当时间来到2025年的最后一天，整个科技界都在进行一场深刻的年度复盘。回望这充满变数的365天，人工智能领域经历了前所未有的震荡与突破。从模型架构的迭代到算力竞赛的白热化，从资本的疯狂涌入到质疑声音的此起彼伏，我们似乎站在了一个关键的历史节点。在这个转折点上，OpenAI的掌舵人Sam Altman在年中发布了一篇引发轩然大波的博文《温和的奇点》。他在文中做出了一个惊人的预测：我们已经掌握了构建AGI的核心方法，2026年将会诞生能够产生原创见解的智能系统。更加激进的论点是，Scaling Law远未触及天花板，随着电力生产的自动化，智能的成本最终将趋近于零。
与此同时，NVIDIA的创始人黄仁勋将目光从单纯的「算力崇拜」转向了更为宏大的「AI工厂」概念。他在2025年底的一次重要演讲中指出，AI发展的瓶颈已经不再是人类的想象力，而是实实在在的电力供应。未来的Scaling Law不再仅仅是模型层数和参数量的简单堆叠，而是推理效率需要实现十万量级的飞跃。这种观点的碰撞，折射出行业内对于AI发展路径的深层思考。
然而，并非所有人都对大模型的未来持乐观态度。Meta的前首席科学家Yann LeCun在离职创办新公司之前，依然保持着他的批判立场。他公开表示，大型语言模型本质上就是通往AGI的死胡同，因为它们缺乏真正的世界模型，就像一座没有躯体的空中楼阁。这种截然不同的声音，让我们不得不思考：2026年之后，Scaling Law是否还能继续发挥作用？对于这个困扰业界的问题，一篇来自DeepMind华人研究员的万字长文在社交网络上引发了热烈讨论。
这篇文章的核心观点异常清晰：Scaling Law没有死，算力依然是驱动AI进步的核心动力，AGI的发展才刚刚踏上征程。作者以自己在DeepMind的亲身经历为线索，深入剖析了从2015年至今AI领域发生的剧变，并揭示了推动这一切的根本力量——算力。尽管外界对于Scaling Laws的有效性存在诸多质疑，但历史事实反复证明了一个简单而深刻的道理：随着算力的指数级增长，AI模型不断展现出超越人类预期的能力。
算力的信仰：Scaling Law的持续进化
最近一段时间，业界关注的焦点集中在一个核心问题上：Scaling Law是否已经遇到了无法逾越的障碍？在2024年底，曾经出现过一阵强烈的悲观论调，认为预训练数据的枯竭和边际收益的递减，标志着Scaling Law时代的终结。然而，站在2025年的终点回顾，我们可以负责任地说：Scaling Law不仅没有失效，它正在经历一场深刻的进化，从简单的「暴力堆参数」转向更为精细的「智能密度」提升。
要真正理解Scaling Law的韧性，我们需要从历史的长镜头来观察。研究数据清晰地显示，在过去的十五年间，用于训练AI模型的算力以每年四到五倍的速度持续增长。这种指数级的复合增长模式，在整个人类技术发展史上都是极为罕见的。在DeepMind的内部观察中，模型训练过程中消耗的数学运算量，已经远远超过了可观测宇宙中的恒星数量。这听起来有些夸张，但却是实实在在的技术现实。
这种增长绝非盲目进行，而是建立在极其稳定的经验公式基础之上。根据Kaplan和Hoffmann等人的实证研究，模型性能与投入算力之间存在着明确的幂律关系：性能提升与算力的0.35次方成正比。这意味着什么呢？每当我们投入10倍的算力，大约能带来3倍的性能增益；而当我们跨越1000倍的算力鸿沟时，性能的提升将达到惊人的10倍量级。这种稳定的关系，为算力投入提供了可预测的回报率。
Scaling Law最迷人的地方在于，它不仅带来了定量的误差减少，更诱发了许多无法预测的定性跃迁。在DeepMind的多次实验中，随着算力的持续增加，模型会突然展现出逻辑推理、复杂指令遵循以及事实性修正等「涌现能力」。这些能力在低算力阶段完全不可见，只有当算力跨越某个临界值时才会突然出现。这种现象说明了一个深刻的道理：算力不仅仅是驱动模型运行的燃料，它本身就是一种能够催生智能的物理量。
进入2025年，我们已经从单一的「预训练Scaling」转向了「四维度Scaling」的新范式。第一个维度依然是预训练Scaling，通过海量多模态数据构建模型的基础认知能力；第二个维度是后训练Scaling，利用强化学习技术进行模型对齐和偏好优化；第三个维度是推理时Scaling，也就是让模型在给出最终回答之前「想得更久」，通过增加推理计算量来提升输出质量；第四个维度是上下文Scaling，通过超长记忆能力提升端到端的任务处理能力。
算力的震撼：千倍扩张的微观启示
如果说Scaling Law是宏观层面的哲学思考，那么2021年在DeepMind发生的一次真实实验，就是微观层面的生动启示。那次经历彻底重塑了许多研究员对于「智能」的理解，也让大家真正明白了为什么说「算力即正义」。当时，DeepMind团队正在尝试解决具身智能在3D虚拟环境中的导航与交互问题，这是一个典型的「硬核AI」挑战。
在那个阶段，业内的普遍共识是：这个问题的瓶颈在于算法的精妙程度，关键在于我们如何设计更优的采样策略和奖励函数。团队投入了大量精力在算法优化上，试图通过人类智慧来突破性能瓶颈。然而，一位同事提出了一个近乎「鲁莽」的方案：不要改动算法，直接把算力投入增加一千倍。在当时看来，这个方案简直是在浪费资源，但实验结果却让所有人震惊。
在那次算力狂飙之后，奇迹真正发生了！那些原本被认为需要突破性人类巧思才能解决的逻辑死角，在海量的矩阵乘法面前直接「融化」了。算法本身并没有变得更聪明，但规模赋予了它一种类似于生物本能的鲁棒性。这种体验让人深刻体会到强化学习教父Richard Sutton在《苦涩
