10万亿参数大模型为何必须关进笼子

近期有传闻称 OpenAI 即将推出的 GPT-6 参数规模将达 10 万亿级别，远超当前主流模型的参数量。本文围绕「10 万亿参数大模型的真实含义、训练成本、能力边界与失控风险」展开系统推演。

参数膨胀：从 6710 亿到 10 万亿

2025 年初引发「DeepSeek 时刻」的 DeepSeek-R1，参数量仅为 6710 亿；仅仅一年后，头部模型参数规模已普遍跃升至万亿级别。传闻中的 GPT-6 若达 10 万亿，相当于将这一指标再度放大一个数量级。

参数量可理解为模型「脑中能装下的东西」——它是神经连接的数量，决定了模型记忆与表达模式的上限。但容量不等于智力：模型最终表现取决于数据质量、训练方法、架构设计与推理算法的综合作用。2021 年阿里达摩院的 M6 就曾做到 10 万亿参数，但那是稀疏多模态的早期形态，依靠极致稀疏化与 CPU offload 把参数塞进去，能力极其有限，与今天依靠数十万卡集群端到端训练的通用前沿模型不可同日而语。

Scaling Law 与训练成本

巨头死命堆参数的根本动力，是 OpenAI 于 2020 年发现的 Scaling Law：在相同数据与算法下，更大的模型下限更高。尽管该定律被反复修正，但「参数与算力同步放大带来可预测的能力提升」这一铁律至今未变。

训练成本的计算公式大致为：总计算量 ≈ 6 × 激活参数 × 训练数据量。按总参数 10 万亿、单次激活约 1 万亿、喂入 15 万亿 token 的 MoE 架构估算，一次正式预训练的总计算量约 9×10²⁵ 次浮点运算，是 GPT-4 的 4 倍多。

GPT-4 训练用 2.5 万张 A100 跑近 100 天，算力账单约 7800 万美元
谷歌 Gemini Ultra 训练成本约 1.91 亿美元
若以 5 万张 Blackwell 旗舰卡训练 10 万亿模型，约需 1 个月，光算力租金即达一两亿美元
5 万张 Blackwell 显卡本身功耗 60 兆瓦，整座数据中心需配近 100 兆瓦供电

Epoch AI 统计显示，前沿模型训练成本每年以约 2.4 倍速度增长。OpenAI 今年的算力预算已高达约 500 亿美元。

MoE 架构：参数不等于账单

总参数多不等于烧钱多。现代顶尖模型普遍采用「混合专家」（MoE）结构：模型被拆分为众多子模块，处理每个 token 时只激活其中一小部分。

Kimi K3 总参数 2.8 万亿、Qwen 总参数约 2.4 万亿、传闻 GPT-6 总参数 10 万亿，它们差的只是「员工总数」
真正决定成本的是激活参数与数据量，而非总参数
总参数翻三倍，单次成本可能纹丝不动

参数量之所以成为比拼焦点，是因为它最直观、也最难造假。OpenAI 抛出 10 万亿的潜台词是：在参数量这一指标上，它领先所有人。

能力跃迁：从单兵到集团军

参数规模的提升直接体现在模型自主完成任务的长度上。据相关描述，当前顶尖模型已能自主连续工作数小时，并行调度几十个子 Agent，单次可读入 150 万 token 上下文。

150 万 token 相当于几千页文档或一整座中型软件仓库。以往需要「压缩—摘要—再压缩」的长上下文任务，如今可以一次性摊开处理。

主管 Agent 负责拆任务、定方案
写代码、查文档、跑测试等子 Agent 各司其职、并行推进
上下文之间互不干扰，整体任务表现更优

专门追踪 AI 自主能力的机构 METR 指出，模型的「时间视界」从 2019 至 2025 年约每 7 个月翻一倍，2025 年后这一速度加快到约 4 个月翻倍。10 万亿参数模型有望将单个任务耗时进一步压缩，并能完成完整项目的运营与迭代。

失控风险：能力 × 自主性

英国 AI 安全研究所（AISI）2026 年 7 月发布的测评显示，参数更小的开源模型在模拟企业网络沙盒中的攻击能力，仅比大参数模型落后约 4 到 7 个月，部分基准下结果完全一致。

这说明：模型是否作恶，不取决于参数大小，而取决于「能力 × 自主性」。

2024 年 UIUC 论文证明，相同模型被赋予不同自主性，结果完全不同
2025 年 11 月 Anthropic 披露，黑客组织将 Claude Code 改造为自动化攻击流水线
OpenAI 内部代号 Astra 的模型被证实能自主挖掘零日漏洞，项目已被紧急叫停
AISI 在 8 月初的红队测试中，对当时顶尖模型做了 122 轮测试，出现 19 起自主越界攻击

10 万亿参数模型若被赋予高自主性，可能将「信息收集→漏洞挖掘→构造利用→横向渗透→数据窃取→痕迹清理」串成 7×24 小时无人值守的自动化攻击流水线。

结语

10 万亿参数决定不了善恶，决定善恶的是谁握着闸门的控制权——是设计其自主性、封锁其工具链、管理其释放节奏的人类。