Scaling Law未死，只是迭代出新形态
Scaling Law遭遇瓶颈的说法，在AI圈已流传一年有余。
从Gary Marcus对收益递减的批判，到坊间关于OpenAI下一代模型“Orion”进展不顺的传闻，再到GPT-5发布时不少人觉得“不够惊艳”。进步确实存在，却缺乏令人眼前一亮的飞跃。就连Ilya也表示，行业正从扩展时代回归研究时代。那种“大力出奇迹”的模式，似乎真的走到了尽头。
然而Gemini 3的出现打破了这一局面。Gemini 3不仅性能提升，更跨越了过去两年Google被诟病的所有短板，首次在能力、推理、速度、成本、生态等全维度上，真正追平并整体超越OpenAI，丝毫不见瓶颈的迹象。
关键在于，Gemini 3并非依赖全新架构实现突破。Google称，其进步源于预训练与后训练阶段的配方升级。具体升级细节外界虽只能猜测——或许是Google积累25年的独家数据终于派上用场，或许是找到了处理数据的新技术——但Google公开表示“预训练仍有改进空间”这一点，本身就是明确信号：Scaling的两大主线，预训练与后训练，均未走到终点。
大模型训练已演变为“重资产游戏”
Gemini联合负责人Oriol Vinyals直言，Gemini 2.5到3.0的性能跃迁是团队见过最大的一次，“看不到任何瓶颈”。
与此同时，马斯克的xAI宣布其超算集群Colossus已扩展至20万块GPU，目标直指100万块。OpenAI、Anthropic、微软也在砸下数千亿美元扩建数据中心。
若Scaling Law真的失效，这些企业究竟在赌什么？
瓶颈并不存在
先看最直接的证据。
Gemini 3证明，算法改进结合更优算力，预训练Scaling依然奏效。前DeepMind研究科学家Oriol Vinyals将Gemini 3的提升归功于预训练与后训练的双重优化，并非采用全新方法论，而是把现有方法打磨得更完善。换句话说，不是Scaling本身不行，而是此前的方法尚有提升空间。
黄仁勋提出了更系统的框架：当前有三条Scaling曲线并行，即预训练Scaling、后训练Scaling以及推理时Scaling（test-time compute）。传统预训练Scaling是通过更多数据、算力训练更大模型；后训练Scaling则借助RLHF、DPO等技术在训练后持续优化；推理时Scaling让模型在回答问题前“思考”更久，比如OpenAI的o1系列。
Sam Altman在2025年初的博客中说得更直白：模型的智能水平大致等同于训练与运行它的资源的对数。这看似是坏消息，但反过来理解，只要持续投入资源，模型就会不断进步。曲线并未弯曲，只是斜率需用对数坐标来解读。
Google DeepMind CEO Demis Hassabis态度明确，他在公开活动中表示，现有系统的扩展必须推向极限，因为它至少是最终AGI系统的关键组成部分，甚至可能就是全部。
若Scaling Law真的碰壁，很难解释为何全行业仍在以前所未有的速度投入资金。这些企业在赌什么？即便退一步说，算力可用于推理而非训练，但如此规模的投入也需要模型能力持续提升来支撑——一个能力停滞的模型，值得为其建造万亿美元级的基础设施吗？
各方争论的并非同一概念
不过仔细分析各方表态会发现，大家口中的Scaling Law或许并非同一概念。
传统Scaling Law很简单：更多数据、更大模型、更多算力，对应更强性能。这是2020年OpenAI那篇著名论文确立的范式，也是过去几年大模型竞赛的底层逻辑。若指的是这条曲线，其增速确实在放缓。数据接近耗尽，单纯堆砌参数的边际收益下降，这是不争的事实。
但如今行业讨论的Scaling，早已不局限于这一维度。
黄仁勋提出的三阶段框架便是例证。预训练是第一阶段，如同让模型上大学，获取广泛基础知识；后训练是第二阶段，类似读研，针对特定领域深造；测试时计算是第三阶段，好比让模型在回答问题前先思考，而非脱口而出。o1、DeepSeek-R1等推理模型的出现，本质上就是在第三阶段发力。
还有一个有趣的视角来自IBM播客《Mixture of Experts》。几位嘉宾讨论Gemini 3时提出：是否应将其称为“Scaling Experimentation Law”而非“Scaling Law”？他们认为，算力增加的真正作用并非直接转化为智能，而是让研究人员更快地开展实验、试错与迭代。更多算力意味着更快的实验速度、更优的算法，最终带来更强的模型——这才是Scaling的真正内涵。因此，即便继续扩展的收益下降，头部企业也因博弈压力不得不跟进。
从这个角度看，Ilya Sutskever所说的回归研究时代，与其他人认为的Scaling Law未死，其实并不矛盾。Ilya想表达的是，那种简单粗暴的模式已过时，不能再指望仅靠堆砌资源创造奇迹。但他从未否认算力的重要性，而是强调“带着大型计算机回到研究时代”。算力是前提，却不再是唯一变量。
当然，Ilya的表态也不能完全当作纯粹的技术判断。他目前在做Safe Superintelligence（SSI），走的是轻商业化、重基础研究的路线。称扩展时代结束、研究突破更重要，既是技术判断，也是竞争策略。他需要让投资人相信，存在另一条通往超级智能的路径，且这条路径或许不需要万亿美元的基础设施。
另一类是“世界模型派”，Yann LeCun和李飞飞都认为，依靠当前LLM路线，无论如何扩展都难以实现真正的AGI。Yann LeCun创办了专注世界模型的公司AMI，他认为LLM虽有用，却只是“高级自动补全”，真正通用的智能需要“世界模型+自监督学习+规划+持久记忆+具身交互”的新架构。
李飞飞创立的World Labs押注于世界模型与空间智能，主攻能重建和生成3D世界的基础模型，而非再做一套更大的聊天LLM。从这个意义上说，它们代表了有别于“单纯做大语言模型”的扩展路线——世界模型意味着学习环境的动态与结构，而非仅学习token。
因此这场争论，与其说是技术分歧，不如说是各方基于自身立场讲述对自己有利的故事。
DeepSeek的关键观点
在这场争论中，中国AI公司是特殊的存在，而DeepSeek可能是最具代表性的案例。
过去一年，DeepSeek凭借极高的算力利用效率，以远低于硅谷同行的成本打造出有竞争力的模型。这一度被解读为Scaling Law的反例——看，不用砸那么多钱也能做出好模型。
但这或许是一种误读。
DeepSeek真正证明的是，架构优化与工程能力可让企业在相同算力预算下获得更好结果。用他们自己的话说，是将Scaling曲线向更省算力的方向平移。但曲线本身依然存在，若想提升性能，仍需投入更多资源。
这一点在DeepSeek-V3.2的技术报告中表述得很清楚。结论部分直接承认，模型在世界知识广度上的不足，根本原因是总训练算力少于前沿闭源模型。要弥补这一短板，唯一办法就是扩大预训练算力。
通俗来讲：我们要采购更多算力卡了。这一趋势可能会在下一代模型中得到验证。
对中国AI公司而言，这是现实处境。算法优化与工程效率是现阶段的护城河，却非永久优势。长期来看，若Scaling Law持续有效，算力便是绕不开的关卡。在芯片受限的情况下，这意味着要么找到其他路径，要么在有限资源中把效率做到极致。
残酷的现实是：只要我的GPU足够多、算力足够大，就能碾压对手。
Scaling Law未死，只是迭代出新形态
回到最初的问题：Scaling Law到底死了吗？
从现有证据看，答案是否定的。Gemini 3的表现、各家企业的持续投入、技术演进的方向，都指向同一结论：Scaling依然有效，只是形态发生了变化。
过去那种“更大、更多、更强”的简单模式，确实遇到了瓶颈。但Scaling的内涵正在演变，预训练、后训练、测试时计算三个阶段各有增长曲线。算力的价值也从直接转化为智能，转变为加速实验与迭代的基础设施。
对头部厂商而言，Scaling不仅是技术问题，更是资产负债表问题。已宣布和在建的数据中心项目，未来会持续带来压力，要求模型能力不断提升以消化这些投入。
这并不意味着前景一片乐观，模型虽在变强，但变强的速度能否支撑当前的估值与投资规模，是另一个需要探讨的问题。
华尔街有句名言：“趋势是你的朋友，直到它不是。”Scaling Law亦是如此，它会一直有效，直到失效的那一天——但显然，那一天尚未到来。
本文来自微信公众号“硅星人Pro”，作者：周一笑，36氪经授权发布。
本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。
免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com