AI模型釋出節奏分析：兩家實驗室加速，三家放緩

2026年6月，Ethan Mollick提出了一項引人注目的觀察：如果AI自我改進真實存在，哪怕效果很弱，那麼具備這種能力的實驗室應該會越來越快地釋出模型，而不具備的則會落後。他聲稱這在Anthropic和OpenAI身上已有所體現，但其他實驗室並未顯現。為了驗證這一論斷，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釋出資料，並繪製了圖表。

資料顯示，截至目前，Anthropic累計釋出了13個主要模型，OpenAI 11個，谷歌8個，Meta 7個，DeepSeek 5個。更重要的是，釋出節奏的斜率（即速度）正在發生變化：Anthropic和OpenAI的斜率越來越陡，而其他三家則保持平緩或下降。例如，Meta在2025年4月釋出Llama 4後便再無前沿模型推出；谷歌在2025年幾乎停滯，直到2026年第二季度才有所發力；DeepSeek則維持著穩定的季度釋出節奏，未見加速。

作者強調，節奏只是代理指標，而非因果證明。加速可能源於遞迴自我改進，但也可能源於更多資金、更好的管理或單純決定增加發布頻率。為了區分，作者計算了年化釋出率（以四個季度為滾動視窗），結果顯示Anthropic的年化率在視窗期內幾乎翻了三倍，OpenAI翻了一倍多，而谷歌在2026年才追趕，Meta則處於下降態勢。

遞迴自我改進的具體機制是：實驗室使用自身產品來構建下一代產品。Anthropic的工程師利用Claude Code編寫訓練和評估基礎設施，OpenAI則使用Codex來最佳化自身。每一次釋出都會改進產生下一次釋出的工具鏈，從而加快後續釋出。需要注意的是，這並非權重層面的線上學習，而是組織層面的離線遞迴——迴圈跨越發布週期而非前向傳播，因此遠弱於“自我改進AI”的表述，但圖表與之一致。

此外，還有兩項支援遞迴解讀的觀察：一是計算效率的提升——Tri Dao的FlashAttention-4在2026年3月實現了NVIDIA B200上71%的利用率，Mamba-3則明確從訓練優先轉向推理優先設計，這使得每次訓練和推理成本降低，從而每個季度能完成更多週期。二是人才集中——2026年6月19日當週，Transformer合著者Noam Shazeer加入OpenAI領導架構研究，AlphaFold開發者、2024年諾貝爾獎得主John Jumper離開谷歌DeepMind加入Anthropic。人才正流向釋出最快的實驗室。

作者提出了幾個可證偽的情況：如果未來兩個季度Anthropic和OpenAI的斜率不再上升，則加速只是2026年的偶然現象；如果某個落後實驗室率先實現真正的線上學習（如持續權重更新），則離線遞迴的速度優勢將失去意義；如果放寬釋出定義（包括點發布），圖表可能改變；Meta的停滯可能是策略而非失敗，因為它轉向了開放權重和不同的釋出哲學。

最終結論是：圖表並未證明AI在進步或遞迴存在，它只展示了一個更窄、更可辯護的事實——兩個特定實驗室的釋出節奏在加速，三個沒有，與Mollick的描述完全一致。如果這一差距是迴圈而非巧合，它將繼續擴大；如果是資金或運氣所致，則會迴歸。未來兩個季度的釋出資料將是乾淨的檢驗。對市場而言，若迴圈為真，最直接的受益者是計算基礎設施（GPU和電力）而非實驗室本身，但這一點純屬推測。