AI 瓶颈论：是终结还是赛道切换？

引言：近两年，"AI 将取代万物"的论调铺天盖地。然而近期硅谷却在热议一个反向话题——AI 的发展速度是否正在放缓？本文将为您厘清"缩放定律"、"数据墙"及"撞墙论"等核心概念，助您分辨哪些是真实困境，哪些仅是喧嚣之争。

你是否察觉，过去一年中，AI 新模型发布时的惊艳感已大不如前？

往昔并非如此。2023 年，新模型问世常令人瞠目结舌：既能编程、解题，又能绘图，迭代速度极快。那种体验，宛如目睹孩童从爬行到行走再到奔跑，令人应接不暇。

然而进入 2025 至 2026 年，局面生变。尽管新模型仍在涌现，参数更庞大、基准测试分数更高，但内心的震撼却日益难以被激发。更为关键的是，2026 年 6 月，一篇题为《AI 正在放缓》的评论在程序员聚集的 Hacker News 上引发轰动——收获五百多赞与五百多条评论，争论激烈。一方认为"减速是必然，泡沫即将破裂"；另一方则反驳"你们未懂其意，行业正切换赛道"。

这令人费解：企业高呼"通用人工智能近在咫尺"，而技术圈内却有人唱衰"已触及天花板"。究竟谁在理？

欲解此争，必先理解"缩放定律（Scaling Laws）"。简言之，它是过去五年 AI 行业的"信仰基石"。本文将由此切入，探讨其为何如今面临动摇。

事件回顾

理解今日之争，需回溯至 2020 年。

彼时，OpenAI 的研究者 Kaplan 等人发表了一篇极具"理工思维"的论文：通过扩大模型规模、增加数据量、提升算力，绘制出一条曲线。结果发现——模型的"损失"（可粗略视为"错误率"）随这三要素增加，竟以相当规律且可预测的方式下降。

这意味着什么？意味着 AI 的演进首次有了"配方"。无需依赖灵感或运气，只需投入资金、数据与算力，模型便会沿曲线稳步增强。这在科学界极为罕见——多数领域，投入翻倍未必带来成倍产出。

2022 年，DeepMind 通过一组名为"Chinchilla"的实验优化了该配方：指出此前普遍存在"参数过多、数据不足"的问题，最优策略是参数与数据按比例同步增长。这便是著名的"Chinchilla 最优解"。

打个比方：Kaplan 指出"火越旺、料越多、时长越久，汤越鲜"；Chinchilla 则补充"料水需按比例，光加料不加水，汤会咸得难以下咽"。

有了此配方，过去五年行业逻辑清晰：全力求大。谁显卡多、数据多、敢烧钱，谁的模型就强。于是爆发了疯狂的军备竞赛——英伟达显卡被抢购一空，数百亿美元涌入数据中心，电力供应几近告急。

这条曲线，是 AI 行业笃信五年的"上帝公式"。问题在于——它，开始失效了。

注意，无人宣称曲线断裂或反转。争论焦点仅在于二字：递减。

何谓递减？再看那条曲线。它并非 45 度直线，而是一条"先陡后缓"的弧线。初期，投入翻倍，能力暴涨；越往后，同等翻倍，涨幅却渐微。至某阶段，投入双倍资金，模型仅在最难推理题上提升 10% 至 20%。

麻烦由此而生。早期，从"小学生"到"大学生"，投入少、提升大；如今已是"博士"，欲再精进，需数倍资源。金钱投入实实在在翻倍，体感进步却愈发微弱。

为何必然如此？至少存在三道关卡，我们逐一剖析。

第一关，数据墙。这是最硬且易被忽视的障碍。前述配方包含"数据"项。然而数据并非无限——高质量人类文本，全网估算约在 10 万亿至 50 万亿 token 之间（token 可粗略理解为"词碎片"）。看似庞大？但万亿级参数模型，按 Chinchilla 配方，胃口需达 20 万亿 token 上下。

换言之，人类数千年积累的文字，即将不够 AI 消化。犹如学霸背完图书馆所有书籍，欲再聪慧，何处寻新书？剩余多为低质网络垃圾，或 AI 自生内容——以 AI 产出喂养 AI，易致"近亲繁殖"，越练越愚。此关，仅靠资金难以逾越。

第二关，成本墙。缩放定律隐含残酷前提：欲获线性能力提升，往往需指数级投入。结果导致训练成本飙升。业内估算，当前训练前沿模型，仅算力成本约 5 亿美元；下一代数字，据分析已达 10 亿乃至 100 亿美元。

钱能解决所有问题？当账单至此规模，其本身即成问题。因商业需计算回报。耗资百亿训练的模型，若仅比前代略优，用户感知不强、付费意愿有限，交易便显亏损。资本非慈善，递减的不仅是技术曲线，更是投资回报曲线。

第三关，体感墙。此关最为微妙。模型在榜单上仍在攀升，普通用户的"惊叹"为何减少？因人类对"智能"的感知本是非线性的。能答对 80% 问题的助手与 90% 者，日常使用中差异未必如数字般显著；但啃下那 10%，研发难度堪比地狱。分数仍在涨，惊艳感已封顶——这是递减最直观的表现。

将三关叠加，便明白：所谓"放缓"，非 AI 不行，而是"仅靠扩大预训练"这条捷径，愈发昂贵、拥挤且不划算。

那 AI 是否已至尽头？这正是反驳方要争辩之处。他们称：你们紧盯的是一条快走完的老路，人家早已切换赛道。

此言有据。2024 年底，连"缩放定律"旗手之一、OpenAI 联合创始人 Ilya Sutskever，在 NeurIPS 大会上公开发表重磅言论——"我们所知的预训练，即将终结。"他还指出，2010 年代是"缩放时代"，而今我们重回"探索与发现时代"。

请注意，他说的是"我们所知的预训练"终结，非"AI"终结。二者相差甚远。意指：单纯扩大模型规模的红利将尽，但故事主角已换。

新主角是谁？目前业界大致将"缩放"拆为三条轴线，预训练仅为其一：

第一条，预训练（pre-training）。即前述老路——海量文本喂给模型，让其先"阅读"世界。此路遇数据墙，红利收窄。

第二条，后训练（post-training）。模型"读"完书后，利用人类反馈、强化学习进行"调教"，使其知识运用更精准、更符合人意。犹如读完万卷书的学生，需有人引导实习、纠正缺点。此路近两年发展迅猛。

第三条，推理时计算（test-time compute）。此为当下最热方向，亦是 o 系列等"推理模型"核心。简言之，不在训练时死磕，而是让模型回答问题时多思考一会儿。以往模型"脱口而出"，现今"先在草稿纸演算，再给答案"。同一模型，多花思考时间，难题正确率显著提升。

打个比方便懂。预训练，如学生背熟所有教材；此路书快背完。但你还有两招：一是请名师开小灶、改错题（后训练）；二是考试时不抢答，给足时间打草稿（推理时计算）。书背到头，不代表分数到头。此即反驳方底气所在。

故"AI 放缓"之说，实有偷换概念之嫌。准确表述应为：预训练这条特定路径在放缓，但 AI 整体正沿另外两条路径前行。至于新路能走多远，老实说，无人敢打包票——这正是 Sutskever 所言"重回探索时代"之意：配方失效，需靠真本事摸索尝试。

若觉此"曲线压扁"故事似曾相识，那是因——科技史上此类戏码上演过多。

最经典对照，乃摩尔定律。半个多世纪，芯片晶体管数约两年翻番，电脑逐年提速，与今日 AI 剧本如出一辙。然近十余载，物理极限逼近，晶体管难再缩小，"摩尔定律将死"的讣告年年都有。

结果如何？芯片确无法仅靠"单纯缩小"狂飙，但行业换打法：多核、堆叠、专用芯片、先进封装……性能依旧增长，只是非昔日陡峭直线。一条路到头，绝非终点，而是逼你寻新路。

AI 此刻正立于此路口。预训练这条"等比例放大"的高速公路快至尽头，但这不意味 AI 停车，只意味需下高速、走国道，速度与姿态皆需改变。

另有更日常之例：飞机。上世纪民航速度狂飙，曾以为速即人人可乘超音速客机。结果协和飞机退役，数十年来民航巡航速度几无增长——因再快，油耗、噪音、成本难控，性价比失衡。但航空业停滞了吗？未也，只是不再死磕"速度"指标，转而省油、安全、航程、舒适上进步。这与 AI 剧本相同：当最显眼指标（飞机速度、AI 预训练规模）涨不动，行业不会坐以待毙，而是将发力点移至其他维度。故紧盯"模型是否更大"喊完蛋者，很可能错过其在"更会想、更便宜、更好用"上发生之事。

此处多言一句，亦是争论最易被情绪带偏之处。技术圈有老毛病：非神化即唱衰。前几年无脑神化——"明年 AGI、后年失业潮"；如今风向一转，又有人无脑唱衰——"泡沫破裂、AI 完蛋"。二者皆属偷懒。真实情况往往最不性感：既非神，亦非衰，乃具体技术于具体曲线上遇具体瓶颈，继而设法绕行。

争论半天，落到你我身上，究竟有何用？我认为有三条实在启示。

第一，对"AGI 明年就来"之类论调，可放轻松。当行业最佳路径开始递减，关键人物皆言"老法将终结"，便应明白，那种"指数级起飞、迅速超越人类"的剧本，至少未如宣传般临近。进步仍在，但似爬坡非起飞。这对常被"AI 焦虑"轰炸的普通人，实为解压消息。

第二，亦勿轻信"AI 是泡沫、马上完蛋"。唱衰者忽略后训练与推理时计算两条新路，亦忽略一事实：即便 AI 今日停步不再增强，仅将现有能力用透、铺至各行各业，红利已足够享用多年。技术成熟与技术扩散，乃两回事。电早发明，然将电普及至每个角落，耗时百年。

第三，看 AI 新闻，学会问：你言之"进步"，属哪条轴？是预训练更大（红利减），还是推理更强、使用更顺、更便宜（这些恰在快速变好）？分清此点，便不被任何标题党裹挟。简言之，莫问"AI 行不行"，要问"AI 何处行、何处卡"。前者是站队，后者才是判断。

缩放定律赐 AI 行业五年好光景：只要够有钱、够胆，进步几似"买"来。今此捷径变窄，大家被迫重回"动脑筋"状态——未必是坏事。

史上每次"定律失灵"，事后看皆非终点，而是换挡。摩尔定律如此，今日缩放定律大概亦如此。真正危险从非曲线压扁，而是你只会沿单一线思考。

故下次再见"AI 撞墙"或"AGI 将至"等大标题，不妨一笑，然后问一句：你所指，究竟是哪条轴？

参考