大概從去年開始吧，每隔幾週，你的社群媒體就會被一張新的雷達圖或是長條圖刷屏。圖表上的曲線像吃了類固醇一樣往上衝，標題大同小異：某某開源模型在某個聽起來很權威的基準測試裡，終於把 GPT-4 踢下了神座。你看著那些 MMLU、GSM8K 的分數，高得讓人以為通用人工智慧（AGI）明天就要來敲門送快遞了，但當你真的興沖沖地下載權重，在本地跑起那個號稱「超越歐美頂尖水準」的神器時，問它一個稍微需要轉個彎的邏輯問題，它回給你的往往是一堆華麗的廢話，或是那種充滿教科書氣息的標準爛答案。
這就是我們現在的處境：一場集體性的數據自嗨。
大家好像都忘了，GPT-4 是一個快要兩歲的老傢伙了。在矽谷這種地方，兩年幾乎等於一個地質年代。但這老傢伙至今還是所有人的假想敵，這件事本身就很荒謬。那些開源新秀們——不管是 Meta 家的 Llama，還是 Mistral，甚至是最近滿天飛的 DeepSeek 或 Qwen——它們最擅長的事情不是思考，而是「考試」。現在的開源界已經摸索出了一套完美的刷分標準作業程序：只要在訓練集中精確地塞進去類似測試題目的語料，或者乾脆用 GPT-4 生成的答案來餵養自己的小模型，分數自然會漂亮得像整容過的網紅臉。這叫知識蒸餾，聽起來很高大上，說穿了就是一種高級的抄襲。你抄了尖子生的答案，然後在模擬考裡拿了高分，這真的代表你比尖子生更聰明嗎？
我們來聊聊什麼叫真正的「好用」。你在用 Claude 3.5 Sonnet 寫代碼的時候，那種它能預判你工程結構的靈氣，是看分數看出來的嗎？你在跟 Gemini 丟進去幾十萬字的技術文檔，要求它找出隱藏在邊角料裡的邏輯漏洞時，那種穩定性是靠刷 MMLU 刷出來的嗎？開源模型現在最致命的問題就在於，它們在「已知領域」表現得無懈可擊，但在「未知邊界」卻像個剛學會走路的孩子。只要你的指令稍微模糊一點，或者你的需求不在那堆被過度優化的訓練數據裡，這些開源英雄們就會開始胡言亂語，或者陷入無限重複的怪圈。
很多人喜歡吹捧開源的自由，說這是在打破 OpenAI 的黑箱壟斷。這種情懷我很欣賞，但情懷不能幫你寫出不出 Bug 的後端邏輯。現在的情況是，OpenAI 和 Anthropic 這些巨頭在前面開山闢路，踩了一腳的坑，然後把路平整好了，後面的開源模型跟著腳印走。跟著別人的腳印走，當然能走得很快，甚至能跑起來，但這不叫進化，這叫優化。進化是需要代價的，是需要像 Google 那樣在多模態理解上摔得鼻青臉腫後才換來的原生能力。
說到這裡，我倒是很懷疑那些所謂的「國產之光」。每次看到新聞稿說某個模型在中文語境下超越了 GPT-4，我都在冷笑。在中文語境下贏過一個連註冊都要翻牆、根本沒打算優化簡繁體差異的模型，這到底有什麼好驕傲的？這就像是一個成年人跑去幼稚園參加大隊接力，拿了第一名還要發通稿慶祝。這種競爭格局本身就是一種降維打擊的幻覺。
更諷刺的是，現在的開源模型越來越像是在玩一場「參數遊戲」。大家都在比誰的參數更精簡、誰的推理成本更低，卻很少有人在討論誰的推理「鏈條」更深。當你需要一個 AI 幫你處理複雜的金融決策，或者設計一個跨學科的科研實驗時，你會把任務交給一個在 Hugging Face 榜單上排名第一、但實際跑起來像個覆讀機的開源模型，還是交給那個貴得要死、回話慢得要命、但真的能聽懂你人話的 GPT-4o 或 Claude？
這圈子最讓人反感的一點，就是把技術演進簡化成了數字競賽。這讓我想起了當年的智慧型手機界，大家都在比跑分，比誰的核心多，結果最後大家還是去排隊買 iPhone。因為使用者不傻，跑分是給投資人看的，體驗才是給自己用的。現在的開源 AI 就像是裝了八個核心卻連滑動都會掉幀的山寨機，它在某些特定場景下確實能打，比如簡單的翻譯或是格式轉換，但一旦進入需要「智力密度」的深水區，它就原形畢露了。
別跟我提什麼「開源終將戰勝閉源」的民主神話。在算力即權力的時代，這純粹是自我安慰。Meta 為什麼開源 Llama？因為它在生態位上落後了，它需要利用全世界的開發者幫它免費打工、優化推理框架，好讓它能反過來在硬體和廣告業務上獲利。這是一門精明的商業算計，不是什麼普渡眾生的慈善事業。當你以為你在享用免費的午餐時，你其實只是在幫 Zuckerberg 測試他的伺服器穩定性。
我們正在經歷一個「AI 泡沫化」的階段。這個泡沫不是指錢，而是指「智慧」。我們產出了太多的模型，卻產出了太少的洞察。每個新模型發布時的口氣，都好像它們已經掌握了宇宙的真理，但實測下來，它們連分辨「三個人有幾個眼睛」這種腦筋急轉彎都還會翻車。這種斷層感，就是我說的集體幻覺。我們太渴望看到挑戰者出現，以至於我們願意忽視那些明顯的破綻。
如果你真的在生產環境中使用過這些東西，你就會發現，四大平台（ChatGPT、Claude、Gemini、Grok）之所以是四大，是因為它們在應對極端情況（Corner Cases）時的韌性。開源模型在面對超過 32k token 的上下文時，那種注意力涣散、隨口編造數據的毛病，至今沒有一個能真正解決。這不是靠堆顯卡或是換個訓練架構就能搞定的，這涉及到對數據質量的底層理解，以及那種只有燒過幾億美金才能換來的「神經網路直覺」。
所以，別再拿那些測試分數來跟我抬槓了。下次當某個新秀宣稱它超越了 GPT-4，先問問它：它能連續跟我對話三十個回合而不忘記我在第五回合提到的那個變量嗎？它能在不被提示的情況下，識別出我語氣裡的諷刺嗎？如果不行，那它就只是個稍微聰明一點的計算機，而不是我們所期待的那個能夠與靈魂對話的鏡像。
這場關於開源與閉源的戰爭，從來就不是在比誰的分數高。這是一場關於「真實」與「偽裝」的對峙。開源模型正在努力偽裝得像個天才，而閉源巨頭們則在努力定義什麼才是真正的天才。在這種錯位的競爭中，所謂的「超越」不過是場路邊的馬戲團表演。你看得過癮，拍手叫好，但結束後你還是得回到現實世界，處理那些雜亂無章、充滿噪音、沒有標準答案的真正難題。而那時候，你會發現，那些神壇上的新秀們，安靜得像個裝飾品。
那些整天在論壇上喊著「GPT-4 已死」的人，大概從來沒試過讓 AI 幫他們解決過真正的生存危機。他們只是喜歡那種「屠龍者」的故事感。可惜，現實生活中的惡龍依然盤踞在奧特曼（Sam Altman）的伺服器陣列裡，而那些宣稱拿著神劍的英雄們，手裡的劍大概是塑膠做的，只不過塗了一層看起來很亮的金漆。
這不是進步，這只是在原地踏步時，動作做得特別大而已。我們都在等那個真正的變革者，但很遺憾，它肯定不是出現在下一張精美的測試榜單上。在那之前，所有的驚艷都只是幻覺，所有的數據都只是裝飾。如果你還在為那些跳動的數字感到興奮，那我只能說，你對「智慧」的理解，可能還停留在小學三年級的期末考試。