2026年10月28日，布拉格城堡弗拉迪斯拉夫大厅，捷克总统把国家功绩勋章颁给了51位杰出人士，其中有两位布尔诺理工大学校友。一位是做了急救定位应用 Záchranka 的 Filip Maleňák，另一位是自然语言处理领域的先驱 Tomáš Mikolov。如果只看履历，这是一场标准的国家级荣誉表彰；但放进今天大模型狂飙的牌局里看，Mikolov 领奖这件事本身就带着强烈的反差。
他是今天所有大语言模型绕不开的铺路人，却也是当前主流 AI 路线最冷峻的反对派。当硅谷还在为几万张显卡的集群狂欢时，这位在 2013 年端出 Word2vec 的科学家，早就回到了捷克的研究机构，一边创办 BottleCap AI 研究高效率语言模型，一边毫不客气地指出整个行业正在滑向暴力计算的死胡同。
把人类语言塞进数学坐标的人
要看清 Mikolov 为什么敢唱反调，得先看他当年省下了多少算力。2010 年，还在读博的 Mikolov 提出循环神经网络（RNN）语言模型，直接在华尔街日报语音识别任务上把词错率拉低了 18%。在那个刷榜通常按零点几个百分点挪动的年代，这个跌幅相当于直接掀了旧统计模型的桌子。
真正的分水岭在 2013 年。当时在 Google 工作的 Mikolov 团队接连发论文，拿出了 CBOW 和 Skip-gram 两种架构，也就是后来写进所有教材的 Word2vec。紧接着他又补上了负采样和高频词下采样两项技巧，让一台普通机器也能在极短时间内训出高质量的词向量。
从那一刻起，计算机不再把单词当成孤立的字典编号，而是把它们映射成高维空间里的数学坐标，语义关系第一次变成了可以直接加减的向量距离。今天无论是 GPT 还是各类开源大模型，底层把文本转成向量表征的那一步，依然踩在 Mikolov 十多年前铺好的地基上。
为什么铺路人反而不信大力出奇迹
如果顺着 Word2vec 的成功往下走，最顺理成章的剧本是留在科技巨头里继续把模型做大。但行业后来的走向彻底倒向了规模法则（Scaling Law），主流共识变成只要算力、数据和参数规模够大，智能就会自然长出来。我更在意的是，恰恰是亲手打开分布式表征大门的 Mikolov，对这套大力出奇迹的叙事最不买账。
他在公开采访里把话挑得很明，直指现在的神经网络架构卡在内存机制和任务迁移的死穴上。给一个有结构缺陷的引擎焊上十倍大的油箱，车确实能跑得更远，但它永远变不成飞机。在 Mikolov 看来，用几千亿参数把互联网语料硬背下来，掩盖的是底层算法创新的停滞。
算力买得来参数规模，买不来真正的任务迁移。
十九世纪末蒸汽机效率撞上天花板时，工厂主想的是把锅炉造得更大、往里铲更多煤，真正破局的却是内燃机和热力学定律的重写。两者不完全一样，今天的大模型靠堆算力依然能在不少榜单上刷出新分数，但背后的组织惯性一模一样。科技巨头手握百亿美元的资本开支，买卡建机房是确定性最高的军备竞赛，而推倒重来去写一套像康威生命游戏那样靠简单规则自发涌现复杂性的演化系统，太慢，也没法写进下个季度的财报里。
勋章颁给过去，真正的赌注在效率拐点
必须把双方处境说公允。Mikolov 推崇的演化式 AI，目前在工程化落地上还没有展现出能直接替代 Transformer 的成熟方案；而巨头们迷信暴力美学，是因为过去几年算力砸下去确实换回了真金白银的产品代差。
但风向已经在变。当预训练数据的池子快被抽干、砸十倍算力换不回两倍性能提升时，科技公司和研究人员都得重新算账。当年 Word2vec 之所以能横扫工业界，靠的就不是动用全世界的服务器，而是用负采样把原本昂贵的计算砍到人人跑得起。
- 提醒.对正在跟进大模型研发的团队和投资人来说，盲目押注参数扩张的窗口期正在收窄，谁能在有限算力下解决模型的动态记忆与跨任务迁移，谁才握着下一轮洗牌的筹码。
捷克总统在布拉格城堡颁出的这枚勋章，名义上是奖给十多年前那个改变了词向量计算方式的青年学者，实际上却给狂热的 AI 行业立了一块清醒的路标。当年那个把字典压缩进几百维向量里的布尔诺理工毕业生，今天依然在做同一件事——用更巧的数学，去拆解最笨重的算力高墙。