规模定律遭遇现实，人工智能无限扩张神话面临考验

文 |无言

AI行业最近正经历一场不小的信仰危机。

以前大家公认的“铁律”，也就是只要堆更多数据、更强算力，AI模型性能就能稳步提升，现在正被技术、经济和物理现实三重夹击，这条平滑的增长曲线说不定要碰到拐点了。

AI的规模定律最早2020年由OpenAI的研究人员提出来，2022年又做了完善。

这个定律的核心很简单，就是把模型参数量、训练数据量和计算量同步扩大，模型在各种任务上的表现就能按预期变好。

这个发现直接点燃了行业的军备竞赛。

科技巨头们开始疯狂抢英伟达的先进GPU，砸几百亿建超大规模数据中心，有的甚至为了满足电力需求，把闲置的核电站都重启了。

美国银行测算，2024年全球数据中心的资本支出已经突破4000亿美元，四大科技巨头前八个月就往AI数据中心砸了1250亿美元。

摩根士丹利还预测，到2029年全球AI基础设施的投入能冲到3万亿美元，我特别能理解行业对这个定律的追捧。

以前AI发展靠算法创新，成果不稳定还难预测，可规模定律给了明确的回报预期，投多少钱就能对应多大性能提升，资本自然愿意扎堆进场。

本来想这种模式能一直走下去，后来发现现实远比定律复杂，各种瓶颈已经开始冒头。

历史案例警示局限AI的规模定律看着靠谱，可它和真正的物理定律有本质区别。

物理定律是严格数学推导的，比如空气动力学里的白金汉π定理，能精准预测不同尺度的流体行为。

AI的规模定律只是有限数据点的曲线拟合，超出范围就可能失效，历史上这种经验法则翻车的例子不少。

1940年的塔科马海峡大桥就是典型，工程师把小桥梁的成功经验直接放大，建了更长更窄的桥，通车才四个月，小尺度下不明显的气动弹性颤振就出现了，桥面直接解体。

半导体行业的摩尔定律和丹纳德缩放定律也一样，晶体管缩到纳米级时，量子隧穿效应导致漏电严重，性能提升只能靠新架构，没法再靠缩小尺寸。

这些案例其实早就给AI行业提了醒。

我之前和一位AI工程师聊过，他说现在模型参数量越堆越大，可性能提升的幅度却越来越小，有点像当年晶体管快触到物理极限的样子。

如此看来，AI规模定律的脆弱性其实早就埋下了伏笔，只是前期的快速进步掩盖了这些问题。

金融账本亮起红灯比技术瓶颈更紧迫的是经济账算不过来。

存在不小的资金缺口，贝恩资本更是算出，AI预期收入和维持增长需要的基础设施投资之间，差了足足8000亿美元。

摩根大通也测算过，整个行业得每年赚6500亿美元，才能从计划中的AI基建里拿到10%的常规回报。

可现实情况差得远，虽然ChatGPT这类应用有好几亿用户，可企业客户的付费意愿还在培养阶段。

2024年的调查显示，很多企业反馈2025年的新模型，和2024年版本比没带来啥实质性的实用提升，这就没人愿意继续加钱投了。

更揪心的是AI数据中心的回报率，有些案例过去五年平均才2.4到2.5个点，远低于其他科技基建项目。

2024年四大巨头平均把一成多的收入投到资本开支上，这个比例比2021年高了不少，2025年还在涨。

高额投入短期内拉低了利润率，可AI业务带来的增量收入却没跟上。

我认识的一位投资圈朋友说，现在投资者已经开始质疑这种“先建后赚”模式的可持续性，不再盲目跟风投AI基建了。

行业转向新赛道当前行业的局势很复杂，没人能打包票说规模定律是不是真的到了极限。

斯坦福的AI指数报告显示，2024年美国联邦机构出的AI相关法规，是2023年的两倍多，监管压力在持续增加。

而且有迹象表明，规模定律已经出现收益递减的情况，AI实验室不得不开始换方向，不过技术突破也没停下脚步。

强化学习、测试时计算扩展等新兴方法，开辟了一条无需堆叠参数便能提升模型能力的有效蹊径，为模型性能的优化带来全新思路与潜在可能，开启了模型发展的新局。

OpenAI的o1模型就是例子，它没增大规模，而是靠增强推理能力，在复杂任务上表现出了更强的潜力。

量子计算、神经形态芯片等新兴硬件，极有可能重塑算力扩展的成本曲线。

它们以独特的技术优势，为算力领域带来新的变革契机，使成本曲线呈现出不同于以往的发展态势。

可历史教训和现实的财务压力都在提醒行业，经验法则和自然定律之间的鸿沟一直存在，当下，AI行业正立于十字路口。

未来数年的抉择，将决定它是因循守旧，继续依赖资源堆砌，还是革故鼎新，凭借创新开辟全新赛道。

支持作者，写作不易！如果您喜欢我的文章，可以点个“关注”，成为铁粉后能第一时间收到文章推送。