AI模型发布节奏分析：两家实验室加速，三家放缓

2026年6月，Ethan Mollick提出了一项引人注目的观察：如果AI自我改进真实存在，哪怕效果很弱，那么具备这种能力的实验室应该会越来越快地发布模型，而不具备的则会落后。他声称这在Anthropic和OpenAI身上已有所体现，但其他实验室并未显现。为了验证这一论断，作者收集了自2023年第一季度至2026年第二季度主要前沿模型的发布数据，并绘制了图表。

数据显示，截至目前，Anthropic累计发布了13个主要模型，OpenAI 11个，谷歌8个，Meta 7个，DeepSeek 5个。更重要的是，发布节奏的斜率（即速度）正在发生变化：Anthropic和OpenAI的斜率越来越陡，而其他三家则保持平缓或下降。例如，Meta在2025年4月发布Llama 4后便再无前沿模型推出；谷歌在2025年几乎停滞，直到2026年第二季度才有所发力；DeepSeek则维持着稳定的季度发布节奏，未见加速。

作者强调，节奏只是代理指标，而非因果证明。加速可能源于递归自我改进，但也可能源于更多资金、更好的管理或单纯决定增加发布频率。为了区分，作者计算了年化发布率（以四个季度为滚动窗口），结果显示Anthropic的年化率在窗口期内几乎翻了三倍，OpenAI翻了一倍多，而谷歌在2026年才追赶，Meta则处于下降态势。

递归自我改进的具体机制是：实验室使用自身产品来构建下一代产品。Anthropic的工程师利用Claude Code编写训练和评估基础设施，OpenAI则使用Codex来优化自身。每一次发布都会改进产生下一次发布的工具链，从而加快后续发布。需要注意的是，这并非权重层面的在线学习，而是组织层面的离线递归——循环跨越发布周期而非前向传播，因此远弱于“自我改进AI”的表述，但图表与之一致。

此外，还有两项支持递归解读的观察：一是计算效率的提升——Tri Dao的FlashAttention-4在2026年3月实现了NVIDIA B200上71%的利用率，Mamba-3则明确从训练优先转向推理优先设计，这使得每次训练和推理成本降低，从而每个季度能完成更多周期。二是人才集中——2026年6月19日当周，Transformer合著者Noam Shazeer加入OpenAI领导架构研究，AlphaFold开发者、2024年诺贝尔奖得主John Jumper离开谷歌DeepMind加入Anthropic。人才正流向发布最快的实验室。

作者提出了几个可证伪的情况：如果未来两个季度Anthropic和OpenAI的斜率不再上升，则加速只是2026年的偶然现象；如果某个落后实验室率先实现真正的在线学习（如持续权重更新），则离线递归的速度优势将失去意义；如果放宽发布定义（包括点发布），图表可能改变；Meta的停滞可能是策略而非失败，因为它转向了开放权重和不同的发布哲学。

最终结论是：图表并未证明AI在进步或递归存在，它只展示了一个更窄、更可辩护的事实——两个特定实验室的发布节奏在加速，三个没有，与Mollick的描述完全一致。如果这一差距是循环而非巧合，它将继续扩大；如果是资金或运气所致，则会回归。未来两个季度的发布数据将是干净的检验。对市场而言，若循环为真，最直接的受益者是计算基础设施（GPU和电力）而非实验室本身，但这一点纯属推测。