近日，一个生造词“Pelicanmaxxing”在AI圈悄然走红。这个由“Pelican”（鹈鹕）与“maxxing”（最大化）组合而成的网络新梗，精准描绘了当前AI实验室的一种集体行为模式：像鹈鹕那样疯狂地、近乎贪婪地吞食一切可用资源——数据进行、算力GPU、人才、资本、乃至能源——将“吞咽”本身视为技术迭代的唯一解药。
鹈鹕的喉囊能装下比胃容量大得多的鱼，这在自然界是一种生存策略。但在AI领域，这种“先用喉囊兜住，回去再慢慢消化”的逻辑，正演变成一场规模空前的资源军备竞赛。
囤积癖：从数据到算力的全面“maxxing”
2024年，全球头部AI实验室的GPU保有量已呈指数级增长。以Meta为例，其计划在年底前拥有等效于60万块H100的算力储备，而OpenAI、Google DeepMind与Anthropic也在疯狂扩建数据中心。仅训练一个GPT-4级别的模型，就需要消耗约2.4万块H100连续运行三个月，电费成本高达数千万美元。然而，更可怕的是数据层面的“鹈鹕行为”：各大实验室正以近乎抢购的方式收集互联网上的文本、图像、视频，乃至非公开的书籍、学术论文和私人对话。有统计显示，当前模型训练所消耗的公开数据量，已远超人类文明有史以来所有文字出版物的总和。这种“数据饕餮”导致的一个直接后果是：高质量、低重复的自然语言数据可能在未来两到三年内完全耗尽。
喉囊的极限：规模效应的边际递减
如果说“Pelicanmaxxing”的前半段是拼命囤积，那么后半段——消化——正暴露出令人不安的瓶颈。OpenAI研究员曾公开表示，单纯扩大模型参数量和数据量对性能提升的边际收益正在急剧下降。GPT-4在推理能力上的提升相比GPT-3.5并非颠覆性，而训练成本却是后者的十倍以上。与此同时，鹈鹕的喉囊有一个生理极限——过度吞食可能导致窒息。对于AI实验室，这个“窒息点”表现为：电力基础设施无法支撑下一个数量级的数据中心，全球高端芯片产能被头部公司买断，顶尖AI科学家因薪酬战转向短期利益而非长期探索。更严重的是，当所有实验室都使用相似的数据源和架构进行“结构同质的maxxing”，模型的同质化与安全隐患也随之爆发。
被裹挟的“鹈鹕竞赛”：谁在迫使实验室不断吞咽？
一位不愿具名的AI伦理研究者向本刊表示：“没有任何一家实验室愿意承认自己正在‘Pelicanmaxxing’，但所有人都在被迫加入这场吞咽游戏。”背后的驱动力来自资本市场和公众焦虑：谁能更快推出参数更多、数据更新、推理更流畅的下一个版本，谁就能在估值、人才和舆论上占据先机。Anthropic的CEO Dario Amodei曾委婉警告，这种“先拼命扩张规模，再试图解决可解释性与对齐问题”的路径，好比在高速公路上蒙眼造一辆越来越快的车——安全气囊还没装好，引擎已经升级到超音速。而谷歌DeepMind最近的研究显示，大规模数据摄入正在加速模型产生“棘突幻觉”——一种无法通过后期校准彻底消除的认知偏差，类似于鹈鹕吞下带刺的死鱼后难以消化。
出路：从“maxxing”到“optimizing”
面对“Pelicanmaxxing”的困局，一些实验室开始尝试反向操作。例如，DeepMind的Gemini团队采用了更注重数据质量和合成数据的技术路线，而非无限制抓取自然数据；苹果在2024年WWDC上透露，其端侧模型之所以能实现令人惊叹的实时处理，靠的不是算力堆砌，而是工程架构上的精妙压缩。这些案例暗示，下一个阶段的竞争或许不再是“谁吞得更多”，而是“谁消化得更好”。然而，改变并不容易。当整个行业都在追捧“吞食速度”时，选择慢下来需要巨大的战略定力，甚至可能付出短期市场份额的代价。
回到最初的疑问：AI Labs Pelicanmaxxing? 答案是肯定的——很大程度上，它们正在这样做。但更关键的问题在于：当鹈鹕的喉囊鼓胀到极限，下一次吞咽是通往更大的智慧，还是驶向更深的泥潭？这场“maxxing”狂欢终将面对现实：数据与算力并非生命之泉，过度囤积只会让AI患上消化不良式的“资源肥胖症”。在技术奇点真正到来之前，也许我们需要的不是更大的喉囊，而是一副更加冷静的消化系统。