大模型竞争从规模转向智能

在近年来大模型技术突飞猛进的背景下，业界一直在寻求有效的标准来评估AI大模型的“智力水平”。近期，清华大学的研究人员提出了一套全新的衡量方法——大模型“密度法则”。相关成果已发表于《自然·机器智能》期刊。据该法则显示，大语言模型的最大能力密度正以指数方式增长，2023年2月至2025年4月期间，平均每3.5个月提升一倍。

众所周知，计算机硬件领域有著名的“摩尔定律”，意指芯片上的晶体管数目每隔一段时间会翻倍，这一原理带来了巨大的计算能力飞跃。清华大学计算机科学与技术系的肖朝军表示，在人工智能领域，大模型“智力密度”的提升同样意义深远，这种能力密度正在成为衡量模型效能的重要标准。

该团队的核心观点认为，只要模型的工艺制程相同且训练充分，不同规模模型在单位参数上的能力密度是一致的。这一发现类似于芯片行业通过提升晶体管集成度，推动设备小型化和普及化。大模型的能力提升，也正在向这一方向演进。

肖朝军解释，过去大家主要关注大模型的“量”（参数规模），认为规模越大能力越强，这就像我们评判举重运动员时只看体重，其实能力密度才更能决定智能的“含金量”。用肖朝军的话来说，评价真正的高手，不在于肌肉有多庞大，而在于每一招一式所蕴藏的深厚功力。

通过对近年出现的51个开源大模型进行深入分析，研究者们发现了一个鲜明规律：大模型的最高能力密度持续呈指数上升，自2023年以来，平均3.5个月密度翻倍。这证明了数据、算力与算法协同进步，使得模型参数越来越“精悍”，用更少的参数也能实现相同的智能表现。

此外，团队还推演出更多趋势。例如，相同智能水平的模型，其推理计算消耗正在持续下降；自ChatGPT问世以来，模型能力密度翻倍的周期由4.8个月缩短为3.2个月，能力提升速度加快了50%。由此可见，随着技术迭代和开源社区发展，大模型的能力密度提升正以更快速度前进。

肖朝军表示，能力密度越高，不仅大模型更为智能，其部署所需的算力和运维成本也大幅减少。这一规律为学术界和产业界指明了发展方向，推动AI技术进一步普惠，覆盖更多应用场景。

从实际应用来看，密度法则也意味着AI正变得愈发易于落地。肖朝军举例说明，随着芯片电路集成度（摩尔定律）与模型能力密度（密度法则）同步提升，将来大模型能够直接在终端设备上运行，而不再依赖云端。这不仅带来了响应效率的提升，也有利于保护用户隐私，为用户带来更丰富多元的智能体验。

以智能汽车为例，传统的大模型多以“被动式”互动为主，例如“帮忙开窗”“查找附近餐馆”。随着模型在终端的部署升级，结合更强的感知与意图理解能力，车辆可以主动分析舱内外环境，实现多模态感知和决策闭环，让智能座舱从“被动响应”升级为“主动服务”，显著提升驾驶的智能化水平。

记者 张盖伦