Scaling 不够用了？Sam Altman 再谈 AGI 路径与大模型下一站

近日一条 Hacker News 热门帖把 Sam Altman 的一句话重新推到台前：单纯把大模型做得更大，未必能让我们抵达 AGI。这句话并不算新鲜，但在算力成本飙升、模型差距缩小的当下被再次提起，仍然耐人寻味。

过去几年，'把模型做大'几乎是大模型行业的金科玉律。从 GPT 系列到 Claude、Gemini，每一代迭代都伴随参数规模和训练数据的跃升。然而近一年来，推理时计算、Agent 框架、小模型加工具调用等新词频繁出现，Scaling Law 这条主线的统治力开始松动。

转向信号的三个方向

Sam Altman 这次表态的特殊性在于，他来自最早把 Scaling 推到极致的那家公司。他承认单靠堆参数和堆数据会撞上收益递减的墙，但同时暗示团队可能已经摸到了新路径。

行业里对新路径有几个候选答案：更长的推理链路，让模型在回答前先思考、再调用工具；可持续的长期记忆，突破上下文窗口的限制；把模型放进真实环境自我迭代，让行为能力跟着任务一起长。

近期 OpenAI 在 o 系列推理模型上的投入，正是这种转向的具象化。它不再只比参数大小，而是比推理深度和工具协作能力。

对开发者和企业意味着什么

对中文开发者来说，工程重点会从'换一个更大的 API'转向'怎么把模型用起来'。评估推理链路质量、搭建可观测的 Agent 系统、关注长任务稳定性，会成为新的基本功。

从产业层面看，基础模型团队的差异化将从参数规模转向推理架构；中间件和工具链厂商会拿到更多预算；应用层谁能真正把模型塞进业务流程，谁就更有定价权。

中文用户该关注什么

短期看，国产大模型的迭代节奏仍是焦点，尤其是推理增强、长上下文、Agent 工作流三条线。中期看，开源生态里是否出现可复现的类 o1 推理方案，会决定中小团队的入场成本。

普通用户可以观察几个直观信号：模型回答是否更'慢'但更准；长任务里是否不再频繁失忆；编程、数学、研究助理等专业场景是否开始出现明显的能力跃迁。

后续值得盯紧的事

值得跟踪的事项：OpenAI、Anthropic、Google 是否在论文或产品层面公开更多非 Scaling 的方法；推理类模型的 API 价格是否会因工程优化而下降；'小模型 + 强工具链'能否在企业级场景跑出稳定 ROI。

现阶段没人能画出 AGI 的准确路线图，但'Scaling 不是全部'已经成了行业共识。对于正在选型和上线 AI 能力的团队来说，比起押注某一代旗舰模型，把注意力分给推理架构、Agent 工程和评估体系，可能更接近未来三年的真实红利。