上周，备受期待的 GPT-5 终于发布。人们曾希望它能带来下一次重大的 A.I. 能力飞跃。然而，市场反响平平。A.I. 领域的批评家 Gary Marcus 将其总结为“姗姗来迟、过度炒作、令人失望”。
GPT-5 的平淡发布，迫使我们直面一个尖锐的问题：A.I. 发展的“黄金时代”是否已经结束？
第一幕：规模信仰的兴起与动摇
狂热的起点：规模法则 (2020)
2020年1月，OpenAI 的研究人员提出了“规模法则（Scaling Laws）”。他们假设：模型的性能将随着规模和训练强度的增加而持续提升，遵循“幂律”——一条陡峭的“曲棍球杆”曲线。
这意味着，只要投入更多算力，通用人工智能（AGI）似乎指日可待。
验证与冲刺：GPT-3/4时代 (2020-2023)
GPT-3 和 GPT-4 的相继发布，以其惊人的能力飞跃似乎验证了这一点。Sam Altman 预言“万物的摩尔定律”。
2023年，GPT-4 被称为“AGI的火花”。AI 领域的风险投资在随后一年激增了 80%。业界沉浸在指数级增长的叙事中。
转折点：增长放缓 (2024)
然而，GPT-4 之后，进展似乎放缓了。OpenAI 代号为“Orion”的下一代模型结果令人失望。马斯克投入10万块 H100 GPU 训练的 Grok 3 也未能显著超越对手。
业界开始意识到，单纯扩大规模正在产生边际收益递减。规模法则，可能并非永恒定律。
GPT-5：现实检验 (2025)
上周（2025年8月），GPT-5 发布，但反响平平。虽然在特定方面有所改进，但整体性能提升远小于预期。
AI 发展的轨迹，似乎正在进入平台期。
第二幕：策略转向——从造新车到改旧车
当扩大规模的回报递减时，业界开始转向“后训练优化（Post-training improvements）”。
路线一：预训练 (Pre-training)
“规模法则时代” (2010s - 2023)
让模型消化整个互联网以变得“聪明”。这就像是制造一辆全新的、引擎更强大的汽车。如果 GPT-3 是轿车，GPT-4 就是跑车。
- 核心：构建更大规模的基础模型。
- 结果：带来了广泛的能力跃升，但目前似乎遇到了瓶颈。
路线二：后训练优化 (Post-training)
“优化时代” (2024 - ?)
在模型已有的知识和能力基础上进行精炼。这就像是聘请机械师来调优现有的汽车，让它在特定赛道上表现更好。
- 核心：通过强化学习等技术优化模型行为。
- 结果：在特定任务（如编程）上表现更好，但提升感觉更狭窄。GPT-5 是这一路线的产物。
“你可以从改装你的凯美瑞中获得很多效用，但再多的调整也不会把它变成法拉利。”
第三幕：智能的幻觉
GPT-5 在基准测试中得分更高，但这是否代表了真正的智能？研究表明，我们可能高估了模型的推理能力。
表面的进步 vs 深层的脆弱
虽然 GPT-5 在编程等特定任务上表现更好，但其广泛能力扩展并不明显。它更像是一个软件更新，而非革命性的突破。
更关键的是，AI 公司宣称的“逐步推理”能力可能存在严重局限。苹果研究人员在论文《思维的幻觉》中指出，当谜题的复杂性稍微超出训练数据的分布范围时，最先进模型的性能会急剧下降。
“AI公司所谓的推理，是一种脆弱的海市蜃楼，一旦被推到训练分布之外就会消失。” — 亚利桑那州立大学研究人员
AI 推理能力随复杂性崩溃（概念图）
* 模拟苹果研究人员发现的现象：性能在超出复杂度阈值后“崩溃到零”。
第四幕：狂热背后的经济账本
AI 的炒作支撑了科技股的高估值（占美股总市值的35%），但巨额的投入是否带来了相应的回报？
科技七巨头 (Magnificent Seven) 的 AI 投入与产出
(过去 18 个月数据分析，来源：Ed Zitron)
AI 相关资本支出 (投入/CapEx)
投入产出比
AI 相关营收 (产出/Revenue)
注：产出仅占投入的 6.25%。
“当你看到这些数字时，你会觉得疯狂。” — Ed Zitron, 技术分析师
市场规模预测对比
乐观派预测
万亿美元级怀疑论者预测
500亿 - 1000亿美元级