DeepMind内部视角：Scaling Law没死

2025年就要结束，DeepMind华人研究员万字长文为我们揭秘了谷歌内部对于AI的预言：除了算力，其他一切都是杂音。

今天是2025年的最后一天了，很多人都在这一天进行AI回顾总结。

在经历一年的模型、算力、资本的新闻轰炸后，AI距离通用人工智能还有多远？

如果说2024年是人们对于AI的好奇之年，那么2025年就是AI深刻影响人类社会之年。

在这充满变数的一年里，我们听到了截然不同的声音：

Sam Altman在2025年中的博文《温和的奇点》中大胆预言：

“我们已经知道如何构建AGI，2026年我们将看到能够产生原创见解的系统。”他坚持认为，Scaling Law远未触及天花板，智能的成本将随着电力的自动化生产而趋近于零。

奥特曼：温和奇点已降临！AI最终掌控物理世界，2030年人类命运大转折

NVIDIA的黄仁勋则将目光从“算力崇拜”转向了“AI工厂”。

他在2025年底的一次演讲中提到：

“AI的瓶颈不再是想象力，而是电力。未来的Scaling Law不仅是模型的堆叠，更是推理效率10万倍的飞跃。”

英伟达AI工厂：人类历史酝酿12000年的绝对必然

相比之下，Meta的前首席科学家Yann LeCun依然嘴炮，他甚至在离职创办新公司前公开表示：

“LLM是通往 AGI 的死胡同，它没有世界模型，就像一个没有躯体的空中楼阁。”

LeCun赌上后半生，押注大模型必死！Hassabis誓将Scaling进行到底

2026年，Scaling Law是否还能继续玩下去？

对于这个问题，一篇来自DeepMind华人研究员的万字长文在社交网络火了：

Scaling Law没死！算力依然就是正义，AGI才刚刚上路。

文章地址：https://zhengdongwang.com/2025/12/30/2025-letter.html

本文是Google DeepMind研究员Zhengdong Wang撰写的2025年度长信。

作者以独特的个人视角，回顾了从2015年至今AI领域的剧变，并深刻剖析了驱动这一切的核心动力——算力。

尽管外界对Scaling Laws存疑，但历史反复证明，随着算力的指数级增长，AI模型不断涌现出超越人类预期的能力。

作者结合自己在DeepMind的工作经历，验证了强化学习教父Richard S. Sutton“苦涩的教训”：

通用算力方法终将战胜人类的特定技巧。

这也是我们今年最大的感受！

除了算力，其他都是杂音

2025年12月30日，当回望这波澜壮阔的一年时，脑海中浮现的是十五年前那场由AlexNet开启的视觉革命。

那场辛顿、李飞飞、Ilya都参与的大会，或许就是如今AI时代的真正萌芽。

那时，大多数人认为人工智能仅仅是关于“特征工程”和“人类聪明才智”的博弈，而今天，我们已经进入了一个完全不同的维度：

一个由算力主导、由Scaling Law驱动、且AGI（通用人工智能）才刚刚踏上征途的纪元。

最近大家关注的焦点无外乎：Scaling Law是否已经撞墙？

算力的信仰：为什么Scaling Law从未失效

在2024年底，业内曾出现过一阵强烈的悲鸣，认为预训练数据的枯竭和边际收益的递减标志着Scaling Law的终结。

然而，站在2025年的终点，我们可以负责任地说：

Scaling Law不仅没死，它正在经历一场从“暴力堆参数”到“智能密度”的深刻演化。

十五年一遇的连续性

我们要理解Scaling Law，首先要看到它的历史韧性。

研究显示，过去十五年里，用于训练AI模型的算力每年以四到五倍的速度增长。

这种指数级的复合增长，在人类技术史上是罕见的。

在DeepMind内部观察到，模型在训练过程中所消耗的数学运算量，已经超过了可观测宇宙中的恒星数量。

这种增长并非盲目，而是建立在极其稳定的经验公式之上。

根据Kaplan和Hoffmann等人的实证研究，性能与算力之间存在着明确的幂律关系：性能提升与算力的0.35次方成正比。

文章地址：https://fourweekmba.com/ai-compute-scaling-the-50000x-explosion-2020-2025/

这意味着，每投入10倍的算力，大约能带来3倍的性能增益；而当我们跨越1000倍的算力鸿沟时，性能的提升将达到惊人的10倍量级。

定性跃迁与涌现能力

Scaling Law最迷人的一点在于，它不仅带来了定量的误差减少，更诱发了不可预测的定性跃迁。

在DeepMind的实验中，随着算力的增加，模型会突然展现出逻辑推理、复杂指令遵循以及事实性修正等“涌现能力”。

这种现象意味着，算力不仅仅是燃料，它本身就是一种能够催生智能的物理量。

2025年的真相是：我们已经从单纯的“预训练Scaling”转向了“全四个维度Scaling”：

预训练Scaling

通过海量多模态数据构建基础认知。

后训练Scaling

利用强化学习（RL）进行对齐和偏好优化。

推理时Scaling

即让模型在回答前“想得更久”。

上下文Scaling

通过超长记忆提升端到端任务能力。

在DeepMind亲历的“1000倍算力”瞬间

如果说Scaling Law是宏观的哲学，那么2021年Zhengdong Wang在DeepMind经历的那次实验，就是微观的启示录。

那次经历彻底重塑了Zhengdong Wang的“智能观”，也让Zhengdong Wang理解了为什么说“算力即正义”。

算法聪明才智的贬值

当时，DeepMind团队正在尝试解决具身智能（Embodied AI）在3D虚拟环境中的导航与交互问题。

那是典型的“硬核AI”挑战，涉及到复杂的强化学习算法优化。

当时的共识是：这个问题的瓶颈在于算法的精妙程度，在于我们如何设计更优的采样策略和奖励函数。

然而，一位同事提出了一个近乎“鲁莽”的方案：不要改算法，直接把算力投入增加一千倍。

在那次算力狂飙之后，奇迹发生了！

那些原本被认为需要突破性人类巧思才能解决的逻辑死角，在海量的矩阵乘法面前直接“融化”了。

算法并没有变聪明，但规模赋予了它一种类似于生物本能的鲁棒性。

算力之波的冲击

那一刻，Zhengdong Wang深刻体会到了理查德·萨顿（Richard Sutton）在《苦涩的教训》中所表达的真理：

人类在AI领域的所谓“巧思”，在算力的指数增长面前往往不值一提。

这种realization就像是一股巨大的“算力之波”从你身上碾过，让你意识到，与其苦思冥想如何优化那1%的算法效率，不如直接去拥抱那1000倍的算力扩张。

这种视角在2025年的今天已经成为了DeepMind内部的通用语：

我们不再问“这个问题能不能解”，而是问“这个问题需要多少算力才能解”。

正是这种心态，让我们敢于在数据中心投资上砸下远超阿波罗计划的重金。

基础设施的极限与挑战：1GW时代的到来

Zhengdong Wang还提供了额外的视角。

当DeepMind在内部讨论算力时，话题已经从“PFLOPS”转向了“GW”。

2025年，AI不再仅仅是代码，它是重工业，是土地、能源和定制硅基芯片的终极整合。

硬件的代际跨越：Blackwell与Ultra

这种终极整合，用一个词概括就是“AI工厂”，正是黄仁勋在GTC大会所提出的概念。

Wang认为，NVIDIA在2025年交付的Blackwell平台，是DeepMind能够维持Scaling Law信仰的物理基础。

GB200 NVL72系统将72颗GPU互联为一个单一的超级计算引擎，其万亿参数模型的推理速度比H100提升了30倍。

BlackwellUltra的推出更是将单芯片显存推向了288GB的极限，这意味着即使是300B以上的模型，也可以在不需要显存卸载的情况下完整驻留，这对于长上下文和高并发推理至关重要。

电力与散热的硬墙

然而，物理定律依然严苛。

单芯片功耗逼近1000W，让DeepMind不得不全面转向液冷方案。

2025年，开始谈论“AI工厂”而非“数据中心”。

谷歌的基础设施首席执行官Amin Vahdat在内部会议中明确指出，为了满足爆发式的算力需求，我们必须每六个月将算力能力翻倍，并在未来4-5年内实现1000倍的增长。

这种压力不仅体现在金钱上。

2025年上半年，AI数据中心投资占据了美国GDP增长的90%以上。

尽管外界担心泡沫，但DeepMind内部的视角是：

如果你能看到1000倍算力带来的智能红利，那么任何低于这个数字的投入都是一种风险。

具身智能的突破：SIMA 2与通用Agent的诞生

在DeepMind，始终认为AGI的终极形态不在对话框里，而在物理世界中。

2025年，SIMA 2项目展示了从“理解”到“行动”的跨越。

像素级交互与开放式学习

SIMA 2是一个通用的具身智能体，它不依赖于游戏内部的数据接口，而是像人类一样，通过观察像素和操作键盘鼠标在复杂的3D虚拟世界中行动。

这种设计确保了它所习得的技能——从基础的导航到复杂的工具使用——具有极强的泛化性，可以无缝迁移到完全不同的数字环境，甚至为未来的物理机器人提供大脑。

更重要的是，SIMA 2展示了“自我进化”的能力。

通过与Gemini基础模型的结合，它可以自主生成任务、自我设定奖励，并在没有任何人类标注的情况下，通过不断的尝试和错误习得新技能。

我的王者荣耀有救了！比歌发布游戏SIMA 2，不开外挂“像人一样”练级

METR时间跨度图：智能的量化加速

在评估进展时，作者最推崇的是METR的时间跨度图。

两年前，AI只能稳定完成人类耗时9分钟的任务；而到了2025年底，这个数字已经跃升到了4小时以上。

按照目前的Scaling趋势，到2028年，AI有望独立完成人类专家需要数周才能完成的科研或工程任务。

AGI才刚刚上路，正处于爆发的前夜

在结尾，Zhengdong Wang写道：“这就是我上车的地方——我们现在还极其早。”。

尽管2025年我们已经看到了能过IMO的金牌模型，看到了能自主在3D世界中生存的Agent，但在DeepMind的“Post-AGI”团队看来，这仅仅是序幕。

我们依然受困于1GW的电力瓶颈，受困于数据采集的效率，受困于推理成本的最后几美分。

AGI不是终点，而是起点！

DeepMind之所以成立Post-AGI团队，是因为预见到：

当AGI的门槛被跨过那一刻，人类社会真正需要面对的挑战才刚刚开始：

如何管理那些能够自主进化、且由于算力规模而产生“不可解释性”的智能体？

在一个智能成本趋近于零的世界里，人类的独特价值如何重构？

当AI开始主导科学研发的循环，人类文明的知识边界将以何种速度扩张？

2025年的真相是，Scaling Law不仅是通往AGI的路径，它本身就是一种重塑物理世界的哲学。

那些还在争论泡沫的人，或许还没意识到，这股由1000倍算力卷起的风暴，已经将人类送往了一个再也回不去的纪元。

对于AI的拥趸，所有人正满怀敬畏地看着那列名为“智能”的火车加速驶向远方。

我们并非在等待奇迹，我们正在亲手塑造它。

AGI，才刚刚上路。