AI大模型竞争焦点转向“智力”而非“体量”

近年来，随着人工智能大模型的飞速发展，如何有效衡量其“智力水平”成为业界关注的焦点。针对这一问题，清华大学的研究团队提出了一项名为大模型“密度法则”的新理论，其研究成果近期发表于《自然·机器智能》杂志。密度法则揭示了一种趋势：自2023年初到2025年春，大型语言模型的“能力密度”呈现出指数级提升，每隔大约3个半月便翻上一倍。

人们对计算机芯片领域的“摩尔定律”早已耳熟能详，即每隔一定时间，集成电路上的晶体管数量就会增加一倍，使计算能力不断增强。类似地，清华大学计算机系的肖朝军助理研究员表示，衡量大模型“智力”的，也应有类似的标尺，这就是所谓的“能力密度”。

研究中提出了核心假设：在同样的训练条件与制造工艺下，规模不同的大模型，其单位能力密度也会趋于一致。正如半导体行业通过提升集成密度，实现高效与普及，大模型亦是在追求更高的能力密度，从而实现高效发展。

肖朝军进一步介绍，过去大家常常以模型参数规模作为衡量智能高低的主要依据，就如同评判一个举重运动员时关注其体重。如今，借助“密度法则”，业界的关注点应转向每一份参数中所蕴含的智能含量。举个例子，对一名武术大师的评价，并非只看其体格，而是重在其高超的技艺和实战能力。大模型同理，能力密度越高，内部“智慧”也就越浓缩。

清华团队对近年来发布、公开的51种大模型进行了深入分析，发现能力密度正以极高的速度提升，自2023年以来，平均每3.5个月能力密度增加一倍。随着数据、算力与算法协同进步，实现同等智能所需的参数数量正不断减少。

此外，团队还推导出一系列启示。例如，具有同等能力的模型，其推理所需的计算和能耗正经历指数级下降。同时，能力密度增长速度也在加快。ChatGPT出现之前，大模型能力密度约每4.8个月翻一倍；ChatGPT问世后，这一速度提升至每3.2个月，增速提高了约一半。这一现象显示，大模型加强能力密度已成为行业清晰可见的趋势。

肖朝军指出，能力密度越高，不仅令模型更“聪明”，也有效降低了运行所需的算力和相关成本。围绕这一理念，学界和产业界可以展开多层面创新，加速推动大模型向更大规模、普惠应用迈进。

从实际应用角度看，“密度法则”意味着AI将愈发容易落地。肖朝军举例，随着芯片电路密度（摩尔定律）与模型能力密度同步提升，原本只可部署于云端的大模型，未来有望直接落地到终端设备上，进而带来更快的响应和更好的隐私保护，为使用者提供丰富服务。

在智能汽车场景中，此前的大模型主要用于被动服务，如打开车窗、查询就餐地点等。当模型能够直接“上车”，并利用车载传感器感知和理解意图，将能实现更复杂的环境感知与主动决策，让智能座舱由被动响应转变为主动服务，为每次驾驶带来更智能的体验。

记者 张盖伦