近一年来，“Scaling Law撞墙”的论调在AI圈不绝于耳。从Gary Marcus对模型收益递减的尖锐批评，到OpenAI下一代模型“Orion”进展不顺的传闻，再到GPT-5发布后市场“不够惊艳”的普遍反馈，似乎都在印证：曾经“大力出奇迹”的大模型迭代配方，已然走到尽头。就连OpenAI联合创始人Ilya Sutskever都公开表态，行业正从“扩展时代”回归“研究时代”，更让这一论调多了几分权威性。
然而，Gemini 3的横空出世，直接给“撞墙论”泼了一盆冷水。这款模型的突破绝非简单的性能提升，而是全方位补齐了过去两年Google被诟病的所有短板——从核心能力、逻辑推理，到响应速度、成本控制，再到生态适配，首次实现了对OpenAI的全面追平乃至超越。更关键的是，这份突破并非源于颠覆性的全新架构，而是来自预训练与后训练阶段的配方升级。Google敢公开宣称“预训练仍有改进空间”，这一信号本身就极具分量：Scaling的核心主线从未中断，只是需要更精细的玩法。
大模型训练变成了“重资产游戏”
行业对Scaling Law的争议，本质上是对“Scaling内涵”的理解偏差。传统Scaling Law的逻辑极其直白：更大的模型、更多的数据、更强的算力，必然对应更优的性能。这一由OpenAI 2020年论文确立的范式，支撑了过去数年的大模型竞赛，但如今确实显现疲态——高质量数据濒临耗尽，单纯堆参数的边际收益持续下滑，这是无法否认的事实。但这并不等同于Scaling的终结，而是意味着行业进入了“多维Scaling”的新阶段。
英伟达CEO黄仁勋提出的三阶段Scaling框架，精准概括了这一进化趋势：预训练Scaling、后训练Scaling与推理时Scaling(test-time compute)。三者如同大模型的“成长三部曲”：预训练是“打基础”，通过广泛数据输入构建通用知识体系;后训练是“精深造”，借助RLHF、DPO等技术实现特定领域能力优化;推理时Scaling则是“练思维”，让模型在作答前预留足够时间深度思考，OpenAI的o1系列正是这一方向的典型代表。Sam Altman在2025年初的博客中更直接点破核心：模型智能水平与训练运行资源的对数成正比，这意味着只要持续投入，能力就会稳步提升，曲线从未弯曲，只是需要用更精准的坐标去解读。
更有突破性的视角来自IBM播客《Mixture of Experts》的嘉宾观点：或许我们该将其重新定义为“Scaling Experimentation Law”(实验扩展定律)。在他们看来，算力增长的核心价值并非直接转化为智能，而是大幅提升研究效率——更多算力意味着更快的实验迭代、更高效的试错筛选，最终催生出更优的算法，进而转化为更强的模型。这也解释了为何即便单维度Scaling收益下滑，头部企业仍不惜血本加码：算力不仅是技术变量，更是实验效率的核心支撑，在竞争白热化的赛道上，“慢一步就可能被淘汰”的博弈压力，让企业无法停下投入的脚步。
从这个角度看，Ilya的“回归研究时代”与行业主流的“Scaling未死”并不矛盾。Ilya反对的是“简单粗暴堆资源”的旧配方，而非否定算力的价值——他强调的是“带着大型计算机回到研究时代”，算力是基础前提，但不再是唯一变量。当然，这一表态也暗含商业叙事考量：其新创办的Safe Superintelligence(SSI)走的是轻商业化、重基础研究的路线，“扩展时代结束”的论调，恰好为其构建了差异化的竞争定位。
这场争议的背后，是各方基于自身立场的利益博弈，每个人的表态都自带“立场滤镜”。英伟达无疑是最大的受益者，无论Scaling朝着哪个维度演进，预训练、后训练还是推理优化，最终都离不开GPU的支撑。对“卖铲子”的英伟达而言，Scaling曲线的数量无关紧要，只要行业仍在追求Scaling，它就稳赚不赔，这也是其力证“Scaling仍有三条曲线”的核心原因。
OpenAI、Google、Anthropic等模型厂商的立场同样清晰。它们已启动或规划的数据中心项目，投资规模动辄百亿、千亿美元级别，这些资金要么已落地，要么已作出承诺。此时若承认“Scaling Law失效”，无异于否定自身投资的合理性，因此它们必须坚信并向投资人传递“Scaling仍有效”的信号。马斯克的xAI也遵循这一逻辑：即便他多次警告AI未来将面临电力与电网的硬约束，却仍在疯狂扩充Colossus超算集群，目标直指100万块GPU——若不相信算力投入能转化为能力突破，这般大规模布局便毫无意义。
站在对立面的阵营也各有考量。Ilya的SSI融资规模远不及硅谷巨头，无法在算力竞赛中正面抗衡，因此“研究突破比规模扩张更重要”的论调，既是技术判断，也是差异化竞争的策略。而以Yann LeCun、李飞行为代表的“世界模型派”，则从根本上质疑当前LLM路线的上限——他们认为LLM再怎么Scaling，也只是“高级自动补全工具”，真正的AGI需要世界模型、自监督学习、规划能力、持久记忆与具身交互的全新架构。Yann LeCun创办的AMI、李飞飞的World Labs，均选择押注3D世界重建等世界模型相关方向，走出了与“单纯做大语言模型”截然不同的Scaling路径。
中国AI企业在这场争议中处于特殊位置，DeepSeek的发展轨迹极具代表性。过去一年，DeepSeek凭借极致的算力利用效率，以远低于硅谷同行的成本打造出竞争力不俗的模型，这一度被解读为“Scaling Law失效”的反例。但事实并非如此——DeepSeek真正证明的，是架构优化与工程能力能让Scaling曲线向“省算力”方向平移，而非消除曲线本身。其在DeepSeek-V3.2技术报告中明确承认，模型世界知识广度的不足，根源在于总训练算力低于前沿闭源模型，而补齐短板的唯一途径，就是扩大预训练算力投入。这也道出了中国AI企业的现实困境：现阶段，算法优化与工程效率是核心护城河，但长期来看，若Scaling Law持续有效，算力就是绕不开的坎;在芯片受限的背景下，要么探索全新技术路线，要么在有限资源内将效率做到极致。
回到最初的问题：Scaling Law到底死没死?答案已然清晰——未死，只是换了赛道。传统“大、多、强”的简单配方确实遭遇瓶颈，但Scaling的内涵已拓展至预训练、后训练、推理时计算多个维度，算力的价值也从直接转化为智能，升级为支撑实验迭代的基础设施。对头部企业而言，Scaling早已超越技术范畴，成为资产负债表层面的必然选择：已落地的千亿级基建投入，要求模型能力持续提升以消化成本。
当然，这并不意味着前景一片乐观——模型能力提升的速度，能否匹配当前的估值与投资规模，仍是悬而未决的问题。华尔街有句名言：“趋势是你的朋友，直到它不是。”Scaling Law的趋势尚未终结，但未来何时会迎来真正的天花板，仍需行业用技术突破来作答。
本文来自微信公众号：硅星人Pro，作者：周一笑