大白話聊透人工智慧 AI“規模定律”突破不在“練模型”，在這3個新方向

以前聊AI進步，大家總說“模型越大、數據越多，能力就越強”，這就是所謂的“AIScalingLaw（規模定律）”。但現在業界發現，靠“堆規模”練模型的效果越來越差，就像給植物澆水，一開始澆得多長得快，後來再怎麼澆，長得也慢了。不過不用慌，AI的發展焦點已經轉了方向，接下來的突破會從3個新維度來，咱們一個個用大白話講透。

一、定律“換賽道”：從“練模型時堆規模”，轉向“用模型時提能力”

先搞懂“規模定律”到底在“換”什麼。以前的“規模定律”，核心是“預訓練規模定律（Pre-trainedSL）”，簡單說就是“練模型的時候，把數據量、模型參數堆得越大，模型就越聰明”。比如以前練一個語言模型，用1000億數據、1萬億參數，比用100億數據、1000億參數的模型，寫文案、答問題的能力強得多。

但現在這條路走不通了——不是堆得越大冇用，而是“邊際效益平緩”，也就是“多花10倍錢堆規模，能力隻多1倍”，不劃算。所以行業開始把焦點轉向兩個新的“規模定律”，相當於從“練內功”轉向“練實戰”。

第一個轉向是“推理規模定律（InferenceSL）”。“推理”就是AI“用知識解決問題”的過程，比如你問AI“怎麼修漏水的水龍頭”，它要從腦子裡調出“水龍頭結構”“維修步驟”，再組織成你能懂的話，這個過程就是“推理”。以前冇人關注“推理”的規模，現在不一樣了——行業開始研究“怎麼讓AI在推理時，能處理更複雜的問題、更長的任務”。比如以前AI隻能幫你想“修水龍頭的3個步驟”，現在能幫你想“先判斷是閥門壞了還是水管漏了，再告訴你買哪種零件，甚至幫你查附近的五金店，對比零件價格”，這就是“推理規模”提升了，能把“解決漏水問題”這個事從頭到尾想明白。

第二個轉向是最終目標：“智慧體規模定律（AgenticSL）”。“智慧體”就是咱們之前聊的“能自己乾活的AI”，這個定律的核心是“衡量智慧體綜合能力的規模”。簡單說，以前看AI強不強，看“練模型用了多少數據”；以後看AI強不強，看“智慧體能不能搞定更複雜的任務、跟更多設備聯動”。比如一個智慧體，能幫你“搞定出差行程”，這是基礎能力；要是能幫你“搞定出差+同步處理工作郵件+跟客戶預約麵談+回來後寫出差報告”，這就是“智慧體規模”更大，綜合能力更強。這個定律一旦成熟，AI就能從“隻會解決單一問題”變成“能包辦一整套事”。

二、範圍“擴圈子”：從“隻會玩語言”，到“能看、能聽、能懂各行各業”

以前的“規模定律”，基本隻在“語言模型”裡管用，也就是AI“學說話、寫文字”的領域。比如練語言模型時，堆的是“文字數據”，提升的是“寫文案、翻譯、答問題”的能力，其他領域不管。但現在不一樣了，“規模定律”開始“擴圈子”，往更多領域延伸，最明顯的就是兩個方向。

第一個方向是“視覺模型規模定律（VisionSL）”，也就是AI“看東西”的能力。以前AI看圖片，隻能認出“這是貓”“那是狗”，因為“視覺模型”冇怎麼堆規模；現在行業開始用“規模定律”練視覺模型——堆更多的圖片數據、更大的模型參數，讓AI不僅能“認東西”，還能“懂東西”。比如你給AI看一張“廚房亂糟糟的照片”，它不僅能認出“有臟碗、冇疊的抹布、散落的調料瓶”，還能告訴你“收拾步驟：先把臟碗放進洗碗機，再疊好抹布，最後把調料瓶歸位到櫥櫃第二層”，甚至能根據照片裡的櫥櫃大小，推薦“買哪種調料架更合適”。這就是“視覺規模”提升了，從“能看”變成“能看懂、能給方案”。

第二個方向是“領域特定規模定律（DomainSL）”，也就是“針對具體行業的規模定律”。以前的AI是“通用選手”，什麼行業的問題都能答，但都不精；現在行業開始給AI“分專業”，針對醫療、教育、汽車這些具體領域，用“規模定律”練“專業模型”。比如醫療領域，練模型時堆的不是“通用文字數據”，而是“幾百萬份病曆、幾千萬張CT影像、幾萬種疾病的診療指南”，這樣練出來的醫療AI，不僅能“認出CT裡的腫瘤”，還能根據患者的年齡、病史，推薦“先做穿刺檢查，還是直接手術”，甚至能對比“不同化療方案的副作用和治癒率”，給醫生參考——這就是“醫療領域的規模定律”，讓AI從“懂點醫療常識”變成“半個醫療專家”。

現在這兩個方向一擴展，AI就從“隻會玩語言的單一選手”，變成“能看、能聽、懂各行各業的全能選手”，多模態（又會說、又會看、又會懂專業）的能力越來越強。

三、成本“砍半價”，能力“翻十倍”：AI終於能從“紙上談兵”變“真乾活”

這是最關鍵的一個變化——以前AI雖然聰明，但“用起來太貴”，比如讓AI幫公司處理1萬份客戶數據，可能要花幾千塊，小企業用不起；現在不一樣了，AI的“成本”和“能力”正在形成一個“剪刀差”，簡單說就是“花的錢越來越少，乾的活越來越好”，這直接讓AI能從“隻在實驗室裡厲害”變成“能大規模幫人乾活”。

先看“成本陡降”：AI“推理單位成本”每年降10倍。“推理單位成本”就是“AI幫你解決一個問題，或者處理一份數據，你要花的錢”。比如2023年，讓AI整理1份客戶溝通記錄，要花1塊錢；2024年，同樣整理1份，隻要花1毛錢；2025年，可能隻要1分錢。為什麼降這麼快？因為技術在升級，比如現在能讓AI“用更少的算力處理更多數據”，就像以前手機充1次電隻能用1天，現在能用上3天，“用電成本”降了，AI的“使用成本”也跟著降。

再看“能力躍升”：智慧體綜合能力和所需算力每年漲10倍。“綜合能力”就是AI“乾實事”的本事，比如2023年，智慧體隻能幫你“訂機票”；2024年，能幫你“訂機票+安排酒店+預約客戶麵談+整理出差報告”；2025年，可能能幫你“搞定整個項目的從啟動到落地，包括分工、進度跟蹤、風險處理”。同時“所需算力”也在漲，不是說“用的算力多了成本就高”，而是“同樣的算力，現在能支撐AI乾更複雜的事”，相當於“以前1台電腦隻能同時開1個軟件，現在能開10個，還不卡”。

這一“降”一“升”的“剪刀差”，帶來的影響特彆大。以前企業覺得“用AI不劃算”，現在“花1分錢，能讓AI乾10塊錢的活”，自然願意用；以前AI隻能“幫人想方案”（比如“寫一份營銷計劃”），現在能“幫人把方案落地”（比如“寫計劃+找合作方+跟蹤效果+調整策略”），從“能思考”變成“能實乾”。比如小餐館，以前雇人整理訂單、算庫存，每月要花幾千塊；現在用智慧體，花幾十塊就能讓AI“自動接收外賣訂單、提醒後廚備菜、統計每天的食材消耗、推薦第二天的采購清單”，還不會出錯——這就是AI“實用化、規模化”的體現，以後不管是大企業還是小個體戶，都能用得上AI，而且用得起。

總結：AI下一輪突破，看“實戰、專業、劃算”

以前AI靠“堆規模練模型”，現在靠“練推理、擴領域、降成本”。簡單說，下一輪厲害的AI，得滿足三個條件：一是“能實戰”，不是隻會寫文字，而是能從頭到尾解決複雜問題；二是“夠專業”，不是什麼都懂一點，而是在某個行業裡能當“幫手”；三是“很劃算”，不管誰用，都花不了多少錢。

以後咱們再看AI強不強，不用問“模型有多大”，而是問“能不能幫我搞定這件事”“用起來貴不貴”——這纔是AI真正走進生活、改變行業的關鍵。