一个让AI投资者失眠的曲线
2026年7月，如果你问AI实验室的CTO们"最大的焦虑是什么"，90%的人会回答同一个词：Scaling Laws。不是"Scaling Laws是否有效"——它们仍然有效——而是"Scaling Laws的边际收益递减速度，比所有人预期的都快"。
GPT-4的训练成本约1亿美元，GPT-5约10亿美元，如果GPT-6按同样的Scaling曲线，训练成本将超过100亿美元。但性能提升呢？GPT-4到GPT-5的提升约30-40%（在某些基准上），GPT-5到GPT-6的预期提升可能只有10-15%。投入10倍的钱，换取10%的性能提升——这不是商业，这是信仰。
金句：Scaling Laws是AI行业的"石油"——它推动了AI的爆发，但也正在耗尽。当算力投入翻倍只能换来微弱的性能提升时，AGI的"算力悬崖"就到了。
为什么Scaling Laws在"减速"？
数据瓶颈：Scaling Laws的前提是"更多的数据、更大的模型、更强的性能"。但高质量的训练数据正在"耗尽"。2026年，互联网上所有公开的文本数据已经被AI模型"吃"完了。合成数据（AI生成的数据用来训练AI）被寄予厚望，但2026年的研究表明：合成数据训练的模型，性能提升有限，且容易出现"模型崩溃"——模型在合成数据上反复训练后，会逐渐"遗忘"真实世界的知识。
架构瓶颈：Transformer架构已经接近"天花板"。更大的模型（>10万亿参数）在训练稳定性、推理效率、内存占用上遇到了巨大挑战。2026年展开的"超越Transformer"的研究——状态空间模型（SSM）、线性注意力、混合架构——都还处于早期阶段，远未成熟。
物理瓶颈：训练一个1000亿美元级别的大模型，需要一个"核电站级别的电力供应"和"一个城市级别的散热系统"。这不仅是成本问题，更是物理和环保问题。2026年，微软和OpenAI的"星际之门"（Stargate）超级计算机项目，单是电力需求就达到了5GW——相当于一个大型核电站的发电量。
三条"绕开悬崖"的路径
路径一：推理时计算（Inference-Time Compute）。 2026年最热门的AI研究趋势之一。不是让模型在训练时"更大"，而是让模型在推理时"思考更久"。OpenAI的o3系列和DeepSeek的R1系列证明了：通过"推理时计算"（chain-of-thought、tree-of-thought、self-consistency），一个较小的模型可以达到接近"大10倍"模型的性能。这可能是"绕开Scaling Laws悬崖"最有希望的路径。
路径二：高效架构。 Mamba、RWKV、Jamba等状态空间模型（SSM）在长序列处理上展现了比Transformer高10倍的效率。如果SSM能在通用能力上接近Transformer，AI的训练成本将大幅下降。
路径三：数据效率。 人类从少量样本中就能学习，GPT-5需要万亿token。Yann LeCun的"世界模型"路线，试图让AI像人类一样"从感知中学习"而不是"从文本中学习"。如果这个路线走通，AI的数据效率将提升数个数量级。
金句：Scaling Laws不是"失效"了，而是"变贵"了。AGI的瓶颈不再是"能不能做"，而是"做不做得起"。
结论：AGI的"算力悬崖"是好事
AGI的"算力悬崖"是坏事——因为它意味着靠"堆算力"的路径不可持续。但也是好事——因为它"倒逼"行业寻找更高效的AI架构和训练方法。Scaling Laws的"红利期"可能只有3-5年了，但AI的"后Scaling时代"可能更精彩。
真正的AGI，不会来自"更大的模型"，而会来自"更聪明的架构"。 2026年，AI行业正在从"暴力美学"走向"精巧设计"——这可能是AGI之路上最重要的一次范式转变。