「预训练时代已经结束」，大牛在2024年年底的演讲依旧余音绕梁。
一手将深度学习和 OpenAI 带到前所未有历史性高度的 Ilya Sutskever，曾罕见推荐并在个人社交媒体转发了MIT团队论文《The Platonic Representation Hypothesis》，这篇文章精准预测了当下发生的一切：
“事实上，大语言模型可以看做是一个多任务目标训练的过程。根据上下文预测下一个Token看似简单，但实则是一个包罗万象的任务集合。”
“多任务目标的训练向模型施加了更多约束，从而导向更紧致、更高质量的解决方案空间。”
“模型越大，便越容易逼近全局最优表征，从而推动表征收敛。”
“虽然Scaling up能够实现表征收敛，但是不同方法的收敛效率可能天差地别。”
“有不少优秀的CV模型都是从预训练大语言模型上微调而来的。跨模态配对数据的主要价值在于提升表征收敛的效率。
“因为不同模态的数据背后，隐含着某种与模态无关的通用现实表征。”
寥寥几句道出了大语言模型的魔法之源和天生局限：语言因Scaling Up实现了更好的收敛，逼近对真实世界的高效拟合。但语言终究只是现实世界的单一映射，而不是现实世界的直接构建和感知。
人脑若以“生物计算机”视角观察，可以粗略概括为：它以多模态、某种统一表征进行极为高效的信息压缩，实现对现实世界建模和预测。
LLM则是“通过语言单一模态对现实世界建模和预测”，将固定划分的词或句转化为向量，在超高维向量空间进行模式匹配。这种数学上依靠高维向量为“中介”进行统计拟合的技巧，LeCun戏称为「随机鹦鹉」，LeCun包括一大批研究者都觉得这不是真正意义上的语义理解。
LLM预测下一个Token的方式工作与人脑有没有本质区别，现阶段无法证伪。LLM 没有常识，推理能力也有很大争议，却能极其精准地进行答案拟合。在数据、参数量、算力不断Scaling之下，涌现出了惊人的能力，也迈过了人类社会大规模实用的门槛。
但LLM数据和参数量既不能无限膨胀，最终效果也不能无限延伸地边际递增。「预训练时代已经结束」，换个说法，就是有用的人类数据已经被消耗殆尽。
强化学习之父Richard Sutton在那篇著名的《苦涩的教训》中总结，简单算法、发现通用规则、规模化且高度可执行的计算，总会带来出人意料的效果，往往也能导向重大突破。当下足够深入理解大语言模型“底层”的研究者，应该都能认同：多模态统一表征的抽象、高度压缩和处理才是真正的困难所在。
语言作为离散信号，容易被压缩的表征，低垂的果实几乎已经摘完。Open AI迟早要跟随李飞飞、LeCun、何恺明直面三维空间难以符号化的连续视觉信息——视觉信号有大量“噪声”，类似LLM抽象出统一表征的有效方法还是空白，处理难度远超可以高度压缩的语言。
学术界和产业界继大语言模型之后，正寻求的下一个突破——基于多模态信息抽象出统一表征，进行高效压缩、处理、建模，生成的图像和视频流与真实三维空间保持一致，能完全遵循物理规律的「世界模型」。
耗尽心力的浅层优化，可能远远不及本质上即使“那么一丁点的突破”，R1突破强化学习后训练的轰动很难复刻。在此大胆预测：
更好的数据清洗、数据配比，
更高质量和数量的数据输入，
更大的参数量和训练算力，
或者即使有更创新的模型架构出来，对Transformer的深度改进甚至颠覆，亦或者在CoT和“后训练”的强化学习算法上有可喜进展...
但若还是停留在语言信息的符号化压缩范畴，DeepSeek R2 大概率跟GPT-5一样，都只是锦上添花的续貂之作，被吊足了胃口的资本和产业界，唯有失望可言。
OpenAI的苦恼在如何继续变戏法，将故事讲下去。DeepSeek则还要面对另一个问题，如果用落后1-2代的AI训练芯片，未来若被迫切换到一个全新算力平台，几乎从零开始的工具链、编译器和优化算法库。那困难更是几何级增长。
外媒消息，DeepSeek在尝试使用华为昇腾芯片集群替换其之前依赖的英伟达（Nvidia）GPU进行R2模型的核心训练工作时，遭遇了“持续的技术问题”，导致发布计划被迫推迟。
这并非空穴来风。
在深入研究了华为CloudMatrix 384超节点AI算力集群方案，CloudMatrix 384对标英伟达GB200 NVL72方案，以384颗芯片对74颗，五倍数量的昇腾芯片来弥补每颗 GPU 仅相当于英伟达 Blackwell 芯片三分之一性能的差距。
100% 光互连、0% 铜缆、每颗芯片 14 个光收发器，如此超前豪华的光互连用料，scale-up 解决方案可说领先英伟达和 AMD 当前市售产品一整代。但昇腾 910C 却被发现只是两颗昇腾 910B“超乎常理的低速CoWoS封装”，CoW 这一道影响双die互联带宽的关键工序和材料不知道用的啥。
来自国外某个博客文章高度可靠的分析，与英伟达在 GB100/200 系列中采用的先进封装不同，昇腾910C 很可能采用了技术上较简单的方法：两个独立的硅中介层通过有机基板连接。这可能导致芯片间带宽比英伟达的解决方案低 10–20 倍。如果带宽确实如此之低，那它实际上就不能算一颗芯片。
昇腾910C 在 FP16 精度下可实现约 800 TFLOP/s 的算力，内存带宽约 3.2 TB/s。这仅相当于英伟达上一代 H100（2022 年发布）的约 80%，同时逻辑芯片面积多出 60%。
以“一切可池化”“一切皆对等”“一切可组合”的创新设计，从算力规模、扩展模式和使用模式上，匹配超大规模算力诉求。另一面，却是更多的电力消耗、更高的发热、更不可预测的通信问题和可靠性，以及三倍于GB200 NVL72的整机系统售价。这还没算CUDA几乎无法追赶的生态优势和编译层面AI算力真实利用率领先所有人的现实。
DeepSeek值得尊敬，但是最好降低预期。
本文来自微信公众号“X研究媛”，作者：JeffHill，36氪经授权发布。
