編者按：本文來自微信公眾號(hào)“硅星人Pro”，作者：周一笑，創(chuàng)業(yè)邦經(jīng)授權(quán)轉(zhuǎn)載。

Scaling Law撞墻了，這話AI圈已經(jīng)聽了一年多。

從Gary Marcus的減收益批評(píng)，到坊間關(guān)于 OpenAI下一代模型“Orion” 進(jìn)展不順的傳聞，再到 GPT-5 發(fā)布時(shí)不少人感到“并不驚艷”。進(jìn)步是有的，但沒有那種讓人眼前一亮的躍升。連 Ilya 都說，我們正從擴(kuò)展時(shí)代回到研究時(shí)代。大力出奇跡的配方，似乎真的到頭了。

然后Gemini 3來了。Gemini 3 不只是變強(qiáng)，而是跨越了過去兩年 Google 所有被批評(píng)的點(diǎn)，第一次在全面維度，能力、推理、速度、成本、生態(tài)，真正追上和整體超越 OpenAI?？床坏饺魏螇?。

關(guān)鍵是，Gemini 3不是靠換一套全新架構(gòu)做到的。Google說，突破來自預(yù)訓(xùn)練和后訓(xùn)練兩個(gè)階段的配方升級(jí)。具體怎么升級(jí)的，外界只能猜測(cè)，也許是Google積累了25年的獨(dú)家數(shù)據(jù)終于派上用場(chǎng)，也許是找到了處理數(shù)據(jù)的新技術(shù)。但不管原因是什么，Google愿意公開說"預(yù)訓(xùn)練仍有改進(jìn)空間"，這本身就是一個(gè)信號(hào)：Scaling的兩條主線：預(yù)訓(xùn)練和后訓(xùn)練，都還沒走到頭。

大模型訓(xùn)練變成了“重資產(chǎn)游戲”

Gemini聯(lián)合負(fù)責(zé)人Oriol Vinyals說得更直接：2.5到3.0之間的性能躍遷是他們見過最大的一次，“看不到任何墻”。

同一時(shí)間，馬斯克的xAI宣布其超算集群Colossus已擴(kuò)展到20萬塊GPU，目標(biāo)是100萬塊。OpenAI、Anthropic、微軟也在砸下數(shù)千億美元擴(kuò)建數(shù)據(jù)中心。

如果Scaling Law真的死了，這些人在賭什么？

墻不存在

先看最直接的證據(jù)。

Gemini 3證明了算法改進(jìn)遇上更好的算力，預(yù)訓(xùn)練Scaling依然有效。前DeepMind的研究科學(xué)家Oriol Vinyals把Gemini 3的提升歸功于預(yù)訓(xùn)練和后訓(xùn)練的雙重改進(jìn)，不是換了一套全新的方法論，而是把現(xiàn)有方法做得更好，換句話說，不是Scaling不行了，是之前的方法還不夠好。

黃仁勛提出了一個(gè)更系統(tǒng)的框架：現(xiàn)在有三條Scaling曲線同時(shí)在起作用，預(yù)訓(xùn)練Scaling、后訓(xùn)練Scaling、以及推理時(shí)Scaling（test-time compute）。傳統(tǒng)的預(yù)訓(xùn)練Scaling是用更多數(shù)據(jù)和算力訓(xùn)練更大的模型；后訓(xùn)練Scaling是通過RLHF、DPO等技術(shù)在訓(xùn)練后繼續(xù)優(yōu)化；推理時(shí)Scaling則是讓模型在回答問題時(shí)花更多時(shí)間“思考”，比如OpenAI的o1系列。

Sam Altman在2025年初的博客里寫得更直白。他說，模型的智能水平大致等于用于訓(xùn)練和運(yùn)行它的資源的對(duì)數(shù)。這聽起來像是壞消息，但反過來理解，只要你愿意持續(xù)投入，模型就會(huì)持續(xù)變好。曲線沒有彎曲，只是斜率需要用對(duì)數(shù)坐標(biāo)來理解。

Google DeepMind的CEO Demis Hassabis態(tài)度同樣明確。他在一次公開活動(dòng)上說，現(xiàn)有系統(tǒng)的擴(kuò)展必須推到極限，因?yàn)樗辽贂?huì)是最終AGI系統(tǒng)的關(guān)鍵組成部分，甚至可能就是全部。

如果Scaling Law真的撞墻了，你很難解釋為什么整個(gè)行業(yè)還在以前所未有的速度往里砸錢。這些人在賭什么？即使退一步說，算力可以用于推理而非訓(xùn)練，但這種規(guī)模的投入也需要模型能力的持續(xù)提升來支撐，否則推理什么呢，一個(gè)能力停滯的模型，值得為它建造價(jià)值萬億美元的基礎(chǔ)設(shè)施嗎？

他們吵的不是同一件事

不過，如果你仔細(xì)聽各方的表態(tài)，會(huì)發(fā)現(xiàn)一個(gè)有意思的現(xiàn)象，大家嘴里說的Scaling Law，可能根本不是同一個(gè)東西。

傳統(tǒng)意義上的Scaling Law很簡(jiǎn)單：更多數(shù)據(jù)、更大模型、更多算力，等于更強(qiáng)性能。這是2020年OpenAI那篇著名論文確立的范式，也是過去幾年大模型競(jìng)賽的底層邏輯。如果你說的是這條曲線，那確實(shí)在放緩。數(shù)據(jù)快被用完了，單純堆參數(shù)的邊際收益在下降，這是事實(shí)。

但現(xiàn)在行業(yè)里討論的Scaling，早就不只是這一個(gè)維度了。

黃仁勛提出的三階段框架就是一個(gè)例子。預(yù)訓(xùn)練是第一階段，相當(dāng)于讓模型上大學(xué)，獲取廣泛的基礎(chǔ)知識(shí)。后訓(xùn)練是第二階段，相當(dāng)于讀研，針對(duì)特定領(lǐng)域深造。測(cè)試時(shí)計(jì)算是第三階段，相當(dāng)于讓模型在回答問題之前先想一想，而不是脫口而出。o1、DeepSeek-R1這些推理模型的出現(xiàn)，本質(zhì)上就是在第三階段做文章。

還有一個(gè)更有意思的視角，來自IBM的一檔播客Mixture of Experts。幾位嘉賓討論Gemini 3的時(shí)候提出了一個(gè)觀點(diǎn)：我們是不是應(yīng)該把它叫做Scaling Experimentation Law，而不是Scaling Law？他們的意思是，算力增加的真正作用，不是直接轉(zhuǎn)化成智能，而是讓研究人員能夠更快地跑實(shí)驗(yàn)、試錯(cuò)、迭代。更多的算力等于更快的實(shí)驗(yàn)速度，等于更好的算法，最終等于更強(qiáng)的模型。這才是Scaling的真正含義。所以哪怕繼續(xù)Scale的收益下降，頭部公司也有不能不跟的博弈壓力。

從這個(gè)角度看，Ilya Sutskever說的回歸研究時(shí)代，和其他人說的Scaling Law沒死，其實(shí)并不矛盾。Ilya的意思是，那個(gè)簡(jiǎn)單粗暴的配方用完了，不能再指望光靠堆資源就能出奇跡。但他從來沒說算力不重要，他說的是我們帶著大型計(jì)算機(jī)回到了研究時(shí)代。算力是前提，但不再是唯一的變量。

當(dāng)然，Ilya的表態(tài)也不能完全當(dāng)作純粹的技術(shù)判斷來聽。他現(xiàn)在在做Safe Superintelligence，走的是少商業(yè)化、重基礎(chǔ)研究的路線。說擴(kuò)展時(shí)代結(jié)束、研究時(shí)代回歸，某種程度上也是在為自己的新公司找一個(gè)差異化的敘事。

所以，與其問Scaling死沒死，不如問，哪條曲線在放緩、哪條曲線在加速。

各方立場(chǎng)

說到立場(chǎng)和利益，這場(chǎng)爭(zhēng)論里每個(gè)人的位置其實(shí)都很清楚。

英偉達(dá)是最明顯的。無論Scaling Law怎么演變，無論你是堆預(yù)訓(xùn)練、堆后訓(xùn)練還是堆推理，都需要GPU。三條曲線變成一條還是十條，對(duì)他來說沒區(qū)別，只要大家還在Scaling，他就是賣鏟子的那個(gè)人。所以他當(dāng)然要說沒死，而且要說還有三條。

OpenAI、Google、Anthropic這些模型公司也是一樣。他們正在建造或者規(guī)劃中的數(shù)據(jù)中心，投資規(guī)模是百億甚至千億美元級(jí)別的。這些錢已經(jīng)花出去了，或者已經(jīng)承諾出去了。這時(shí)候說Scaling Law失效，相當(dāng)于說自己在做一筆糟糕的投資。從公司利益的角度，他們必須相信，也必須讓投資人相信，Scaling仍然有效。

馬斯克的xAI也是這個(gè)邏輯。他多次警告，目前 AI 最大的中長(zhǎng)期瓶頸會(huì)從芯片，轉(zhuǎn)向電力生產(chǎn)和電網(wǎng)，數(shù)據(jù)中心和 AI 集群會(huì)在未來幾年吃掉極其可觀的全球電力，對(duì)電網(wǎng)形成硬約束。再結(jié)合他瘋狂堆GPU、建算力超級(jí)工廠／超級(jí)集群的行為，很難說他主觀上相信再堆算力也沒什么提升。

看起來站在另一邊的是Ilya和他的SSI。但仔細(xì)想想，他的位置其實(shí)也合理。SSI融資規(guī)模和OpenAI、Google不在一個(gè)量級(jí)，拼算力拼不過。這時(shí)候說Scaling時(shí)代結(jié)束、研究突破更重要，既是技術(shù)判斷，也是競(jìng)爭(zhēng)策略。他需要讓投資人相信，有另一條路可以通向超級(jí)智能，而那條路也許不需要萬億美元的基礎(chǔ)設(shè)施。

另一種是“世界模型派”，Yann LeCun和李飛飛都認(rèn)為靠現(xiàn)在這一套 LLM 路線，怎么 scale 都很難做出真正AGI。Yann LeCun創(chuàng)辦了一家專注世界模型的公司AMI，他認(rèn)為L(zhǎng)LM很有用，但只是“高級(jí)自動(dòng)補(bǔ)全”，真正通用的智能需要世界模型 + 自監(jiān)督學(xué)習(xí) + 規(guī)劃 + 持久記憶 + 具身交互 的新架構(gòu)。

李飛飛創(chuàng)立的 World Labs 把賭注壓在 world models 和空間智能上，主攻能重建和生成 3D 世界的基礎(chǔ)模型，而不是再做一套更大的聊天 LLM。從這個(gè)意義上說，它們都代表了一條有別于“單純把語言模型做大”的 scaling 路線，世界模型意味著學(xué)到環(huán)境的動(dòng)態(tài)和結(jié)構(gòu)，而不是只學(xué) token。

所以這場(chǎng)爭(zhēng)論，與其說是技術(shù)分歧，不如說是各方在自己的位置上講述對(duì)自己有利的不同版本的故事。

DeepSeek的一句話

在這場(chǎng)爭(zhēng)論里，中國AI公司是一個(gè)特殊的存在，而DeepSeek可能是最有代表性的案例。

過去一年，DeepSeek靠著極高的算力利用效率，用遠(yuǎn)低于硅谷同行的成本做出了能打的模型。這一度被解讀為Scaling Law的反例，你看，不用砸那么多錢也能做出好東西。

但這可能是一個(gè)誤讀。

DeepSeek真正證明的是，架構(gòu)優(yōu)化和工程能力可以讓你在同樣的算力預(yù)算下獲得更好的結(jié)果。用他們自己的話說，是把Scaling曲線往更省算力的方向平移了。但曲線本身還在那里，你想往上走，還是要投入更多資源。

這一點(diǎn)在DeepSeek-V3.2的技術(shù)報(bào)告里說得很清楚。他們?cè)诮Y(jié)論部分直接承認(rèn)，模型在世界知識(shí)廣度上的不足，根本原因是總訓(xùn)練算力比前沿閉源模型少。要補(bǔ)這個(gè)短板，只有一個(gè)辦法，擴(kuò)大預(yù)訓(xùn)練算力。

翻譯成白話：我們要買更多卡了。這可能會(huì)在接下一代模型上應(yīng)驗(yàn)。

對(duì)中國AI公司來說，這是一個(gè)現(xiàn)實(shí)的處境。算法優(yōu)化、工程效率，這些是現(xiàn)階段的護(hù)城河，但不是永久的。長(zhǎng)期來看，如果Scaling Law繼續(xù)有效，算力就是繞不過去的坎。而在芯片受限的情況下，這意味著要么找到其他的路，要么在有限的資源里把效率做到極致。

苦澀的教訓(xùn)：只要我 GPU 足夠多、算力足夠大，我就能碾壓你們

Scaling Law死了，Scaling Law萬歲

回到最初的問題，Scaling Law到底死沒死？

從目前的證據(jù)來看，答案是沒有。Gemini 3的表現(xiàn)、各家公司的持續(xù)投入、技術(shù)演進(jìn)的方向，都指向同一個(gè)結(jié)論，Scaling仍然有效，只是方式變了。

過去那種簡(jiǎn)單粗暴的配方，更大、更多、更強(qiáng)，確實(shí)在遇到瓶頸。但Scaling的內(nèi)涵正在變化。預(yù)訓(xùn)練、后訓(xùn)練、測(cè)試時(shí)計(jì)算，三個(gè)階段都有各自的增長(zhǎng)曲線。算力的價(jià)值也從直接轉(zhuǎn)化成智能，變成了加速實(shí)驗(yàn)和迭代的基礎(chǔ)設(shè)施。

對(duì)頭部廠商而言，Scaling不僅是技術(shù)問題，更是資產(chǎn)負(fù)債表問題。已經(jīng)宣布和在建的數(shù)據(jù)中心項(xiàng)目，未來會(huì)持續(xù)壓在頭上，要求模型能力不斷提高來消化這些投入。

所以這不意味著一切都很樂觀，模型在變強(qiáng)，但變強(qiáng)的速度是否足以支撐當(dāng)前的估值和投資規(guī)模，這是另一個(gè)問題。

華爾街有句話：“趨勢(shì)是你的朋友，直到它不是。”Scaling Law也一樣，它會(huì)一直有效，直到它不有效。但那一天，顯然還沒到來。

本文為專欄作者授權(quán)創(chuàng)業(yè)邦發(fā)表，版權(quán)歸原作者所有。文章系作者個(gè)人觀點(diǎn)，不代表創(chuàng)業(yè)邦立場(chǎng)，轉(zhuǎn)載請(qǐng)聯(lián)系原作者。如有任何疑問，請(qǐng)聯(lián)系editor@cyzone.cn。