“神经网络变得更大就能变得更好”——GPT（Generative Pre-trained Transformer）的这一特性是这一轮AI革命的钥匙。

在GPT解锁这个“更大就是更好”的抓手前，经历了漫长的30年，神经网络机器学习始终无法工业化、产业化，直到“更大就是更好”解锁——神经网络终于走上了工业化的快车道。

为什么？因为这样发展的抓手就从复杂的技术高维变成了资本低维，接轨在了资本加持、资源加持、工程加持即可提升的标准快车道上了。最新的例证是，GPT4比较GPT3.5提升是巨大的；进一步，GPT5是用GPT4训练的——这意味着，“变得更大就能变得更好”这件事情在加速，并且是指数型加速而不是线性增长，这就是GPT是大级别技术革命的根本逻辑。

如何响应这个“更大就是更好”？

“找出增加模型规模的正确途径”正成为这个长波中的新前沿：比如视觉信息就是一种好的加速器（慢速的文本、快速的视觉，这是“多模态是方向”的道理）。我们一生当中只能听到10亿个单词、读到数十亿个单词，但我们可以看到高三个数量级的图形图像，我们的大脑皮层有三分之一都是用于处理图像。一个例子是，在GPT3.5理解准确性2.5%-20%的场合，具有图像处理能力的GPT4将准确性提升到了20%-40%。

计算机代码，是另一大块重要的内容，这一块的潜在附加值更高，将来更可以自我训练、自我生成，这是将GPT推进到“无处不在的计算资源调用”服务的关键一环，或者可能将GPT的价值推升一个数量级。更进一步，是数据库数据仓库，当GPT深深融入、深度勾连各类数据库数据仓库后，GPT的能力和价值还将再有一个数量级甚至更大的提升。

历史上，Google首次实现了如下的模式：在提供对信息的零门槛普遍调用的同时，将“搜索”的社会总成本收敛到近似于固定，这给信息计算产业建立了新范式。

同样地，GPT是提供对算力的零门槛普遍调用，长期看，将会将“压缩”（“压缩”是GPT服务的本质）的社会总成本向固定收敛（目前是这个倒U形曲线猛烈向上的阶段、是总成本剧增的阶段；但长线看，会走向收敛乃至固定）——这提示我们未来数据中心的规模会比今天大上一个数量级，同时头部少数几家数据中心加总可能要占据一半以上的份额，头部每家数据中心的规模都将穿破计算芯片自研而非外购的临界线（谷歌是第一个这样做的），这是不是暗示着英伟达的长线并不是一根直线的乐观？

进一步，“变得更大就能变得更好”，这是一种饥渴的黑洞特性，这是不是意味着传统的多叠平台未必成立？是不是意味着依赖专有数据作为壁垒恐怕是出乎意料的脆弱。如果专有数据真的重要，那么最大的大模型只要实施简单的收购即可（如果该领域有两家竞争者，那么这个被收购的价格可以低到白菜）；简单地向前看、从社会服务总成本走向固定的趋势看，专有数据被头部大模型服务黑洞化恐怕难以避免。

如果“更大就是更好”是一个指数过程，大模型的胜负恐怕已分。如果我们期望大模型是一个百花齐放的景象，那我们就需要祈祷“更大就是更好”只是一个线性增长而非指数过程——悖论的是，如果大模型仅仅是一类线性增长，那么这次AI革命的级别就没有那么的激动人心。

拉长看，GPT革命仅仅是AGI（Artificial General Intelligence，通用人工智能）的第一波，高潮还在后头。

（作者系经济学者）

• （本文仅为作者个人观点，不代表本报立场）

高利明