五个月两进两出，Barret Zoph再离OpenAI；0.2B小模型干翻10B修图

01五个月，Barret Zoph第二次走出OpenAI

一月中旬，Barret Zoph回到OpenAI，接手企业AI销售。在此之前，他刚结束一段短暂的外部经历——离开OpenAI，与前OpenAI技术官Mira Murati一起创办竞争对手Thinking Machines Lab，担任联合创始人兼CTO。回归的消息没让人意外，毕竟很多人本就是从这家公司走出去的。

只是这一次，他待得更短。据The Verge获悉，回归仅五个月后，Zoph再度离开OpenAI。来时和走时之间，几乎没有缓冲。

人走的同时，也有人进来。Transformer论文的共同作者之一Noam Shazeer宣布加盟OpenAI。他在告别中写道，离开Google「是一个艰难的决定」，为和团队一起做成的一切感到骄傲。这位把注意力机制写进现代大模型地基的研究者，从Google转身走向了OpenAI的大门。一进一出，门轴几乎没停过。

连记录这扇门最混乱时刻的人，也退场了。导演Luca Guadagnino筹备约一年的电影《Artificial》，讲的正是2023年那五天——Sam Altman被罢免又火速复职的全过程，由Andrew Garfield出演。据报道，Amazon MGM已经放弃了这个项目。

022B模型做到10B级修图，另一支团队号称解开了困住大模型十年的数学瓶颈

一支团队把一百亿参数模型才能做到的图像修复，塞进了两亿参数里。Moebius团队重构了扩散模型的骨干网络，宣称两亿参数的体量做出了百亿参数级别的修复质量。他们的理由很直接：这个量级的基础模型算力成本太高，根本没法落地，与其堆参数，不如把能力压进一个只干修图这一件事的小模型。

几乎同一时期，另一支团队从完全不同的入口逼近同一道墙。迈阿密初创公司Subquadratic上月走出隐身状态，抛出一个大胆说法：它解开了一个困住大语言模型将近十年的数学瓶颈。最初公布的细节很少，很多人不信。如今它开始陆续放出证据。

一个从模型架构的数学层面下手，一个把大模型的能力蒸进小模型，两条路指向的是同一个约束：前沿生成模型的算力成本上限。对要把这些能力真正跑起来的人来说，攻破这道墙意味着推理更便宜、部署门槛更低。不过Subquadratic目前仍停在「声称」阶段，它放出的证据能不能撑住十年瓶颈这个说法，还得看后续。

03都说AI让工程更省事，一线的结论正相反：它要求的纪律只多不少

流行的说法是，AI把写代码这件事变简单了，门槛降下来，人人都能让机器替自己干活。一篇这几天在开发者社区热传的文章直接顶了回去：AI要求的工程纪律只会更多，不会更少。

作者搬出一个老类比。早年运维靠手工伺候每台服务器，像养宠物一样精心调教；后来整个行业转向不可变基础设施，服务器成了随时可替换、可重建的标准件。AI写代码正走同一条路——产出快了，可要管住这些产出，code review、规范、流程一样都不能省，反而得绷得更紧。

把这股压力放大到组织层面，新瓶颈就不再是模型能不能写出好代码，而是钱怎么花。这个问题在过去半年已经被回答得很干脆，真正难的是规模化之后的治理。OpenAI这周给企业版加上了用量分析和支出管控，让管理者能看清每个部门在用什么、用了多少、花了多少，并给开支设上限。当AI铺进一家公司，先失控的往往不是质量，而是账单。