这周值得我们盯住的是 Pathway 的 BDH（后 Transformer 架构）实验：在 10M 到 1B 参数规模上从头训练，效果和 GPT-2 同区间几乎一致。关键是——它跑在普通 GPU 上，没有依赖 H100 集群。

这是什么

BDH 的全称是"Baby Dragon Hatchling"，可以理解为一种模仿人脑神经回路（而非纯数学注意力机制）的网络结构。Pathway 想证明一件事：Transformer（大模型主流架构，所有 GPT、Claude、Llama 都基于此）不是唯一路径，且未必是最优路径。他们在 10M、100M、1B 三档参数下做了对照训练——指标是损失值（loss，数值越低代表模型对数据预测越准），BDH 与 GPT-2 基线几乎重合。

参数规模可以理解为"模型脑容量"：参数量越大，模型理论上能学到的知识越多；1B 大约等于 10 亿参数，GPT-2 最大版本就是 1.5B。

行业怎么看

支持的声音集中在两点：开源可复现——代码权重全部公开，社区已开始跑第二轮验证；如果这条曲线延伸到 10B、100B 还成立，意味着训练成本可能下降一个数量级，AI 中小玩家重新有机会。

但反对意见同样尖锐。多数研究者指出，GPT-2 是 2019 年的水平，今天衡量一个架构是否真正突破，要看能不能打 Claude、Llama 这类现代模型。Reddit 上有评论直接说："追平 6 年前的玩具，没什么意思。"另外，BDH 的推理效率（模型跑起来后回答问题的速度和显存占用）尚未披露——训练便宜不等于部署便宜，这条路还有半张图没画完。

对普通人的影响

对企业 IT：目前还是"知道就行"。架构从实验到生产部署通常隔 18-36 个月，今年企业的算力采购决策不会因此改变。

对个人职场：无直接冲击。但若你负责选型 AI 服务商，未来可以多问一句"你们用的是什么架构"——成本结构正在分化，纯堆 GPU 的方案溢价可能收窄。

对消费市场：短期零感知。长期看，训练成本下降会让中小公司愿意做垂直模型（专门服务于医疗、法律、教育等特定行业的小模型），届时你用到的 AI 产品可能更专业、更便宜。