今天 OpenAI 的最新文章 《Research acceleration: The view inside OpenAI》，侧面印证了 Dylan Patel 之前的说法。 Dylan Patel 此前称：，对前沿模型公司来说，长期看，把更多算力投入下一代模型研发，可能比立刻拿去服务用户、卖 token、赚当期收入更有价值。 OpenAI 今天的文章让这个逻辑更清晰： 上一代模型正在成为下一代模型的研发基础设施。 模型开始参与写研究代码、调试基础设施、分析实验、生成 synthetic data、完成长周期 research task。 这意味着未来研发下一代模型所需要的算力，远不只是那一次巨大的 frontier training run。 大量算力还会消耗在 AI researcher、RL rollout、synthetic data、verifier、evaluation、simulation 和大量并行实验上。 这就是为什么dylan之前说，用于研究下一代模型的 inference compute，在全年累计算力上超过那一次 frontier training 本身。 这也意味着，一家 AI 公司拥有多少算力用于研究必须重新定义。 需包括训练+研究所需的推理算力。而dylan认为后者可能是前者的数倍，因此openai可能把超过一半的算力投入到了新模型研发中。 如果算经济帐，Compute → Inference → 当期收入。 一张 GPU 给 AI researcher：Compute → Research → Better Model。而更强模型又会产生更强 AI researcher：Better Model → Better Research → 更快下一代模型。 于是内部 research compute 开始具有“复利资产”的性质。 因此，如果今天前沿实验室大致是五-六成算力用于内部研发、四成用于外部 inference，那么未来进入 automated researcher 阶段后，内部比例提升到 70%、80%甚至更高，并非不可想象。