CPU评测老兵：AI基准测试可能是万亿美元骗局
从我能理解一个好故事的力量时起，我就被教导：历史不会重复，但常常押韵。但在计算机领域，这其实是错的。历史常常以数学般的精确度重复。
这种重复的两个有趣例子是萨瑟兰的轮回之轮和扎温斯基的软件包围法则，两者本质上都是对我们这个行业不断陷入的某种局部极小值的自然语言描述。如果我要在这个列表上加上自己的例子，那就是我们总会来到锯齿前沿。
你肯定见过Tomas Pueyo的那张图在网上流传，而且你在使用不同模型时可能也亲自体验过：每次发布，模型在有些事情上变得更好，而在其他事情上完全没有改善。事实上，有时它们甚至倒退，而上面的图并没有显示这一点，尽管我们中许多人现在已经遇到过这种情况。
但我以前就见过锯齿前沿。我靠为Ars Technica（一个1998年我和五位PC硬件极客共同创办的网站）报道CPU和GPU基准战，以极其详尽的技术细节剖析它，从而开启了我的职业生涯。
现在你可能会想，“CPU和GPU基准测试”和“AI能力进步”是两个具有某些共同特征的不同领域，但其中的相似性不只是暗示性的。核心动态是相同的——同类的图表、同样的激励、同样的锯齿结果。
我在本文中提出几个核心观点：
一、锯齿前沿不是智能的特征，至少不是我们人类所理解的那种智能。相反，它是测量和采样的特征，而且由于我们当前的AI方法完全由测量和采样问题驱动，我们自然会发现它是这个快速发展的技术家族的一个主要特征。
二、基准测试是系统设计的关键输入——它们不只是事后的性能衡量。因此，基准测试实际上是市场上某个特定“计算机系统”的深层但往往未被充分认识的组成部分。
三、市场约束基准测试的方式，与它约束公司以及组件和系统设计的方式相同——而根据前一点，这些设计也把基准测试作为关键输入。
四、如果你看到持续上升的基准测试结果明显没有受到市场约束——也许它们测量的任务没有人真正用来赚钱，或者人们确实在做被测量的任务，但没有人在基于该基准技术已被证实的、搞定该任务的能力做出实际消费决策——那么其中就有一场骗局。
基准测试基础
我们可以将芯片硬件基准测试分为几个主要类别：
- 玩具类：这些是小程序，实现诸如快速排序或埃拉托斯特尼筛法等算法。我把它列在这里只是为了完整，但没有任何严肃的人会用这些来衡量性能。
- 核心程序类：这些是短小、高度聚焦的代码片段，旨在衡量系统在某个工作子单元上的性能（例如内存带宽和延迟、整数或浮点性能）。lmbench基准就是那个时代的经典例子。它们通常基于被隔离和提取出来的真实应用代码。
- 合成基准测试：这是旨在具有与某类流行软件（例如办公软件、媒体创作套件）相同的工作负载特征，但代码不是真正的应用程序代码的软件。它更多是模拟，而不是直接复现。
- 应用基准测试：这些基准由实际发布的应用套件拼装而成。对Photoshop滤镜应用到不同大小图像文件计时、处理视频、测量Blender中的渲染时间、玩游戏并测量每秒帧数——这些都是应用基准测试的例子。
上述基准测试的分类大致上是按照对真实用户体验的保真度升序排列的。上述情况引起的一个明显问题是，为什么还要费心去做除了应用基准之外的任何东西？当你可以直接测量实际应用性能时，核心程序和合成基准测试有什么意义？问得好，这个问题的答案直接影响到我对LLM基准测试的看法，以及我希望你如何看待它们。
从部分到整体
首先要了解的是，CPU和GPU是更大系统中的关键组件，用户购买和使用的是整个系统（而不是孤立的组件）。当然，组件制造商想卖组件，用户想基于最好的组件来组装或购买系统，但被制造、打包和销售的东西（即芯片）与用户最终想要付费的东西（即在特定软件任务包上的性能）之间有着非常复杂、间接的关系。下面这张图展示了用户实际使用的内容，而最上层——任务——才是他们真正关心的，也是他们购买系统时真正购买的东西。我们真正想知道的是，当我们改变堆栈中的某一较低层时，我们关心的特定任务的性能会发生什么变化。
如果你是销售组件的人，你想宣传那些能显示你的组件如何为广泛任务的性能做出贡献的基准，并且这种方式不受堆栈其他部分中瓶颈、错误配置或失败优化的可能负面影响。核心程序给了你一个做到这一点的途径。如果你运行一个核心程序来隔离组件，该核心程序在广泛系统中对于相同芯片的表现可能或多或少完全相同。这使它成为抽象的“CPU性能”某个方面的稳定指标，比如我们可能称之为“原始浮点性能”或“原始整数性能”。看下面的第一张图，它显示我们在同一系统中更换不同的CPU，然后在每个CPU上运行相同的核心程序，以获得相对性能排名。现在让我们看看同时改变系统和芯片会发生什么：改变系统不会显著改变结果。我们增加了运行的基准数量，但没有得到任何新信息，因为“原始”性能或多或少是稳定的，并且是芯片本身固有的——它的架构及其设计者所做的权衡。因此，核心程序按预期工作，它隔离出该特定组件在特定数学运算上的性能。我们还可以生成另一个版本，同时也改变核心程序，只要这些核心程序试图测量的东西相同（即浮点、整数或向量性能），我们可能会看到结果仍然变化不大。每个芯片在特定类型的数学运算上都有一个基线性能，很容易在隔离状态下测量和建模。然而，核心程序有一个显著缺点。问题是它们往往不能强烈预测特定的真实世界任务性能。当然，更好的核心程序分数通常与更好的任务性能相关，但堆栈的其余部分如此复杂，以至于这些分数对任何给定任务性能的预测价值相当低。
⭐️ 重要：正如我上面所说，核心程序通常取自真实世界代码的一小部分，这些代码在许多不同类型的真实世界应用中很常见，用户用这些应用做有经济价值的任务。因此，你可以把核心程序看作一种隔离和衡量能力的尝试。但关键的是，它永远是针对某事物的能力。因此，从“这个核心程序是真实应用代码的代表性样本”到“在这个核心程序上的性能预测真实应用代码的性能”这一跳跃，永远是临时性的，需要一个验证反馈循环，以防止它漂移到无关紧要。如果一个核心程序的结果不再能预测真实客户为真实金钱付费的任务性能，它很快就会被重写或替换。
沿着保真度阶梯再往上，我们来到了合成基准测试。这些基准旨在以某种可重复的方式模拟整个应用的表现，这种方式给出应用程序性能的代表性样本，与任何特定应用供应商的优化实践或发布计划无关。这些基准的明显缺点是，它们是应用性能的代理，如果你有足够的时间和资源运行大量应用基准测试并真正覆盖所有可能性，这些应用本可以直接测量。例如，任何看合成办公套件基准的人，都宁愿看一个用他们自己工作中会使用的特定办公套件所做的基准。合成基准测试的另一个缺点（至少如果你是组件供应商）是，现在堆栈的其余部分开始以你无法控制的方式主导性能。因此，供应商会与合成基准测试制造商合作试图解决这个问题，但有时他们有点太激进，最终作弊。这一点稍后再谈。
最后，我们到了应用基准测试，它只是在某个真实应用（游戏、Photoshop、Microsoft Office等）中运行一组脚本化工作流，并测量任务花费多长时间。
👉 如果你正在略读，请读这段：你可能会认为应用基准测试严格优于核心程序，但等一下。正如我所说，核心程序是一种粗略预测组件如何为广泛任务的性能做出贡献的工具。应用基准测试只是任务的一个微小切片，其中任何一个都可能无法准确代表你在自己的计算机上、在典型的执行环境（即你的配置、多任务环境、你的文件）中在该应用中执行的特定任务。因此，应用基准测试只能让你对当前可执行软件任务这一广阔空间中的极小区域进行采样，而这些区域中可能没有一个与你每天在机器上工作的区域有很好的重叠。你可能会说，应用基准测试在组件+系统+任务的所有可能组合空间中给出了任务性能的锯齿状图景。而保真度较低、更偏向能力的基准选项可以给你一个稍微不那么锯齿的图景，因为它们试图一次预测多个组合的平均值。但同样，你使用的是代理而不是真实事物，因此预测价值完全依赖于代理是否合适。了解强化学习和奖励信号工作原理的人会认识到我所说的问题，即资源限制和可处理性考虑迫使你依赖一个可能并不能代表你认为它代表的东西的代理。但即使代理是忠实的，运行基准测试的系统也可以在它上面作弊。没错：研究人员在后训练中面临的具体问题其实比他们在智能体文献中的理论表述更古老。
旧式评估感知与奖励黑客
如果你是组件制造商，并且你的市场地位取决于基准主导地位，那么你有两种主要的黑帽策略可以让数字上升：一是调整基准以有利于你的组件（最好是以竞争对手硬件为代价），二是调整你的组件，使其检测到何时运行基准，并做狡猾的把戏来赢得基准。对于第一种方法，假设你是一家21世纪初的GPU制造商，你想主导令人垂涎的第一人称射击（FPS）游戏市场。你可能会让一个流行FPS游戏的制造商提前获得你的下一代GPU，并给他们大量程序员支持，以针对你的特定GPU优化游戏，甚至（或者说尤其）做到一些微小的优化权衡，让你的GPU在游戏中得到提升，而牺牲架构略有不同的竞争对手GPU的表现。但这真的算作弊吗？嗯……很难说，不是吗？一方面，游戏在你的下一代GPU硬件上确实表现更好，游戏玩家确实想要更高的每秒帧数。所以你在给市场想要的东西。另一方面，那些出于某种原因无法升级到你的新GPU的玩家却吃了亏。
不仅上述第一种方法在不同时期被尝试过，第二种也被尝试了：这就是我们现在可能称之为评估感知的东西。2001年，ATI操纵其Radeon驱动程序，检测到Quake III游戏运行时降低纹理过滤质量，从而提高流行基准上的每秒帧数分数。检测技巧就是寻找文件名“quake3.exe”并据此进行更改。HardOCP发现，你可以通过将可执行文件重命名为“quack3.exe”来以预期的纹理质量玩游戏，以躲避驱动（这真尴尬！）。ATI的这个噱头也是奖励黑客的一个例子，因为奖励是“Quake III中的高FPS分数”，但目标是“为游戏玩家良好渲染Quake III”。ATI让它的驱动以牺牲后者为代价来满足前者。
当时我还深入报道过另外两个例子：3DMark03和Futuremark合成基准测试（2003年）。Nvidia的GeForce FX驱动检测到合成基准，并插入静态裁剪平面，使基准脚本摄像机路径之外的场景部分根本不会被渲染。（如果你能像在真实游戏中那样实际控制摄像机，那么稍微向左或向右或向上或向下看都会看到没有场景的灰色虚空。）这个黑客行为，加上至少另一个，造就了很棒的分数，但当然，这些分数不可能转化为现实世界的游戏性能。
SPEC CPU2000。SPEC的Unix应用基准套件是开源的，但虽然CPU供应商不能通过修改源代码来作弊，他们可以通过修改编译器来作弊。他们在编译器中加入了一些激进的优化，这些优化会增加SPEC分数，但对任何真实应用都不利，因此当他们用这些选项编译基准时，他们得到了令人惊叹的分数，这些分数对实际应用性能没有任何预测价值。
所有这些评估感知和奖励黑客行为在90年代末和21世纪初一直在进行，我确信它可能仍在发生，尽管我在十多年前就不再关注了。这里有几个要点供你参考：所有理性参与者在优化压力下都会进行奖励黑客攻击。AI末日论者从博弈论中知道这一点，像我这样的老手从在现实生活中看到它发生而知道这一点。所有组件供应商或多或少都是理性的经济参与者，他们的季度收益提供了充足的优化压力。因此，默认情况下，所有基准测试都应受到怀疑，并被大打折扣，除非你非常有信心基准测试提供者的激励与你的利益高度一致。
优化天然是锯齿状的
好吧，所以奖励黑客是坏事。我们真正想要的是组件制造商直接改进他们的产品，对吗？唉，为了优化下一个组件的设计，供应商首先需要测量现有产品的性能并寻找改进的方法。具体来说，他们需要运行基准测试。你不能在不进行基准测试的情况下改进硬件，这一事实将我们带到前面提到的系统堆栈的一个关键但反直觉的特征：影响既从下到上，也从上面到下面。不仅堆栈较低层的固定、潜在特征影响堆栈较高层的特征，而且堆栈较高层性能的测量以一种非常决定性的方式定义了下一次设计周期中堆栈较低层的特征。我们测量哪些任务，在什么执行上下文（并行运行的其他应用、驱动程序版本、交换文件大小等）中测量——也就是说，我们运行哪些基准测试以及如何使用它们来采样性能——实际上驱动了堆栈中每一层直到硬件的下一次迭代的设计过程。计算机的进化从根本上一直是基准驱动的。事实上，它不可能以其他方式进展。不从ENIAC走到Steam Deck而不完全古德哈特化是不可能的。这就是为什么计算机行业基准测试与我们人类使用的其他类型的指标和性能评估（如标准化学术测试或行业资格考试）根本不同。当标准化测试影响课程设计时，大家都同意这是不可取的（根据古德哈特定律）。但在计算领域，基准测试是进步的重要输入，因为它们让行业对状态空间进行采样，然后基于该观察进行更新。基准测试在计算中扮演的关键采样作用的另一面是，你会得到你所基准测试的东西。供应商设计组件和系统以在基准测试中获胜，所以大家用来作为基准测试的任何东西都会被当作优化目标。再说一次，这应该是这样运作的。实际上，这很好。而且因为所有优化都需要权衡——你为一项任务优化，以其他任务为代价——优化压力会降低许多未优化任务的性能。关于最后一点，你何时何地进行了权衡、以什么为代价，并不总是显而易见。因此，对一项任务的优化可能会显著降低一个紧邻任务的性能，因为某个未经过深思的阈值——比如，你优化的任务留在缓存中，但同一任务的轻微变体现在突然遭受与颠簸相关的减速。这，就是为什么在任何给定的系统代中，计算机系统应用性能是锯齿状的——被优化的任务进步得更快，而未被优化的任务往往要么停滞不前，要么积极恶化。
一个例子来自我25年前的报道，我在书中也讨论过。在奔腾4发布前夕，整个行业都痴迷于频率提升——你们有些人年龄大到记得向1GHz冲刺的比赛。当英特尔设计P4时，他们将其设计为深度流水线，很大程度上是为了宣传行业领先的时钟速度。但他们的流水线方法有严重缺陷，他们试图通过积极缓存解码指令（追踪缓存）来缓解，但失败了。P4的追踪缓存取代了传统的L1缓存，而且太小了。该设计在核心程序和许多合成基准测试中表现惊人，热代码可以在多个周期内驻留在追踪缓存中。但对于真实应用来说，这是一种倒退。所有这些对时钟速度的优化的结果是，在发布时，1.5GHz的Willamette在许多用户关心的应用代码系列上输给了更老的1GHz Pentium III。而在今天，2026年，市场上大多数CPU架构——无论是来自Intel还是ARM——在精神上都比奔腾4更接近奔腾4之前的奔腾Pro架构，而奔腾4最终成了一个进化死胡同。英特尔通过专注于错误的优化目标而自欺欺人，他们选择的基准测试误导了他们关于自身表现好坏，而最终市场的纪律是残酷的，暴露了漂移并迫使公司回到早期设计。这也是LLM中锯齿前沿的根本原因。过去几年推动大多数能力提升的训练后范式是针对可验证奖励的强化学习：你在任务上优化模型，这些任务可以被指定为结果肯定要么对要么错。我们能想出自动评分器的任何东西都可以变成奖励信号，任何能变成奖励信号的东西都可以被大规模优化。因此，“这个任务能自动评分吗？”已经成为我们选择优化目标的一级过滤器。结果就和你预期的一样：可自动评分的任务（即在可验证领域中的任务）被LLM碾压，但在模糊的、需要判断的、长期的任务上，你无法编写自动评分器，而这是人们在工作中真正做的大部分事情，这些任务的性能要么没有提高，要么似乎正在积极恶化。因此，LLM能力的锯齿前沿不是智能的某种固有属性，无论是机器智能还是其他。相反，它只是一张地图，显示出哪些任务有人弄明白了如何编写自动评分器。
严格缺乏约束
奔腾4的故事把我带到了倒数第二个观点：这种激进的、有纪律的古德哈特化之所以有效，是因为计算机行业对前文描述的奖励黑客行为有一个天然的检查：用户确实用计算机做真实工作，如果他们得到的不是他们花钱买的东西，他们会立即注意到，并用抱怨、退货、购买行为转变以及其他对供应商收益不利的行动来回应。反馈循环相当紧密。如果我在计算机领域四处寻找，找到一个市场，有组件甚至整个系统的基准，但反馈循环要么不太紧密，要么根本不存在，我自然会对这些基准产生疑问，对吧？有这样的市场吗？嗯……想象一下（当然，纯粹是假设）你是一种技术的供应商，除了少数几个非常狭窄的垂直领域（比如软件开发和数学）外，它没有被广泛采用，但你却在宣传那些旨在展示你的技术能做基本白领工作基础的基准测试表现。所以你的基准涉及过滤列表、填写表格、搜索知识库，通常做的是通用的、虚构的任务，这些任务并非某个特定人的日常工作负载，但形状有点像这样的工作负载。这基本上会是一个合成基准测试，理论上没问题。真正的检验标准，无论基准测试是否是办公室任务的忠实代理，或者是否有任何奖励黑客行为，是有一个由现实办公室职员组成的大市场，他们用你的技术做所有办公室工作，并根据他们的经验做出购买决策。如果这种活动没有发生——如果办公室职员对你的技术接受缓慢，并且通常在没有它的情况下继续工作，那么我们的默认假设就是你的基准就像一个没有真实验证循环的核心程序，以保持其预测价值完好。换句话说，它显然不受任何市场纪律的约束，否则它会被修订或替换。无论如何，那会相当疯狂，对吧？当然不可能发生。
或者，考虑这个场景：你是一个基准测试制造商，为这项新技术制作基准，这些基准声称要衡量这项技术离跨越一个在人类历史上从未跨越的技术门槛有多近，如果跨越了，可能会摧毁世界，而许多人认为它不可能被跨越，因为它是假的、编造的。这样的基准测试，根据定义，永远不可能从真实使用该技术的人那里获得任何有用的修正。它实际上并不是设计为对人们在为带来末日目标而劳动时所做的赚钱任务的性能进行样本或观察。它更像是……对基准制造商估计的某种能力的代理的样本，这种能力假设可以启用一组未来的任务，如果以某种未指定的方式组合，可能会带来世界末日。我想，作为一个老练的基准测试消费者，我个人会对这种基准产生的任何持续上升的结果极度怀疑。
如果我发现这项技术的制造商实际上是在这种非常奇怪的基准测试持续走高结果的背书下在投资市场上融资，我会有更大的怀疑，即那个基准测试所衡量的东西，实际上并不是任何真实东西的忠实代理。
如果我进一步有任何理由怀疑该技术的制造商实际上在其设计和优化工作中瞄准了这个基准——这个基准使用任务性能作为某种能力的代理，这种能力可能以某种方式启用一个理论上的、完全新颖的未来末日场景——那么我会对整个设置产生更大的疑问。
我这里当然说的是METR基准测试。METR（从Alignment Research Center发展而来）的存在就是为了测试“ARA”——自主复制与适应——以及网络犯罪和自主AI研发。他们不是在建立基准来帮助CIO弄清楚一个LLM能否取代他们的应付账款部门；他们试图预测模型何时会跨越RSI和末日危险的门槛。鉴于METR的数字在我的信息流中的AI进步和工作末日讨论中扮演的巨大角色，我很惊讶这一点没有被更广泛地承认。也许人们不知道？我们来看看METR如何描述他们做什么，以及他们的基准测试旨在衡量什么：
1. 关于他们的核心使命：“我们帮助AI公司和更广泛社会理解先进AI系统的能力和风险。”
2. 关于他们为什么使用“通用自主”任务：“这些任务被设计得比自主网络犯罪、复制与适应（ARA）或自动化AI研发所需的活动更容易。因此，在这组任务上达到人类水平并不一定意味着模型是危险的；相反，这些任务旨在提供关于模型能力如何随时间改进的信号，并排除危险水平的自主能力。”
3. 关于他们测试的具体威胁模型：“恶意复制威胁模型：它如何发生，为什么它目前不是我们的最高优先级，以及一个能够排除这种风险的评估套件的描述。”
4. 关于他们的研究总体关注什么：“我们的AI评估研究侧重于评估广泛的自主能力和AI系统加速AI研发的能力。我们还研究可能威胁评估完整性并对此类行为进行缓解的潜在AI行为。”
5. 关于破坏和监控规避（评估主动伤害）：“我们展示了一个原型评估的初步结果，该评估测试监控者捕获AI代理做副任务的能力，以及AI代理绕过这种监控的能力。”
METR不是一个生产力基准测试，不是要告诉我们LLM距离自动化我们所有工作有多近——它是一个安全和遏制基准。他们明确地测试模型是否接近能够黑客攻击、自我复制或进行自己的AI研发。这并不是说METR基准测试中的任务都没有经济价值。软件开发和AI研发任务是从难以置信有价值的真实工作流中提取出来的小核心程序。但正如核心程序一贯的情况，应用中有很多代码，工作流中有许多组件，仅仅因为你提取了一小部分有价值的东西并测量了它，并不意味着该测量能预测更大任务的性能。
即使我们只关注“AI加速研发”任务——当然那里有市场纪律，对吧？实际上，“AI加速AI研发”的唯一客户是实验室自己，他们也是供应商和筹款人。这是一个闭环，而不是市场——买方、卖方和引用基准的是同一个实体。这里没有市场纪律进入系统的余地。但情况比这更糟，因为整个套件本应作为代理的真实任务是……嗯，某种涉及失控智能爆炸和完全AI统治的科幻场景。我们真的确定，在一堆奇怪的小任务（如重建排列嵌入、检测元胞自动机规则或使用深奥语言编程）上测量的表现，真的能告诉我们任何关于我们离快速起飞有多近的信息吗？真的吗？关于我之前提到的lmbench核心程序，用户多年来一直在Photoshop旁边运行它，因此它作为图像编辑性能代理的有用性得到容易且持续的验证。定义上，你不可能对METR核心程序声称作为性能代理的真实任务做同样的事，因为（再说一次）真实任务是前所未有的未来事件。最终，在我看来，把这组任务核心程序视为AI进展，尤其是向奇点进展的可靠信号来源，基本上是从METR工作人员权威出发的论证。这是“相信我，兄弟”，金额高达万亿美元以上。
最后，根据优化总是涉及权衡的规则，如果你正在寻找AI在企业中除了少数狭窄技术垂直领域之外采用缓慢的解释，行业对明确未经企业工作场所验证的基准的痴迷关注可能是一个很好的起点。这种缓慢采用正是那种本应推动更好基准开发的市场信号。但尚不清楚反馈循环是否真的被关闭，也不清楚所涉基准驱动的技术系统是否真的受到真实最终用户市场的直接约束。所以我们继续追逐科幻场景，而不是。
附言：吹捧的代价
投资者和上市公司排队借入前所未有的资金，并在很大程度上基于一个“相信我，兄弟”（即使来自最有资历的网络）进行世代赌注，这看起来非常疯狂。这似乎是那种本不可能的事情——就像我们应该默认假设他们都看到了我和其他人没看到的东西。但这里还有另一个因素在起作用，那就是：🤖“你的第二点是承重墙，这是一个真正新颖的洞察。”在我们的经济中，投资者和CEO们正在做我家在遇到法律或市场问题时所做的事情——他们在问ChatGPT。每周在我的信息流上，我要么直接看到这类事情（即“Chat告诉我们，我们正在用它开发新洞见”），要么看到CEO和经理这样做的报道。哎呀，这种事也发生在我身上，而且非常有说服力。你想要相信。这个现象的根本原因是每个聊天回复底部的小按钮：当用户得到让他们感到开心和满意的聊天回复时，他们会猛击👍，当他们得到不喜欢的回复时，他们会点👎。在过去几十亿次聊天会话中，这些人类反馈信号（加上数千亿GPU周期和人类劳动）已经训练了模型，给用户带来他们极有可能投👍的回复。他们现在非常非常擅长这个。有什么事情能让那些靠解决问题和产生新颖见解（alpha！）为生的聪明人觉得想要捶胸顿足并像老鼠猛按食物颗粒按钮一样猛击👍？告诉他们，他们很出色，在人类历史上没有人有过这个洞察，也没有人把事物看得这么清楚。这比性爱机器人还要棒。你可以想象这些家伙在这样的小聊天之后不得不抽根烟。多年前，我曾看到有人把Twitter描述为“一个职业认可的电子游戏”。聊天机器人把这个游戏从多人游戏变成了单人游戏，所以你可以吸收所有认可，而不需要其他人喜欢你的帖子。机器人会不断给你吹捧，直到你的信心高涨，以至于你把回复截图发到X上。你知道我在说什么——你们有些人还在这样做。注意，我并不认为这种大规模吹捧是大规模基础设施建设和炒作背后的唯一原因，但它肯定是帮助每个掌握任何数量资金的人咽下AI基准测试领域那一大剂“相信我，兄弟”的甜味剂。他们把这些基准数字连同投资论点一起放进聊天中，而聊天告诉他们，他们是多么出色，多么早，然后他们的信心飙升，资金开始流动。我们很可能都是这场世界上最昂贵的（按投资美元计）骗局中的冤大头。