什么是「规模定律」？模型越大越强还成立吗

前几年 AI 圈有个近乎共识的判断：把模型做大、数据喂多、算力堆够，能力就会持续变强。这个判断来自一条叫「规模定律」的经验规律。它当年是军备竞赛的理论依据，如今却被越来越多地重新审视。本文讲它到底是什么、为什么重要、为什么开始松动，以及「越大越强」今天该怎么看。

规模定律到底在说什么

规模定律说的是一组可预测的关系：模型规模、数据量、算力投入这三项，和模型效果之间存在规律性的对应——投入按某种方式增长，效果也按某种曲线提升。它不是玄学，是从大量实验结果里拟合出来的经验规律。它的价值在于，把「要不要继续加大投入」从拍脑袋变成了可以估算的问题。

要理解规模定律，得先知道「算力」是怎么计量的，投入的「翻倍」到底翻的是什么，可参考 什么是 FLOPS。

它当年为什么是理论依据

如果规律成立，企业就能提前判断「投多少钱、能换来多少提升」，而不必盲目试错。这直接推动了几年前的大模型军备竞赛：大家都相信只要按曲线继续堆，能力就能继续涨。于是参数量从几亿一路涨到几千亿，训练数据从 GB 级涨到 TB 级。规模定律把「堆资源」从豪赌变成了看起来有章法的事。

为什么现在开始被重新审视

四个原因让这条规律不再那么笃定。数据快用完：高质量文本的增长速度，跟不上模型对数据的需求，能挖的新数据变少。成本增速更快：规模上去之后，投入的增长远快于效果的提升。边际收益变薄：从「能不能做」到「做得好不好」，靠堆规模的帮助变小。方法和效率权重上升：同样的规模，训练方法、数据质量、推理效率能带来更大的差别。

这也解释了行业讨论重心的转移：从「参数量」转向「数据质量、训练方法、推理效率」。规模之外，训练之后的 对齐环节同样在拉高最终体验的方差，规模大并不自动等于「好用」。

「越大越强」还成立吗

更准确的说法是：在规模还没到瓶颈时，堆规模有效；到了瓶颈之后，靠规模还是靠方法，差别就显现出来了。所以「越大越强」不是一个恒成立的口号，而是一个有条件、有区间的经验判断。把它当绝对真理，会在投入上犯错。

它不适用的情况

规模定律是统计规律，有几处它不兜底。第一，它预测的是「平均趋势」，具体到某个模型，实际表现可能偏离曲线。第二，它无法确保「能力一定按比例落在你要的任务上」：通用指标涨了，你的具体任务未必同步变好。第三，它没有把「数据里混进的噪声和错误」算进去，数据质量差时，堆再多规模也可能是放大噪声。

普通人该怎么看参数

记住一个能带走的判断：看到「参数更大」的宣传，别自动等于「更好用」。规模只是众多变量之一，实际表现还得自己试。判断一个模型值不值得用，看它在你的真实任务上的表现，而不是看它的参数量排第几。如果你打算在本地跑模型，规模会直接变成硬件门槛，可先了解 什么是 GGUF 这类本地模型文件的常用格式；至于普通人该补哪些能力，见 什么是 AI 素养。

看「参数更大」宣传时的三个自问

• 它对比的基准是什么？是通用榜单还是我的任务？
• 「更大」带来的成本，我愿不愿意付？
• 同样规模下，它的数据和方法有没有更讲究？

规模定律是一个有价值的方向性规律，但不是一个可以无限外推的承诺。理解了它的边界，你就不会在「堆参数」和「拼方法」之间盲目站队。对普通人来说，把注意力放回「这个模型能不能解决我的问题」，比记任何公式都实用。