AI资讯：阿莫迪与奥特曼如何“偷师”国内大模型技术？

type

status

date

slug

summary

预训练边际收益见顶：AI开辟第二战场

过去几年，AI新闻的头条总是被“Scaling Law”（缩放定律）占据。传统的模型训练路线是通过堆叠海量数据和算力，将“智力”压缩到模型的权重中。然而，这种模式在面对未见过的复杂题型时，往往会出现“幻觉”或胡言乱语。因为它的“智力”完全受限于训练数据的分布，一旦超出范围，模型便无从发力。

随着优质训练数据的逐渐枯竭，预训练的边际收益已经见顶。为了进一步提升大模型的智能水平并降低高昂的算力成本，巨头们开始将目光转向“第二战场”：推理时的计算（Test-time compute）和上下文缓存优化。这也是我们在获取前沿AI日报时常被提及的核心技术转移。

阿莫迪的破局：将智力搬进上下文与“思维树”

以claude系列背后的Anthropic为例，Opus 5.5显然走上了Test-time路线。其核心逻辑是：既然预训练的红利所剩无几，那就让模型在生成答案前进行更长时间的“思考”。官方甚至取消了“关闭thinking模式”的选项，这意味着推理过程本身已经成为了模型不可或缺的一部分。

这一理念与中国学者姚顺雨早前提出的技术架构不谋而合。早在2023年，姚顺雨就提出了“思维树”（Tree of Thoughts）概念，这是一种典型的Test-time应用。通过在推理时展开多条思路，结合精心设计的提示词（Prompt），引导模型边思考边搜索最优解。随后他提出的ReAct架构更是让模型的“推理”与“行动”交替进行。正如姚顺雨在《The Second Half》中所言，AI的下半场拼的是如何使用模型，将算力灵活分配到推理阶段，从而在复杂的决策环境中精准命中目标。Opus 5.5的“最大力度自适应思考”，正是这一理念的工程化实现。

奥特曼的算盘：极致的缓存复用与架构压缩

如果说Opus 5.5关注的是“如何想”，那么openai的GPT-6 Luna则聚焦于“如何便宜地想”。在长文本处理和智能体（Agent）的多步操作中，重复读取相同的上下文（如系统指令、历史对话）是一个巨大的算力黑洞。为了降低成本，GPT-6 Luna采用了缓存复用（Prompt Caching）技术，将计算过的前缀存储起来，下次直接调用，从而将输入成本砍半，缓存命中成本更是降低了90%。

然而，这套被chatGPT未来版本寄予厚望的动作，国内的DeepSeek（由梁文锋带领）早已驾轻就熟。早在数月前，DeepSeek就上线了磁盘上下文缓存技术，将命中缓存的价格大幅削减。面对百万级Token的上下文窗口，DeepSeek首创了MLA（Multi-Head Latent Attention）架构，将KV Cache极度压缩，大幅提升了生成吞吐量。此外，OpenAI近期提及的推测解码（让小模型打草稿，大模型验证）思路，也与DeepSeek V3中使用的MTP（多Token预测）技术如出一辙。虽然具体方法有异，但“小模型先猜、大模型批量验收”的核心思想完全一致。

穷则思变：中国工程范式的逆袭与引领

过去，我们习惯了硅谷定义人工智能的底层模型，国内公司受限于算力，往往只能在应用层或寻找平替方案上做文章。但如今，情况发生了微妙的反转。学术范式与工程优化的创新，越来越多地涌现自中国公司。

手握海量算力的硅谷巨头们，原本缺乏死磕成本的动力，“大力出奇迹”掩盖了效率低下的问题。但随着全行业步入对效率和商业化落地的残酷考量，中国AI公司在算力受限的“穷则思变”中硬生生逼出的MLA、磁盘缓存、稀疏注意力等极致优化方案，瞬间成为了全球抢手的硬通货。主战场上的算力优势在第二战场反而成了思维的“累赘”，这正是为何海外巨头纷纷向国内技术路线“偷师”的根本原因。

结语：拥抱AI下半场的商业机遇

无论是阿莫迪对姚顺雨推理架构的借鉴，还是奥特曼对梁文锋成本控制技术的吸收，都标志着大模型的发展已经从单纯的“算力暴力美学”转向了更加精细化的工程与推理优化。在这个技术飞速迭代的时代，掌握最新的技术脉络对于实现高效的AI变现至关重要。

如果您想持续获取最深度的行业解析、掌握高效的提示词编写技巧，或者探索AGI时代的无限可能，欢迎持续关注 AIGC BAR 这一专业的AI资讯平台。我们将为您提供最前沿的洞察，助您在AI浪潮的下半场中抢占先机。