前OpenAI研究员押注1000亿美元将流入训练数据，因为仅靠扩展规模不够

前OpenAI员工Andrew Ho和剑桥研究员Adam Hunt认为大型语言模型有一个日益严重的问题。

模型不是变得更加通用，而是变得更加专门化，在编程和数学方面表现出色，而在其他领域停滞甚至退步。

Ho即将离开OpenAI，创办一家专注于专门训练数据的公司，并预测AI实验室将需要花费超过1000亿美元用于定向数据收集。

这篇文章《前OpenAI研究员押注1000亿美元将流入训练数据，因为仅靠扩展规模不够》首次出现在The Decoder上。

前OpenAI员工Andrew Ho和剑桥研究员Adam Hunt认为大型语言模型面临一个日益严重的问题：模型正变得专门化而非通用化，在编程和数学上表现出色，但在其他领域停滞甚至退步。Ho离开OpenAI创办专注于专门训练数据的公司，并预测AI实验室将需要花费超过1000亿美元进行定向数据收集。

• 前OpenAI员工Andrew Ho和剑桥研究员Adam Hunt认为大型语言模型面临一个日益严重的问题：模型正变得专门化而非通用化，在编程和数学上表现出色，但在其他领域停滞甚至退步。Ho离开OpenAI创办专注于专门训练数据的公司，并预测AI实验室将需要花费超过1000亿美元进行定向数据收集。
• 原贴提到：Former OpenAI employee Andrew Ho and Cambridge researcher Adam Hunt see
• 来源：the-decoder.com

这条信号揭示了一个关键转变：AI行业正从“规模至上”转向“数据质量至上”。前OpenAI研究员Andrew Ho的预测——定向数据收集将吸引超千亿美元投入——意味着单纯扩大模型参数和计算量已不再是性能提升的唯一引擎。模型在编程和数学上的突出表现与其他领域的停滞形成对比，说明“通才”路线正遭遇瓶颈，而“专才”路线正在成为新方向。

为什么重要？因为过去几年，Scaling Law（扩展定律）是AI领域的主导叙事，大量资本投入到算力和参数规模。如今，头部研究者指出“扩展规模不够”，这相当于给行业注入了一个新共识：高价值、结构化、针对特定任务的训练数据将是下一个兵家必争之地。对于AI实验室，这意味着数据工程能力将直接决定模型竞争力；对于创业公司，这是一个围绕数据采集、清洗、标注、合成的新市场机会。

对谁有价值？首先是AI基础设施公司，尤其是数据服务商和数据中介；其次是垂直行业的企业，他们拥有行业专属数据，可以通过合作或自建模型获得差异化优势；最后是投资者，他们可以重新评估AI投资组合中“数据资产”的权重。

可以怎么行动？短期，企业应审视自身数据资产，梳理可用于模型训练的高质量数据，并建立数据管道；中期，可考虑与专业数据公司合作，或投资于数据飞轮的建设；长期，可能需要调整AI战略，从追求通用大模型转向针对特定业务场景的精调模型，并平衡通用性与专用性。

风险与限制：首先，专门化数据可能造成模型泛化能力下降，导致在边缘案例或新场景中失效；其次，数据收集和治理的成本极高，且涉及隐私、版权等合规问题；最后，预测的千亿美元投资是否真正落地还存在不确定性，可能只是个别视角。因此，在跟进这一趋势时，需谨慎评估数据投资的回报周期和伦理边界。

这条内容的真正价值，不只是“有人发布了一个新功能”，而是它揭示了 the-decoder.com 背后的产品方向、工作流变化或竞争信号。对 OPC 来说，这种信息可以转化成持续追踪的栏目选题。

如果把《前OpenAI研究员押注1000亿美元将流入训练数据，因为仅靠扩展规模不够》放到你的内容系统里，它最大的价值在于帮助读者更快看懂“为什么值得关注”，而不是只看到一条碎片化动态。

• Matthias Bastian 原帖