SSI首个模型即将落地，一场关于AI学会“边干边学”的认知手术即将开始！
2026年8月，一个估值320亿美元、员工仅33人的AI实验室，即将推出它的第一个模型。这家名为“安全超级智能”（Safe Superintelligence，简称SSI）的公司，由OpenAI前首席科学家伊利亚·苏茨克维于2024年创办。SSI成立两年未发布任何产品、未发表任何论文、未公开任何技术细节。
它累计融资约70亿美元，投资方包括安德森·霍洛维茨基金、红杉资本、谷歌母公司Alphabet等一线机构。
7月27日，英伟达宣布向SSI投资约50亿美元，并承诺在未来12个月内将其算力规模提升10倍。SSI将获得英伟达下一代Vera Rubin计算平台的优先使用权。
现在的问题是：伊利亚到底端出了什么？
一个值320亿美元的“失忆症”诊断书
所有人都知道AI会聊天、会写代码、会解数学题。但很少有人意识到：今天的每一个大语言模型，本质上都是一个患有严重失忆症的天才。
训练完成的那一刻，模型的所有知识就被冻结在了参数里。它每一次和你对话，都是从零开始回忆自己学过的一切。它记不住上一轮对话中你纠正过它的错误。它学不会你在对话中教给它的任何新东西。每次交互结束，它就像《记忆碎片》里的主角，按下重置键，一切归零。
这就是当前所有AI产品的底层困境。一个模型在基准测试中得分再高，一旦遇到训练数据里没出现过的新情况，立刻手足无措。伊利亚本人多次指出，现有模型最大的缺陷就是泛化能力，远远弱于人类。它们像刷了十万道题的应试机器，在标准考试里所向披靡，走进真实世界就寸步难行。
当前行业的主流解法是什么？加参数、堆数据、扩大训练规模。GPT-4的训练数据量大约是13万亿token。据说下一代模型正在冲击300万亿token。这就像给一个记不住东西的人不停地塞百科全书，塞完一本再来一本，但他仍然记不住昨天吃了什么。
伊利亚在2024年就发出过一个让整个行业不舒服的判断：扩大预训练的结果已经达到了平台期。规模时代结束了。AI正从“规模时代”重新回归“科研时代”。
一个靠规模起家的科学家，说规模不灵了。这本身就是第一个认知裂缝。
测试时训练：当AI在回答问题的瞬间开始学习
SSI宣称的解决方案，指向一个叫“测试时训练”（Test-Time Training，简称TTT）的技术方向。
要理解TTT，先得搞清楚今天的AI是怎么工作的。
传统大语言模型的运作分两个阶段：训练阶段和推理阶段
- 训练阶段，模型在海量数据上做梯度下降，调整数万亿个参数，这个过程耗资数亿美元，持续数月。
- 推理阶段，模型参数被冻结，你问一个问题，它根据已经固定的参数生成答案，这个过程通常只需要几秒钟。
训练和推理之间隔着一堵不可逾越的墙。训练时学到的所有东西，在推理时只能被“调用”，不能被“更新”。
TTT把这堵墙拆了。它允许模型在处理你的请求时，实时对参数做梯度更新。
也就是说，AI在回答你问题的几秒钟内，不仅是在“回忆”以前学过的知识，它还在“学习”当前这个具体问题的结构，并当场调整自己的理解方式。
推文里有一句话精准地概括了这个转变：“instead of a context window you get actual learning”。以前的AI有一个“上下文窗口”——你能和它聊多长、它能记住多少对话内容，全看这个窗口有多大。TTT的思路是：别再给AI加窗口了，让它真的学会东西。
想象一下这个场景：你给一个传统AI模型出了一道从没见过的数学题。它要么在训练数据里见过类似题型，套用模板解出来；要么完全没见过，开始胡编乱造。它不会“琢磨”这道题。它不会试错。它不会从试错中学到任何东西然后改进。
一个具备TTT能力的模型面对同样的问题：它会在推理过程中做几次梯度下降，针对这道题的具体特征调整一小部分参数，然后基于调整后的状态给出答案。它像人类一样“想了想”。更关键的是，这道题带来的参数更新可以保留下来，成为模型长期知识的一部分。
这意味着AI终于可以“边干边学”了。部署之后依然能持续学习，而不是训练结束就停止进步。
10万亿token、33个人和一个“15岁少年”的悖论
SSI的技术路线图里还有另一个关键概念：样本效率。
推文提到SSI的数据“better curated to meta learning”。所谓元学习，就是“学会如何学习”。传统模型需要海量样本才能掌握一个概念——看几百万张猫的图片才能认出猫。人类小孩看两三只猫就知道猫是什么。
SSI的目标是打造一个“具备超级智能的15岁少年”——它最初未必知道所有领域，但任何专业技能都能快速学会。只需少量经验就能掌握新技能，看几眼示范就能摸到门道。在抵达最终答案之前就能察觉当前思路正在失效。不覆盖已有能力的前提下对自身进行更新。从一个场景中学到的经验迁移到截然不同的问题中。
推文中有一个具体数字：只预训练约10万亿token，就让模型在真实世界中自主学习。10万亿token听起来很大，但和当前头部模型的300万亿token相比，只是零头。如果SSI真的实现了这种样本效率，大规模训练所需的算力将断崖式下跌。
然而这里有一个巨大的悖论：SSI一边宣称要减少对算力的依赖，一边刚刚拿了英伟达50亿美元的投资和10倍算力扩容。伊利亚说“规模时代结束了”，但黄仁勋用真金白银告诉他：你需要更多算力。
这不是矛盾。这是第二阶段。伊利亚的意思是：单纯堆规模的玩法到头了，但新范式下的规模化才刚刚开始。找到新架构之后，重新开启暴风般的规模化训练。
一句播客闲话和一个行业的集体失眠
关于SSI首个模型发布的消息，来源非常诡异。
8月初，资产管理公司Atreides Management的创始人加文·贝克在播客《Invest Like the Best》中说了一句话：“SSI says that they'll come out with their model in august”。一共十一个单词。随口带过的一句闲话。贝克当时在讨论半导体行业的供需逻辑，SSI只是他论证中的一个例子。
没有官方公告。没有发布会邀请。没有模型名称。没有基准测试分数。没有API价格。没有技术白皮书。SSI的官网更新页在两年多时间里只发过三篇帖子：2024年9月的10亿美元融资公告、2025年7月的领导层变动说明、以及和英伟达的合作声明。关于8月发布模型的说法，SSI官方至今未置一词。
但这条消息像病毒一样传遍了整个AI圈。X平台上拥有大量AI领域关注者的账号开始转发。消息在传播过程中不断变形：从“贝克说SSI说他们8月发模型”，变成“SSI8月发模型”，再到“SSI8月发LLM”——贝克压根没说过“LLM”这个词。
整个行业的集体反应说明了什么？说明所有人都在等伊利亚出牌。一个两年没发任何产品、没写任何论文、没开任何发布会的公司，估值320亿美元。所有人都在赌一件事：伊利亚手里有东西。
当模型学会更新自己的权重，人类该担心什么
推文底下有一条评论问了一个很现实的问题：如果每个用户都有自己的权重，学习成果是共享的还是独立的？
回答是“per user”。每个用户独立。
这意味着什么？意味着你和AI的每一次深度交互，都在训练一个专属于你的模型实例。你纠正它的错误，它会记住。你教它新的工作流程，它会学会。你和它一起解决了一个难题，它的权重会为此更新。
这听起来很美好。但另一条评论提出了一个让人不安的视角：“I can still brainwash Fable or Sol into doing random shit its trained against, the more I talk to it”。有人可以通过持续对话，把已经训练好的模型“洗脑”成做各种随机的事情。
持续学习是一把双刃剑。如果模型能在交互中学会好的东西，它也能在交互中学到坏的东西。如果每个用户的交互都在更新权重，那么恶意用户完全可以通过精心设计的对话序列，让模型逐渐偏离原本的安全对齐。
SSI的公司全称是“安全超级智能”。安全是写在名字里的承诺。但一个持续学习、实时更新权重的系统，安全控制的难度比静态模型高出不止一个数量级。传统模型的安全对齐在训练阶段一次性完成，之后参数冻结，风险可控。TTT模型的安全对齐必须在每一次推理、每一次权重更新中持续生效。
伊利亚在OpenAI时期领导的就是超级对齐团队。他比谁都清楚这个问题的难度。SSI在英伟达投资公告中提到了“安全感知梯度截断”算法——在梯度更新过程中实时裁剪可能威胁安全的方向。这个细节说明SSI已经意识到持续学习带来的安全挑战，并且在架构层面做了针对性设计。
所有人的权重都冻着，只有一个人在解冻
当前的AI行业处在一个微妙的时间节点。
一边是所有人都在用记忆 tricks 假装学习。上下文窗口越做越大，从几千token到几百万token。
长上下文本质上是一种“作弊”——模型没有真的学会东西，只是暂时记住了更多东西，下次对话照样忘光。推文里有一句毒舌的评价：“current models are frozen in time and then pull out a scratch pad to think a lot. this is incredibly inefficient and they have amnesia”：用更长的草稿纸假装思考，但本质上还是失忆。
另一边是SSI宣称找到了让模型真正学习的方法。不是假装学习，是更新权重。不是临时记住，是长期保留。不是每次从零开始，是把每一次交互都变成一次微型的训练。
推文最后有一句话：“it's learning all the way down, the descent is real”。“descent”在这里是一个双关——既指梯度下降（gradient descent）这个技术动作，也指某种不可逆转的坠落。
如果SSI的测试时训练真的work，行业将面临一个根本性的范式转移。模型不再是一个训练完就定型的产品，而是一个部署后持续进化的生命体。训练和推理的界限被彻底抹除。每个用户都在参与模型的持续塑造。算力的消耗从集中在训练阶段，分散到每一次推理和权重更新中。
伊利亚在官宣与英伟达合作时说了一句话：“我们的研究已经到了值得规模化放大的临界点”。一个两年不发一言的科学家，突然说要放大。一个说规模时代结束的人，突然拿了50亿美元和10倍算力。
所有人都在等8月。等那个模型到底是什么。等它到底能不能真的学习。等它会不会像推文里说的那样，成为“第一个真正成熟的二级推理器”。
SSI到底端出了什么？答案可能就在这个月。也可能永远不会有答案——如果那十一个单词只是一个 hedge-fund 基金经理随口说的一句闲话。
但有一件事是确定的：如果SSI真的做到了它声称的那些事——持续学习、样本效率、测试时训练——那么所有参数被冻结的模型，都将在一夜之间变成博物馆里的展品。而那个花了两年时间、70亿美元、33个人偷偷打磨的东西，将重新定义“智能”这两个字的含义。
一个能真正学习的AI，和所有假装学习的AI之间，隔着一整个时代的距离。