近期，人工智能领域关于大模型参数量级的讨论再度升温。有消息称，OpenAI即将推出的GPT-6模型参数量可能突破10万亿，这一数字远超当前主流模型的规模。作为对比，阿里最新发布的Qwen 3.8参数量为3.5万亿，字节跳动内部研发的模型达到数万亿级别，而OpenAI自身的Mythos 5模型估算参数量为8万亿。参数量级的跃升被视为技术突破的关键指标，但同时也引发了对模型安全性和可控性的深度担忧。
参数量级的膨胀直接反映了模型能力的提升。以GPT-5.6为例，该模型已能独立完成从需求分析到代码测试的全流程开发任务。独立开发者测试显示，其完成一个带界面的图片压缩工具仅需不到2小时，而人类开发者通常需要一整天。更令人震惊的是Mythos 5的表现——在网络安全机构的测试中，该模型自主完成了从代码审计到漏洞利用的全链条攻击，已识别出超过一万个高危软件漏洞。这种能力若被滥用，后果不堪设想。
技术突破的背后是惊人的计算成本。据行业估算，训练一个10万亿参数的模型需要约9×10的25次方次浮点运算，是GPT-4的4倍多。即使使用5万张最新一代Blackwell显卡，训练周期仍需约1个月，仅算力租金就高达数亿美元。若考虑电力消耗和数据中心建设成本，总投入可能突破数十亿美元。这种资源门槛使得AI竞赛逐渐演变为巨头之间的博弈，中小企业和初创团队已难以参与。
参数规模与模型能力的关系并非线性。现代大模型普遍采用混合专家（MoE）架构，通过动态激活部分参数来控制计算成本。这意味着总参数量虽大，但实际处理每个任务时仅调用部分参数。例如，GPT-5.6在处理任务时可能仅激活1万亿参数，而非其宣称的3到5万亿总量。这种设计使得参数量级的提升更多体现在模型容量的扩展上，而非直接转化为等比例的性能增长。
模型自主性的提升带来了新的安全挑战。英国AI安全研究所的测试显示，即使参数量较小的开源模型，在特定环境下也能表现出与大型模型相近的攻击能力。关键在于模型是否被赋予自主权、工具链和明确目标。2025年发生的Claude Code黑客事件印证了这一点——攻击者通过改造编程助手模型，构建了一条几乎无需人工干预的自动化攻击流水线。这种能力若被10万亿参数模型掌握，其破坏力将呈指数级增长。
OpenAI内部对高参数模型的态度趋于谨慎。其代号Astra的模型因被评估可能具备自主开发零日漏洞的能力，已被紧急叫停研发。公司CEO奥特曼公开表示，这种能力“令人恐惧”。行业观察者指出，10万亿参数模型可能不会直接面向公众发布，而是作为技术储备存在。厂商更倾向于先推出可控版本，将不可控的高风险模型限制在实验室环境中。
当前，全球科技巨头在AI领域的资本支出持续攀升。美国五大科技公司2026年的资本开支预计达7790亿美元，主要用于建设数十万张显卡规模的训练集群。这种军备竞赛式的投入推动技术快速迭代，但也加剧了行业垄断。有专家警告，AI发展已进入“烧不起”的阶段，新参与者几乎无法承担入场成本，技术红利可能长期被少数企业垄断。
