離開OpenAI和Google後，兩位大模型核心負責人決定卷下一代架構

近期，人工智慧領域出現一項備受關注的動向：兩位分別來自 OpenAI 與 Google 的關鍵研發負責人，在離開各自原先任職的頂尖實驗室後，不約而同地將下一步賭注押在下一代 AI 架構上。這兩位曾主導大型語言模型核心研發的資深專家，過去在業界累積了深厚的實戰經驗，如今卻選擇跳出 Transformer 主導的既有框架，從零開始探索截然不同的技術路線。 業界觀察指出，這項選擇背後反映的，是整個大模型產業正在經歷一場深層的技術反思。過去幾年，業界普遍將注意力集中在擴大模型參數規模與訓練資料量，認為「越大越好」是通往通用人工智慧的捷徑。然而，隨著模型規模持續攀升，現行 Transformer 架構在運算效率、長序列處理能力與推理成本上的瓶頸也日益明顯，迫使研究人員開始思考更根本的結構性變革。 Transformer 自 2017 年問世以來，憑藉其並行計算優勢與自注意力機制，成為自然語言處理乃至多模態模型的基石。但隨著上下文視窗擴展至數萬甚至數十萬 tokens，自注意力的計算複雜度呈二次方成長，導致硬體記憶體與延遲快速惡化。此外，在推理階段，Transformer 需要逐 token 生成輸出，每一次生成都需重新計算部分注意力，使得長文本生成的效率大打折扣。這些限制已成為當前大規模部署的主要痛點。 因此，下一代 AI 架構需要具備哪些能力，成為這波技術攻關的核心問題。根據目前主流觀點，新架構必須在同等或更少的算力條件下，支援更長的上下文、更低的推理延遲，同時維持甚至提升模型對複雜任務的理解與生成能力。這不僅關乎模型本身的設計，更牽動訓練與部署的整體效率，從資料流程、硬體加速到能耗成本，都需一併納入考量。 兩位關鍵人物的離職，正是對上述困境的直接回應。據了解，其中一位曾在 OpenAI 主導多個大型語言模型的核心研發，參與過從早期 GPT 到後續版本的重要技術路線決定；另一位則在 Google 長期耕耘，對 Transformer 架構的改良與擴展有深刻理解。他們在頂尖環境中累積的經驗，使他們比多數人更早意識到現有架構的極限，也讓他們更有能力去設計全新的替代方案。 目前，兩人的具體新動向尚未完全公開，但業界傳言他們可能各自成立新創公司，或加入現有研究機構，專注於開發非 Transformer 的基礎模型架構。這些實驗路線涵蓋狀態空間模型（State Space Models）、線性注意力機制、遞迴神經網路變體，以及基於物理或生物啟發的計算架構等。儘管具體技術細節仍屬保密，但其共同目標都是在運算效率與模型能力之間取得更好的平衡。 值得注意的是，這並非單一事件。過去一年間，已有數起類似的高階研究人員離開大型科技公司、自行創業的案例，而他們的共同特點，就是幾乎都將探索方向指向 Transformer 之外的架構。這股趨勢逐漸形成一股「脫離 Transformer」的運動，促使業界重新審視深度學習的基礎假設。 從產業角度來看，這波架構變革可能有深遠影響。若新架構能在不犧牲模型品質的前提下，大幅降低訓練與推理成本，那麼原本受限於算力瓶頸的中小型企業或研究機構，將有機會參與更大型的模型開發。同時，邊緣裝置上的部署也將變得更加可行，加速 AI 在手機、物聯網、自動駕駛等場景的落地。 另一方面，現有以 Transformer 為核心的生態系——包括 GPU 運算庫、框架、訓練工具鏈——勢必需要隨之調整。若新架構採用不同的計算模式，現有的硬體優化策略可能不再適用，這將催生新的軟硬體協同設計需求。對於 NVIDIA 等晶片廠商而言，這既是挑戰也是機會。 不過，也有專家提醒，架構創新並非一蹴可幾。Transformer 過去幾年之所以能快速普及，除了其本身效能優異外，也受益於大量開源工具與社群積累的經驗。新架構若要真正取代 Transformer，不僅需要理論上的突破，還需要建立完整的生態系統，包括訓練穩定性、可擴展性、以及與既有資料管線的相容性。 兩位核心負責人的行動，預示著 AI 產業可能在未來一兩年內迎來架構層面的重大突破，進而改變大模型發展的整體格局。無論最終結果如何，他們選擇離開成熟的環境、投入未知領域的勇氣，已經為學術界與產業界注入新的思考動力。業界正密切關注這條脫離 Transformer 的技術路線，將如何影響下一波人工智慧的進展。