摘要：2025 年 8 月，本应是 OpenAI 再次震惊世界的时刻，但 GPT-5 的发布却像一颗投入深潭的石子，激起的涟漪远非预期的“革命性”浪潮，反而是对“AI 进步是否已达瓶颈”、“缩放定律是否依然有效”的广泛质疑。本文将深度剖析 GPT-5 的实际表现、行业观点的转变，以及这场技术“减速”可能对未来 AI 经济格局带来的深远影响。
一、期望越大，失望越大：GPT-5 的“平庸”首秀
在经历了长达两年多的期待后，GPT-5 终于揭开面纱。然而，无论是专业评测还是社区反馈，都指向了一个令人不安的结论：GPT-5 的进步是渐进式的，而非颠覆性的。
知名 YouTube 科技博主 Mrwhosetheboss 的深度实测直观地揭示了 GPT-5 令人困惑的双面性：
-
亮点有限：在特定逻辑密集型任务上，如从零开始编写一个完整的象棋游戏，GPT-5 的表现确实优于轻量级的 GPT-4o-mini-high；在内容创作层面，它撰写视频脚本的能力也强于 GPT-4o。一个值得称道的工程优化是，GPT-5 具备了根据用户任务自动匹配并调用最优模型的“路由”能力。
-
短板明显：然而，在更多用户日常可感知的场景中，GPT-5 却不尽如人意。无论是生成 YouTube 视频缩略图，还是设计生日派对邀请函，其效果均未能超越前代 GPT-4o。更令人警惕的是，评测显示 GPT-5 似乎更容易被诱导“一本正经地胡说八道”，即编造事实。
这份“喜忧参半”的答卷迅速在付费用户群体中引发了负面情绪，部分用户甚至给出了“垃圾”的直白评价。
人工智能领域的权威学者 Gary Marcus 的评论则更为深刻，他直言 GPT-5 是“过度炒作且令人失望的”。他指出，如果说 2023 年 GPT-4 相较于 GPT-3 是一次“从 0 到 1”的飞跃，那么 GPT-5 的提升则更像是“从 1 到 1.1”，仅仅停留在“基准测试分数更高、文字表达更流畅”的细节打磨上，并未展现出任何突破性的新能力。
二、从“造车”到“修车”：大模型研发范式的悄然转变
行业内曾有一个经典比喻：预训练大模型如同“制造一辆全新的汽车”，而后续的微调与优化则是“对现有汽车进行改装升级”。在过去数年，以 OpenAI 为首的 AI 巨头们，正是通过不断扩大预训练的规模（即投入更多数据和算力），来持续“生产”出性能更强劲的“新款汽车”。
但 GPT-5 的发布，似乎标志着这条“造车”之路的速度已大幅放缓。
早在 2024 年春季，OpenAI CEO Sam Altman 还曾向内部工程师许下“下一代模型将远超 GPT-4”的豪言壮语。然而，一年多后落地的 GPT-5 显然未能完全兑现这一承诺。
这种“停滞感”也得到了学术界的佐证。亚利桑那州立大学的研究人员指出，当前大模型所展示的所谓“推理能力”，其本质上是一种“脆弱的幻影”（a fragile phantom）。这种能力高度依赖于其训练数据的边界，一旦遇到训练数据范围之外的真实世界问题，便会迅速失效。这从根本上解释了为什么基准测试的高分，无法直接等同于解决现实复杂问题的泛化能力。
Gary Marcus 的观察一针见血：“2025 年的大模型也许在跑分上更高，但没有哪家 AI 公司敢站出来说，它的产品比 2024 年的版本‘实用得多’。”
行业的风向正在改变。工程师们的重心，正从“如何构建更庞大的模型”转向“如何更高效地优化、应用和修复现有模型”。整个行业的角色，也正从“汽车制造商”悄然向“汽车修理工”过渡。
三、缩放定律的黄昏：AI 发展的“第一性原理”失效了？
在过去很长一段时间里，“缩放定律”（Scaling Laws）被整个 AI 行业奉为圭臬。这一理论由 OpenAI 在 2020 年的论文中正式提出，其核心逻辑简单而粗暴：只要模型参数、数据量和计算量三者协同增长，模型的性能就会持续、可预测地提升。
从 GPT-2 到 GPT-3 的百倍规模跃迁，再到 GPT-4 技惊四座的表现，每一次迭代似乎都在完美印证着缩放定律的魔力。在 ChatGPT 用户破亿的狂热氛围中，风险资本如潮水般涌入，Sam Altman 甚至在《万物的摩尔定律》一文中，描绘了 AGI（通用人工智能）触手可及的未来。
然而，质疑声从未远去。纽约大学教授 Gary Marcus 多年来一直坚持认为，“缩放定律只是一种经验性的观测结果，而非放之四海而皆准的物理规律”。尽管这一观点曾遭到 Yann LeCun、马斯克等行业大佬的反驳，他本人也因此被视为“异类”。
如今，GPT-5 的平淡表现，让天平开始向怀疑者倾斜。正如 TechCrunch 所评论的，行业内已经形成一种普遍共识：单纯依靠堆砌算力和数据，并不能让大模型进化成无所不知的“数字神灵”。
自 GPT-4 发布至今已超过两年，OpenAI 再未能推出一款真正具有划时代意义的模型。“缩放定律失效”的论调，正从少数人的预警，演变为越来越多从业者的共识。
四、寒气传导至资本：当万亿美梦遭遇现实
如果缩放定律这条增长捷径真的走到尽头，其连锁反应将首先冲击建立在“无限增长”预期之上的 AI 经济。
科技分析师 Ed Zitron 和 Gary Marcus 对此观点一致：他们认为，生成式 AI 的市场规模远没有此前炒作的“万亿级别”那般庞大，一个更现实的估值区间可能在 500 亿至 1000 亿美元。
这对未来的技术和市场意味着：
-
AI 工具的进步将是稳定但缓慢的：它们会被更广泛地应用于特定领域，但其能力边界将更加清晰，短期内不会对就业市场造成颠覆性冲击。
-
AGI 的实现将变得更加遥远和不切实际：依赖暴力计算通往 AGI 的道路，可能从一开始就是错误的。
更直接的风险，潜藏在资本市场。当前美国股市中，高达 35% 的市值集中在七大科技巨头身上。在过去 18 个月里，这些企业在 AI 领域的总投入高达惊人的 5600 亿美元，但其直接相关的 AI 收入却仅有 350 亿美元。
这种“高投入、低回报”的剪刀差如果持续扩大，一旦市场对 AI 的增长预期进行修正，其引发的连锁反应将不堪设想。
五、结语：十字路口的 AI，路在何方？
当然，唱衰并非唯一的声音。从乐观的角度看，GPT-5 带来的“冷静期”或许是行业回归理性的必要一步。当“大力出奇迹”的路径受阻，反而会倒逼整个行业去探索更复杂、更高效的解决方案。
未来的技术突破，可能不再源于模型规模的指数级增长，而是来自于：
-
更高效的算法与模型架构
-
对数据质量的极致追求
-
多模态融合与世界模型的深入探索
-
AI 与物理世界（如机器人）的更紧密结合
AI 的发展正站在一个新的十字路口。告别了野蛮生长的“大跃进”时代，前方或许是一条更艰难，但也可能通往真正智能的道路。从“规模驱动”转向“效率与创新驱动”，这或许是 GPT-5 带给我们的最大启示。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
