杨植麟是在贬低OpenAI吗？AI泡沫真要破灭了吗？

2026年7月，月之暗面CEO杨植麟的一段公开发言在人工智能行业激起千层浪。他直言“OpenAI没有发明任何新东西，只是把世界上已有的技术组合在了一起”。这番言论迅速被媒体冠以“拆穿美国AI神话”的标题传播开来。

问题在于：杨植麟是在贬低OpenAI吗？如果只看新闻标题，答案似乎是肯定的。但如果深入技术演变的脉络，我们会发现这并非简单的商业舆论对攻，而是一次对AI发展底层叙事的冷静拆解——其矛头所指，并非OpenAI这家公司本身，而是围绕美国AI所构建的一套“技术神话”话语体系。

“OpenAI没有发明新东西”：一个科学技术史实的陈述

杨植麟的核心论点并不复杂：OpenAI所使用的底层技术，几乎全部来自外部。

Transformer架构来自Google 2017年的论文《Attention is All You Need》；人类反馈强化学习（RLHF）是DeepMind和其他学术机构早已探索的方向；海量算力依赖英伟达的GPU；训练数据来自互联网公开信息。从这个角度看，OpenAI的确没有造出“新轮子”，而是把别人造的轮子、发动机和沙发一起拼成了“第一辆能跑的汽车”。

这一判断并非杨植麟首创。早在2023年ChatGPT引爆全球关注之际，国内就有多位技术负责人表达过类似观点。中国科学院自动化研究所人工智能伦理与治理中心主任曾毅在当时明确指出：“ChatGPT是工程技术的组合式创新，它展示了语言工程的进步与用户交互体验的显著提升”。清华大学张亚勤也谈到，大模型已经做了多年，2020年GPT-3的出现可以算是大模型的第一次成功，ChatGPT“第一次有一个界面让普通用户使用”。

这些来自不同背景的专家在2023年得出的判断，与杨植麟在2026年的说法高度一致——ChatGPT及其背后的技术路线，本质上是工程集成而非基础科学突破。用杨植麟的话说，从“基础科学突破”角度看，OpenAI确实没有发明新物理定律或新数学公式。

但这并不意味着OpenAI的成就无足轻重。“组合”这个动作本身就是一种难得的创新——把几万张GPU连起来稳定跑几个月不崩盘，是系统级工程奇迹；把RLHF调教得让AI“像人话”而不是胡言乱语，是算法工程绝活。正如有人打的那个比方：iPhone没有发明触摸屏、没有发明CPU、没有发明操作系统，但把三者组合成“滑动解锁”的那个瞬间，就是划时代创新。

从“智能魔星”到ChatGPT：一条被低估的技术长河

要理解杨植麟说法的深层含义，还可以回顾一下生成式人工智能的技术演变历程。生成式AI的理论基础最早可追溯至20世纪50年代。1950年，图灵提出了著名的“图灵测试”，预示了AI内容生成的可能性。1957年，计算机完成了历史上第一首完全由计算机“作曲”的音乐作品。随后几十年间，马尔可夫链、隐马尔可夫模型等概率模型为生成式模型奠定了理论基础。

2012年深度学习的技术路线得到了认可。及至2017年，更是一个关键转折点。Google发表了Transformer架构论文，通过自注意力机制更新了语义间分词的关系描述，开辟了自然语言处理的新计算逻辑。2018年，首批基于Transformer的GPT和BERT相继发布。此后，大模型的发展进入快车道。

但在公众视野之外，中文聊天机器人的探索要早得多。笔者的个人经历可以作为一个微观注脚：2012年左右，一款名为“智能魔星”的软件已经在展示人工智能在聊天机器人领域的应用。根据当时的用户记录，“智能魔星”的功能包括：上网自动搜索问题并找回答案、记住用户描述的信息、对已知信息进行整合推理并给出答案。其核心目标是让机器人具备一定的学习能力和交互性。尽管以今天的标准来看，“智能魔星”的技术能力相当初级，但它在十多年前就已经触及了今天大模型所追求的若干核心方向——信息检索、记忆、推理与问答。

这说明一个事实：生成式AI的技术演进是一条漫长的、多方参与的渐进之路，而非某个天才团队在某个时刻的灵光一现。Transformer不是OpenAI发明的，RLHF不是OpenAI首创的，大规模分布式计算的基础设施更不是OpenAI搭建的。OpenAI的真正贡献在于：它第一个把所有这些“零件”以正确的方式组合在一起，并在足够的规模上验证了这条路径的可行性。

“语言即世界”：维特根斯坦哲学的工程实现

如果说杨植麟的发言只是重复了“ChatGPT是工程组合”这个已有共识，那它不会引发如此大的波澜。真正值得深究的，是OpenAI成功背后两个更深层的意义——而这恰恰是杨植麟“拆穿神话”这一表述的真正靶心。

第一个深层意义：维特根斯坦“语言即世界”哲学的成功。

路德维希·维特根斯坦在1921年的《逻辑哲学论》中写道：“世界即所发生的一切。”他进一步提出，“我的语言的界限意味着我的世界的界限”——这就是著名的“语言即世界”命题。

这一哲学命题在21世纪被AI以意想不到的方式“验证”了。当GPT-4突破万亿参数规模时，其语言生成能力已触及维特根斯坦“语言界限即世界界限”的哲学命题。有学者指出，维特根斯坦的“语言即世界”命题为AI语言模型提供了本体论奠基，“图像论”揭示了早期符号主义AI的表征逻辑，“语言游戏说”则为自然语言处理的实践转向提供了哲学依据。

更深层地看，当前的生成式AI之所以能够产生看似“智能”的输出，本质上是因为人类语言与文字记录本身已经构成一个巨大的、自洽的符号系统——波普尔意义上的“世界3”。这个世界3是人类对现实世界（世界1）的映射、记录、抽象与重构的产物。语言中蕴含着人类数千年来积累的知识、逻辑、因果关系和思维模式。

大语言模型所做的，并非“理解”人类世界以及这个世界3的内容，而是通过海量文本训练，学习到这个符号系统内部的各种统计规律、关联模式和结构特征。当用户输入一个问题时，模型不是在“思考”，而是在这个巨大的符号网络中沿着概率最高（根据“温度”的设置而有变化）的路径进行“导航”。计算机的神经网络并没有产生人的大脑神经网络所具备的意向性、意识或真正的理解能力。

换言之，ChatGPT展示的“智能”，本质上是人类语言世界自身逻辑的外化——是“世界3”通过大规模计算被重新激活和呈现。这恰恰印证了维特根斯坦的判断：语言本身就是世界的边界。当AI掌握了足够多的语言数据，它就在统计意义上“掌握”了语言所承载的世界图景。

 “神话”：技术加速主义与“AI神秘主义”的全球叙事

第二个深层意义：美国华尔街技术加速主义对AI智能神秘主义的全球化管控能力。

这才是杨植麟言论最希望戳破的“神话”。

2023年ChatGPT问世后，围绕OpenAI迅速形成了一整套叙事：AGI即将到来、人类将被超越、OpenAI掌握了某种“秘密sauce”、美国在AI领域拥有不可逾越的领先优势。这套叙事在资本市场引发了巨大反响，也塑造了全球AI产业的竞争格局和资源分配逻辑。

但如果我们冷静审视就会发现，这套叙事建立在两个前提之上：第一，把工程集成成功等同于基础科学突破；第二，把规模效应神秘化为某种不可复制的“魔法”。前者让OpenAI获得了“发明者”的声望溢价，后者则制造了一种“美国AI不可追赶”的认知壁垒。

杨植麟的发言正是要打破这两重叙事。他指出，“AGI的真正瓶颈不是技术，而是组织形式”——传统公司根本无法构建AGI，需要全新的组织范式。这句话的潜台词是：OpenAI的成功固然有技术因素，但更大程度上是组织创新和资本意志的产物。它不是不可复制的“神迹”，而是一种可以被分析和学习的工程与管理模式。

事实上，杨植麟自己的公司月之暗面正在用行动验证这一判断。2026年7月，月之暗面发布的开源权重模型Kimi K3在Arena.ai的Frontend Code Arena编程榜单中以1679分登顶，七个细分领域中在六个领域位居第一——这是开源模型首次在该权威榜单超越全部海外闭源模型。Kimi K3的综合能力被评估为全球第三，仅次于Anthropic的Claude Fable 5和OpenAI的GPT-5.6 Sol。

这一成绩证明了杨植麟的核心论点：OpenAI所开创的技术路线是可以被追赶和超越的，创新的路径不止闭源一条。所谓的“美国AI神话”，不过是技术加速主义与资本叙事共同构建的认知框架。

未来之路：工程极致化、“模数共振”与智能体深度融合

理解了上述分析，我们就能更清晰地看到杨植麟发言的真正指向：他不是在贬低OpenAI的成就，也不是认为什么“AI泡沫要破灭了”，而是在重新定义什么是真正的“创新”。

杨植麟本人在不同场合表达过对AI发展方向的判断。他认为，规模定律之后，大模型发展的下一个范式是强化学习。AI产品接下来发展的重要能力应是更深入的推理能力，能够把短链路的简单问答变成更长链路的组合式任务操作。他还提到，“测试时扩展”（test-time scaling）——模型在实际推理时能通过某种方式“变得更强”，而不只是依赖训练时的参数堆料——是过去一年AI领域的重要突破方向。

从这些判断，结合对AI产业的分析，我们可以勾勒出大模型未来的三条主线：

第一条主线是工程化的极致方向。算力规模的持续扩大、训练方法的不断优化、推理效率的持续提升——这些仍然是推动大模型能力边界拓展的核心动力。OpenAI所开创的“大力出奇迹”路线远未走到尽头，只是需要更多维度的工程创新来延续。

第二条主线是与精准数据管理深度结合的“模数共振”。大模型的通用能力固然惊人，但真正有意义的AI应用，必然要与特定领域的数据、知识和业务逻辑深度结合。纯粹的通用大模型如同一个博学但缺乏专长的人——什么都知道一点，但什么都做不到顶尖。未来的AI应用，需要在大模型的通用能力与精准的行业数据管理之间形成共振，才能产生真正有实用价值的智能系统。

第三条主线是大模型与场景化软件系统的深度结合——智能体应用。 这并非当前业界普遍讨论的简单Agent或执行Loop循环的大模型外挂，而是与应用场景深度融合的“软硬脑”结合体。关于这一方向的理论探索，笔者曾于2003年发表过《关于知识-机器互动机制的可能性的探讨》一文。该文提出运用计算机系统对修正了的“三个世界”相互作用理论和逻辑推理进行模拟验证，建议在类似于虚拟现实系统的预设运算环境中加入非人为控制的知识或物理信息，期待某种新知识产生。文章的核心关切在于：知识如何在人与机器的互动中产生、传递和演化？机器能否在特定条件下“生成”超越既有知识框架的新内容？这些思考在当时属于科学技术哲学与计算机科学的交叉前沿，而今天大模型与智能体的结合恰恰在工程层面回应了这一理论追问——当大模型作为“世界3”的激活器与特定场景的物理信息系统（“世界1”的数字化映射）深度耦合时，知识便不再是被动存储的静态资源，而是在人-机-环境的持续互动中动态生成的活性要素。

这一方向已经得到国家政策层面的明确支持与规范引导。2026年5月，国家网信办、国家发展改革委、工业和信息化部联合印发《智能体规范应用与创新发展实施意见》，这是我国首份专门针对智能体的国家级政策文件。在地方层面，北京市也于2026年7月23日正式发布《关于加快智能体引领发展的若干措施》，围绕技术、应用、产业、生态四大方面推出十项具体举措，对关键技术攻关、共性平台和示范应用等重点项目给予资金支持。

智能体方向的兴起，标志着大模型发展从“模型中心”向“场景中心”的范式转移。大模型本身只是“大脑”，而智能体是“大脑+身体+环境”的完整系统。正如维特根斯坦所说，语言的意义不在于其指称的抽象对象，而在于它在特定“生活形式”中的使用方式。AI的价值同样如此——不在于模型参数有多大、榜单排名有多高，而在于它能否嵌入具体的人类实践场景，在真实的使用中产生真正的效用。大模型与场景化软件系统的深度结合——智能体——正是这一哲学洞见在工程技术层面的最终落脚点。

结语

回到最初的问题：杨植麟是在贬低OpenAI吗？

从技术事实的角度看，他说的是真话——OpenAI确实没有发明任何根本性的新技术。从产业竞争的角度看，他是在为中国AI的开源路线正名——Kimi K3的成绩已经证明这条路是走得通的。从更宏观的角度看，他是在挑战一种被资本和市场反复强化的叙事——那种将美国AI神秘化、神圣化的认知框架。

但这一切都不意味着OpenAI的成就不值一提。把已有的技术组合成第一个可工作的大规模语言模型，在“傻技术蛮算力”的方向上坚持投入直到“涌现”发生——这本身就是一种值得尊重的战略远见和工程勇气。杨植麟的批评恰恰建立在对这种成就的充分承认之上——他只是拒绝将这种成就神化为不可逾越的壁垒。

正如有评论者所说，杨植麟这样说的原因，“不是为了贬损对方，而是给自家团队和国内投资人打气——技术就在那里，就看我们怎样追赶，怎样超越了”。

这或许才是理解杨植麟言论最准确的视角：不是一场商业舆论对攻，而是一次对AI技术发展逻辑的清醒审视——以及在这个审视基础上，对中国AI产业未来路径的一次坚定宣告。