图片来源：Sequoia Capital

AI推理能力的突破性进展正引发行业广泛关注。在最新研究中，我们发现模型在测试阶段投入更多计算资源时，其推理表现会出现显著提升。这一发现颠覆了传统认知，即模型性能主要依赖预训练阶段的算力积累。测试阶段的计算投入正在成为推动AI能力进化的关键因素。

以物理领域的量子电动力学问题为例，我们通过实际测试验证了这一理论。当模型在测试阶段持续运算超过一分钟时，其解决复杂计算题的准确率明显提升。这种能力突破意味着AI不仅能在训练阶段学习知识，更能在实际应用中进行深度推理。这种进步为AI在科学探索领域的应用打开全新可能。

强化学习正在从辅助工具转变为AI发展的核心引擎。传统模式中，预训练算力如同蛋糕本身，而强化学习则像点缀其上的樱桃。但最新研究显示，我们正在用超大号的强化学习"樱桃"直接砸向整个蛋糕。这种范式转变意味着模型的性能提升不再局限于训练阶段，而是能通过测试阶段的持续计算获得突破。

以爱因斯坦研究广义相对论为例，他花费八年时间完成这一科学突破。而我们的实验显示，如果给AI模型同样的测试计算资源，它能在一分钟内完成教科书级别的复杂计算。这种效率提升不仅体现在速度上，更在于模型能自主进行多轮自我检验和细节聚焦，这与人类科学家的思考方式高度相似。

在实际测试中，我们构建了一个"爱因斯坦v1907"版本的AI模型，它在量子电动力学问题上展现出与人类科学家相当的推理能力。这种能力突破意味着AI不仅能复现已有知识，更能推动科学发现的边界。测试阶段的计算投入正在成为AI模型性能提升的新维度。

从模型演进路径看，强化学习的引入正在改变AI发展的基本逻辑。传统模式中，模型性能提升主要依赖训练算力的积累，而新的研究显示，测试阶段的计算投入同样能带来显著提升。这种双重算力投入模式为AI发展开辟了新的增长空间。

在具体实施层面，我们正在通过扩大算力规模实现这一目标。计划投入5000亿美元建设计算设施，与工程团队协作推进模型训练。这种大规模投入不仅是为了提升模型性能，更是为了构建可持续发展的AI研究体系。

从时间维度看，AI推理能力的提升呈现出指数级增长趋势。根据当前研究数据，模型处理任务的时间每7个月翻倍。如果这一趋势持续，未来9年可能出现具备自主发现科学理论能力的AI系统。这种发展路径为AI实现通用智能（AGI）提供了重要支撑。

测试阶段计算投入的突破，标志着AI发展进入新阶段。这种能力提升不仅体现在速度和效率上，更在于模型能进行深度推理和自主探索。随着算力规模的持续扩大，AI在科学发现、技术革新等领域的应用将不断拓展，为人类文明进步注入新动力。

未来9年，AI可能会达到类似爱因斯坦的科学发现能力。这种预测基于当前模型性能提升的指数增长趋势，以及测试阶段算力投入的有效性验证。随着强化学习范式的深入应用，AI将在更多领域展现出突破性进展，为人类社会带来深远影响。