AI大模型竞争不靠规模论胜负

当前，人工智能大模型发展势头强劲，人们也在探索有效衡量其智能的方法。最近，清华大学的科研团队提出了一套新的评估体系——“密度法则”，相关研究论文已发表于《自然·机器智能》。他们指出，大型语言模型的最大能力密度（即单位参数所含智能量）正在以指数速度提升——从2023年2月至2025年4月，每约3.5个月翻倍一次。

我们熟悉的“摩尔定律”强调了芯片集成度对性能的提升作用：有限空间内集成更多晶体管，让计算能力不断跃升。清华大学计算机系助理研究员肖朝军在接受科技日报采访时表示，类似于摩尔定律，大模型的智能水平也可以用“能力密度”来度量。

该研究的基础假设是，只要采用同样的工程技术并经过充分训练，不同大小的大模型理论上会拥有相同的能力密度。正如芯片行业追求更高的电路密集度以推动小型化和普及化，AI大模型的发展也越来越关注参数效率和能力密集度。

肖朝军进一步解释道：“过去，我们习惯用参数数量衡量大模型的强弱，就像用体重判断举重运动员的力量。如今，密度法则为大模型高效成长指出了新方向——重视每一个参数‘单位’所蕴含的智能含量。就像评判武林高手，不在乎块头而是重在招式深度。”

这一团队对近几年发布的51个开源大模型进行系统分析，发现大模型能力密度的提升速度惊人。自2023年以来，能力密度平均每3.5个月翻倍，意味着同样智能可以通过更少的参数实现，“数据—算力—算法”三者协同推动着AI越来越高效。

由此团队还推论出一些趋势。例如，达到同等智能水平所需的计算成本也在指数级下降。同时，自ChatGPT问世后，能力密度的翻倍周期从4.8个月缩短至3.2个月，提升速度加快了50%，反映出技术成熟和开源生态发展促进了密度的加速增长。

肖朝军指出，密度法则的直观意义是，能力密度越大，模型越聪明，运行所需的算力更低，相应成本也更小。围绕这一规律，无论是学术还是产业界，都有更多方向进行创新，推动大模型逐步走向普惠。

从实际应用角度看，密度法则的出现，也在推动AI逐步落地更加广泛的场景。肖朝军展望，随着芯片工艺进步和模型能力密度不断攀升，原本只适合部署在云端的大型AI未来有望移植到终端设备，这样不仅提升响应速度，还能更好保护用户隐私，带来全新体验。

以智能汽车为例，肖朝军介绍，早期大模型应用仅能实现“帮忙操作车窗”或“查询附近餐厅”等被动服务。如今，随着模型端侧部署成为可能，汽车智能座舱能整合更多感知和理解能力，实现环境与用户意图的深度感知与主动决策，让驾驶体验更加智能和贴心。

记者 张盖伦