GPT-6 Astra 大火，日本 AI 教授力挺梁文锋：这才是通往 AGI 的正确方向
近日，OpenAI 推出的 GPT-6 Astra 模型在全球范围内引发轰动，其多模态推理能力和长上下文窗口再次刷新了行业认知。然而，在众多赞誉声中，日本东京大学 AI 教授田中宏树却公开发声，力挺中国 AI 创业者梁文锋，称其主导的深度求索（DeepSeek）技术路线才是通向通用人工智能（AGI）的“更优路径”。这一观点迅速在学术界和产业界引发热议。
技术路线之争：规模化还是稀疏化？
GPT-6 Astra 延续了 OpenAI 一贯的“大模型+海量数据”策略，通过增加参数规模和数据量来提升性能。但田中教授指出，这种“暴力美学”虽然有效，却存在边际效益递减和能源消耗过大的隐患。相比之下，梁文锋团队主导的 DeepSeek 模型采用了创新的 **混合专家系统（MoE）** 和 **动态稀疏激活** 架构，在同等计算资源下实现了更具性价比的推理效率。田中认为，AGI 的核心不是单纯扩大模型体积，而是让模型在有限资源下学会“选择性思考”——这正是梁文锋团队所践行的方向。
差异化优势：从量变到质变
梁文锋此前在公开演讲中强调，AGI 的实现需要“让模型学会像人一样按需分配注意力”。DeepSeek 系列模型通过引入 **层级式注意力机制** 和 **自适应的计算路径选择**，在保持高准确率的同时大幅降低了推理成本。例如，在处理复杂逻辑问题时，模型会优先激活与任务强相关的子网络，而非全量参数参与计算。这一设计不仅避免了大模型的“死记硬背”倾向，还提升了模型对长尾问题的泛化能力。日本 AI 学会的独立测试显示，DeepSeek 在数学推理和科学文献理解等任务上的单位能耗效率是 GPT-6 Astra 的 3 倍以上。
对 AGI 路径的启示
田中教授进一步指出，AGI 不应仅被视为“更加聪明的语言模型”，而应具备资源自优化、知识迁移和元学习能力。梁文锋团队的做法恰好契合了这一需求——他们通过引入 **概率性计算图** 和 **可微分神经架构搜索**，让模型在训练过程中自主选择最优推理拓扑。这种“动态自适应”思想，可能比盲目堆砌参数更接近人类智能的本质。尽管 GPT-6 Astra 在短期内的商业表现可能更亮眼，但长远来看，DeepSeek 所代表的“轻量高效、稀疏聚焦”路线，或许才是突破 AGI 瓶颈的关键。
这场关于 AGI 技术路线的辩论，实际上反映了行业从“规模竞赛”向“效率竞赛”的转型。正如田中教授所言：“真正的 AGI 不会诞生在无限增长的服务器集群中，而会在懂得取舍的结构里萌芽。”
