人工智能领域正经历一场静悄悄的范式革命。当图灵奖得主Yann LeCun与Richard Sutton公开质疑大语言模型发展路径时，Transformer架构联合发明人、OpenAI研究员Łukasz Kaiser以全新视角展开回应。这场关于技术路线的争论，折射出AI发展从数据驱动向推理驱动的关键转折。
在硅谷追逐通用人工智能（AGI）的热潮中，OpenAI的Scaling路线引发持续争议。经济学家Tyler Cowen将2025年4月16日定义为"AGI诞生日"，但这种乐观预测遭遇多位顶尖学者质疑。强化学习之父Richard Sutton断言现有大模型已触及能力天花板，其改进空间远比行业预期狭窄。开源深度学习框架Keras创始人François Chollet更发起百万美元ARC Prize竞赛，试图引导研究回归"正确路径"。
面对质疑，Łukasz Kaiser提出截然不同的技术演进图景。他指出推理模型正在突破传统训练范式：这类模型所需数据量较前代降低数个数量级，却能在数学推理、代码分析等复杂任务中展现惊人能力。OpenAI首个推理模型o1在结构化任务中的表现，已显著超越通用模型GPT-4o。这种"先思考后回答"的机制，使AI开始具备解决实际问题的能力——从撰写报告到代码审查，从数据库核对到漏洞发现。
技术突破的背后是算力与能源的双重约束。Kaiser坦言，当前所有实验室都面临GPU资源短缺的普遍困境，这解释了奥特曼持续融资的深层动因。但不同于数据瓶颈的不可逆性，他认为算力限制只是阶段性挑战。随着推理模型效率提升，单位算力能支撑更复杂的认知任务，这种技术杠杆效应将重塑AI发展轨迹。
编程领域的变革最具说服力。Claude 3.5发布时在SWE-Bench基准测试中仅取得30%通过率，短短一年后这个数字跃升至75%。现代AI代码模型不仅能理解大型代码库，更能进行跨文件推理、发现隐蔽漏洞。这种指数级进步使开发者开始重新评估人机协作模式——AI不再仅是辅助工具，而是能独立承担复杂项目的生产力引擎。
多模态训练的突破为推理能力注入新维度。通过将音频、图像编码为离散token，神经网络已掌握跨模态生成能力。尽管视频训练面临数据冗余挑战，但Kaiser强调AI需要发展"重点提取"机制，自动识别运动轨迹、因果关系等关键信息。这种对物理世界的理解能力，将成为实用机器人技术的突破口。谷歌Gemini 1.5 Robotics的实验已展示初步成果：结合视觉感知的推理系统，正在让机器人具备"慢思考"与"快反应"的双重能力。
这位波兰裔科学家的人生轨迹颇具戏剧性。16岁时为AGI概念提出者Ben Goertzel编写程序，博士阶段攻读自动机理论，却在谷歌大脑团队期间转向深度学习研究。作为Transformer架构的联合发明人，他先后参与TensorFlow系统开发和Trax库构建，见证了AI从符号推理到神经网络的范式转变。如今他带领团队探索的推理模型，或许正在开启第三个技术纪元。
当行业争论AGI是否到来时，Kaiser更关注技术落地的实质进展。他观察到企业开始将核心业务委托给AI处理，这种信任建立在实际效能而非概念炒作之上。从代码生成到科研辅助，从医疗诊断到金融分析，推理模型正在重塑知识工作的价值链条。这种变革或许比AGI的哲学争论更具现实意义——当机器开始真正"思考"，人类与智能的边界注定要重新定义。
