TL;DR：
前OpenAI核心研究员Kevin Lu的离职，及其“真正推动AI进步的是互联网而非模型架构”的论断，揭示了AI发展正从算力与模型红利转向数据与生态驱动的新范式。这不仅是技术路线之争，更深远地预示着AI商业化路径的重塑、AGI伦理对齐的复杂性，以及未来智能体与人类文明交互的深层演进。
OpenAI人才流失的潮汐中，前GPT-4o mini华人领队Kevin Lu的离职，并在由前OpenAI CTO Mira Murati创立的AI新星Thinking Machines Lab获得惊人的20亿美元早期融资（估值120亿美元）的背景下加盟，无疑为AI产业投下了一颗重磅石子。然而，更具深远意义的，是他抛出的核心论点——“真正推动AI进步的不是模型架构，而是互联网”1。这一观点不仅挑战了长期以来业界对AI核心驱动力的认知，更从技术、商业、社会和哲学层面，重新定义了我们对AI未来走向的理解。
技术思辨：从“计算受限”到“数据受限”的范式跃迁
Kevin Lu的洞察直指AI发展的核心瓶颈。他指出，尽管Transformer等架构创新带来了AI的飞速进步，但当前的AI领域已然从“计算受限”（compute-bound）阶段迈入“数据受限”（data-bound）阶段。在计算受限时期，更高效的模型架构（如早期Transformer优于RNN/CNN）能带来显著性能提升；然而，进入数据受限阶段，模型的“见识”受限于可获取数据的广度与深度，单纯的架构优化效益递减，甚至可能“在给定训练算力下，训练一个Transformer往往能得到更优性能”1。
“与其反复抠架构，不如扩大、丰富、贴近现实的数据来源（如互联网）与数据消耗方式，否则模型始终‘见得少、懂得少’。”1
他将“互联网”视为实现AI模型规模化扩展的关键技术。互联网提供了海量的、按序相关的数据，天然适配“下一个token预测”（NTP）范式，二者形成了一种“对偶”关系。从AlexNet对ImageNet的“消化”，到GPT-2学习互联网文本，再到GPT-4o等原生多模态模型吸收互联网的图像与音频，每一次AI里程碑式的进步，本质上都是在开辟新的数据消耗途径。这表明，数据不仅仅是模型的“食粮”，更是定义其能力边界和涌现特性的核心要素。
商业敏锐：人才的流动与AI独角兽的投资逻辑
Kevin Lu的加盟，以及Thinking Machines Lab高达120亿美元的早期估值，清晰地描绘了当前AI产业的商业热度与投资逻辑。这并非孤例，而是OpenAI“人才外溢”效应的缩影。据统计，从OpenAI出走的核心成员已催生了至少七家估值不菲的独角兽公司，包括Mira Murati的Thinking Machines Lab、Ilya Sutskever的SSI（估值320亿美元）2、AI搜索引擎Perplexity、AI助手Adept AI Labs以及AI客服Cresta等2。
这种人才的流动与新公司的崛起，反映了资本市场对AI核心人才及其前瞻性技术路线的押注。Thinking Machines Lab专注于构建支持“人类-AI协作”的模型和产品2，这与Kevin Lu强调的“用户持续供数”以及“产品与研究协同设计”的理念不谋而合。投资方如a16z、英伟达、AMD等的入局，不仅仅是看重技术潜力，更看到了围绕“数据飞轮”和“产品市场契合”（PMF）构建新型商业模式的巨大潜力。未来的竞争，将不再是单纯的模型参数竞赛，而是谁能更高效、更具创新性地获取、处理和利用“行星级”数据，并将其转化为用户价值。
社会影响：互联网作为AGI的“底座”与伦理平衡
Kevin Lu的观点为AGI的社会影响和伦理治理提供了全新视角。他将互联网比作“人类的映射”，一个去中心化、多样化的知识源泉。这种“行星级”的数据不仅蕴含了人类广博的知识、文化模因和低资源语言，更关键的是，它呈现了一种“天然课程”，通过用户持续贡献与互动形成。
更为深刻的是，互联网的这种多样性，对于AI的“对齐”（Alignment）至关重要。Kevin Lu引用的研究表明，为了训练出“对齐”的模型，必须同时在对齐与未对齐数据上进行预训练，因为预训练会学习到二者之间线性可分的方向。例如，包含10%有毒数据并进行人工引导的模型，反而比纯净数据训练的模型更“不毒”1。这提供了一个颠覆性的伦理思考：移除所有“不良”数据可能导致模型无法理解“什么是错的”，从而无法真正实现与人类价值观的对齐。
因此，互联网的管理者（即产品“管家”）对AGI的设计举足轻重。若削弱互联网的多样性，或随意删除数据，AGI中可能被抹去整个亚文化。这提示我们，AGI的“善恶观”和“世界观”将直接受到其训练数据源的塑造，而互联网的开放性与包容性，是未来AGI实现普惠性智能的关键。
未来展望：强化学习的“对偶”探索与AI范式演进
Kevin Lu的论述也抛出了一个悬而未决的问题：如果说互联网是“下一个token预测”的完美“对偶”，那么“**强化学习”（RL）的“对偶”又是什么？**目前，RL在游戏、自动售货机、用户留存/利润/参与度优化等狭窄领域显示出巨大潜力，但如何将其“升格”为一种多样化、可扩展的奖励宇宙，从而引发范式级跃迁，仍是AI研究面临的巨大挑战。
这暗示了AI领域的下一个重大突破，可能不再是单纯的算法或模型架构创新，而是围绕强化学习打造具备“多样性、天然课程、产品市场契合、经济可行性”特性的全新“产品”和数据生态。这意味着未来的AI研究将更紧密地与现实世界的产品应用结合，通过产品交互产生可规模化、高质量的奖励信号。
总之，Kevin Lu的观点代表了AI领域一种重要的范式转移。它促使我们从仅仅关注模型内部机制，转向更宏观地审视数据作为核心资源、互联网作为“行星级”训练场、以及产品作为数据收集和价值实现载体的全链路生态。未来的AI发展，尤其是通往AGI的道路，将是技术、商业、社会、伦理多维度深度融合的产物，其形态和能力将由我们今天如何构建和管理互联网这一“人类数字映射”所决定。