大模型 Scaling Law 的演进与破局思考
大语言模型开发正面临 Scaling Law 边际效益递减的现实挑战。社区开发者围绕算力、参数量、数据质量与训练效率的关系展开了深入探讨。传统盲目堆叠算力的路径正在失效，行业亟需通过精细化数据配比、架构优化以及推理时计算来寻找突破口。这些实践探讨帮助开发者在资源有限的情况下，更准确地评估训练成本，优化算力配置，并摸索出一条兼顾效益与性能的新路线。
马库斯：美国难赢AI战，应聚焦可信与安全
著名AI学者Gary Marcus指出，美国试图通过单纯堆叠算力和模型规模来赢得与中国的“AI军备竞赛”是行不通的。他认为，当前以大语言模型（LLM）为核心的生成式AI存在幻觉、缺乏推理能力和不可靠等底层缺陷，单纯扩大规模无法实现真正的通用人工智能（AGI）。对此，他提出以下替代路径：1. 技术范式转型，从纯深度学习转向结合符号推理的“神经符号AI”，解决可信度问题；2. 重塑竞争焦点，将AI应用于科学发现、医疗和材料科学等能产生实际社会价值的领域；3. 推动中美及全球在AI安全标准上的协同治理。这一观点提示AI创业者与开发者，不应盲目迷信大模型参数竞赛，而应关注垂直领域的可信AI应用与技术落地。