Scaling Law 撑得住吗？大模型的'后协和时代'

" bigger is better"——更多数据、更多参数、更多算力，能力就更强。这条被奉为大模型行业铁律的 Scaling Law（规模定律），在过去几年驱动了万亿级投资。但最近两年，行业里出现了一个值得认真对待的追问：这条定律还撑得住吗？

Scaling Law 为什么曾是"铁律"？

2020 年前后，研究者通过系统实验发现一个惊人规律：模型性能与参数量、数据量、算力之间存在平滑的幂律关系——投入越多，损失函数越低，能力越强，几乎"可预测地变强"。

这个发现的产业意义是核弹级的：AI 能力的提升从"碰运气的研究"变成了"可以资本化的工程"。只要钱到位，下一代模型必然比这一代强。过去几年各家激进扩产，底层信心都来自这条曲线。

现在的问题出在哪？

1. 数据墙。训练高质量大模型需要海量高质量文本，而互联网上可用的人类文本总量是有限的。合成数据部分缓解了问题，但"用模型生成的数据训练模型"可能带来质量退化与同质化风险。数据稀缺正在成为最现实的约束。

2. 算力墙。前沿模型的训练成本已达数亿美元量级并继续指数级攀升，电力供应、芯片产能、资金密度都开始触及现实边界。投资回报的压力逐年加重。

3. 收益曲线变缓。通用基准的提升幅度在变小，"下一代比上一代强很多"的感知差在缩小——用户开始分不清 5.0 和 6.0 的区别，这对溢价模式是釜底抽薪。

行业的应对：从"横向变大"到"纵向变深"

Scaling Law 的放缓不是终结，而是换轨。目前三条新赛道已经成型：

测试时计算（Test-time Compute）：不再只靠训练时堆资源，而是让模型在回答时"思考更久"——推理型模型正是这个思路的产物，用推理侧算力换能力。

数据质量工程：从"海量"转向"精选"，高质量推理数据、专业领域数据的价值急剧上升，催生了数据产业的新一轮繁荣。

架构与效率创新：MoE、蒸馏、新架构探索，目标是同样算力下榨出更多智能。

对我们意味着什么

Scaling Law 变缓，短期对用户几乎无感，甚至有利：行业从"军备竞赛"转向"效率竞争"，降价和落地会成为主旋律。长期看，AI 能力的提升曲线不会归零——只是从"粗放增长"进入"精耕时代"。

一个历史类比收尾：航空业百年间速度再也没突破协和客机，但没人说航空业停滞了——它把精力转向了效率、安全与经济性。大模型行业，正在走进自己的"后协和时代"。