大模型竞争焦点转向“智能”而非“规模”

随着大型人工智能模型的迅速进步，许多人开始关注是否存在一种衡量AI“智能水平”的具体指标。近日，清华大学的科研团队在《自然·机器智能》杂志上公开了他们关于“大模型密度法则”的相关研究。该法则指出，大语言模型的能力密度呈指数倍速上升——在2023年2月至2025年4月间，能力密度大约每3.5个月实现翻倍。

众所周知，计算机芯片领域有“摩尔定律”，即单位芯片的晶体管数每隔一段时间就会翻倍。芯片之所以越来越强大，原因在于极小的面积容纳了极多的计算单元。清华大学计算机科学与技术系的肖朝军认为，AI大模型的发展也应有类似的衡量维度，这就是所谓的“能力密度”。

这项研究假设，如果采用一样的工艺并进行充分训练，不同大小的模型其能力密度是相同的。芯片行业通过提升集成度推动了设备的小型化和普惠化，AI模型则靠不断提升能力密度，朝着高效发展迈进。

过去，业界谈及“规模法则”时，通常关注模型参数总量，参数越多模型就越“聪明”，就像关注运动员的体重一样。而在“密度法则”视角下，更重要的是单位参数所蕴含的智能水平。肖朝军表示，就像评价武术高手时，看的是招式中的“功力”，而不是单纯的肌肉量。

研究团队系统研究了近年发布的51个开源AI模型，并发现自2023年来模型能力密度的提升速度显著加快，平均每3.5个月翻倍。随着数据、算力和算法的同步进步，未来可用更少参数实现等同的智能输出。

此外，团队还推导出一些结论。例如，同级能力的模型推理成本将随时间不断降低，且能力密度正加速提升。ChatGPT面世之前，能力密度翻倍周期约为4.8个月；而ChatGPT发布后缩减至3.2个月，增幅提升了50%。这表明，随着技术迭代和开源生态繁荣，能力密度增长速度明显加快。

肖朝军进一步指出，能力密度的提升不仅意味着大模型更具智能，还能降低对算力资源的需求和使用成本。这一规律的确立，为学术界和产业界带来新的创新方向，有助于推动AI技术的广泛普及。

从实际应用层面来看，密度法则的确立预示着AI正变得更加易用。肖朝军介绍，随着芯片的集成度不断提高（摩尔定律），以及模型能力密度持续增强（密度法则），原本只能部署在云端的大型模型，未来有望在终端设备甚至芯片上直接运行。从而提升响应速度、加强隐私保护，让智能服务更加丰富。

肖朝军举例道，以智能汽车为例，过去大模型仅能被动执行如“打开车窗”“查询附近餐厅”等指令。而将模型部署到终端后，通过环境感知和意图理解，还能主动整合车内外环境信息，实现多模态融合及自主决策，让智能座舱从被动响应提升到主动服务，为驾驶体验注入更多智慧。

记者 张盖伦