Scaling Law 撞墙了，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，第一次在全面维度，能力、推理、速度、成本、生态，真正追上和整体超越 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 年的独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 联合负责人 Oriol Vinyals 说得更直接：2.5 到 3.0 之间的性能跃迁是他们见过最大的一次，" 看不到任何墙 "。

同一时间，马斯克的 xAI 宣布其超算集群 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

先看最直接的证据。

Gemini 3 证明了算法改进遇上更好的算力，预训练 Scaling 依然有效。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，现有系统的扩展必须推到极限，因为它至少会是最终 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，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。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。预训练是第一阶段，相当于让模型上大学，获取广泛的基础知识。后训练是第二阶段，相当于读研，针对特定领域深造。测试时计算是第三阶段，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，本质上就是在第三阶段做文章。

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，最终等于更强的模型。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

说到立场和利益，这场争论里每个人的位置其实都很清楚。

英伟达是最明显的。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 失效，相当于说自己在做一笔糟糕的投资。从公司利益的角度，他们必须相信，也必须让投资人相信，Scaling 仍然有效。

马斯克的 xAI 也是这个逻辑。他多次警告，目前 AI 最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极其可观的全球电力，对电网形成硬约束。再结合他疯狂堆 GPU、建算力超级工厂／超级集群的行为，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，他的位置其实也合理。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超级智能，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 创办了一家专注世界模型的公司 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 可能是最有代表性的案例。

过去一年，DeepSeek 靠着极高的算力利用效率，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、工程效率，这些是现阶段的护城河，但不是永久的。长期来看，如果 Scaling Law 继续有效，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效率做到极致。

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

回到最初的问题，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 仍然有效，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，直到它不是。"Scaling Law 也一样，它会一直有效，直到它不有效。但那一天，显然还没到来。