本⽂还试图回答另⼀个外界普遍关⼼的问题：⼀家新创⽴的
AGI
公司如何超越
OpenAI？杨植麟的答案 是
tech
vision，⼀号位要能做出技术判断，同时还能拍板执⾏。⼀个具体的例⼦是，⽉之暗⾯希望⽐
OpenAI
更关⼼⽤⼾，原因是杨植麟判断⽤⼾数据的
scale
up
的效果最终会超越
base
model
⾃⾝。
杨植麟对于⽤
transformer
这个概率模型的思想基础⾛向
AGI
也很有信⼼，⽤他的话说“如果你有
10
说“如果你有
10
亿的
context
length，今天看到的问题都不是问题”。
AGI：AI
本质就是⼀堆
scaling
law

海外独⻆兽：我们把
LLM
的训练⽐作登⽉，⽉之暗⾯的名字也和登⽉相关。你怎么看现在创业公司 的
LLM
训练，在
GPU
和算⼒资源有限的条件下，还能实现登⽉吗？
杨植麟：“登⽉”有⼏个不同的⽣产要素，算⼒肯定是⼀个核⼼，但还有其他的。 ，tech
space
越⼤，技术、产品、商业层⾯ 能实现的差异化就越⼤。如果技术已经收敛了，那⼤家只能去追赶，就是同质化内卷。 然后我其实⽐较乐观，因为现在仍有巨⼤的
tech
space。AGI
技术可以分为三层：
第⼀层是
scaling
law
结合
next-token-prediction。这个基础对所有⼈都是⼀样的，追赶过程逐渐收 敛。在这个路径上，
OpenAI
现在做得

大模型撞上“算力墙”，超级应用的探寻之路 文/傅聪 近日，大模型教父 Sam Altman 在 Reddit 上的评论透露出 GPT-5 难产的隐忧，直言有限 的算力约束让 OpenAI 面临迭代优先级的艰难抉择，在通往 AGI 的道路上一路高歌猛进的领头 羊似乎撞上了“算力墙”。 除此之外，能耗、资金，难以根除的幻觉，有限的知识更新速率、有限的上下文宽度、高昂 的运营成本等等，都让外界对大模型的发展忧心忡忡。面对棘手的困境与难题，大模型的未来， 种符号，将不同模态的信号统一地表达，并在脑中构 建了某种受限于当前科技水平的统一模型，这是人类 意识、社会沟通的前提。 从这个角度理解，多模态大模型很可能是通向真 34 / 111 正 AGI 的必经之路。将多模态信号统一对齐，是智能体与这个世界“无障碍”交互的前提，换 个新潮的词汇，就是我们期待的“具身智能”。谁不想拥有一台自己专属的“Javis”呢？而多 模态大模型的突破，也同样依赖前文所述的算力和数据上的沉淀。 就像今天的基层程序员，需要人表达清楚需求才能做好，复杂系统的架构设计和问题解 决也还是要靠人。 专业模型是通向 AGI 的必经之路。Anthropic CEO 预测，未来 5 年专业模型将达到人类顶 尖专家水平，将人类科研进展加速 10 倍，15 年后人类寿命有望达到 150 岁。但 AGI 能否实现， 最大的不确定性在于技术和资金。 技术方面，一些头部大模型公司已经发现 Transformer

LLMOps，甚至只是说开发者的各种“工程化组合骚操作”， 实际上已经可以把不同模型、不同模态、不同工具和知识源整 合，正是在往“提供更完整的解决方案”这一方向上的发展。 1 1 往深了说，或许这本质上就是在要求 AGI，而它是一个更 长远的路途了。 而如何将更完备的解决方案给到用户，如何将更平台化、 体系化的生成解决方案的技术给到解决方案生产者，是后 续 LLM 应用与技术演进的重要路标。你看 GPTs，直接