Epoch AI（非盈利 AI 研究机构）的一项分析表明，AI 行业可能无法长期从推理 AI 模型中获得大幅性能提升。报告发现，推理模型的进展可能最快在一年内出现放缓。
例如 OpenAI 的 o3 等推理模型在近几个月内在 AI 基准测试中取得了显著进步，特别是在测评数学和编程技能的测试中。这些模型能够将更多计算资源 (computing) 应用于问题，从而提升性能，但缺点是完成任务所需的时间比传统模型更长。
推理模型的开发流程是先利用海量数据训练一个传统模型，然后应用称为强化学习 (reinforcement learning) 的技术，该技术能有效为模型在解决难题时提供 “反馈” 。
据 Epoch 指出，截至目前，像 OpenAI 这样的前沿 AI 实验室尚未在推理模型训练的强化学习阶段投入大量计算资源。
情况正在改变。OpenAI 表示，在训练 o3 时所使用的计算资源大约是其前身 o1 的 10 倍，Epoch 推测这其中的大部分计算资源都用于了强化学习。OpenAI 研究员 Dan Roberts 最近透露，公司未来计划将强化学习作为优先方向，投入的计算资源将远超初始模型训练所需的量。
不过，据 Epoch 称，在强化学习中可投入的计算资源仍然存在上限。
根据 Epoch AI 的分析，推理模型训练的扩展可能会放缓
图片来源： Epoch AI
Epoch 分析师及该报告作者 Josh You 解释说，传统 AI 模型训练带来的性能提升目前每年大约提升四倍，而强化学习带来的性能增长在 3 到 5 个月内可实现十倍增长。他进一步指出，推理训练的进展 “很可能在 2026 年与前沿水平趋于一致”。
Epoch 的分析基于若干假设，并部分采纳了 AI 公司高管的公开评论。但分析也论证了，推理模型的扩展可能因除计算资源以外的原因而面临挑战，其中包括研究所需的高昂固定成本。
Josh You 写道：“如果研究需要持续的固定开销，推理模型可能无法按照预期大幅扩展。快速扩展计算资源可能是推动推理模型进步的一个非常重要因素，因此值得密切关注。”
任何迹象表明推理模型在不久的将来可能达到某种上限，都可能让已在这类模型研发上投入巨大资源的 AI 行业感到担忧。研究已表明，虽然推理模型的运行成本极高，但它们存在严重缺陷，例如比某些传统模型更容易产生误导性信息。
