Scaling Law 撞墙了酒泉塑料挤出设备，这话 AI 圈已经听了一年多。
从 Gary Marcus 的减收益批评，到坊间关于 OpenAI 下一代模型" Orion " 进展不顺的传闻，再到 GPT-5 发布时不少人感到"并不惊艳"。进步是有的，但没有那种让人眼前一亮的跃升。连 Ilya 都说，我们正从扩展时代回到研究时代。大力出奇迹的配方，似乎真的到头了。
然后 Gemini 3 来了。Gemini 3 不只是变强，而是跨越了过去两年 Google 所有被批评的点，一次在维度，能力、推理、速度、成本、生态，真正追上和整体越 OpenAI。看不到任何墙。
关键是，Gemini 3 不是靠换一套全新架构做到的。Google 说，突破来自预训练和后训练两个阶段的配方升级。具体怎么升级的，外界只能猜测，也许是 Google 积累了 25 年的家数据终于派上用场，也许是找到了处理数据的新技术。但不管原因是什么，Google 愿意公开说 " 预训练仍有改进空间 "，这本身就是一个信号：Scaling 的两条主线：预训练和后训练，都还没走到头。
大模型训练变成了"重资产游戏"
Gemini 联负责人 Oriol Vinyals 说得更直接：2.5 到 3.0 之间的能跃迁是他们见过大的一次，"看不到任何墙"。
同一时间，马斯克的 xAI 宣布其算集群 Colossus 已扩展到 20 万块 GPU，目标是 100 万块。OpenAI、Anthropic、微软也在砸下数千亿美元扩建数据中心。
如果 Scaling Law 真的死了，这些人在赌什么？
墙不存在酒泉塑料挤出设备
先看直接的证据。
Gemini 3 证明了算法改进遇上更好的算力，预训练 Scaling 依然有。前 DeepMind 的研究科学家 Oriol Vinyals 把 Gemini 3 的提升归功于预训练和后训练的双重改进，不是换了一套全新的方法论，而是把现有方法做得更好，换句话说，不是 Scaling 不行了，是之前的方法还不够好。
黄仁勋提出了一个更系统的框架：现在有三条 Scaling 曲线同时在起作用，预训练 Scaling、后训练 Scaling、以及推理时 Scaling（test-time compute）。传统的预训练 Scaling 是用更多数据和算力训练更大的模型；后训练 Scaling 是通过 RLHF、DPO 等技术在训练后继续优化；推理时 Scaling 则是让模型在回答问题时花更多时间"思考"，比如 OpenAI 的 o1 系列。
Sam Altman 在 2025 年初的博客里写得更直白。他说，模型的智能水平大致等于用于训练和运行它的资源的对数。这听起来像是坏消息，但反过来理解，只要你愿意持续投入，模型就会持续变好。曲线没有弯曲，只是斜率需要用对数坐标来理解。
Google DeepMind 的 CEO Demis Hassabis 态度同样明确。他在一次公开活动上说，现有系统的扩展须推到限，因为它至少会是终 AGI 系统的关键组成部分，甚至可能就是全部。
如果 Scaling Law 真的撞墙了，你很难解释为什么整个行业还在以前所未有的速度往里砸钱。这些人在赌什么？即使退一步说，算力可以用于推理而非训练，但这种规模的投入也需要模型能力的持续提升来支撑，否则推理什么呢，一个能力停滞的模型，值得为它建造价值万亿美元的基础设施吗？
他们吵的不是同一件事
不过酒泉塑料挤出设备，如果你仔细听各方的表态，会发现一个有意思的现象，大家嘴里说的 Scaling Law，可能根本不是同一个东西。
传统意义上的 Scaling Law 很简单：更多数据、更大模型、更多算力，等于更强能。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。如果你说的是这条曲线，那确实在放缓。数据快被用完了，单纯堆参数的边际收益在下降，这是事实。
但现在行业里讨论的 Scaling，早就不只是这一个维度了。
黄仁勋提出的三阶段框架就是一个例子。预训练是一阶段，相当于让模型上大学，获取广泛的基础知识。后训练是二阶段，相当于读研，针对特定域深造。测试时计算是三阶段，相当于让模型在回答问题之前先想一想，而不是脱口而出。o1、DeepSeek-R1 这些推理模型的出现，本质上就是在三阶段做文章。
还有一个更有意思的视角，来自 IBM 的一档播客 Mixture of Experts。几位嘉宾讨论 Gemini 3 的时候提出了一个观点：我们是不是应该把它叫做 Scaling Experimentation Law，而不是 Scaling Law？他们的意思是，算力增加的真正作用，不是直接转化成智能，而是让研究人员能够更快地跑实验、试错、迭代。更多的算力等于更快的实验速度，等于更好的算法，终等于更强的模型。这才是 Scaling 的真正含义。所以哪怕继续 Scale 的收益下降，头部公司也有不能不跟的博弈压力。
从这个角度看，Ilya Sutskever 说的回归研究时代，和其他人说的 Scaling Law 没死，其实并不矛盾。Ilya 的意思是，那个简单粗暴的配方用完了，不能再指望光靠堆资源就能出奇迹。但他从来没说算力不重要，他说的是我们带着大型计算机回到了研究时代。算力是前提，但不再是唯一的变量。
当然，Ilya 的表态也不能完全当作纯粹的技术判断来听。他现在在做 Safe Superintelligence，走的是少商业化、重基础研究的路线。说扩展时代结束、研究时代回归，某种程度上也是在为自己的新公司找一个差异化的叙事。
所以，与其问 Scaling 死没死，不如问，哪条曲线在放缓、哪条曲线在加速。
各方立场酒泉塑料挤出设备
说到立场和利益，这场争论里每个人的位置其实都很清楚。
真正的功夫修炼，不仅需要外在的努力，更需要内在的悟。只有将“求”与“悟”结起来，才能达到功夫的至臻境界。无论是学习、工作还是生活，在勤奋努力的同时，塑料管材设备更要注重内心的觉醒和悟！
真正的功夫修炼，不仅需要外在的努力，更需要内在的悟。只有将“求”与“悟”结起来，才能达到功夫的至臻境界。无论是学习、工作还是生活，在勤奋努力的同时，更要注重内心的觉醒和悟！
释义：以柔韧成就刚强，守弱处反得强大；道家辩证法。
正如心理学家卡伦·霍妮在《自我分析》中揭示的："人大的恶意，往往包裹在温情的糖衣里。"
子服景伯以告，曰：“夫子固有惑志于公伯寮，吾力犹能肆诸市朝。”
英伟达是明显的。无论 Scaling Law 怎么演变，无论你是堆预训练、堆后训练还是堆推理，都需要 GPU。三条曲线变成一条还是十条，对他来说没区别，只要大家还在 Scaling，他就是卖铲子的那个人。所以他当然要说没死，而且要说还有三条。
OpenAI、Google、Anthropic 这些模型公司也是一样。他们正在建造或者规划中的数据中心，投资规模是百亿甚至千亿美元级别的。这些钱已经花出去了，或者已经承诺出去了。这时候说 Scaling Law 失，相当于说自己在做一笔糟糕的投资。从公司利益的角度，他们须相信，也须让投资人相信，Scaling 仍然有。
马斯克的 xAI 也是这个逻辑。他多次警告，目前 AI 大的中长期瓶颈会从芯片，转向电力生产和电网，数据中心和 AI 集群会在未来几年吃掉其可观的全球电力酒泉塑料挤出设备，对电网形成硬约束。再结他疯狂堆 GPU、建算力级工厂／级集群的行为，很难说他主观上相信再堆算力也没什么提升。
看起来站在另一边的是 Ilya 和他的 SSI。但仔细想想，他的位置其实也理。SSI 融资规模和 OpenAI、Google 不在一个量级，拼算力拼不过。这时候说 Scaling 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，有另一条路可以通向级智能，而那条路也许不需要万亿美元的基础设施。
另一种是"世界模型派"，Yann LeCun 和李飞飞都认为靠现在这一套 LLM 路线，怎么 scale 都很难做出真正 AGI。Yann LeCun 创办了一家注世界模型的公司 AMI，他认为 LLM 很有用，但只是"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 把赌注压在 world models 和空间智能上，主攻能重建和生成 3D 世界的基础模型，而不是再做一套更大的聊天 LLM。从这个意义上说，它们都代表了一条有别于"单纯把语言模型做大"的 scaling 路线，世界模型意味着学到环境的动态和结构，而不是只学 token。
所以这场争论，与其说是技术分歧，不如说是各方在自己的位置上讲述对自己有利的不同版本的故事。
DeepSeek 的一句话
在这场争论里，中国 AI 公司是一个特殊的存在，而 DeepSeek 可能是有代表的案例。
过去一年，DeepSeek 靠着高的算力利用率，用远低于硅谷同行的成本做出了能打的模型。这一度被解读为 Scaling Law 的反例，你看，不用砸那么多钱也能做出好东西。
但这可能是一个误读。
DeepSeek 真正证明的是，架构优化和工程能力可以让你在同样的算力预算下获得更好的结果。用他们自己的话说，是把 Scaling 曲线往更省算力的方向平移了。但曲线本身还在那里，你想往上走，还是要投入更多资源。
这一点在 DeepSeek-V3.2 的技术报告里说得很清楚。他们在结论部分直接承认，模型在世界知识广度上的不足，根本原因是总训练算力比前沿闭源模型少。要补这个短板，只有一个办法，扩大预训练算力。
翻译成白话：我们要买更多卡了。这可能会在接下一代模型上应验。
对中国 AI 公司来说，这是一个现实的处境。算法优化、工程率，这些是现阶段的护城河，但不是永久的。长期来看，如果 Scaling Law 继续有，算力就是绕不过去的坎。而在芯片受限的情况下，这意味着要么找到其他的路，要么在有限的资源里把率做到致。
苦涩的教训：只要我 GPU 足够多、算力足够大，我就能碾压你们
Scaling Law 死了，Scaling Law 万岁
回到初的问题，Scaling Law 到底死没死？
从目前的证据来看，答案是没有。Gemini 3 的表现、各家公司的持续投入、技术演进的方向，都指向同一个结论，Scaling 仍然有，只是方式变了。
过去那种简单粗暴的配方，更大、更多、更强，确实在遇到瓶颈。但 Scaling 的内涵正在变化。预训练、后训练、测试时计算，三个阶段都有各自的增长曲线。算力的价值也从直接转化成智能，变成了加速实验和迭代的基础设施。
对头部厂商而言，Scaling 不仅是技术问题，更是资产负债表问题。已经宣布和在建的数据中心项目，未来会持续压在头上，要求模型能力不断提高来消化这些投入。
所以这不意味着一切都很乐观，模型在变强，但变强的速度是否足以支撑当前的估值和投资规模，这是另一个问题。
华尔街有句话："趋势是你的朋友酒泉塑料挤出设备，直到它不是。" Scaling Law 也一样，它会一直有，直到它不有。但那一天，显然还没到来。
