从AI for Science、10T参数到RSI：一条极度陡峭的算力需求曲线正在形成

• OpenAI内部下一代模型Astra开始展现出令人震惊的能力。根据报道，Astra已经针对10个长期开放的数学和理论计算机科学问题产生新的数学结果，其中部分结果已经达到顶尖数学研究（菲尔兹奖）的水准。这意味着AI正在从“辅助人类完成任务”，开始迈向“参与创造新的知识”。

• 2026年8月5日，Google首席科学家、Google Brain核心创建者Jeff Dean携三位长期合作者离开Google，创办Discovery Loop，而新公司的核心方向是AI for Science（AI驱动科学发现）。Jeff Dean这一标杆级别人物的选择，本身就是一个产业信号：AI下一阶段最大的机会是科学发现。

• 来自Financial Times的最新报道称，字节跳动（ByteDance）正在训练一个参数规模最高可能达到10万亿（10 trillion）的模型，是目前中国最大模型Kimi K3的三倍。同时，LatePost此前一天报道，张一鸣认为：Coding只是眼下的热点之一，不应该完全被它牵着走，Coding之外还有更多更大的机会。

我们当然还记得，在那份爆火的文锋纪要中，文锋反复强调“…当前最重要的是把AI训练做好…现在重要的是训练，然后下一步要解决的是持续学习的问题，再下一步要解决的是它自己问问题…”

这些事件表面上分别属于数学研究突破、人才创业流动、大模型训练、Frontier Lab的业务战略等等，但它们实际上共同指向一个趋势：

AI竞争正在发生根本性的变化。AI竞争的核心，正在从“谁能做出一个更好的AI产品”转向“谁能够创造更强的智能”，而这就意味着AI产业正在进入一个新的阶段，即重新回到大规模训练。

举个例子，上述更直观的表达是：

拥有一个更加智能的AI，其解决数学问题的意义，将远远超过数学本身。因为数学是现代科技和工业的底层语言。一次真正重要的数学突破（密码学、编码理论、拓扑优化等），可能重塑下一代通信、计算、安全乃至空天系统的理论基础。

OpenAI的Astra率先展现了曙光，其他Frontier Lab一定会竞相追求这样“一个更加智能的AI”而竞相追逐算力和存储资产，为了训练出更好的模型。

过去两年，市场关注AI主要集中在商业化方面，然后coding就变成了万众瞩目的焦点，因为coding是一个万亿美金级的市场，足够大。

这些当然重要。

但对于OpenAI、Anthropic、Google DeepMind、Discovery Loop、DeepSeek以及ByteDance等等这些Frontier Lab而言，真正竞争的目标绝不是成为一家致力于找到coding以及类似应用的软件公司。

上面几条信息透露的就是这个意思。

所以，在爆火的纪要里文锋也说“…AI这个事情足够大，最终它可能得占掉人类社会GDP的百分之十…那个软件的市场就没那么大”，是的，即便是万亿美金级的Coding，也是存在万亿美金这个天花板。

而“更强的智能”是根本不存在天花板的。

过去我们评价AI模型的数学能力，主要是看IMO做题、证明已经定理这些Benchmark，而这些东西都是人类已经知道答案或者解题路径，AI不过是负责找到它。而在上面第一个案例里，OpenAI的内部模型Astra所研究的10个数学和理论计算机科学问题，这10个问题的共同特征是没有标准答案，都至少有十年甚至几十年都没有取得主要结果。

但是，Astra模型却“产生了新的数学结果，其中部分结果已经达到顶尖数学研究（菲尔兹奖）的水准”，这件事情的意义比此前的AI模型单纯刷掉一个数学benchmark要大得太多太多。

这意味着未来AI模型完全可以进入数学、物理、材料、能源、生物学等各种Science领域，那么，AI的经济价值绝对不再只是coding或“替代一个程序员”，而是加速整个科学和知识生产系统。

这是两个数量级完全不同的市场。

难怪2026年的菲尔兹奖得主之一Jacob Tsimerman在接受采访时说到“AI可能在两年左右超过人类数学家”，这不是普通科技媒体的猜测，而是一个刚刚获得人类数学最高荣誉顶尖数学家的认知。甚至，因为对AI影响数学的担忧，Tsimerman已经停止招收部分传统数学方向的研究生。

华尔街还在担心AI没有找到coding之外的第二个大的应用方向而失去继续发展的动力，而最顶尖的菲尔兹奖数学家已经在担心自己被AI所超越。

是不是很讽刺？是不是这个时代最大的笑话？

然后，整个故事真正更重要的不只是AI能不能替代科学家，还有“科学家的生产率”会被重新定义，从而需要无穷无尽的算力和存力。

如果一个顶尖数学家过去一年能够探索5个方向，而拥有了顶级AI大模型的顶尖数学家就可以同时探索50个方向，甚至100个方向，那么人类科学家的角色就会发生根本性的变化。

过去，科学家 = 搜索者 + 思考者 + 验证者

而又了AI大模型的协作之后，就会变成：

科学家 = 问题定义者 + AI研究集群的组织者 + 结果筛选者 + 理论解释者

这就意味着一个顶尖科学家可以开始管理一个集群的“AI研究团队”，让每个AI模型团队持续研究、跟踪1个方向，然后组建50个或100个“AI研究团队”分别去研究、跟踪50个或100个研究方向。

这和工业革命之后机器对人的改变非常相似。

机器让一个人的生产能力提高了几十个甚至上百个数量级，进而对电力产生了无穷无尽的需求；而AI正在对科学家也在做同样的事情，从而也会导致科学研究对算力有无止境的需求。

更关键的是，科学研究关乎的不只是技术进步，还有国家间竞争与本国的国防安全，你认为这样的算力需求会得不到足够的资金支持么？

AI for Science会推动模型变的很大

Google首席科学家Jeff Dean携三位长期合作者离开Google，成立Discovery Loop，而Discovery Loop就是聚焦于AI for Science 和AI-driven scientific discovery。

为什么这个事件震动硅谷？

因为Jeff Dean不是普通工程师。他是Google Brain核心创建者之一，是TensorFlow的推动者，是深度学习产业化的标杆人物，他的职业生涯几乎代表了过去十几年AI发展的主线。所以，Jeff Dean这个级别人物的职业选择/创业选择方向，本身就是一个强烈的产业前瞻发展方向指引。

如果说之前AI的核心任务是让机器理解语言和图像，那么，现在就是让AI直接全过程参与科学创造（AI for Science），但是，

AI for Science有一个非常重要的特点，它天然需要巨大的模型。

因为科学发现不是简单的信息检索，它需要：

• 长链推理；

• 跨领域知识组合；

• 大规模模拟；

• 假设生成；

• 大量的实验反馈。

也就是说，AI科学家需要更大的“知识容量”和更强的推理能力，这就会直接推动Frontier Lab必须建设和发展更大的模型。因为AI一旦进入AI for Science领域，需求将从“回答问题”变成“解决未知问题”，两者的计算规模完全不同。

如果一个更强的模型能够通过更多算力：

• 多探索100万条数学路径

• 多进行100万次实验

• 多运行100万次simulation

• 多搜索100万个药物分子

• 多训练100万个scientific agent

那么，就是能力越强，值得探索的问题就越多，对推理/训练的算力需求就越多。此时，ByteDance打算推出10万亿参数模型的新闻在这里就具象化了。过去市场一度认为，DeepSeek证明了“小模型、高效率”会取代“大模型”。但事实上，这是一个误读。DeepSeek证明的是算法效率可以提高，并不代表Frontier模型不需要继续扩大。

今天的大模型已经不是GPT-3时代简单比较参数，在MoE架构下，总参数量代表模型容量：总参数继续扩大，数据规模扩大，RL训练增加……

所以，无论如何：

模型的参数规模依然决定模型能够吸收多少知识、建立多少复杂关联，以及未来持续学习的上限。简单理解就是参数越大，AI的大脑容量越大。

因此，字节10万亿参数模型这条新闻背后的真正含义不是参数数字本身，而是Frontier Lab认为未来智能能力仍然需要巨大的模型容量。所以，现在所有的Frontier Lab都在建立能够持续自我改进的智能系统，也就是此前多次讨论的RSI（Recursive Self Improvement）。

如果未来AI能够自动产生训练数据、自动发现算法优化、自动进行科学实验、自动改进代码，那么，谁就看到了“拥有最强大的智能生成系统”的希望，这也是为什么各家Frontier Lab重新投入巨量训练。

一条新的算力需求曲线正在形成

OpenAI Astra突破菲尔兹奖级的数学难题，Jeff Dean押注AI for Science，ByteDance训练10万亿参数模型，文峰强调训练优先，各家Frontier Lab都在追求RSI。

这些事件不是巧合，它绘出了AI产业的路线图。

• 2023-2026：Scaling Law证明“大模型有效”。

• 2026-2028：竞争重新进入“超级训练时代”，建立超级模型并开始追求RSI。

• 2028以后：谁拥有最大的AI for Science闭环。

更恐怖的是，你有没有想过下面这个情况（一定以及肯定会出现），AI Scientist有完全不同的算力需求曲线，对AI Scientist而言：

算力增加→探索空间扩大→科学发现增加→新算法/新材料/新药/新模型出现→新的计算需求出现→需要更多算力→……

这就是一个无限循环的正反馈，AI for Science真正可怕的地方其实就在这里。

10万亿参数、FP16权重的模型大概就需要20TB的存储，但是训练不是只保存权重，实际训练状态会放大数倍对存储的需求；然后，Frontier Lab的前沿模型训练通常持续数个月，过程中需要保存不同版本模型、中间训练状态以及实验结果，这会产生PB级checkpoint数据存储需求。

RSI时代的数据增长会更加恐怖，因为AI要不断反复的自主实验，会产生推理轨迹、科研模拟、模型实验等等海量的数据，而这些数据必须保留存储成为下一代模型的重要训练资产，周而复始。

所以，由“GPU + HBM + 传输网络 + 存储”组成的算力工厂，正在面临重新陡峭的需求曲线。

马斯克要在2027年新建8GW的算力中心（是2026年底2GW的四倍）是这条曲线陡峭化的第一枪。