近年來，人工智能領域的發展引發了廣泛關注，尤其是大模型技術的突破，讓人們對其未來充滿期待。然而，隨著ChatGPT、DeepSeek、Gemini 3、GPT-5.2等頂級模型相繼問世，一個關鍵問題逐漸浮現：支撐這些模型進步的Scaling Law是否即將觸及天花板？這一疑問正在行業內引發激烈討論。
多位知名專家對Scaling Law的未來表達了不同看法。Ilya Sutskever指出，單純依靠增加預訓練算力的方式正在進入平臺期，智能提升需要轉向新的研究范式。Yann LeCun則直言，當前大語言模型無論怎樣擴展規模，都無法真正實現通用人工智能（AGI）。Sam Altman也承認，僅靠增加GPU數量已無法獲得同比例的智能提升。這些觀點反映了行業對算力增長與智能提升之間關系的深刻反思。
尤洋進一步分析了大模型成功的關鍵因素。他強調，Next-Token Prediction作為一種損失函數設計，通過最小化人為干預，為模型提供了近乎無限的訓練數據。同時，Transformer架構的勝出并非因為它更接近人腦，而是因為其高度并行、計算密集的特性與GPU的計算模式高度契合。這些因素共同作用，使得大模型能夠在過去十年中持續放大算力投入，并將其轉化為可感知的智能提升。
然而，尤洋也指出，當前大模型發展正面臨真正的瓶頸。他區分了效率提升和智能上限提升兩個概念：前者關注如何用更少資源達到相同效果，后者則關注在相同計算總量下訓練出能力更強的模型。他認為，當前的問題不在于算力不足，而在于現有范式無法充分利用持續增長的算力。換句話說，模型、損失函數和優化算法對算力的"消化能力"正在下降。
針對未來發展方向，尤洋提出了一系列建議。他認為，不應局限于節省算力，而應探索如何更有效地消耗更多算力。具體方向包括：研究更高數值精度的計算能力，探索更高階的優化器，設計更具擴展性的模型架構或損失函數，以及進行更充分的訓練和超參數搜索。他特別強調，推理優化、低精度訓練等技術雖然對模型落地至關重要，但與提升智能上限屬于不同的技術路徑。
隨著AI技術的不斷發展，如何將算力真正轉化為智能已成為行業面臨的核心挑戰。尤洋的觀點為從業者提供了新的思考角度：當算力仍在增長但智能提升放緩時，需要重新審視哪些因素才是決定智能上限的關鍵。這一討論不僅關乎技術發展方向，也將影響整個AI領域的未來格局。
