GPT-6架构革新与模型直连通信：Token计费模式面临根本性挑战

事件概述

随着OpenAI即将发布GPT-6（内部代号Astra）以及俄罗斯初创公司Mostik推出新型模型通信方案，AI行业正经历一场从“文本依赖”到“潜空间计算”的底层架构变革。这些技术突破不仅提升了推理效率，更对当前以Token为核心计量单位的AI商业模式构成了潜在冲击。

核心信息

1. OpenAI GPT-6：“循环深度”架构革新

据《The Information》报道，GPT-6采用了一种名为“循环深度”（Recurrent Depth）的架构级创新，旨在颠覆传统的推理模式。

• 技术原理：传统Transformer模型像固定长度的单向流水线，遇到难题时往往通过生成“思维链”（Chain of Thought, CoT）来延长思考过程，但这会消耗大量显存和带宽，且大部分算力浪费在文字生成上。“循环深度”则将核心运算层设计为可循环的“转盘”，数据在同一组参数层中反复迭代，直到推导充分再输出结果。
• 性能优势：这种机制将“计算长度”转化为“计算深度”。研究表明，仅35亿参数的小模型通过内部循环32次，即可用相当于500亿参数模型的负载，在数理逻辑和代码任务上逼近甚至超越传统稠密大模型。同时，由于复用同一套核心引擎，推理阶段的显存开销得以封顶。
• 安全隐忧：该技术将思维过程完全“黑盒化”，连OpenAI首席科学家Jakub Pachocki也担忧这可能导致行业陷入“不可监控状态”的无序军备竞赛，因为后台数据不再留有可追溯的思维链痕迹。
• 融合趋势：该技术与混合专家架构（MoE）结合形成“Recurrent MoE”，从“用空间换广度”转向“用时间换深度”，进一步榨取参数潜力。

2. Mostik公司：模型间的“机器心灵感应”

俄罗斯初创公司Mostik提出了一种新的AI通信范式，试图消除模型协作中的文本中转环节。

• 技术原理：创始人Sasha Malysheva带领团队发现不同模型的潜空间存在天然共通的语义流形。他们训练了一个轻量级的“桥接矩阵”，将大模型的高维隐状态直接投影进小模型的输入潜空间。整个过程不生成任何Token，也不微调原模型权重。
• 实验成果：在GLM-5.2（753B参数）与Qwen-3.5（4B参数）的组合实验中，昂贵的大模型负责关键难题推理，端侧小模型执行后续任务。混合系统的推理成本仅为GLM-5.2的二十分之一，却达到了顶级模型近80%的准确率，并在ARC-AGI排行榜上获得第一名。
• 意义：这种方式被称为“机器心灵感应”，它让模型之间建立起纯粹由高维流形连接的协同网络，彻底脱离了人类语言的束缚。

值得关注：Token经济的地基动摇

上述两项技术分别从时间和空间维度重塑了AI计算方式，直接冲击了建立在“计算等于Token”这一等式上的商业闭环。

• 计费逻辑失效：当前API按Token计价，思维链也是推理模型毛利的重要来源。然而，“循环深度”让模型在内部进行数十轮思考却只输出一行字，导致计费依据（输出Token）与实际算力成本严重脱钩；“桥接矩阵”则消除了Agent工作流中大模型与小模型间传输中间文本的费用，使这部分原本的高开销变为零。
• 未来展望：当AI彻底抛弃语言作为中介，在高维向量空间中完成逻辑推演时，现有的计量单位可能需要重构，转向真实计算量、循环次数或按结果定价。此外，这种“去文本化”虽然提高了效率，但也意味着人类可能永远失去对AI决策过程“为什么”的解释权。