据 SemiAnalysis 最新报告，自2024年5月 GPT-4o 发布以来，OpenAI 尚未完成任何一次“面向下一代前沿模型”的大规模预训练部署，其顶尖团队多次尝试扩展参数与数据规模，均因收敛困难或性能倒挂而中途叫停。这导致被外界寄予厚望的 GPT-5系列实质上仍是 GPT-4o 的优化变体，未能实现架构级突破。

与此同时，谷歌 TPUv7已在 Gemini3等模型上完成大规模预训练验证，同等算力集群的总体拥有成本（TCO）比英伟达方案低约30%。SemiAnalysis 指出，OpenAI 甚至“尚未真正部署 TPU”，仅传出评估消息，就迫使英伟达在现有 GPU 集群报价上让步，为 OpenAI 节省约三成成本——侧面凸显 TPU 的性价比优势。

行业观点认为，预训练 Scaling 定律正遭遇数据、算力与模型配方三重瓶颈:优质互联网数据接近枯竭，合成数据成本高达1亿美元/1TB，十万卡集群故障频发，更大规模 MoE 的超参数亦难摸索。OpenAI 的停滞被视为整个赛道进入“后 Scaling 时代”的标志性信号，各家开始转向推理模型、自博弈 RL 与多模态后训练寻求增量突破。