9月初横跨硅谷、洛杉矶、西雅图、波士顿、纽约五城，15天见了101位AI从业者——41位来自Google、Meta、Nvidia、OpenAI这些新老大厂，17位来自各Frontier Lab，42位是博士，82位不满35岁，最年轻的21岁，刚从UPenn大三退学创业。
研究员的日常：从“亲手做”到“管1万个agent”
OpenAI发布Astra的前后，我在多场聊天里听到前沿研究员的状态变化。有Frontier Lab的人说，现在工作主要就是监督1万个agent，“每天不用全守着，偶尔接杯咖啡等结果就行”。还有不到30岁的一线研究员半开玩笑：“再过一两年说不定能退休。”更具体的变化是团队规模：过去一个预训练团队一两百人，现在二十人就能推进，一年后甚至可能只需要五人。
但兴奋的另一面是落地的落差。Mert Demirer针对50万开发者的研究显示，自主编码智能体带来的代码提交量涨了240%，项目数量涨80%，实际发布的项目却只涨30%。硅谷甚至造了个词叫Tokenmaxxing——为了凑好看的指标刻意耗token。之前有大厂把token用量纳入考核，结果全是冗余代码，review和修复成本暴增，后来干脆改回看产出质量、速度和解决问题的复杂度。
Scaling还能走多远？不只是堆卡
两年前问同一位核心模型研究员“数据会不会用完”，当时答案是“快了”；这次再问，他说现在训练数据普遍到100T，下一代模型参数是10-20T，半年内就能落地，“天花板还远着”。
不过乐观的来源变了。不再只盯着数据量、参数量，而是强化学习（RL）、任务环境这些新方向。比如Google的投机解码把大模型推理效率提了两倍，还衍生出数百种变体；Google Research负责人Yossi Matias说，“没理由认为现在的架构是唯一路径”。一线研究员的信心，更多来自RL、环境这些新的扩展维度，而不是单纯堆卡。
模型突破之外：数学遇冷，电力卡壳
OpenAI动用上万个agent、花88小时，解决了困扰人类90年的纳维-斯托克斯方程后，波士顿的川菜馆里，有数学博士脱口而出：“数学已经死了。”还有人说，半年前AI对科研是辅助，现在“我不会的它都会”。两三百年前数学家写对数表，后来靠计算机写一行代码，现在最聪明的数学家都快赶不上AI，这才一年时间。
但更棘手的是硬约束。AI算力的胃口越来越大，百万张高端GPU的集群功耗是1.5-2吉瓦，相当于一到两座大型核电机组的出力，而并网周期要5年以上。北美五大云厂商2027年AI相关资本开支预计达1.2万亿美元，占GDP比重超过19世纪末的铁路投资周期。有人在探讨小规模分布式、靠近电源侧的方式，但只是权宜之计。
模型迭代的速度和现实的时差已经很明显：有人追模型的上限，有人补落地的落差，有人应付物理的硬约束。那问题来了：当AI把数学逼到墙角，把算力需求拉到极限，我们到底该站在哪个时间点，让AI真正落地？
素材来源：钛媒体 · AI情报、AI芯片与算力、AI应用落地、科研前沿
查看报道原文
发表第一条评论吧