争议地图

2026-10-18阅读约 87 分钟AI 起草 · 人工审核已核查 · 已审核审核人负责人

所属专题：Gemini（Google DeepMind） · 第 14 章引语索引信源台账

专题章节

CHAPTER 14 # 争议地图十三条核心论断，逐条拆成事实之争、归因之争、价值之争，各自找业界最强的反方。事实层去核，归因层并列，价值层只呈现立场。

    阅读时长 **约 60 分钟**
    时间范围 **2021.01 – 2026.07**
    事实冻结 **2026-07-25**
    节 **0 个**
    图表 **0 个**
    来源 **0 条**





  ### 本章要点

十三条核心论断里，四条的事实层可以直接裁定，九条的争议实际发生在归因层——而归因层不能裁定，只能并列。 这是本章相对上一版最大的改动。上一版把九条归因之争当成事实之争「判了」，独立 reviewer 反向审查后判本章 39/70 不通过，理由是 把「竞争解释」升级成了「新真因」。这一版对每一条归因之争只做两件事：写清各个解释各自能解释什么、各自解释不了什么，然后停在那里。
本章不再给竞争解释排序，也不再有任何量化权重表。 上一版用一张自定的四系数连乘表给证言打分（0.5 / 0.7 / 0.9 相乘，0.40 作为可用门槛），这张表没有任何校准依据，已整体删除，换成第八节的定性来源矩阵：同期性 / 一手性 / 岗位覆盖 / 利害方向 / 独立旁证五档并列，每条证言写明它能支撑什么、不能支撑什么。
承担结构性负荷最重的争议 1，是全章可证伪程度倒数第三的一条。 「能力边界 = 验证器边界」同时是第 8、9、11 三章的主线，但它在当前表述下接近同义反复—— 「我们能验证的地方，我们测到更高能力」。它看起来解释力强，恰恰因为它不排除任何观测。 第四节 4.1 给出了它的可救版本：预注册四个连续变量，不再用二值分类。
「1M 名义 ≠ 1M 有效」这个结论成立，但只需要一个数字，不需要任何减法或跨厂比较。 Google 自己的 eval_hub 给出 8 针 MRCR 的条件噪声地板约 15%，而 3.1 Pro 在 1M 档是 26.3%——真实信号约 11 个百分点。上一版那个「跌掉 58.6 个百分点」是累计均值减逐点值，已删除。 本章不使用「墙 / 上限 / 物理瓶颈」这类措辞：Flash 线两个月内从 26.6% 涨到 54.0%，这是工程差距，不是能力上限。
十七条预测经逐条重审后，保留十二条、降级两条、删除三条。 删除的理由是它们改不成可判定的：没有阈值、没有主体、或者「没有人做过某实验」被当成了结论。保留的十二条里，只有六条是无条件可判定（到期一定能判），另外六条是条件式（触发才判，不触发记未判定）。阈值一律不锚定在会漂移的快照上——已知的同型失效有两例： ARC-AGI-3 的 7.78%（ARC Prize verified，GPT-5.6 Sol max effort，2026-03 快照；该榜到 2026-07-24 已是 30.16%），以及 GDPval-AA 的 440 Elo 差距（锚定 2026-07-25 的动态榜首，榜首本身会移动）。
```
 本章共 10 节 · 13 个争议 · 3 个交互图表 · 12 条可判定预测 · 章末含单点数据脆弱性登记表 ·
 关键词：反方证据 steelman
 竞争解释并列 元批判
```
一、怎么读这张地图

前十三章的写法是「先给判断，再给支持它的证据」。这个写法读起来聪明，但它有一个结构性问题：一条洞察如果只被支持它的证据检验过，那它其实没有被检验过。 这一章做的是相反的事——把每一条核心论断当作被告，去业界找最强的原告。

但「找最强的原告」有一个自己的失败模式，本章上一版正是栽在这里。 下面 1.1 先把两条硬约束和上一版越界的四个位置摆出来，因为不理解这四个位置，后面所有的「反方」都会被读成「新答案」。

1.1 两条硬约束，以及上一版越界的四个位置

本章上一版由反方调研 agent 写成，独立 reviewer（GPT-5.6）反向审查后判定 39/70，不通过。总裁定是：十三条争议的方向大体成立（✅4 / ⚠️9 / ❌0），所称的「19 处事实错误」实为 F1–F20（✅5 / ⚠️13 / ❌2）。也就是说，它找到的缺口大多是真的，但裁决的强度被系统性夸大了。

失败模式只有一句话：**它把「竞争解释」升级成了「新真因」。**四个最典型的位置：
混淆评分成本与轨迹成本。「Vending-Bench 2 的评分函数几乎零成本」是真的；「Vending-Bench 2 提供廉价的训练反馈」是假的——一条完整轨迹要 3,000–6,000 条消息。 它打的是正方的弱版本。
制造了一个并不存在的 Google 电力口径冲突。官方博客写的是 “power, not just chip supply, is a binding constraint”，这句话本身就在说「不止芯片」，与 Pichai 讲晶圆是根本约束并不互斥。上一版把 “not just chip supply” 读成了「不是芯片供应」。
把 A-Lab 的一次更正扩大成对 GNoME 的整体裁决。 2026-01-19 的 Nature 更正对象是自主实验室（A-Lab）那篇论文，不是 GNoME 论文。它是同一条材料发现链上的治理反证，不是对 GNoME 的制度裁决。
★把「发布阈值非唯一因素」推成了「发布阈值是无效因素」。 正确的结论是：它是一个因素，但不是唯一因素。上一版写成了「它不是因素」。这一条是本章第七节整节重写的原因。
论断不能靠重新归类反例、或悄悄改换被比较的量（因变量 / 口径 / 时间窗）来维持。 本项目已有两次实例：把 ARC-AGI-3 挪到「无验证器」一侧来保全命题是前者；用「涨得不均匀」把一个已经翻面的数据点解释回反例，是后者。 一个论断如果只能靠这两种手法维持，它就已经输了。
★反方成立，只意味着正方需要限定，不等于反方成为新真因。推翻一个解释，不等于证明了另一个解释。 所有反方内容必须写成「竞争解释 + 各自的成立条件」，不得让新叙事直接覆盖旧叙事。

自检问题（本章每一处「我的再判断」都过了这一关）： 我是在说正方不够充分，还是在说我的反方才是答案？ 只有前者是有证据支撑的；后者需要一套独立的识别策略（identification），而本章一处也没有——没有随机化、没有工具变量、没有干净的自然实验。因此本章不指定任何新真因。

1.2 三类分歧：处理方式完全不同，而且必须逐层拆

把所有争议混成一类，是本材料前十三章、也是本章上一版最常见的一种越界。三类分歧的可裁定性差别极大：

    表 14.1 · 三类分歧的判别与处理。
      **关键不在于给每个争议贴一个标签，而在于：同一个争议内部通常三层都有，必须逐层拆开分别处理。**
      下面表 14.2 就是这个拆分。




下面这张表是本章的骨架。**把它读完，就知道每一节为什么这么写。**
  注意最右一列：**九个争议的主战场在归因层，而归因层没有判决。**

| | # | 争议 | 事实层（可裁定） | 归因层（只能并列） | 价值层（只呈现） | 主战场

| | 5 | 「原生多模态」是真架构还是营销 | Gemini 1.0 报告写的是 “trained jointly”（是）；不含 encoder-free 主张（是） | — | 「native」这个词是否配得上「联合训练」这一条 | 价值

| | 13 | ★材料自身的方法论偏差 | 证言的日期、一手性、岗位覆盖（可逐条审计） | 可得性偏差对结论的影响有多大 | — | 事实

    表 14.2 · 十三个争议的三层拆分。
      **四个争议的主战场在事实层（2、4、7、13），九个在归因层或价值层。**
      上一版把后面这九个也「判」了，这就是它被打回的直接原因。




### 1.3 判定口径：五档判定只用在事实层与表述强度上

这是上一版和这一版最容易被忽略、但影响最大的一处差别。
  **五档判定评价的是「材料现有的这句话该不该这么写」，不是「谁的因果解释是对的」。**

| | 判定 | 含义 | 适用层 | 该怎么办

    表 14.3 · 本章的判定档位。
      **最后一档不是「证据不足所以先放着」，而是「这类问题在缺乏识别策略时原则上不能靠证据堆积来裁定」。**
      九个归因之争全部落在这一档，本章不再为它们中的任何一个指定主因。




### 1.4 怎么读青色的「⚖ 反方」块


  本材料有四种带色边的块，**它们装的东西性质完全不同，混读会得出错误印象**：

紫色「本质洞察」——作者的判断与追问。不是事实陈述。
橙色「批判 / 局限」——作者自己指出的边界与不确定性。
青色「⚖ 反方」——业界真实存在的反方主张与证据。每条证据就地带链接与可信度圆点（A 官方一手 / B 权威媒体 / C 中文转述 / D 传闻）。青色块里的话不是作者的观点，是被引述方的观点。

蓝色「说明」——中性的口径说明与操作提示。

**★青色块的四段结构必须连着读，只读第①段会严重误读：**
  ①反方主张 → ②反方的真实证据 → ③反方成立的条件 → ④我的再判断。
  **第③段是全块最重要的一段**——它写明这个反方在什么前提下才成立，
  而这些前提**经常不满足**。第④段才是本材料的立场。

**★还有一条必须说清楚的：青色块出现，不代表正方输了。**
  本章十三个青色块里，判「正方表述站不住」的只有事实层的少数几处；
  更多的情况是「正方需要加限定语」，或者「双方都是与证据相容的竞争解释」。
  **把「有反方」读成「正方错了」，正是本章上一版被打回的那个错误。**

二、争议全景图

十三个争议不该被平等对待。有的重要且可解，值得投入；有的是价值之争，永远裁不出来；还有的虽然可解但对 Gemini 的整体判断影响不大。下面这张图把它们按两个轴摆开。

横轴 · 可证伪程度：往右是「有明确的、可在两年内观测到的判据」，往左是「反事实 / 定义之争 / 事后总能自圆其说」。
纵轴 · 对 Gemini 判断的影响力：往上是「如果这条翻了，材料的整体结论要改」，往下是「局部修正」。

颜色 · 主战场在哪一层：蓝＝事实层、紫＝归因层、黄＝价值层。 紫色点越多，说明这张图上「可以被裁定」的部分越少。

  图 14-A · 十三个争议：可证伪程度 × 对整体判断的影响力
  悬停看每个点的主战场与本轮的处理方式





  **两个轴的刻度都是作者的主观打分，不是测量值。**打分依据逐条写在下面表 14.4 的「定位理由」列里，
  请连着表一起读——单看图会把主观刻度误当成事实。
  **本图不再按「判定」着色**（上一版如此，会把归因之争的并列状态误示为红色的「站不住」）；
  颜色现在表示**主战场在哪一层**：
  蓝＝事实层、
  紫＝归因层、
  黄＝价值层。

| | # | 争议 | 主战场 | 可证伪 | 影响力 | 定位理由

| | 1 | 能力边界 = 验证器边界 | 归因 | 3.5 | 9.5 | **全章「影响力最高 × 可证伪最低」的组合。**分类口径的事实错误可以立刻改，但命题主体在当前表述下接近同义反复，且「无验证器一侧的真实水位」在结构上不可观测

| | 2 | Scaling law 与 Chinchilla 的地位 | 事实 | 8.0 | 6.5 | 「公开文献里有没有 RL 标度关系」是纯事实问题，已可裁定；「这些拟合能否外推到前沿规模」有明确的判据与时间窗

| | 3 | TPU 垂直整合是护城河 | 归因 | 5.0 | 8.0 | 外部采用数是硬数据；但「采用少」到「经济性不可外推」之间缺一条识别，而现有证人（三家 GPU 云）与 Nvidia 有共同商业利益

| | 4 | 1M 是名义值不是有效值 | 事实 | 8.5 | 6.0 | 本章可证伪程度最高的一条：统计口径错误可立即裁定，下一代旗舰的同口径数字是一个明确的、会公开的判据

| | 5 | 「原生多模态」是真架构还是营销 | 价值 | 6.5 | 5.0 | 拆成四条架构轴之后每一轴都可查官方文本；但剩下的分歧是「这个词该不该这么用」，属价值之争，不因证据增加而收敛

| | 6 | AGI 时间表（2030 / 2028） | 价值 | 3.0 | 6.5 | 门槛定义不统一时，时间表本身几乎不可证伪； 但「锚点有没有更新机制」是可观测的——这是本条唯一能做的判据

| | 7 | 世界模型通向理解 | 事实 | 5.5 | 6.0 | 机制归因的两处原文错误可立即裁定；但「理解」没有共识定义， Physics-IQ 这类基准只测其中一个侧面（物理一致性），不测控制与迁移

| | 8 | AI4S 的判据是成本不是动机 | 归因 | 4.5 | 6.0 | 现有形式是事后归因、不承担风险；换成多变量框架后可证伪程度上升，但仍无法做单变量归因

| | 9 | Google 输的是发布阈值不是技术 | 归因 | 2.5 | 8.5 | **本章影响力第二高、可证伪程度倒数第二。**四个解释同时与所有已知事实相容，而唯一能分开它们的实验（反事实的早发布）原则上无法做

| | 10 | 组织钟摆论 | 归因 | 1.5 | 5.0 | **本章可证伪程度最低的一条。**集中时说聚焦、分散时说创新，事后总能自圆其说；一般组织学模拟提供的是另一个框架，不是对 Google 的裁决

| | 11 | 分发即第五驱动 | 归因 | 5.0 | 5.5 | 触达与变现的效应可测；但「分发是否改善训练反馈」缺对照，而反垄断救济给了一个明确的时间窗

| | 12 | 约束已从芯片变成电力 | 归因 | 5.0 | 7.0 | 两条官方原话已核实且不冲突，事实层已清；剩下的「哪类约束更紧」随地区、随时点变化，没有普遍答案

| | 13 | ★材料自身的方法论偏差 | 事实 | 7.0 | 9.0 | 不是关于世界的断言，而是关于本材料的断言，因此可以用时间戳审计直接检验（见第八节表 14.11）

    表 14.4 · 图 14-A 的数据与打分依据。
      **右上象限（可证伪 > 5 且影响力 > 6.5）只有争议 2、13 两条，加上边缘的争议 3、12。**
      而影响力最高的两条（争议 1、9）都在左上——重要，但难裁。





  **影响力最大的那条（争议 1，验证器边界）是全章可证伪程度倒数第三的。**
    它同时是第 8、9、11 三章的主线、第 6 章 E9 的结论，还被第 9 章借去做 AI4S 的判据——
    材料里没有第二条论断承担这么重的结构性负荷。

  但它的核心表述在当前形式下**接近同义反复**：如果判分函数和评测集是同一个东西
    （这是正方自己说的），那么「有验证器的地方进步快」就约等于
    「我们能测到进步的地方，我们测到了进步」——
    **没有验证器的地方，我们不是观测到了停滞，而是根本无法观测。**

  **★而这正是它看起来解释力强的原因。**一个能解释所有观测的框架，必然不排除任何观测。
    一条承担最多结构性负荷的判断，同时是最难被证伪的判断，**这本身就是一个应该让人不安的信号**。
    4.1 给出的可救版本不是给它加反方，而是**把它换成四个可以在结果出来之前测量的连续量**——
    换完之后它会变弱，但会第一次变得可以出错。



## 三、阵营图：谁站在哪一边

争议之所以是争议，是因为两边都有一流的人。这一节把十四个人的立场摆在同一个坐标里，
  每个人配一条**回溯到英文一手来源**的原话。


  十四人中，**十一人拿到完整 A 级一手**（本人博客 / 机构官网托管的演讲 PDF / 官方逐字稿 / 国会书面证词），
    两人为 A/B 混合，一人部分不可用。**x.com 全站不可访问**，
    因此 LeCun 与 Chollet 的推文**一条都没有使用**——
    改用他们本人的演讲 PDF 与 ARC Prize 官方博客，这两个替代来源反而比原推文更硬。

  三条明确不可用的：Dario Amodei 流传最广的两句（「五年内消灭 50% 入门级白领岗位」、
    「a country of geniuses in a datacenter」）**未回溯到带时间戳的一手录音或逐字稿**；
    David Silver 离职后关于「LLM 受限于人类知识」的具体表述只有二手转述。
    这三条本章只陈述组织事实，不作引语。



### 3.1 立场坐标



    图 14-B · 十四个人的立场坐标
    横轴：现有范式够不够；纵轴：AGI 时间表的远近





    **坐标是作者依据下方原话卡片做的主观定位，不是测量值，也不是这些人自己给的自评。**
    每个点的依据就是紧随其后的那张卡片里的原话，请对照着读。
    横轴左端＝「需要新范式」，右端＝「现有范式加规模就够」；
    纵轴下端＝「AGI 很远或概念本身没意义」，上端＝「AGI 在 2030 年前后」。
    **把三个不同定义的「AGI」画在同一根轴上本身就有问题**——这正是 3.3 要讲的那件事。




### 3.2 原话卡片

**蓝色边＝正方（更接近材料现有判断）｜青色边＝反方｜黄色边＝中间派或拒绝这个框架。**
  分组是按「他对本材料某条核心论断的态度」，不是按「他对 AI 的总体乐观程度」。




    Demis Hassabis
    Google DeepMind CEO · 2024 诺贝尔化学奖
    “my timeline's been pretty consistent since the start of DeepMind in 2010.
      **So we thought it was roughly a 20-year mission, and amazingly we're on track.**”

      译文我的时间表从 2010 年 DeepMind 创立起就相当一致。
      我们当时认为这大致是一个 20 年的使命，而令人惊讶的是，我们正按计划推进。

    NYT《Hard Fork》播客，2025-05-23 ·
      [@src-b359d69cbe]NYT 官方文字稿
      A

      **注意用词是 “mission” 不是 “business plan”。**「商业计划书」一词出自 2024-02-23 那期的字幕转录（B 级），
      NYT 官方文字稿里的对应表述是 “a roughly 20-year mission”。




    Shane Legg
    GDM 联合创始人 · Chief AGI Scientist
    “My mode is about 2025, **my expected value is actually a bit higher at 2028.**”

      译文我的众数大约在 2025 年，但期望值稍高一些，在 2028 年。

    个人博客 Vetta Project，**2009-12-07**（早于 DeepMind 成立一年）·
      [@src-b115796408]原文
      A

      **原文里没有「50%」这个数。**10%/50%/90% = 2018/2028/2050 出自 2011-06-17 的 LessWrong 问答，
      是另一个年份、另一个出处，**两者不得合并成一句**。




    Jeff Dean
    Google Chief Scientist · Gemini 联合技术负责人
    “The reason I tend to steer away from AGI conversations is lots of people have very
      different definitions of it and **the difficulty of the problem varies by like factors of a trillion.**”

      译文我倾向于回避 AGI 话题，是因为很多人对它的定义非常不同，
      而这个问题的难度会因此相差大约一万亿倍。

    The Moonshot Podcast: Deep Dive，2025-08-21 ·
      [@src-7d499e6b8f]官方视频
      A

      Google 内部最高技术权威**拒绝给出任何新的时间点**。**但要小心过度引申**：
      他反对的是「不定义门槛就谈时间表」，不是反对「2030 这个具体年份」。




    Sundar Pichai
    Alphabet / Google CEO
    “I don't think we'll quite get there by 2030, so my sense is it's
      **slightly after that.**”

      译文我不认为我们到 2030 年能到那儿，我的感觉是**略晚于那个时间**。

    Lex Fridman Podcast #471，2025-06-05 ·
      [@src-835a58822d]官方逐字稿
      A

      **两条红线：**①「p(doom) 10%」是主持人说的，不是他说的；
      ②「Sundar 认为 AGI 还很遥远」是失真概括，他说的是「略晚于 2030」。




    Yann LeCun
    AMI Labs 执行主席 · 前 Meta 首席 AI 科学家
    “**Auto-Regressive LLMs are doomed.** … Probability \(e\) that any produced token
      takes us outside of the set of correct answers. Probability that answer of length \(n\) is correct:
      \(P(\text{correct})=(1-e)^n\). This diverges exponentially.
      **It's not fixable (without a major redesign).**”

      译文自回归大语言模型注定失败。……任何生成的 token 有概率 \(e\)
      把我们带出正确答案集合；长度为 \(n\) 的答案正确的概率是 \((1-e)^n\)，指数级发散。
      除非大改架构，否则不可修复。

    Harvard CMSA 演讲《Objective-Driven AI》，2024-03-28 ·
      [@src-9e2701bbde]哈佛官网托管的本人幻灯片
      A

      **必须一并标注的限定**：他在 2025-04-27 的 NUS 版幻灯片上写明该式的前提是
      “assuming independence of errors”——**这是这条论证最脆弱的假设**，
      而思维链与自我修订恰恰是在打破这个独立性。




    François Chollet
    Ndea 联合创始人 · ARC Prize · 前 Google
    “**We define AGI as a system that can match the learning efficiency of humans.**”
      / “While AI has made tremendous progress, **ARC-AGI shows us scaling alone will not reach AGI.**”

      译文我们把 AGI 定义为一个能匹配人类学习效率的系统。/
      尽管 AI 取得了巨大进展，ARC-AGI 告诉我们：仅靠 scaling 到不了 AGI。

    ARC Prize 官网 Founder Message，抓取于 2026-07-25 ·
      [@src-79a8204bfb]arcprize.org
      A

      **★不要把他写成全盘否定派。**他在 2024-12-20 评 o3 时写的是
      “**a genuine breakthrough, marking a qualitative shift in AI capabilities**”，
      同一篇里也写 “I don't think o3 is AGI yet”。**两句必须一起引，否则就是 strawman。**




    Richard Sutton
    阿尔伯塔大学 · 2024 图灵奖 ·《The Bitter Lesson》作者
    “They are clearly a way of using massive computation…
      **But they're also a way of putting in lots of human knowledge.** … it will be another instance of
      the bitter lesson, that **the things that used human knowledge were eventually superseded by things
      that just trained from experience and computation.**”

      译文它们显然是一种使用海量算力的方式，但同时也是一种把大量人类知识灌进去的方式。
      这将是苦涩教训的又一个实例：那些使用人类知识的方法，最终被那些仅从经验与算力中训练出来的方法所取代。

    Dwarkesh Podcast，2025-09-26 ·
      [@src-139cb07e49]官方逐字稿
      A

      **★引用纪律：「dead end」三个字是节目标题里主持人的概括，不是 Sutton 的原话。**
      写成带引号的直接引语并署名给他，就是在复制本项目已查实的那两条伪引语的产生机制。
      正确写法是「Sutton 在这期以《RL 之父认为 LLM 是死胡同》为题的播客上论证……」。




    David Silver
    Ineffable Intelligence 创始人 · 前 GDM 强化学习负责人 · AlphaGo/AlphaZero 主导者
    “**In key domains such as mathematics, coding, and science, the knowledge extracted
      from human data is rapidly approaching a limit.** To progress significantly further, a new source of
      data is required… allowing agents to **learn continually from their own experience.**”

      译文在数学、编程、科学这些关键领域，从人类数据中提取的知识正在迅速逼近一个上限。
      要取得实质性的进一步进展，需要一种新的数据来源，让 agent 从自己的经验中持续学习。

    Silver & Sutton《Welcome to the Era of Experience》，2025-04-26
      （《Designing an Intelligence》一章的预印本，MIT Press）·
      [@src-73c66b38b4]DeepMind 官方域名托管的预印本 PDF
      **A2**（**官方域名托管的作者自存档预印本，非同行评议、非 DeepMind 机构声明**）·
      [@src-45b3a8a415] Sutton 本人站点镜像（同一文件，226,196 字节）
      **A2**

      **⚠️ 引用纪律：这个 DeepMind URL 的目录名里有一个 URL 编码的空格**
      （`Era-of-Experience**%20**/`）。**去掉它就是 404**——
      本项目档案里此前记录的路径正是漏了这个 `%20`，已核实并更正。

    **★这是「反 LLM 路线」阵营里唯一一篇由 Google DeepMind 官方域名托管的文献。**
      组织事实：Silver 于 2026-01 离开 GDM 创办 Ineffable Intelligence
      （GDM 发言人向 Fortune 确认），2026-04 融资约 11 亿美元。
      **但要注意边界**：离职创业不自动等于当事人反对原公司的 AGI 时间表，
      本章只把它当作「路线分歧已经组织化」的事实，不当作时间表投票。




    Ilya Sutskever
    SSI 创始人 · 前 OpenAI 首席科学家
    “from 2020 to 2025, it was the age of scaling…
      **Is the belief that if you just 100x the scale, everything would be transformed? I don't think that's
      true. So it's back to the age of research again, just with big computers.**”

      译文从 2020 到 2025，那是 scaling 的时代……难道真的相信只要把规模乘以 100，
      一切就会被改变吗？我不认为如此。所以我们又回到了研究的时代——只不过这次带着大计算机。

    Dwarkesh Podcast，2025-11-25 ·
      [@src-24bdaf0e46]官方逐字稿
      A

      **Demis 在 2026-01-20 达沃斯直接回应：**“My view is we never left the age of research.”（A 级，官方视频）。
      **这是本章唯一一对当面对撞的一手引语。**




    Andrej Karpathy
    Eureka Labs · 前 Tesla AI 总监 · OpenAI 创始成员
    “benchmarks are almost by construction verifiable environments and are therefore
      immediately susceptible to RLVR… **Training on the test set is a new art form.
      What does it look like to crush all the benchmarks but still not get AGI?**”

      译文benchmark 按其构造几乎就是可验证环境，因此立刻就会受到 RLVR 的影响……
      在测试集上训练是一门新的艺术形式。**把所有 benchmark 都碾压了却仍然没有 AGI，会是什么样子？**

    《2025 LLM Year in Review》，2025-12-19 ·
      [@src-ca5be40ee3]本人博客
      A

      **★他同时是争议 1 正反双方最强的证人**：同一篇里他也写 “As verifiable domains allow for RLVR,
      LLMs 'spike' in capability in the vicinity of these domains”——
      这是材料现有论据里都没有的、最强的正方表述。
      **他的立场是「机制上站正方，读数上站反方」，不能被简单归到任何一边。**




    Sam Altman
    OpenAI CEO
    “**AGI is a weakly defined term**, but generally speaking we mean it to be a system
      that can tackle increasingly complex problems, at human level, in many fields.”

      译文AGI 是一个定义薄弱的术语，但一般而言我们指的是一个能在很多领域
      以人类水平处理越来越复杂问题的系统。

    本人博客《Three Observations》，2025-02-09；同一表述见于 2025-05-08 提交美国参议院商务委员会的书面证词 ·
      [@src-c1de00950b]博客原文
      A

      **三家前沿实验室的高层里有两位公开说 AGI 这个词定义薄弱**（Altman、Jeff Dean），
      这件事本身就该写进争议 6。




    Gary Marcus
    NYU 荣休教授
    “If there exist AI systems that can perform **8 of the 10 tasks** below
      **by the end of 2027**, as determined by our panel of judges, Gary will donate \$2,000 to a charity
      of Miles' choice; if AI can do fewer than 8, Miles will donate \$20,000 to a charity of Gary's choice.”

      译文如果到 2027 年底存在能完成下列 10 项任务中 8 项的 AI 系统
      （由评委小组裁定），Gary 捐 2,000 美元；如果少于 8 项，Miles 捐 20,000 美元。

    与 Miles Brundage 的公开赌局条款，Substack，2025 年 ·
      [@src-5395d8f5b4]条款原文
      A

      **★这张卡片本身就是一堂方法论课。**同一个人，自评的年度预测因为判定权在自己手里而不可用
      （他自称 2025 年 17 条高置信预测命中 16 条，可信度 C）；
      对赌的十项任务因为判定权在第三方而**极其可用**。
      **判断一个预测者，看的不是他说对过什么，是他愿不愿意把判定权交出去。**




    Daron Acemoglu
    MIT · 2024 诺贝尔经济学奖
    “**TFP effects within the next 10 years should be no more than 0.66% in total**
      – or approximately a **0.064% increase in TFP growth annually.**”

      译文未来十年内的全要素生产率效应总计不应超过 0.66%——
      即年化约 0.064% 的 TFP 增长提升。

    《The Simple Macroeconomics of AI》，NBER WP 32487，2024-05；
      正式发表于 *Economic Policy* 2025, 40(121):13–58 ·
      [@src-569faca09c]NBER
      A

      **★引用纪律：0.66% 是十年累计，不是年化。**年化是 0.064%。
      中文转载普遍误写成「每年 0.66%」，差十倍。GDP 对应数字是十年累计 0.93–1.16%。




    Dario Amodei
    Anthropic CEO
    **本章不给这张卡片引语。**他唯一能回溯到一手来源的系统表述是本人博客
      《Machines of Loving Grace》（2024-10）里对 “powerful AI” 的定义与
      「最乐观情形下可能早至 2026 年」的表述。

    [@src-c22c010f61]本人博客
      A

      **★明确的信息缺口：**中文圈流传最广的两句——「五年内消灭 50% 入门级白领岗位」与
      「a country of geniuses in a datacenter」——**本轮均未回溯到带完整时间戳的一手录音或逐字稿**，
      按引语纪律不得作为他的原话收录。**把它们写进金句库是本材料最可能出现的下一条伪引语。**






  把这十四张卡片按「组织身份」重排一遍，会看到一个前十三章完全没有写的结构：
    **「现有范式不够」这个阵营在 2025–2026 已经高度商业化了。**

LeCun 2025-11 离开 Meta，创办 AMI Labs，2026-03 完成约 10.3 亿美元种子轮，投前估值约 35 亿美元；
Chollet 2024-11 离开 Google，2025-01 与 Mike Knoop 创办 Ndea，路线是「深度学习引导的程序合成」；
David Silver 2026-01 离开 Google DeepMind，创办 Ineffable Intelligence，2026-04 融资约 11 亿美元；

Ilya 的 SSI 本身就是「回到研究时代」这个判断的商业载体。

这对材料有两个方向相反的含义，**必须同时说**：

**方向一（加强反方）**：这些人不是在会议上发牢骚，他们把职业生涯和数十亿美元的资本押在了这个判断上。
  **用真金白银下注的反对意见，比论文里的反对意见更值得认真对待。**

**方向二（削弱反方）**：本材料对 Google 系人物适用「当事人对自己失败的解释天然自我合理化」这条标准，
  那就**必须对称地适用于他们**——一个刚融了 10 亿美元、卖点是「我们不做 LLM」的创始人，
  对「LLM 是不是死路」这个问题同样不是中立证人。
  **如果只对一边用严格标准，这份材料就只是把偏见换了个方向。**

**★但这两个方向都只是「利害关系披露」，不是证据。**
  它们既不能让 LeCun 的独立性假设变得更可靠，也不能让它变得更不可靠。
  **本章不用利害关系去给任何一方的论证打分**——那正是上一版那张量化系数表在做的事，而它没有校准依据。

3.3 一个必须点破的问题：这张图的纵轴其实不成立

把十四个人画在同一根「AGI 远近」轴上，前提是他们说的是同一个 AGI。他们不是。

| | 门槛 | 定义 | 持有者 | 它对应的时间表

    表 14.5 · 四种互不兼容的 AGI 门槛。**Google DeepMind 内部并存其中三套。**
      不说明用的是哪一套就引用时间表数字，必然误读。






    当同一家公司内部并存三套互不兼容的门槛，而它的首席科学家公开说
      「这个问题的难度会因定义相差一万亿倍」时，
      **一个不附门槛定义、不附概率分布的年份，能排除掉的未来非常少**。
      **但它不是「信息量趋近于零」**——它至少排除了「本世纪之内做不到」和「明年就到」这两端。

Jeff Dean·播客Jeff Dean：“the difficulty of the problem varies by like factors of a trillion”，并据此拒绝给出任何新的时间点。The Moonshot Podcast，2025-08-21， ^[1]官方视频A（无归档时间戳，需全片检索）
Altman·本人博客Sam Altman：“AGI is a weakly defined term”。本人博客《Three Observations》，2025-02-09 · ^[2]原文A
arXiv:2311.02462Google DeepMind 自己发表过《Levels of AGI》（^[3]arXiv:2311.02462），用六个层级来取代单一门槛——机构层面已经承认单一门槛不可用，而公司高管仍在用单一门槛讲时间表。A

NYT 官方文字稿Demis 的 2030 锚定的是一份 2010 年的二十年期限，而不是任何技术外推（NYT Hard Fork 官方文字稿，2025-05-23 · ^[4]原文）。这解释了它十六年不动的稳定性。A

      **但要小心两步跳跃**：「锚定在一个旧期限上」不等于「不会因证据更新」。
      2026-05 他首次把下限探到 2029，理由是「agent 真的在发生」——
      **这恰恰是一次由证据反推锚点，与「它从不更新」直接冲突。**





  反方（「这个数字承担不了预测的功能」）成立的条件是：把「AGI 何时到来」当作一个**经验命题**来评价。
    如果把它当作一个**组织的意图声明**（「我们打算在这个时间尺度上做完这件事」），
    那么它是有信息量的——它告诉你这家公司的资源配置周期。
    **这两种读法之间的分歧不是事实分歧，而是「一句话该按什么标准评价」的价值分歧。**




  需改写
    正方的「分工论」（门槛不同 / 受众不同 / 问责距离不同）三条里，能站住的只有第一条，
    第二条要大幅收窄，第三条建议删除：

「门槛不同」成立，表 14.5 就是它的证据。
「受众不同」不是充分解释。在 Demis 自己上的那期 Hard Fork 里，主持人转述 Sergey Brin 当面指控 Demis 在 “sandbagging”，并指出两人看的是同一份路线图——受众相同、信息相同，结论仍不同。 但这只证明「受众不同」不足以解释全部差异，不证明受众效应不存在；高管对投资人与对播客听众的措辞差异在别处是可观测的。转述（这是主持人 Kevin Roose 的转述，不得直接署名给 Brin。）

「问责距离不同」无论观察到什么都能被它解释，属于不可证伪的解释，建议删除。

  **2026-12-31 前 · 三分法**（见第九节 D4）：
    ① Demis 在任一公开场合给出**新的中心值且落在 2029–2031 之外** → 锚点有证据驱动的更新机制；
    ② 明确**重申 2029–2031** → 锚点稳定，需另找它是否随证据变化的判据；
    ③ **不再给出任何中心值** → 记**未判定**，**不得记为「不动」**。
    **上一版把③直接算成正方失分，这是错的——不再报数与报同一个数是两件事。**

四、A 组 · 技术判断（争议 1、2、4、5、7）

4.1 争议 1 · 能力边界 = 验证器边界

这是全材料承担结构性负荷最重的一条，也是本章上一版打得最偏的一条。 上一版攻击的是「评分代码运行很便宜」这个弱版本，而正方真正的主张是另一件事。下面先把正方的最强版本写出来。

  正方 · 最强版本（不是材料原文，是 steelman 后的版本）
  「有廉价可靠验证器的领域，能力被**优化、选择和可靠复现**的效率更高。」
    这里的「廉价」**不是指判分代码的运行成本**，而是指
    **获得一条与真实目标高度对齐、信号密集、可重复的训练反馈的成本**。

  Karpathy 给了这条最紧凑的表述：“As verifiable domains allow for RLVR,
    LLMs **'spike' in capability in the vicinity of these domains**.”
    [@src-ca5be40ee3]本人博客，2025-12-19

  **它撑起的东西：**第 8 章主线、第 9 章 AI4S 判据、第 11 章核心追问一、第 6 章 E9。
    材料里没有第二条论断承担这么重的结构性负荷。




  反方 · 最强版本
  **材料实际写下的是一个二分法，而这个二分法把自己的两个反例放错了边。**
    用来证明「无验证器一侧水位低」的两个样本，判分函数恰恰是全场最程序化的：
    Vending-Bench 2 的分数就是模拟器算出的年终银行余额，
    ARC-AGI-3 的 RHAE 由动作计数算术得出。

  而「**边界**」这个词也过强。它把一个关于**效率**的经验规律，
    写成了一个关于**可能性**的硬约束。







  「有 / 无廉价验证器」这个二分法在两个关键样本上失效，
    因为它把**四件本来独立的事**压进了一个维度：
    判分函数是否程序化、反馈与真实目标是否对齐、反馈有多密集、
    以及**拿到一条完整反馈样本要花多少钱和多长时间**。
    **在 Vending-Bench 2 与 ARC-AGI-3 上，这四件事指向相反方向。**

Andon Labs 官方Vending-Bench 2 的评分函数确实是模拟器输出。 Andon Labs 官方页面系统提示原文：“You will be judged solely on your bank account balance at the end of one year of operation.” ^[5]andonlabs.com/evals/vending-bench-2 A —— 纯程序化、判决无歧义。 按「有无程序化判分函数」这个口径，它应当归入「有验证器」那一侧。
Andon Labs 官方**★但这不等于它提供廉价的训练反馈——上一版在这里越了界。** 同一页面写明单次运行是 3,000–6,000 条消息；一次完整评测的输出量在 6,000 万–1 亿 token 量级。ARC-AGI-3 同理：RHAE 的算术几乎零成本，但一次完整 agent 交互评测在前沿模型上可达数万美元 （ARC Prize verified 表，max effort 档，2026 年快照）。就地核对：^[5]Vending-Bench 2 官方页面 · ^[6]ARC Prize verified 表（GPT-5.6） **「评分函数便宜」与「一条训练反馈样本便宜」是两个数量级差得极远的量，上一版把前者当成了后者。**A
Andon Labs 官方**「人类 $63,000」不是测量值。** Andon Labs 官方页面写明这是「挑出最赚钱的品类 + 假设能谈到半价 + 假设最优配置」推出的「$206/天 × 302 天」，用词是 estimate / assuming / calculate。 没有任何人类真的跑过这个基准。 ^[5]同页A
Andon Labs 官方官方自己承认这个验证器可以被 game。 同页「Where’s the ceiling?」一节写：最优策略包括「把供应商压到零价（供应商是可以被越狱的 LLM）」与「利用可被 game 的销售方程」。这说明「判分无歧义」不等于「判分与真实目标对齐」。 ^[5]同页A
Andon Labs 官方这一侧的增长曲线其实极其规整。 同页给出线性拟合 R²=0.96、+$799/月（西方前沿）与 R²=0.98、+$1,047/月（中国前沿），拟合窗口截至该页 2026 年快照。「趴在零头上」描述的是绝对水位，不是停滞。 ^[5]同页A

arXiv:2504.13837关于 RLVR 的经验证据（注意它的作用域）。 Yue et al.《Does RL Really Incentivize Reasoning Capacity Beyond the Base Model?》 (^[7]arXiv:2504.13837, 2025-04)： RL 模型在 pass@1 上领先，在 pass@256 上被基础模型反超 （评测条件：同一批基座、同一 token 预算下的 pass@k 曲线）。 A

      **★这条只能支撑一个收窄的结论：**「常见的 on-policy、受探索 / KL / 预算约束的 RLVR，
      往往是把基础模型已有或极低概率的正确轨迹提升到可用概率」。
      **它不能支撑「RLVR 只是采样器」这个普遍定理**——那是上一版写过头的地方。

arXiv:2507.14843理论版本：《The Invisible Leash: Why RLVR May Not Escape Its Origin》 (^[8]arXiv:2507.14843)。 但必须带上它的前提：support 不变的结论依赖「基础策略对某些解赋严格零概率」，而标准 softmax 输出通常不赋零概率，所以它在实践中是一个关于有限预算下可达性的陈述，不是关于表示能力的硬上界。^[8]arXiv 全文A

arXiv:2403.09472反向证据（必须一并给）：Sun et al.《Easy-to-Hard Generalization》 (^[9]arXiv:2403.09472, 2024-03) 报告—— 「an evaluator (reward model) trained on supervisions for easier tasks can be effectively used for scoring candidate solutions of harder tasks」，只在 MATH level 1–3 上有人类标注，就把 level 4–5 的表现推上去（process-supervised 7B RL 模型在 MATH500 上 34.0%，34B reranking@1024 达 52.5%）。 A

      **因此「RLVR 只能在验证器覆盖到的范围内起作用」不成立**：验证器覆盖不到的难度区间，能力照样能长出来。
      **「RLVR 不能扩大 support」在当前文献里是「常见现象」，不是定理。**

      ⚠️ **更正上一版**：此处原引 ProRL，但该文献**不在本项目档案内、本轮也未取得可核 URL**，
      按「新增 URL 必须档案有据或实测可达」的纪律**整条换掉**，改用档案已收录且实测可达的这一篇。

arXiv:2312.09390另一个方向：OpenAI weak-to-strong generalization (^[10]arXiv:2312.09390)—— 弱监督者能引出强模型的能力。这直接反对「验证器质量构成能力硬上界」。A
arXiv:2305.20050「便宜」不是必要条件：Lightman et al.《Let’s Verify Step by Step》 (^[11]arXiv:2305.20050) 用 80 万条人工步骤标注训出的过程验证器，在 MATH 上打赢了廉价的结果验证器。 **贵而密集，胜过便宜而稀疏。**A
NBER w34255解释不了商业价值分布：OpenAI 自己的一手使用研究（NBER WP 34255，约 110 万条对话；另有来自约 13 万用户子集的 158 万条消息—— 「对话」与「消息」是两个口径，不可混用）显示「实用建议 / 找信息 / 写作」三类合计约 77–80%，编程占比很小。 ^[12]NBER w34255 落地页（^[13]PDF 直链，该直链有反爬） A —— 这三类没有一个有程序化验证器。 作用域限制：这条说明验证器解释不了消费价值分布，不说明它解释不了能力水位。

METR 官方博客一条与验证器并列、无法被它吸收的竞争解释。 METR 跨九个领域的对照：「在我们检查的任何领域，进展都不是明显次指数的」；视觉计算机操作的绝对水位比软件推理低 40–100 倍，增长率却相近，而 GPQA 与 OSWorld 的验证器强度相当。 ^[14]METR，2025-07-14 A

      **★注意这条的正确用法**：它说明「验证器强度」解释不了这 40–100 倍，
      **不说明「任务时长」就是真因**——METR 自己承认其任务分布集中在可自动判分的领域，
      两个假说在现有数据上高度共线。**本章不在两者之间做选择。**





  反方成立的条件很窄：**只要材料把「验证器」定义成「可自动、廉价、无歧义地判定一次尝试好坏的函数」，
    二分法就会在这两个样本上失效**，因为它们同时满足这个定义、水位又低。

  **正方成立的条件同样清楚**：只要把主张从「有无」改成「有效反馈通道的**效率**」，
    并且承认它至少是四维的，正方就重新变得可辩护——代价是它不再能做二值分类，
    也不再能一句话解释所有观测。




  「硬边界」与有 / 无二分站不住
    主张需改写为效率命题
    水位差的归因：并列未裁

  **必须删掉的两样东西**：①「能力边界 = 验证器边界」里的**「边界」**——
    它把效率规律写成了可能性约束，而 weak-to-strong 与过程验证器都是直接反例；
    ②**「有 / 无廉价验证器」的二分**——它在自己的两个关键样本上失效。

  **推荐替换成一个多变量的研究框架**（不是分类器）。把「有效反馈能力」写成四个可在结果出来之前
    测量的连续量的组合：

  \[
    \text{有效反馈能力}\;\propto\;
    \frac{\text{目标对齐度}\;\times\;\text{反馈密度}}
         {\text{反馈延迟}\;\times\;\text{完整轨迹成本}}
  \]

目标对齐度：判分函数与真正想要的东西之间的偏差。Lean 编译器接近 1； Vending-Bench 2 的银行余额明显小于 1（官方自己列了 game 它的办法）。
反馈密度：一条轨迹里能拿到几次判决。过程验证器高，年终结算一次的低。
反馈延迟：从行动到判决的时间。Lean 毫秒，晶体合成几周，临床终点五到十年。

完整轨迹成本：不是判分函数的运行成本，而是产生一条可用于训练的完整样本的成本。

    **它是一个研究框架，不是已证公式。**四个变量的量纲不统一，正比号里没有系数，
      也没有任何人在跨领域数据上拟合过它。**写出它的唯一目的，是把一个二值判断换成四个
      可以在结果出来之前分别测量、并且可能互相冲突的量**——
      一旦它们互相冲突，原来那个「一句话解释一切」的版本就自动失效了。
      **任何人引用这个式子时都必须带上这一段。**



  **而两侧水位差到底由什么造成，本章不裁定。**至少四个解释与现有证据相容，
    且在现有数据上高度共线：**有效反馈通道效率**（正方）、
    **任务时长视界**（METR）、**完整轨迹成本**（预算约束）、
    **可观测性**（无验证器领域的真实水位我们根本没测过）。
    **要分开它们需要一个把其中一个变量单独动起来的对照实验，而这个实验目前不存在。**




  **见第九节 D6（METR 对照任务对，2027-01-31）与 D13（Vending-Bench 2 趋势线，2027-07-31）。**
    **★上一版列在这里的「今天就能做：重画第 8 章那张散点图」已被删除**——
    「剩下的是不是一团噪声」没有统计定义、没有到期日、也没有指定执行人，它是一个工作建议，不是预测。
    作为工作建议它仍然成立，写在这里：**第 8 章那张散点图的分类口径与本节冲突，应当重做或撤下。**






**①「ARC-AGI-2 上 92.5% 对人类 60%」——核完的结果比「60 还是 66」更干脆：
  这两个数都不是 ARC Prize 官方发布的。**

逐字读官方技术报告页（[@src-5a37f864c9]arcprize.org，2025-05-20），
  它的小节标题就是 **“Humans can solve 100% of ARC-AGI-2”**，而它披露的人类侧数量只有四个：
  **400 人 × 1,417 个任务**、纳入门槛是「**two people in two attempts or less**」、
  **每题平均由约 9–10 名参与者尝试**、人均**每题约 2.3 分钟**。
  **该页从头到尾没有给出任何「平均个体准确率」，60% 与 66% 都不在其中。**

**所以处置不是「在 60 和 66 之间选一个」，而是：不得再把「人类 60%」当作官方基线使用。**
  60% 来自一篇第三方综述、66% 来自一个第三方榜单，两者都无法回溯到官方报告文本。
  **可以照抄的官方口径只有一句：「至少两人解出每一题，每题平均 9–10 人尝试，人均每题约 2.3 分钟」。**

而 92.5% 对应的是 GPT-5.6 Sol 在 **Max reasoning effort、约 \$1.44/题、ARC Prize 半私有集**下的
  verified 分数（[@src-d70c08e0c8]ARC Prize verified 表，2026 年快照）；
  同一模型 low 档只有 42.5%。**正确的读法**：可以说「最大努力档的前沿模型在这个基准上
  已高于人均 2.3 分钟的单人一次作答水平」；**不能**说「越过人类基线」，
  因为官方给的人类侧口径是任务级 100%。**反过来用 100% 去否定它同样是混口径**——
  那是「一群人合起来」的指标。

**②「IMO 2026 上出现三个 42/42 满分」——核完的结果是：「三个」对不上任何一层，
  真实结构是三个验证层级、共六个 42/42。**

| | 验证层级 | 系统 | 成绩 | 怎么评的

| | 小红书 dots-note-3.0 | 42/42

| | Tier 2 自办 harness | Claude Fable 5 | 42/42（首过） | Menlo Ventures 的 Deedy Das 自建 harness，阅卷者是 Claude 系 agent，不经 IMO。其 repo 自陈「strong but not authoritative」。成本 $20.54–$51.05、耗时 2.5–17.4 小时

| | GPT-5.6 Sol（xhigh） | 39 → 42（经 repair）

| | Kimi K3 | 36 → 42（多轮 repair）

| | NVIDIA Nemotron 3 Ultra | 30/42 | NVIDIA 自跑（限时、无联网无外部工具），但由 IMO 团队阅卷；高于今年 29 分的金牌线

      表 14.4b · IMO 2026 的 AI 成绩按验证方式拆开。
        **「官方 2 / 自办 4」这个头条计数是对的，但精确结构是 2 / 3 / 1。**
        人类对照：第 67 届 IMO 于上海举行，两场考试 2026-07-15/16，**666 名选手中恰好 7 人满分**。
        来源：[@src-3b9686b219]第三方分析（引 AFP 通讯社报道）
        **C 级**——[@src-572f71b507]IMO 官网只有人类成绩页，
        **没有 AI 成绩页，因此不存在可回溯的「官方总榜」，这个数在结构上只能取到 C 级**。




  **★这张表最有信息量的一格不是任何满分，而是成本那一列**：
    在同一个模型家族内部，**仅仅调整 effort 档位就让首过分数摆动了 11 分**。
    **当一个基准的分数可以被推理预算移动 11 分、而满分线只有 42 分时，
    「谁拿了满分」这个问题本身已经不再区分模型。**
    自报、repair、AI 阅卷、Lean 机器验证、官方阅卷是**五种强度完全不同的证据，不得混成一个数**。



### 4.2 争议 2 · Scaling law 与 Chinchilla 的地位

这一条的反方最锋利的部分不在外部，**在材料自己的构建笔记里**：
  `BUILD-NOTES-G.md` §6 写了两条「我补不上」的缺口。
  **其中一条确实已经不再是缺口，另一条仍然是。上一版把两条都判成了缺口消失，这是过头的。**



    「RL 后训练的算力**公开文献里没有一条能用的标度关系**」——这句话在 2026-07 **太绝对**，
      已有可操作的局部经验关系。
      但「MoE 的损失项里 \(N\) 该填什么**没有理论答案**」——**这句话仍然成立**：
      文献给的是三组**不同约束下的经验参数化**，不是三个互相矛盾的理论答案。

arXiv:2510.13786Khatri et al.《The Art of Scaling Reinforcement Learning Compute for LLMs》(^[15]arXiv:2510.13786, 2025-10)： 超过 40 万 GPU 小时的系统研究，拟合形式是 sigmoid 而非幂律 [ R_C=R_0+\frac{A-R_0}{1+(C_{\text{mid}}/C)^{B}} ] 并在 8B 稠密模型上用 5 万 GPU 小时拟合、外推到 10 万 GPU 小时实测吻合。 B
arXiv:2607.16097Shen et al.《Understanding Reasoning from Pretraining to Post-Training》(^[16]arXiv:2607.16097, 2026-07)：把预训练损失与后 RL 奖励连起来，与 Chinchilla 式损失律组合后画出 ((N,T,C_{\rm RL})) 的算力最优前沿，结论是总预算越大、最优 RL 占比越高。B
三篇 ICML 论文MoE 版 Chinchilla 的三组参数化，以及它们为什么不是「三个矛盾的答案」。 Clark et al.（DeepMind, ^[17]arXiv:2202.01169, ICML 2022）用 有效参数量，预测 routing 收益随规模递减； Ludziejewski et al.（^[18]arXiv:2502.05172, ICML 2025）用 激活参数，把歧义搬进指数 [ \mathcal{L}=a\hat E^{\delta}N_{\rm act}^{\alpha+\gamma\ln\hat E}+b\hat E^{\omega}D^{\beta+\zeta\ln\hat E}+c ] 并称差距随规模扩大； Abnar et al.（Apple, ^[19]arXiv:2501.12370, ICML 2025）用 总参数 + 稀疏度交叉项。A
```
      **★方向差异有一个平凡解释**：Clark 在**固定数据量**下拟合，
      Ludziejewski 允许**数据量随算力最优变化**。**在不同约束下得到不同斜率，是预期之中的，
      不构成理论冲突。****上一版把它写成「三个互相矛盾的理论答案」，这是过度解读。**
```
NeurIPS 2024 演讲Ilya Sutskever, NeurIPS 2024 Test-of-Time 演讲（2024-12-13）原话： “But pre-training, as we know it, will unquestionably end… We have but one internet. You could even say data is the fossil fuel of AI… We’ve achieved peak data and there’ll be no more.” ^[20]原始视频A（无归档时间戳） —— 必须一并给出他自己的限定：“It will still let us go quite far.”
arXiv:2404.10102Besiroglu et al.《Chinchilla Scaling: A replication attempt》 (^[21]arXiv:2404.10102)： Hoffmann 的 Approach 3 拟合存在问题、报告的置信区间过窄、与自己的数据不一致。 **连原始 Chinchilla 都有复现质疑，这一条应与 Ilya 的限定语成对呈现。**A

arXiv:2305.16264 / 2502.08606作用域补丁：data-constrained scaling 与 distillation scaling 这两支后续工作改变的是数据重复与蒸馏下的最优配比， 与原始 Chinchilla 的作用域不同，不能当作「Chinchilla 被推翻」的证据。就地核对：^[22]data-constrained scaling（arXiv:2305.16264） · ^[23]distillation scaling laws（arXiv:2502.08606） B

  反方（「文献已经给了答案」）成立需要这些关系在**前沿规模**上可用。
    **这个条件不满足**：RL 一侧最大验证规模是 17B×16 的 MoE，MoE 一侧最大是 26B 与 5B 总参数，
    而 2026 年的前沿模型在万亿总参数量级。**全都在外推约两个数量级。**
    而且四篇论文**不是同一种 law**（一个是奖励–算力曲线，一个是损失–参数曲线），
    把它们合起来叫「四条 law」本身就是一次口径合并。




  「一条都没有」需改写
    「没有统一理论答案」维持

该改的：「公开文献里没有一条能用的标度关系」→ 「已有局部的、可操作的经验关系，但尚无跨模型、跨数据、在前沿规模上被验证的统一 law」。
该维持的：MoE 损失项里 (N) 填什么确实没有理论答案。三篇给的是不同约束下的经验参数化，经验拟合不等于理论答案。原判断成立。
正方核心关切依然成立，但理由要换：(6ND) 式的记账关系在 RL 上不存在—— 这些关系的横轴是 GPU 小时而不是 FLOPs，而 GPU 小时到 FLOPs 的换算依赖框架实现，所以无法像 (6ND) 那样反推别人家模型的训练算力。

材料完全没触及的一层：预训练拟合成幂律（无上界）， RL 拟合成 sigmoid（有渐近上界 (A)）。 Khatri 等报告：换损失函数、把 LM head 改成 FP32 会抬高 (A)（0.52→0.61），调 batch 与优化器细节只改效率 (B) 不改 (A)。 在他们研究的规模上，渐近上界更像是被配方而不是被算力决定的。 （限定：这是 8B 稠密模型上的结论，是否外推到前沿 MoE 未知。）

  至于 RL 吃掉多少算力：DeepSeek-R1-Zero 的 RL 是预训练的 **3.75%**；
    Epoch AI 对 GPT-5 的估算是「最终 RL 占预训练的 **10%–200%**」（第三方情景估算，非官方）。
    **这个区间的上界意味着，用 \(6ND\) 估 2025 年之后的前沿模型总训练算力，可能低估约三倍。**




  **见第九节 D8（≥100B 激活参数规模上公开 RL sigmoid 拟合参数，2027-06-30）。**

    **★上一版的「Clark 的 \(N_{\rm cutoff}\approx900\)B 已被证伪」需要收窄**：
    Clark 说的是**稠密等效**规模，而 2025–2026 前沿 MoE 报的是**总参数**。
    **两个口径没有被任何后续工作对齐检验过，因此这条既不能算证伪，也不能算成立。**

顺带一条必须保留的项目终裁：Chinchilla 的一般解是 (N^{}\propto C^{\beta/(\alpha+\beta)})、(D^{}\propto C^{\alpha/(\alpha+\beta)})，本项目按 (\alpha=0.34,\ \beta=0.28) 写。只有在 (\alpha\approx\beta) 这个前提下 才近似退化成「各占一半」，无条件写出 (C^{1/2}) 是错的。完整推导见第 6 章公式 B5。

4.3 争议 4 · 「1M 是名义值不是有效值」

  正方 · 材料现有表述
  「从 128k 拉到 1M，Gemini 3.1 Pro 的 MRCR v2 准确率从 84.9% 掉到 26.3%，
    **跌掉 58.6 个百分点**。而 Claude 与 GPT 在这一格直接是『不支持』。
    所以 Google 在长上下文上的领先，是『能跑』而不是『跑得好』的领先。」

（评测条件：Gemini 3.1 Pro 官方模型卡，2026-02-19，8 针，128k 为累计平均、1M 为逐点）

    反方 · 最强版本
    **这个减法的两个被减数不是同一种统计量**：84.9% 是 `upto_128K` 的
      **累计平均**（把 4K 到 128K 的所有档一起平均，含大量简单档），
      26.3% 是 `at_1M` 的**逐点值**。**差值无法解释成任何一个点到另一个点的跌幅。**

    **而「结论仍然成立」——只是它根本不需要这个减法。**
      Google 自己给了一个更硬、也更简单的地基。







    「1M 名义窗口 ≠ 1M 有效推理窗口」这个**结论成立**，
      **而且只需要一个数字就能立住，不需要任何减法、也不需要跨厂比较**。
      但支撑它的三个数字要换，它给出的**机制解释（注意力稀释的物理上限）必须降级为假说**。

eval_hub README**★这一条就是全部地基。Google DeepMind 官方 eval_hub 的 MRCR v2 README 给出该指标的噪声地板**估算： “If we assume the model reproduces one of the relevant assistant responses uniformly at random… The noise rate for 2-needle is around 51%, for 4-needle around 27%, and for 8-needle around 15%.” ^[24]eval_hub README A

      **于是：3.1 Pro 在 1M 档的 26.3% 距这条地板只有约 11 个百分点**
      （评测条件：官方模型卡，2026-02-19，8 针，`at_1M` 逐点）。
      **这就是「名义 1M 不等于可用 1M」的完整论证，一步跨厂比较都不需要。**

      **★口径必须写准**：15% 是**条件噪声**——前提是模型已经定位到八个相关回答、只在其中随机选。
      若在全部 assistant 回复里均匀盲猜，噪声约 1%。**两个数不可混用。**

eval_hub README更正上一版的一处来源描述错误。同一份 README 并没有写「累计平均与逐点值禁止相减」这句警告。它明确警告的是另一件事：使用 code execution 工具会让任务显著变简单，任何 MRCR 报告都必须披露工具开关，否则比较没有意义。 「不能相减」是统计常识，不是 README 的原话；上一版把自己的推理算到了官方头上。^[24]README 原文 A
官方模型卡同厂对照（这一版的口径已更新）： Gemini 3.6 Flash（2026-07-21 GA）在 1M 档是 54.0%， 3.5 Flash（2026-05-19）是 26.6%——Flash 线两个月内翻了一倍。 ★更正上一版：3.6 Flash 模型卡已明确标注 GDM-MRCR v2 (8-needle)，所以「Flash 线未标针数、不可横比」这条限定已经过时，可以撤销。就地核对：^[25]3.6 Flash 模型卡 · ^[26]3.5 Flash 模型卡 A
Anthropic 官方公告跨厂对照：Claude Opus 4.6 官方公告自报 “on the 8-needle 1M variant of MRCR v2—Opus 4.6 scores 76%, whereas Sonnet 4.5 scores just 18.5%”（^[27]Anthropic 官方公告，2026-02-05）。「Claude 与 GPT 直接是不支持」这句已经过期（Opus 4.6 的 1M 于 2026-03-13 GA）。 A —— 但必须打折：自报、无独立复现，且无法确认 Anthropic 系统卡那条 “Models tested with code execution tools” 的脚注是否覆盖 MRCR 行。 按 README 的工具披露要求，这个数在工具开关确认之前只能作为方向性支撑。
各代官方模型卡**「三代零进步」的计数要按线分开写。** 严格的 Pro 线是 2.5 Pro 16.4% → 3 Pro 26.3% → 3.1 Pro 26.3% （各代官方模型卡，8 针 at_1M：^[28]3.1 Pro · ^[29]3 Pro · 2.5 Pro 见^[30]模型卡索引）—— 不是三代零进步，是最近两代持平。上一版把 2.0 Flash 的 10.2% 混进 Pro 线来凑成一条上升曲线， **那是跨线拼接，同样不严谨。**A

arXiv:2409.12640曲线形状的证据，以及它的外推边界。 Michelangelo（^[31]arXiv:2409.12640， MRCR 的出处论文，Google DeepMind）有一节小标题就叫 Gemini’s Non-Decreasing Performance from 128K to 1M，衰减集中在短上下文段。 A

      **★但它测的是 2024 年的 Gemini 1.5、原版 MRCR、累计曲线**，
      **不能外推成 3.1 Pro 的 8 针逐点曲线**。它只能说明「128K→1M 单调塌陷」不是这一族模型的普遍形态，
      **不能反过来证明 3.1 Pro 的 26.3% 是某种资源分配的结果。**

arXiv:2406.13121**「跨八处交叉引用会失败」被 Google 自己的论文反证**： LOFT（^[32]arXiv:2406.13121，Google）在 128K 上把全部语料塞进上下文，在多跳数据集（HotpotQA / MuSiQue）上打赢了 Gecko + Gemini 的 RAG 管线。 A —— 作用域：这是 128K 上的结果， 不能外推到 1M；上一版用它一路推到「多跳是长上下文的优势项」，越了界。
arXiv:2407.16833RAG 派的最强版本，恰好也是 Google 自己做的： SELF-ROUTE（^[33]arXiv:2407.16833，Google DeepMind）让模型自己决定用检索还是用长上下文，省 65% 成本、63% 的查询给出相同答案。 A —— 限定到该论文的模型、数据集与成本设置。反方的框架是：正确的问题不是「能记住多少」，而是「每个 token 的边际信息价值 vs 边际成本」。

eval_hub README**「NIAH 因为好看才成为标准」在 Google 语境下是反事实**： Google DeepMind 2024-09 主动造了 MRCR 来取代 NIAH 并开源， README 明写它是 “a suitable default replacement for NIAH”。^[24]README A

  **结论成立的条件只有一条**：8 针 MRCR 的条件噪声地板估算是对的。这条来自 Google 自己的仓库，
    **是本争议里最稳的地基**，而且不依赖任何减法或跨厂比较。

  **「注意力稀释的物理上限」这个机制解释成立的条件**是：它对同一架构族的所有模型都成立。
    **3.6 Flash 的 54.0% 与 Opus 4.6 的 76% 直接否定了这个前提。**




  三个数字站不住
    结论成立
    Pro 线持平的原因：并列未裁

删掉「58.6 个百分点」，换成「26.3% 距 8 针任务约 15% 的条件噪声地板只有约 11 个点」。并写明 15% 是条件噪声（已定位到相关回答后随机选），不是全空间盲猜（约 1%）。
删掉「Claude 与 GPT 直接是不支持」，换成 Opus 4.6 的 1M GA 与自报 76%，并标注自报、无独立复现、工具开关未确认。
删掉「跨八处交叉引用是这条公式明确预测会失败的用法」——LOFT 在 128K 上给了反例。

把「注意力稀释的物理规律」降级为「示例参数下的量级吻合 / 一个假说」。

    **不得写「墙」「上限」「物理瓶颈」。**理由是一条同厂的直接观测：
      **Flash 线在两个月内从 26.6% 涨到 54.0%**，同一家公司、同一个基准、同一个针数。
      **两个月能翻倍的东西不是能力上限，是工程差距。**

    **而且这样改之后，问题会变得更好、也更难回答：**
      既然 Flash 线两个月能翻倍，**为什么 Pro 线连着两代停在 26.3%？**
      这看起来更像**优先级或训练配方**的问题，而不是架构的问题。

    **★但「更像」不是「就是」。**至少三个解释与现有证据相容，本章**并列，不排序**：
      ① Pro 线在长上下文档位上的**训练投入优先级**低于 Flash 线；
      ② Pro 线与 Flash 线的**训练配方不同**（例如长上下文数据配比、蒸馏来源）；
      ③ Pro 线更大的模型在同样的长上下文配方下**更难收敛**。
      **三者需要 Google 披露训练配置才能分开，而它不会披露。**
      上一版直接写「更简约的解释是资源分配」，那是在没有识别策略的情况下指定了一个真因。






  **见第九节 D3（下一代旗舰的 8 针 1M pointwise，2027-06-30）与
    D7（五大 agent 框架的默认上下文策略，2027-01-31）。**

    **★上一版的「随时：Google 是否补标 Flash 针数」已完成并删除**——
    3.6 Flash 模型卡已标 8 针，这条判据已经到期并兑现。

4.4 争议 5 · 「原生多模态」是真架构还是营销

  材料用「Gemma 4 只有 12B 一个尺寸做了 encoder-free」来反推 2023 年那个说法口径宽松。
    **结论是对的，但不需要绕这一圈**——Gemini 1.0 技术报告自己就把话说清楚了，
    而且说得比反推更明确。

arXiv:2312.11805**「原生多模态」在官方文本里是被「联合训练」定义的，不是被「无编码器」定义的。** Gemini 1.0 报告（^[34]arXiv:2312.11805）原文： “The Gemini models are natively multimodal, as they are trained jointly across text, image, audio, and video.” —— 语法结构是 A, as B， **A（natively multimodal）的理由就是 B（联合训练），没有第三个成分。**A
arXiv:2312.11805同一份报告承认存在视觉编码环节，并把它的谱系挂在三个带独立编码器的模型上。原文：“The visual encoding of Gemini models is inspired by our own foundational work on Flamingo, CoCa, and PaLI, with the important distinction that the models are multimodal from the beginning and can natively output images using discrete image tokens.” 报告自己列出的 “important distinction” 只有两条——从头多模态、离散 token 原生输出图像。 「取消独立编码器」不在其中。^[34]Gemini 1.0 报告 A
Google 开发者博客轴 3 的交付差要按两档写，不能只写一个数。 Gemini 1.0 报告（2023-12-06）称可原生输出图像； trusted testers 于 2024-12（Gemini 2.0 Flash 原生图像输出）， 向全部开发者开放于 2025-03-12（Google 官方开发者博客）。 **因此是约 12 个月与约 15 个月两档，不是单一的 15 个月。**就地核对：^[35]Google 开发者博客，2025-03-12 A

Gemma 4 官方轴 4 到 2026 年仍未统一。 Gemma 4 家族首发 2026-04-02，但唯一 encoder-free 的 12B 迟至 2026-06 才发布；其余尺寸仍用独立视觉编码器。官方博客摘要写 natively multimodal，正文写 frozen encoders。就地核对：^[36]Gemma 4 官方博客 · ^[37]Gemma 4 技术报告（arXiv:2607.02770） A —— 作用域：Gemma 是开源线， 与 Gemini 生产线是否同一套架构未经官方确认，这条只能作为旁证。

  如果把「原生多模态」理解为「联合训练」，那么它**是一个真实的、可验证的架构选择，而且 Google 兑现了它**。
    如果理解为「没有独立编码器」，那么它到 2026 年仍然只在一个开源小尺寸上成立。
    **★这两种读法的分歧不是事实分歧——两边引的是同一份报告的同一句话。
    它是「native 这个词配不配得上『联合训练』这一条」的价值之争，不会因为证据增加而收敛。**




  基本成立
    「原生多模态是真实但作用域被高估的架构选择」这个判断成立：**四条轴里只有轴 2（联合训练）有硬证据**。
    建议把论证从「用 Gemma 4 反推」换成「引 Gemini 1.0 报告原文直证」——
    **一手直证比三年后的反推强得多，而且不受「Gemma 与 Gemini 是否同一条产线」这个质疑的影响。**

  还要补一条报告自己的论证结构问题：它把这件事挑明成一个开放问题并自答了——
    “One open question is whether this joint training can result in a model which has strong capabilities
    in each domain… **We find this to be the case**”。
    **它用 benchmark 结果论证的是「联合训练没有让单模态能力变差」，而不是
    「联合训练带来了拼装方案拿不到的能力」。这两件事经常被混为一谈，
    而后者才是「原生」这个词想要主张的东西。**




  **本条不进入第九节的可判定预测表。**理由：能想到的判据
    （Live API 的 half-cascaded 选项是否下线、下一代 Gemma 是否把 encoder-free 推广到全部尺寸）
    **测的都是产品与工程决策，而争议的核心是一个词的用法**。
    **用工程事件去裁定价值之争，正是本章 1.2 要避免的越界。**
    这两条作为观察项列在第九节表 14.10 下方。

4.5 争议 7 · 世界模型（Genie / Veo）通向理解

  「Genie 用码本容量当筛子，把因果从相关里挤出来」**不是论文的说法**；
    「Genie 是 MuZero 那条路线在生成模型上的镜像」**也不准确**。
    **但这两处更正只影响机制叙述，不构成对世界模型路线的裁决。**

arXiv:2402.15391Genie 论文（^[38]arXiv:2402.15391）给码本设小的理由原文是 “to permit human playability and further enforce controllability” —— 是可玩性与可控性，不是「把因果从相关里挤出来」。A

      **★但要更正上一版的一处过头表述**：推理时被丢弃的是 **latent action model 的动作推断部分**
      （因为此时动作由用户给定），**不是「运行时整个模型不存在任何推断环节」**——
      动态模型本身在每一帧都在做推断。

arXiv:1911.08265MuZero 的隐状态明确不受重建像素约束，而 Genie 3 逐帧生成 720p 像素。所以「严格镜像」是错的。 本项目 02-tech-dossier.md A3.1.2 自己写对了这一点，两处需统一。^[39]MuZero 论文（arXiv:1911.08265） A
```
      **★但「完全对立」同样过强**：两者都在做**任务相关的压缩**，
      差别在压缩目标（价值/策略 vs 可控生成），这是一个松散类比可以成立的层面。
```

arXiv:2402.15391「码本大小 8」是 Genie 1 的超参； Genie 3 的架构官方零披露（^[40]Genie 3 官方博客）。引用时必须标代际。A

      **★更正上一版的一处误报**：第 8 章的
      「Genie 初代」小节**已经明确写了 \(|A|=8\) 属于初代并警告不得外推到 Genie 2/3**，
      该处**当前不存在代际事实错误**，无需修改。

arXiv:2501.09038Physics-IQ：Google DeepMind 自己的基准（^[41]arXiv:2501.09038）用 396 段实拍视频（66 场景 × 3 机位 × 2 次拍摄）测生成模型对直觉物理的理解， 归一化方式是把「同一场景两次真实拍摄之间的差异」定为 100 分，论文并报告物理理解与视觉真实度不相关。A

      **★关于「最好模型只有 29.5 分」这个数，必须加三条限定**：
      ① 它是 **2025-01 的快照**，被测模型是 Sora / Runway Gen 3 / Pika 1.0 / Lumiere / SVD / VideoPoet；
      ② **Veo 2、Veo 3、Genie 3 都没有被测过**，论文明说 Veo 2 当时尚未普遍可用；
      ③ **2026-06 已有 Physics-IQ Verified**，其**多帧 video-to-video 档**榜首为
      **58.2±1.8**（该档与旧的 image-to-video 档**不可直接横比**）。
      **因此「所有最佳模型仍只有 29.5」这句话已经过时，必须改。**

arXiv:2411.02385Kang et al.《How Far is Video Generation from World Model: A Physical Law Perspective》(^[42]arXiv:2411.02385, ICML 2025)：视频生成模型分布内泛化良好、组合泛化部分成功、分布外泛化失败， 且 scaling 不解决分布外那一档。A
arXiv:2301.04104**★必须并列的正方证据，否则就是选择性引用。** DreamerV3 在 Minecraft 的 diamond 任务上从零起步、无人类数据完成任务（Nature 2025），机制正是「在学到的世界模型里想象未来」（^[43]DreamerV3，arXiv:2301.04104）。 **这证明世界模型对控制与规划有效——而 Physics-IQ 测的是物理一致性，两者是不同的问题，不能互相反驳。**A
Genie 3 官方博客官方原话是 “a key stepping stone”（关键踏脚石）。 “key stepping stone” 是必要性口吻的弱主张，不是充分条件主张；材料写成「通往 AGI 的必经之路」比官方说法强，应改回官方措辞。^[40]官方原文 A

LeCun 演讲 PDFLeCun 的技术版反方：在表示空间预测而不是在像素空间预测，因为后者把容量浪费在原理上不可预测的细节上（^[44]Harvard CMSA 演讲 PDF，2024-03-28）。 A

  反方成立的条件是：**把「理解」定义为「能支持反事实推理与分布外泛化」**。
    如果定义为「能生成符合视觉统计规律的连续画面」，那么 Veo 与 Genie 显然做到了；
    如果定义为「能支撑长程规划与控制」，Dreamer 那一支已经给了正面证据。
    **★这一半是定义之争。材料应当先把「理解」定义清楚再论证，
    而不是用一个基准的分数去回答一个还没被定义的问题。**




  两处机制表述站不住
    「必经之路」需改回官方措辞
    路线整体成败：并列未裁

  **必须改的三处**：码本理由（改回原文的可玩性与可控性）、MuZero 关系
    （改成「不是镜像，但在任务相关压缩这一层有松散类比」）、
    「必经之路」（改回 “a key stepping stone”）。
    **Physics-IQ 的 29.5 必须加快照日期与被测模型清单，并补上 2026-06 Verified 版的存在。**

  **而正方引用官方「Veo 展现了对直觉物理的深刻理解」时，
    没有提同公司 Physics-IQ 的量化结果——这是本材料最不该出现的一种遗漏，
    因为反证就在同一家公司的官网上。**

  **★但不能顺势裁定「世界模型路线失败」。**
    控制性（Dreamer 已给正面证据）、物理一致性（Physics-IQ 给了负面证据）、
    迁移能力（**无公开对照实验**）是**三个不同的问题**，
    在其中一个上拿到负面结果，不构成对另外两个的判决。




  **见第九节 D1（Physics-IQ Verified 多帧档上的 Veo 3.x 分数，2027-06-30）。**
    该判据的阈值锚定在基准的**定义式参考点**（两次真实拍摄之间的差异 = 100 分），
    **不锚定榜首**，因此不会随榜单漂移。

    **★上一版的「Genie 3 迁移实验」已从预测表降级为观察项**：
    Genie 3 **没有公共训练接口**，外部团队原则上做不了这个实验；
    而且上一版把「没有人做过」当成了「有人做过但结果不好看」的证据，
    **这是本项目 1.1 明令禁止的推理方式**。

五、B 组 · 基础设施与商业（争议 3、12、11）

5.1 争议 3 · TPU 垂直整合是护城河

这一条不该被整体判定，因为正方的三层结构里，三层的证据类型完全不同：第一层是会计问题，第二层是工程能力问题，第三层是市场问题。

| | 第一层成本 | 省掉 Nvidia 的毛利。第三方情景估算内部 TCO 低约 44%，且正方自己已说明「这是线性收益」 | 这个线性收益会被通用硬件的代际跃迁部分吞掉：同一批第三方估算里，训练 TCO 优势从 GB200/v7 的 1.52× 缩到 VR200/v8 的 1.23× | 需收窄**「44%」必须标「第三方情景估算、非实测、有代际与时间限定」**

    表 14.6 · TPU 护城河三层结构的逐层处理。**整体判定会掩盖三层之间的巨大差异。**
      注意第三层的变化：**上一版写「反方赢」，本轮改为「并列未裁」**，
      因为「采用少」到「经济性不可外推」之间缺一条识别，而现有证人并非中立。






    正方写「 4 年**。

| | 为什么 Brain 与 DeepMind 会合并 | Jeff Dean，同上 | 2025-12-17 | 2.7–3.0 年 | 高

| | DeepMind「捂着不发」 | Thibault Sottiaux，WIRED | 2026-06-11 | 3.6–5.4 年 | 极高

| | Gemini 图像生成事故的成因 | Google 官方复盘 / CEO 内部信 | 2024-02 | 0.0–0.1 年 | 低

    表 14.9 · 时间戳审计表。这一列「间隔」是可机器复核的，
      **它是本章唯一一处不依赖任何解释就能得出的结构性发现。**





  **间隔的分布，与材料的叙事需求方向相反。**

  本表里**间隔最短的三条**——LaMDA 的十一轮评审、Demis 谈 Sparrow 为何延后、Gemini 图像事故的官方复盘——
    **全都指向「当时的东西确实没准备好」**。
    而支撑「我们本来就有、只是没发」的那一批（Tibo、Pichai、Brin、Jeff Dean 谈 2021 年），
    **间隔全在三年以上**。

  换句话说：**材料现有的核心叙事，恰好建立在后见之明风险最高的那一层证据上。**

  **★但这个发现的作用域要说清：间隔短不等于内容对，间隔长也不等于内容错。**
    这张表**不能用来判定哪个解释是真的**——它只说明一件事：
    **如果两组证言互相冲突，我们没有理由默认采信间隔更长的那一组，而材料默认采信了。**

  **唯一能打破这个结构的是同期文档。**
    Jeff Dean 提到的那份「一页备忘录」如果被公开，
    **就是本材料所有争议里价值最高的单一证据**——它是一份写于 2022 年 12 月的同期文件，
    不受任何后见之明污染。



### 8.3 第三条：幸存者偏差——先定义什么叫「失败」

**上一版直接引用了「社区维护的关停清单约 307 条」这个数，这是不可用的**——
  在定义「什么算失败」之前，这个数字既不能支持也不能反驳任何东西。
  下面这张表先做定义，第九节 D15 才能用它。

| | 结局类型 | 定义 | 算不算「失败」 | 为什么

| | 关停 | 产品停止服务，功能没有迁移到任何在售产品里 | 算 | 能力与用户价值真实消失

    表 14.10 · 「失败」的四类结局定义。**这张表存在的意义是：
      没有它，任何关于 Google 关停率的数字都是可以随口径调整的。**






    十三章里几乎每一章的主线都是一个成功案例的机制解释。
      **而同期 Google 失败的 AI 项目、被弃用的品牌、未兑现的路线，材料的覆盖密度低一个数量级。**
      这会系统性地高估「Google 的方法论」的有效性——
      因为我们只在成功的案例上追问了「为什么成功」，没有在失败的案例上追问「同样的方法论为什么没用」。

killedbygoogle按表 14.10 的定义重新分类之后，可核对的清单是这样的。 改名（不算失败）：Bard → Gemini。 合并 / 吸收（部分算）：Google Assistant 的能力被 Gemini 替代—— 这一类的成本主要落在既有用户与设备生态的迁移上。 关停（算）：社区维护的 Google 产品关停清单到 2026-07 累计约 307 条， 但这是全产品线、跨二十余年的累计数，不是 AI 产品数，也不是合并之后的增量（^[45]killedbygoogle.com，2026-07-25 快照：Apps 68 / Services 215 / Hardware 24）。 C+（社区维护，逐条可回溯官方公告）
```
      **★因此这个数字在本章只能用来说明「一份可回溯的清单存在」，
      不能用来说明任何关于 AI 产品的比率。**要得到可用的比率，还需要三件事：
      **①「AI 产品」的纳入标准；② 上线 cohort（哪一年上线的产品）；③ 完整分母（同期上线总数）。**
      **这三件事本轮没有做，因此本章不给出任何关停率。**
```
本章追问 · 非证据更该问、但材料从未问过的一个： Pathways 的原始愿景——「一个模型做所有任务」——兑现了多少？ 这不是产品关停问题，是路线兑现度问题，而它比任何关停清单都更能检验方法论。
项目内部档案 · 无外链中文私域语料的立场偏差有一份现成的清单。 本项目的中文语料档案已列出九条流行但站不住的说法，包括：「Noam Shazeer 徒手改了一个 bug 从此预训练就好用了」（受访者本人称「江湖也有传言」）、「布林回归后提交了多年来第一个 CL」（原文自述「据说」）、「马斯克点赞 Gemini 3」（标题与正文不符，正文只有 Sam Altman 的祝贺）等。 C
项目内部档案 · 无外链更隐蔽的一类偏差：中文标题会把条件式结论压缩成宿命论。 同一份档案记录了一个典型案例——某播客嘉宾的英文原意是条件式、可证伪的（「如果 AI 发展时间线足够缓慢，中国当然有能力大幅追赶」），中文标题把它包装成了零和的「死局」框架。 **引用中文源时必须区分「中文包装层」与「英文内容层」。**C

站内交叉观察 · 无外部断言中文媒体的选题偏好本身是一种结构性扭曲。 材料第 11 章已经观察到：中文分析往往把 Google 当作「中国大厂的组织样本」来写。这解释了为什么中文源在「组织与激励」这个维度上信息密度极高，而在「架构与公式」这个维度上几乎不产出一手内容—— 材料吸收中文语料时，会不自觉地继承这个权重分布。

  幸存者偏差的严重程度取决于一件事：**失败案例是否与成功案例共享同一套方法论**。
    如果 Google 关停的那些 AI 产品用的是完全不同的方法（例如纯产品驱动、没有研究支撑），
    那么它们的失败**不构成**对「Gemini 方法论」的反证。
    **而这一点材料从未检查过——这才是真正的缺口，比关停数本身重要得多。**




  必须补
    建议在总结章加一节「同一套方法论没有奏效的地方」，
    **并且必须先套用表 14.10 的四类定义**，至少覆盖：
    Pathways 原始愿景的兑现度、Assistant 到 Gemini 的迁移成本、
    以及合并之后新上线并已关停的 AI 产品（按 cohort 计，给出分母）。
    **不写这一节，材料就只是一份成功学；但写的时候如果不先定义失败，它就只是一份情绪清单。**




  **见第九节 D15。**该判据的完整形式必须包含表 14.10 的分类与分母，
    **否则「关停了几个」这个问题本身就是可以随口径调整的。**

8.4 第四条：本轮调研自身的偏差（对称适用）

如果只对一边用严格标准，这份材料就只是把偏见换了个方向。本章有五条系统性偏差，必须写出来：

★检索条件造成的不对称降级。本章的 A 级证据几乎全部来自学术论文与官方文档，而正方最有力的即时表态大量来自推文。由于 x.com 全站不可访问， Google 一侧的证据被系统性降级。 这会让本章读起来对正方不利，而这份不利有相当一部分是检索条件造成的，不是证据强度造成的。
「没有人做过 X」不可证实，而且本章上一版曾把它当成过证据。 本章多处写了「至 2026-07 未见公开发表」（MoE 三条关系的交叉验证、前沿规模的 RL 拟合参数、 Genie 3 的迁移实验、TPU 与 GPU 的同队对照）。这些只是在公开检索中没有找到，不等于不存在。 ★上一版从这里推出了「最简约的解释是有人做过而结果不好看」并主张举证责任转移—— 本轮整体删除。「没公开论文」不等于「实验做过且结果难看」，这是本项目 1.1 明令禁止的推理方式。正确的处理是：把这些登记为文献空白，说明「该主张目前缺少这一类支撑」，仅此而已。
反方立场者的利益结构同样要披露。 「现有范式不够」这个阵营在 2025–2026 已经高度商业化： LeCun、Chollet、David Silver、Ilya 各自创办了以「我们不做 LLM」为卖点的公司，合计融资数十亿美元。 但披露利益结构只是提示读者，不是对他们论证的反驳—— LeCun 的独立性假设是否成立，与他融了多少钱无关。
反方的可得性偏差。一个论断有没有反方，部分取决于它有没有得罪足够大的利益相关方。 TPU 有 Nvidia 当反方，长上下文有 RAG 生态当反方，AGI 时间表有整个学界当反方；而像「Pathways 的单控制器设计」「OCS 光路交换」这类没有商业对手的技术判断，几乎找不到任何反方文献。 反方证据的密度反映的是争议的商业热度，不是论断的脆弱程度—— 本章反方最薄的那几节，可能恰恰是最该被怀疑的地方。
★本章上一版的失败模式，本版可能仍有残留。 上一版把九条归因之争判成了事实之争。本版的处理是把它们全部退回「并列未裁」， 但「并列」本身也可能是一种偷懒——如果某一天出现了真正的识别策略（一个自然实验、一次政策断点、一份同期内部文档）， 继续并列就变成了拒绝更新。本章的并列是「当前证据下的并列」，不是永久中立。

九、★什么证据会分出胜负

这一节是本章最有价值的部分，因为它把材料从「评论」变成了「可检验的预测」。 但上一版在这里犯了一个数量上的错误：它把十七条全部称为「可判定预测」，而其中相当一部分不可判定。

独立 reviewer 对上一版十七条的复核结果是：**严格满足「主体 / 指标 / 阈值 / 日期」四要素的只有 7 条，真正能双向裁定其所声称的原命题的只有 1 条。**本轮按这个标准逐条重做，处置如下：

保留 12 条，其中无条件可判定 6 条（到期一定能判出结果）、 条件式可判定 6 条（判据清楚，但触发依赖第三方是否发布；不触发一律记未判定， 不得记为任何一方得分）。
降级 2 条为「文献空白登记」——它们的形式是「某实验至今没有人做」， 而「没有人做过」不是结果，它只说明某个主张目前缺少这一类支撑。

删除 3 条，因为改不成可判定的。宁可少三条，也不凑数。

**★另有一条贯穿全表的硬要求：阈值不得锚定在会漂移的快照上。**
  本项目已有两例同型失效：ARC-AGI-3 的 7.78%（2026-03 快照，四个月后该榜已到 30.16%）、
  GDPval-AA 的「落后 440 Elo」（锚定动态榜的当期榜首，而榜首本身会移动）。
  **本表的阈值一律锚定在定义式参考点或绝对数值上。**





  图 14-C · 十二条判据的到期倒计时
  横轴＝距事实冻结日 2026-07-25 的月数；颜色按争议分组；悬停看判据





  文字替代见下方表 14.11（内容完全相同，且带完整判据、阈值与作用域）。
  **本图只画保留的 12 条**；被降级与删除的 5 条见表 14.12，它们**不计分**。
  颜色：蓝＝技术判断、
  青＝基础设施与商业、
  黄＝科学与时间表、
  紫＝组织与元批判。

| | # | 类别 | 到期 | 争议 | 判据（谁 / 什么数字 / 什么阈值） | 它能裁定什么 · 不能裁定什么

| | D4 | 无条件 | 2026-12-31 | 6 | Demis 是否给出新的 AGI 中心值。三分法：①给出且落在 2029–2031 之外； ②明确重申 2029–2031；③不再给出任何中心值 | 能：①→锚点有证据驱动的更新机制。不能：③必须记未判定—— 不再报数与报同一个数是两件事，上一版把③算成正方失分，是错的

| | D5 | 无条件 | 2026-12-31 | 9 | Gemini 3.5 Pro 是否 GA（截至冻结日仍在 partner testing、已跳票） | 能：测发布节奏是否恢复。不能：跳票可由组织、技术、安全评审、商业时点中的 任何一个造成，不能验证争议 9 的任何单一归因

| | D6 | 条件式 | 2027-01-31 | 1 | METR 是否发布「人类时长匹配、判分方式一半程序化一半人工」的对照任务对， 且对照任务的定义须在发布前预注册。两组时长视界差 ** 4×**，中间区记未判定 | 能：把「反馈通道」与「任务时长」这两个共线假说分开一次。不能：不发布则完全不验证机制，记未判定

| | D7 | 无条件 | 2027-01-31 | 4 | 五个主流 agent 框架（Claude Code / Gemini CLI / Codex / Cursor / LangGraph）的 公开文档中，是否有任意两个把默认策略从「检索 + 压缩」改为「全量长上下文」。冻结日为 5/5 用前者 | 能：文档公开，到期一定可数。不能：默认策略受成本、隐私、UX 共同影响，它不是长上下文能力的纯读数

| | D1 | 条件式 | 2027-06-30 | 7 | 是否有任何团队发布 Veo 3.x 或 Genie 3 在 Physics-IQ Verified 多帧 video-to-video 档 的分数。阈值 ≥ 50 分——该基准把「同一场景两次真实拍摄之间的差异」定为 100 分，这是定义式锚点，不随榜单漂移 | 能：≥50 →「深刻理解物理」这句话站得住； 45%**（对照：3.1 Pro 26.3%，条件噪声地板约 15%） | 能：>45% → Pro 线的持平不是架构限制。不能：不能区分「优先级」「配方」「更难收敛」这三个竞争解释；模型卡不标同口径则记未判定

| | D8 | 条件式 | 2027-06-30 | 2 | 任一实验室在 ≥100B 激活参数规模上公开 RL 的 sigmoid 拟合参数 ((A,B,C_{\rm mid}))， 并报告留出集外推的相对误差。外推相对误差 ** 0，以及是否有任一分子完成 I 期并读出数据。查询式 query.spons=Isomorphic Labs | 能：登记库随时可查，到期一定有答案。不能：不覆盖以合作药企为 sponsor 的项目；I 期先于 II 期读出是试验设计决定的，不能证明「时延是主变量」

| | D12 | 无条件 | 2027-06-30 | 3 | Alphabet 10-Q 新设的「Product sales, primarily the sale of TPU systems」科目是否被单独披露金额；若披露，占 Cloud 营收是否 > 10% | 能：财报必发，到期一定可判。能测外售规模。不能：销售额不等于客户 TCO、毛利或生态通用性—— 战略性多元化采购与经济性无关

| | D13 | 条件式 | 2027-07-31 | 1 | Vending-Bench 2 的公开 SOTA 是否落在 Andon Labs 已发布的拟合线上（+$799/月，R²=0.96；外推至 2027-07 约 $20,500）。容差 ±25%：落在 $15,400–25,600 记为「在线上」；** 30% 且平均寿命 < 24 个月** | 能：给「激励结构是否改变」一个可复核的代理量。不能：关停率高也可能是产品实验节奏加快的正常结果； 而且分母需要人工建立 cohort，本章尚未建立

| | D16 | 无条件 | 2027-12-31 | 6 | Marcus–Brundage 赌局结算：十项固定任务里 AI 能完成几项，由双方事前约定的第三方评委小组裁定，金额已定（$2,000 / $20,000） | ★本表唯一四要素完整、且能双向裁定其所声称命题的一条。 第三方裁判、固定清单、明确阈值（8/10）、明确金额与日期。其中一项（几分钟学会任意新游戏）同时是争议 7 的判据

    表 14.11 · 保留的十二条判据。**「无条件」6 条、「条件式」6 条。**
      **最右一列是本表相对上一版最重要的改动**：每条都必须写明它不能裁定什么——
      上一版的失分点正是把「某个数字过了阈值」直接当成了「某个因果解释成立」。




### 9.1 被降级与删除的五条，以及理由

**这一小节存在的意义是：一份预测清单的可信度，取决于它是否愿意公开自己删掉了什么。**

| | 原 # | 原内容 | 处置 | 理由

| | D10 | 是否出现「在 Genie 3 里训练 → 在独立真实环境评测」的迁移实验 | 降级为文献空白登记 | 三重问题：① Genie 3 没有公共训练接口，外部团队原则上做不了； ② 只要求「出现实验」，没有迁移效果阈值； ③ 原文写「沉默本身就是证据」并主张举证责任转移， 这正是本章 1.1 明令禁止的推理方式，已一并删除

| | D2 | 把 Vending-Bench 2 与 ARC-AGI-3 移到「强验证器」一侧后重画第 8 章散点图 | 删除 | 「剩下的是不是一团噪声」没有统计定义（相关系数？拟合优度？阈值多少？）， 没有到期日，也没有指定执行人。它是一条工作建议，不是预测。 作为工作建议保留在 4.1 的正文里

| | D14 | Gemini app 的日活是否公开、是否超过 ChatGPT 日活 | 删除 | 「是否公开」首先测的是披露政策，不是事实。 而且各家 DAU 的统计口径（活跃定义、去重方式、是否含 API）并不统一， 即使都公开了也得不到一个可比的数

| | D17 | AMI Labs / Ineffable / SSI 三家是否拿出可复现的「可比系统」 | 删除 | 「可比系统」没有定义（可比什么？同参数量？同任务？同预算？）。而且原文写「全部沉默 → 反方的实证基础崩塌」—— 三家公司在两年内不发布产品，不能让 LeCun 关于误差累积的技术论证失效。这两件事之间没有逻辑关系

    表 14.12 · 被降级与删除的五条。
      **三条删除的共同点是：它们把「某件事没有发生」当成了「某个命题被证否」。**




### 9.2 观察清单（不计分）

下面这些值得跟踪，但**不满足可判定预测的要求**——或缺双向阈值，或阈值会随快照漂移，
  或它测的是别人的披露政策。**本章明确不给它们记分。**

| | 观察项 | 相关争议 | 为什么不能当判据

| | Gemini 系在第三方 API 路由平台（如 OpenRouter）上的月度 token 份额 | 9 / 11 | 单一平台，分母口径随周变化；且路由平台的用户结构不代表整体开发者市场

| | Google 环境报告里「电网接入排队时长」与「已签约未通电容量」 | 12 | 这两个口径目前不是年报固定项，是否披露由 Google 自行决定

| | Nebius / Lambda / CoreWeave 是否在季报中确认 TPU 部署容量 | 3 | 不披露既可能是没部署，也可能是不愿披露，缺一个「否」的判法

| | 是否出现第二家非 Google 系团队在 TPU 上训出前沿模型 | 3 | 「前沿模型」无固定门槛；且训练用什么芯片通常不公开

| | Google 是否再次拆分某条 AI 线（如 agent / 世界模型线独立） | 10 | 拆分与否受大量与本争议无关的因素影响，无法设阈值

| | Live API 的 half-cascaded 选项是否下线；下一代 Gemma 是否把 encoder-free 推广到全部尺寸 | 5 | 两者都是产品与工程决策，而争议 5 的核心是一个词的用法—— 用工程事件裁定价值之争是越界

| | 搜索反垄断救济执行细节落地后，分发协议的形态变化 | 11 | 法律过程，时间表不由技术决定，也没有一个能事前写死的阈值

    表 14.13 · 观察清单。**把它们从预测表里拿出来，不是因为它们不重要，
      而是因为混在一起会让「本章的预测命中率」这个指标失去意义。**




## 十、章末登记：反方入口、单点数据脆弱性、已知不确定性

### 10.1 反方入口索引（供其它章节链接）

其它章节的核心结论如果要挂一个「反方入口」，**请链接下表右列的锚点**。
  **这些 id 是稳定的，不随标题文字改变**——争议 1–12 分别是 `c1`–`c12`，
  争议 13（元批判）是整节，锚点为 `meta`。**没有 `c13`。**

| | 核心结论（各章） | 本章通过审查的反方版本（一句话） | 锚点

| | 能力边界 = 验证器边界（8 / 9 / 11 章主线） | 「有 / 无廉价验证器」的二分在自己的两个关键样本上失效；应改成四变量的效率框架，且两侧水位差的成因并列未裁 | §4.1 争议 1

| | RL 没有标度关系 / MoE 的 (N) 没有理论答案（6 章） | 前半句太绝对，已有局部经验拟合；后半句仍然成立，三篇给的是不同约束下的经验参数化，不是理论答案 | §4.2 争议 2

| | TPU 垂直整合是护城河（7 / 10 / 11 章） | 内部优势有实证；外部市场广度既未被证明也未被证否。三家云的证词有共同利益且出自同一篇报道 | §5.1 争议 3

| | 1M 名义 ≠ 1M 有效（6 章 B17 / 8 章 / 11 章） | 结论成立，但论据换成**「26.3% 距 8 针条件噪声地板约 15% 只有约 11 个点」**； 禁止写「墙 / 上限 / 物理瓶颈」 | §4.3 争议 4

| | 原生多模态是真架构（5 章） | 用 Gemini 1.0 报告的 “trained jointly” 直证即可；它不证明 encoder-free 或统一 tokenizer；剩下的是价值之争 | §4.4 争议 5

| | AGI 2030（2 / 4 / 10 章） | 不附门槛与概率时信息量低，但不是零；「受众不同」不是充分解释；「问责距离不同」不可证伪，建议删 | §3.3 争议 6

| | 世界模型通向理解（8 章） | 码本理由与 MuZero 关系两处原文要改；「必经之路」改回 “a key stepping stone”； 控制 / 物理 / 迁移是三个不同问题，不能互相反驳 | §4.5 争议 7

| | AI4S 的判据是验证成本（9 章） | 单变量「成本」应撤，但也不要换成单变量「时延」；统一为「目标对齐、可靠、可规模化的有效验证能力」 | §6.1 争议 8

| | Google 输的是发布阈值（1 / 2 / 4 章） | 它是一个因素，不是唯一因素。「只差按发布键」站不住；四个解释并列未裁 | §7.1 争议 9

| | 组织钟摆论（2 / 4 章） | 改成「看整合时点与激励结构，而不是看集中度」； 组织学仿真是竞争框架，不是对 Google 的裁决 | §7.2 争议 10

| | 分发即第五驱动（11 章） | 拆成触达 / 变现 / 训练反馈三件事：前两者成立，第三者未证； 不得写 ChatGPT「零分发资产」；排他分发已成监管负债 | §5.3 争议 11

| | 约束已从芯片变成电力（7 / 11 章） | 强版无证据，但 Google 内部并不存在口径冲突；弱版「time-to-power 是并列约束之一」成立 | §5.2 争议 12

| | 材料方法论的自我批判（全章） | 元批判必须保留；但不得用量化评分表，改用五维定性来源矩阵 | §八元批判

    表 14.14 · 反方入口索引。**只链接本表右列的版本**——
      本章上一版的部分表述已被独立审查判为越界，**不得再被引用**。




### 10.2 ★单点数据脆弱性登记表

本章有若干结论建立在**单点或易漂移的数据**上。
  **脆弱不等于错误，但脆弱的结论必须知道自己脆在哪，否则下次数据更新时没人知道该回头改哪里。**

| | V4 | Physics-IQ 相关的一切表述 | 29.5 是 2025-01 快照且未含 Veo；58.2±1.8 是 2026-06 Verified 多帧档榜首， 是动态榜 | 只要有人测了 Veo 3.x 或 Genie 3，本节全部数字都要重写。 另：Verified 版若调整归一化方式，两档之间的不可比性会改变

| | V11 | ARC-AGI-2 的人类侧口径与「92.5%」

          原标待核 · 本轮已核完
         | **已核清**：官方技术报告页**不发布任何平均个体准确率**，
          60% 与 66% 都是第三方派生数；官方只给「任务级 100%、每题约 9–10 人尝试、人均 2.3 分钟」。
          92.5% 绑定**特定 effort 档、约 \$1.44/题、半私有集**
         | ARC Prize 若首次发布平均个体准确率 → 可恢复使用该口径；
          或调整 verified 表的档位定义 → 92.5% 要重取。
          **在此之前「人类 60%」不得作为官方基线引用**

| | V12 | 「IMO 2026 出现 N 个 42/42」

          原标待核 · 本轮已核完
         | **已核清**：三个验证层级共 **6 个 42/42**（官方阅卷 2 / 自办 harness 3 / Lean 机器验证 1），
          另有 1 个 30/42 由 IMO 团队阅卷。**但这个结构本身只能取到 C 级**——
          [@src-572f71b507]IMO 官网没有 AI 成绩页，
          全部拆分依据来自一篇第三方分析（引 AFP）
         | **IMO 官方若开设 AI 成绩页，或任一方公布统一 harness 的复评 → 本表可升级到 A/B 级。**
          在此之前只能按层级分开写，**不给合并计数**

    表 14.15 · 单点数据脆弱性登记表。
      **最后一列的措辞刻意是「什么变化会让它需要重估」，而不是「它可能是错的」**——
      前者可以在数据更新时被机械地检查一遍，后者不能。




### 10.3 交付时仍未解决的问题

九条归因之争没有一条被裁定，本章也不认为它们能靠更多同类证据被裁定。 要裁定它们需要的是识别策略（自然实验、政策断点、同期内部文档），不是更多的引语。 这是本章最大的、也是无法在本轮内解决的局限。
反方证据的密度与论断的脆弱程度无关。 「Pathways 的单控制器设计」「OCS 光路交换」这类没有商业对手的技术判断，几乎找不到任何反方文献。 本章反方最薄的那几节，可能恰恰是最该被怀疑的地方，而本轮没有能力去补。
**没有做「反方的反方」。**例如 METR 的时长律作为验证器命题的竞争解释很有力，但本轮没有系统检索对 METR 方法论的批评（他们自己承认任务分布集中在可自动判分的领域）。 这一层如果做了，可能会发现两个假说的共线比本章写的更严重。
x.com 全站不可访问，造成系统性的不对称降级（见 8.4 第 1 条）。
本章十二条判据全部未到期。 本章的可信度，最终应当由它们到期后的命中率来评价，而不是由它读起来是否聪明来评价。 而按 9.1 的处置，其中六条是条件式的，很可能到期时记为「未判定」—— 这一点必须提前说清，否则到期后很容易被解释成「预测对了」。
Jeff Dean 那段「Code Red？我不会那么说」的说话人切分仍需人工听音复核。 自动字幕在该处有说话人切换标记，最连贯的读法是主持人问、他答，但自动字幕的说话人切分不可靠。（无论哪种读法，“I wouldn’t say that” 出自他本人是确定的。）

写完这一章之后，最该说清楚的是两件事，而它们指向相反的方向。

第一，「增加辩证思维」不等于「每条判断后面加一句『但也有人不这么认为』」。 那种写法看起来平衡，实际上是一种更高级的偷懒——它把裁决的责任推给了读者，而读者手上并没有这一章收集的证据。能裁的必须裁：本章在事实层做了十几处硬更正，包括删掉一个不存在的百分点、撤回一个并不存在的官方口径冲突、把一次论文更正放回它真正的对象上。

第二，也是本章上一版付出代价才换来的：辩证也不等于反转。 找到正方的缺口，不等于自己的解释就成了答案。上一版在四个地方越过了这条线，独立审查把它打回。这一版的做法是：能裁的裁到底，不能裁的明确写出为什么不能裁，然后停在那里。

停在那里是不舒服的。九个归因之争并列着，读起来远不如「真正的原因是 X」那么有力。但「真正的原因是 X」需要一个我们没有的东西——一个能把 X 单独变动起来的观测。在拿到它之前，把并列写成裁决，只是把一个单向论证换成了另一个单向论证。

最后一条，也是这一章存在的真正理由：前十三章告诉你 Gemini 是怎么回事；这一章告诉你，其中哪些部分你不应该照单全收，哪些部分连这一章自己也给不出答案，以及未来两年该盯着什么去自己下判断。

来源

关于本章的引用密度：本章的反方证据就地给出链接与可信度圆点，而不是集中堆在脚注区——反方证据的价值在于读者能当场点开核对。当前状态：81 条带「证据」角标的条目里，80 条就地有可点的外部链接（98.8%）；唯一的例外是一条指向本材料第 11 章的内部交叉观察，它不是外部断言。
```
 上一版的证据角标写的是形如 E1-2-1 的编号，并在此处声明它们
   「对应 05-counter-evidence.md 里的同号条目」。
   本轮逐条机器核对了全部 92 个编号，结果是：编号本身都存在于档案里，
   但其中约三分之一指向的是另一条内容。举三个实例：

   章内 E12-2-1 用于「Google TPU 博客的 binding constraint 原句」，
     档案里 E12-2-1 是「Pichai 的排序」；
   章内 E11-2-1 用于「反垄断救济」，档案里是「Pew Research 的点击率研究」
     （救济在档案里是 E11-2-3）；
   章内 E8-1-1 用于「『廉价』这个形容词选错了」这条论证，
     档案里是「FDA 的 AI 监管指南」。

 一个指错地方的索引比没有索引更糟——读者按编号去查，会查到一条无关的条目，
   然后合理地怀疑整章。因此本版把编号索引整体废弃：
   角标现在直接写来源本身（arXiv:2504.13837、eval_hub README、
   Andon Labs 官方……），并在同一条目内给出可点链接。
   角标即出处，不再需要二次查表。
 顺带清掉的另一处标注错误：上一版有 9 条本章自己的论证被戴上了「证据」角标
   （例如「『廉价』这个形容词选错了」「时延也解释不了全部」「延迟外发造成路径依赖」）。
   把作者的推理标成证据，是一种会误导读者的标注，
   它们已改为 本章论证 · 非证据 等明确标记；
   另有 2 条只指向项目内部档案的改为 项目内部档案 · 无外链，
   1 条明令禁用的传闻改为 传闻 · 禁止使用。
```
本轮把「证据角标」逐条转成了可点的就地外链，唯一外链数从 52 增加到 101 （其中 3 条是同一段视频的时间戳深链变体，因此不同资源为 98 个），全部 98 个资源重新逐条实测（跟随重定向、桌面 UA、同 host 间隔 ≥1 秒）。 关键结论：仍然没有 404。

| | 状态 | 数量 | 说明

| | 正常返回 | 85 | 全部 arXiv（19 篇）、Andon Labs、eval_hub README、Google 官方博客与模型卡（8 条）、 PyTorch/XLA 官方文档、Anthropic 官方公告、DOJ、Pew、IEA、国家能源局、 Alphabet 财报 PDF、Isomorphic 官方公告（2 条）、C&EN、诺奖委员会 PDF、MIT 官方声明、 killedbygoogle、三位具名前员工的博文、ARC Prize（2 条）、IMO 官网、以及 Silver & Sutton PDF 的两个地址

| | 反爬 / 需登录 / 限流 | 10 | NYT、Reuters、DataCenterDynamics、time.com、pubs.acs.org、 eScholarship、vetta.org（7 条出版商或媒体的反爬，浏览器可读）； YouTube 3 条在密集请求下持续 429（限流，不是失效）。 这些不是稳定的「一跳可核」证据，引用它们的段落应视为低一档

| | 本机 TLS 无法建立连接 | 3 | dwarkesh.com 的三篇官方逐字稿（Sutton、Ilya、Terence Tao）。 失败在 TLS 握手层（SSL_ERROR_SYSCALL），不是 404—— 与本项目已记录的「x.com 全站不可访问」同类，是检索环境问题。 这三条支撑本章三段重要引语，本轮仍无法从本机复核，继续显式披露

| | 404 / 失效 | 0 | —

      表 14.16 · 外链实测（第二轮）。**「没有 404」不等于「每条都可核」**——
        中间两类共 13 条不是稳定的一跳证据。
        **另一条实测纪律**：密集扫描会制造假失败（GitHub、YouTube、Search Engine Journal
        在批量扫描中报 429/000，间隔数秒单独重试即恢复 200），**不要用批量结果直接判一个链接死了**。




  **★还有一条不产生链接、但必须说清的**：本章有 **9 条**内容是作者自己的论证而非第三方证据
    （已标 本章论证 · 非证据），另有 2 条只指向项目内部档案、
    1 条是明令禁用的传闻。**它们没有外链是正确的，不是缺口**——
    给自己的推理配一个外部链接，等于把推理伪装成证据。

  **★一处必须留给后续 agent 的警告**：本章的
    `Era-of-Experience%20/` 这个路径里，**那个 `%20`（URL 编码的空格）是必需的**——
    DeepMind 那个目录名结尾真的有一个空格。**项目档案里此前记录的路径漏了它，因此是 404。**
    **如果有人「顺手把这个奇怪的 %20 清理掉」，链接会立刻再次失效。**
    本章同时给了 Sutton 本人站点的镜像（同一文件，字节数一致）作为兜底。





    ← 总览
    上一章：金句库
    相关：2025–2026 前沿对照



    Gemini 认知体系全景 · 材料时间边界 2021.01 – 2026.07 · 事实冻结 2026-07-25



    本章中，正文为有出处的事实陈述；**紫色「本质洞察」**与**橙色「批判 / 局限」**为作者判断；
    **青色「⚖ 反方」**装的是业界真实存在的反方主张与证据，每条都带链接与可信度标记。
    引语标「转述」者非原话，标「译文」者以英文原文为准。
    图 14-A 与图 14-B 的坐标是作者的主观打分，不是测量值，请连着配套表格一起读。

参考来源

[1]https://www.youtube.com/watch?v=OEuh89BWRL4（在新窗口打开）www.youtube.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[2]https://blog.samaltman.com/three-observations（在新窗口打开）blog.samaltman.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[3]https://arxiv.org/abs/2311.02462（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[4]https://www.nytimes.com/2025/05/23/podcasts/google-ai-demis-hassabis-hard-fork.html（在新窗口打开）www.nytimes.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[5]https://andonlabs.com/evals/vending-bench-2（在新窗口打开）andonlabs.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[6]https://arcprize.org/results/openai-gpt-5-6（在新窗口打开）arcprize.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[7]https://arxiv.org/abs/2504.13837（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[8]https://arxiv.org/html/2507.14843v1（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[9]https://arxiv.org/abs/2403.09472（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[10]https://arxiv.org/abs/2312.09390（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[11]https://arxiv.org/abs/2305.20050（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[12]https://www.nber.org/papers/w34255（在新窗口打开）www.nber.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[13]https://www.nber.org/system/files/working_papers/w34255/w34255.pdf（在新窗口打开）www.nber.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[14]https://metr.org/blog/2025-07-14-how-does-time-horizon-vary-across-domains/（在新窗口打开）metr.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[15]https://arxiv.org/abs/2510.13786（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[16]https://arxiv.org/abs/2607.16097（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[17]https://arxiv.org/abs/2202.01169（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[18]https://arxiv.org/abs/2502.05172（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[19]https://arxiv.org/abs/2501.12370（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[20]https://www.youtube.com/watch?v=1yvBqasHLZs（在新窗口打开）www.youtube.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[21]https://arxiv.org/abs/2404.10102（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[22]https://arxiv.org/abs/2305.16264（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[23]https://arxiv.org/abs/2502.08606（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[24]https://github.com/google-deepmind/eval_hub/blob/master/eval_hub/mrcr_v2/README.md（在新窗口打开）github.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[25]https://deepmind.google/models/model-cards/gemini-3-6-flash/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[26]https://deepmind.google/models/model-cards/gemini-3-5-flash（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[27]https://www.anthropic.com/news/claude-opus-4-6（在新窗口打开）www.anthropic.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[28]https://deepmind.google/models/model-cards/gemini-3-1-pro/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[29]https://deepmind.google/models/model-cards/gemini-3-pro（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[30]https://deepmind.google/models/gemini/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[31]https://arxiv.org/abs/2409.12640（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[32]https://arxiv.org/abs/2406.13121（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[33]https://arxiv.org/abs/2407.16833（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[34]https://arxiv.org/abs/2312.11805（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[35]https://developers.googleblog.com/en/experiment-with-gemini-20-flash-native-image-generation/（在新窗口打开）developers.googleblog.com · 访问于 2026-10-18权威媒体 · 非本人原话↩
[36]https://blog.google/innovation-and-ai/technology/developers-tools/gemma-4/（在新窗口打开）blog.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[37]https://arxiv.org/abs/2607.02770（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[38]https://arxiv.org/abs/2402.15391（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[39]https://arxiv.org/abs/1911.08265（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[40]https://deepmind.google/blog/genie-3-a-new-frontier-for-world-models/（在新窗口打开）deepmind.google · 访问于 2026-10-18权威媒体 · 非本人原话↩
[41]https://arxiv.org/abs/2501.09038（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[42]https://arxiv.org/abs/2411.02385（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[43]https://arxiv.org/abs/2301.04104（在新窗口打开）arxiv.org · 访问于 2026-10-18权威媒体 · 非本人原话↩
[44]https://cmsa.fas.harvard.edu/media/lecun-20240328-harvard_reduced.pdf（在新窗口打开）cmsa.fas.harvard.edu · 访问于 2026-10-18权威媒体 · 非本人原话↩
[45]https://killedbygoogle.com/（在新窗口打开）killedbygoogle.com · 访问于 2026-10-18权威媒体 · 非本人原话↩

一、怎么读这张地图

1.1 两条硬约束，以及上一版越界的四个位置

1.2 三类分歧：处理方式完全不同，而且必须逐层拆