当GPT-5发布后引发“进步停滞”的争议时，权威研究机构Epoch AI用一份涵盖数百组数据的年度报告给出了截然不同的结论：人工智能不仅没有陷入发展瓶颈，反而正在经历前所未有的加速增长期，甚至距离超级智能（ASI）的临界点更近了一步。这场由用户感知与数据真相构成的认知差，折射出AI技术演进路径的深层变革。
在Epoch AI联合60余位数学家设计的FrontierMath基准测试中，350道覆盖本科到科研级别的原创数学题成为检验AI能力的试金石。测试结果显示，中文开源模型在基础层级（1-3级）与全球顶尖水平存在约7个月的技术代差，而在接近科研难度的4级测试中，绝大多数模型颗粒无收，仅DeepSeek-V3.2（Thinking）勉强答对1题，得分率2%。即便是GPT、Gemini等头部模型，其4级准确率也未突破19%，印证了当前AI在复杂理论推导和创造性思维方面的局限性——它们更像“解题新手”而非“领域专家”。
推动AI能力跃迁的核心动力已发生根本性转变。Epoch AI构建的Epoch Capabilities Index（ECI）指标体系显示，自2024年4月起，前沿模型的能力增长速度较此前提升近一倍，呈现出“阶段性爆发”而非线性上升的特征。这种质变并非源于模型规模的简单扩张，而是得益于推理架构的迭代升级与强化学习技术的深度渗透。英伟达CEO黄仁勋在公开演讲中透露，该公司与OpenAI的合作正聚焦于推理效率的突破，而当前AI算力需求的叠加效应已远超行业预期。
这种技术跃迁的“隐形性”解释了公众认知偏差的根源：当AI的进化重心从“功能叠加”转向“底层能力重构”时，日常交互中的体验提升变得难以察觉，但产业级应用的潜力却呈指数级增长。例如，2023年4月至2025年3月期间，同等性能下的AI推理成本下降超10倍，技术门槛的降低使得消费级硬件运行顶级模型成为可能——当前开源模型在消费级GPU上的表现与专业模型差距不足一年，未来笔记本电脑运行大模型或将普及。
在研发范式层面，行业正经历从“资源堆砌”到“效率革命”的转型。OpenAI 2024年的算力分配数据显示，其大部分资源用于实验探索而非模型训练，印证了当前AI研发仍依赖“试错式创新”。与此同时，英伟达芯片的已部署AI计算量自2020年起每年翻倍，旗舰产品三年内即可占据绝大部分市场份额，凸显了GPU作为AI基础设施的核心地位。这种趋势在低成本研发领域尤为显著：DeepSeek通过多头潜在注意力（MLA）和改进型混合专家（MoE）架构等技术突破，以极低算力跻身顶级开源模型行列，其R1模型性能比肩OpenAI o1，成本却仅为后者的几分之一。斯坦福大学团队更以数十美元成本开发出可媲美专业模型的推理系统，引发全球低成本AI研发热潮。
然而，技术狂飙的背后也暗藏隐忧。OpenAI等机构警告称，强化学习的扩展速度将在1-2年内触及算力基础设施上限，2024-2025年的爆发式增长或难持续。更深刻的分歧在于价值实现路径：行业领军者主张“自动化研发驱动增长”，而Epoch AI基于历史数据分析认为，AI的最大价值可能源于经济体系的广泛自动化而非科研加速。这场关于技术革命“节奏与形态”的争论，正成为决定AI未来走向的关键变量。
