建造AI的人怀疑现有配方：45家新实验室的六个技术赌注
The Decoder深度分析45家AI新实验室，揭示核心矛盾：当英伟达CEO黄仁勋宣布AGI已经到来时，建造今天系统的人却在集体离开大厂创办新实验室。他们并非怀疑更强的AI不会到来，而是怀疑仅靠扩大语言模型加强化学习的配方能否到达那里。文章将45家实验室按六个技术赌注分类——持续学习、世界模型、独占数据、计算效率、研究自动化和模型可控性——并解释了为什么英伟达无论哪个方向胜出都能获利。编辑部判断最可能的结果是整合：方法很少保持独占，收购已在发生，部分投资资金以算力支出形式回流给出资方。
英伟达CEO黄仁勋在GPT-6 Astra发布后于X上宣布AGI已经到来，OpenAI总裁Greg Brockman称该模型为转折点。然而与此同时，Ilya Sutskever、Jerry Tworek、David Silver、Yann LeCun、Jeff Dean等建造今天系统的人正在离开OpenAI、Google DeepMind和Meta，创办自己的实验室，融资数十亿美元，多数尚无产品或论文。The Decoder的Frontier Radar第五期将45家新实验室按六类技术赌注分类，试图回答一个核心问题：他们到底在怀疑什么？
答案不是怀疑更强的AI不会到来。文章明确指出，一些创始人认为AGI可能很近。他们的怀疑集中在一个更具体的判断上：仅靠当前配方——不断扩大的语言模型、互联网数据训练、强化学习精调——能否到达那里。这个怀疑将45家实验室分成了六个方向，每个方向对应今天系统的一个具体局限。
第一类赌注针对学习本身。今天的模型需要海量数据才能掌握一项技能，部署后通常不再更新权重。Core Automation的Jerry Tworek认为持续学习是机器学习问题而非Markdown笔记问题，其目标是让模型在部署中更新权重并用百分之一的训练数据达到同等效果。Safe Superintelligence的Sutskever则期望五到二十年内出现像人类一样从少量例子中学习的系统。Ineffable Intelligence的David Silver走得更远：他认为仅模仿人类的系统很难超越人类水平，下一代系统需要从环境经验中学习，而非从人类判断中获得奖励。
第二类赌注认为语言本身不够。Yann LeCun创办的AMI基于JEPA架构，不逐token预测输出，而是在抽象内部表示中学习视频或机器人动作中什么重要。Physical Intelligence直接在机器人上学习控制，其π0.7模型约五十亿参数，已在自有测试中匹敌单独训练的专业模型。Black Forest Labs则从图像生成器出发，FLUX 3 Action将视频模型转化为机器人控制器。这些实验室的共同判断是：空间关系、物理后果和世界理解不能仅靠文本数据获得。
第三类赌注押注互联网上不存在的数据。Basecamp Research在三十多个国家采集火山岩石和深海样本，数据集据称包含超过一千亿个未知基因。Periodic Labs运营自动化实验室，机器人混合粉末、熔炉烧结、X射线检测，其创始人认为最有价值的数据恰恰是期刊从不发表的失败结果。Jeff Bezos的Prometheus融资超过一百八十亿美元，目标是构建能设计物理对象的AI，其数据需要从物理定律和测试结果中创造。
第四类赌注关注计算效率。Inception的Mercury模型用扩散方式并行生成文本草稿再逐步精化，声称比GPT-6 Luna和Claude Haiku 5.5快四到八倍。Liquid AI为受限硬件设计精简模型，其技术已进入奔驰汽车。Unconventional AI则试图用模拟振荡器替代数字计算，认为能源将在约三年后成为AI的硬限制。
第五类赌注将研究本身产品化。Axiom Math用AI代理在二十四天内将跨越五十年、超过一万页的有限单群分类定理翻译成Lean形式化证明，过程中还发现了一篇1986年论文中专家知晓但从未公开记录的错误。Recursive Superintelligence声称其Flint模型几乎完全由AI在不到四个月内构建。Discovery Loop由Jeff Dean等四位Google前顶级研究员创办，Google本身是创始投资人和云合作伙伴。
第六类赌注不试图构建最强模型，而是押注即使最强模型也会留下空白。Goodfire通过模型内部表示理解和干预模型行为，其RLFR方法用模型自身信号作为反馈训练，在Gemma 3上将幻觉降低58%。TypeSafe AI输出固定决策而非自由文本，概率经过校准。Thinking Machines Lab的Tinker让客户用自有领域知识微调开放模型，年化收入已超过两亿美元。