理世界的动力学反馈无法绕过。具身智能赛道下一阶段的核心竞争力，在于能否构建低成本、高频次的软硬件协同验证闭环。