AI“大力出奇迹”时代进入新阶段：从参数扩张转向资源配置与系统能力

事件概述

AI产业一直信奉“大力出奇迹”——增加参数、扩大数据、投入更多算力，模型能力随之提升。2020年OpenAI的《Scaling Laws》论文表明，模型损失随规模增长呈幂律下降，给产业带来可预测性。然而当模型进入万亿参数、数据中心投资攀升后，这条路径的效益边界愈发明显：收益递减、成本陡增。产业正从“参数规模化”进入“计算配置化”和“系统规模化”阶段。

核心信息

1. 规模不只是参数：DeepMind的Chinchilla研究显示，相同计算预算下，700亿参数配合多倍数据的模型表现超过2800亿参数的Gopher。专家混合（MoE）架构下总参数不反映实际推理算力，规模必须正确配置。

2. 收益递减规律：幂律关系意味着每获得同等性能改善所需资源持续增长。早期规模扩张带来肉眼可见的代际跃迁，当前提升更多体现在高难任务准确率、稳定性等难以被普通用户感知的改善上。

3. 两极分化逻辑：前沿实验室仍追求最强模型以占据战略优势；多数企业则以单位成本下的可靠结果为标准，简单任务用小模型，复杂任务用大模型，确定性任务回归传统系统。“模型混合”架构（如亚马逊Alexa+按查询逐条选模型）在开发者中日益普及。

4. 算力迁移至推理：测试时计算（test-time compute）使模型复杂问题时获得更多思考时间。算力从一次性训练投入转向按任务动态分配。未来AI产品可能按“问题思考时长”计价。

5. 数据瓶颈与升级：公开互联网高质量数据接近存量瓶颈，Anthropic研究表明数据重复可能造成性能退化。下一阶段数据竞争核心是高质量标注、真实任务反馈、合成数据筛选以及“哪个答案更好”的判断信号。

6. 系统能力超越单模型：参数较小的模型若能流畅调用搜索、代码环境、数据库、工具、验证器等，其真实任务表现可超过参数更大但只能独立生成文本的模型。未来竞争不再是单模型参数，而是整合模型、检索、工具、验证的整套系统。

值得关注

文章将“大力出奇迹”归纳为三个阶段：

• 第一阶段：参数规模化——通过扩大参数、数据、训练算力证明通用能力从大规模学习中涌现。
• 第二阶段：计算配置化——重新分配预训练、后训练、推理资源，借助MoE、测试时计算、数据优化、模型压缩提高单位计算产出。
• 第三阶段：系统规模化——模型与检索、工具、智能体、验证器、专业模型和真实执行环境结合，竞争看谁能把智能组织成稳定、经济且可控的系统。

结论是：“大力出奇迹”不会消失，但“把‘大’单纯理解为参数数量”的时代正在结束。下一轮奇迹可能来自更有效地使用已拥有的规模，而非一味增加参数。