大模型竞争焦点转向创新而非规模

随着大型人工智能模型的飞速进步，如何衡量它们“智力水平”成为业界关注的焦点。最近，清华大学研究团队针对这一问题提出了“大模型密度法则”，其相关成果已发表于《自然·机器智能》。这一法则指出，自2023年2月至2025年4月，大语言模型的能力密度以指数速度提升，平均每3.5个月实现翻倍。

“摩尔定律”在计算机领域早已家喻户晓：芯片上的晶体管数量定期倍增，从而推动算力突飞猛进。这种强大并非来自于芯片体积的扩展，而是源于极高的集成度。同样道理，清华大学计算机系的肖朝军助理研究员认为，AI大模型的“智力水平”同样应有可量化的指标——即“能力密度”。

这项研究建立的核心假设是：采用相同的训练和技术路线的模型，不论规模大小，其能力密度大致相当。就如同芯片制造不断提高集成度以实现设备小型化和普及化，大模型也正通过提升每一个参数的“智慧含量”来提高效率。

肖朝军解释，之前大家更关注模型本身的“体量”有多大，好比比较举重运动员的体重，体重越大则力量越强。而“密度法则”提醒人们——真正需要关注的是模型的“密度”，也就是每个参数承载了多少智能。本质上，比拼的是内功而不是外形 —— 如评判一位武林高手，关键在于其招式的精妙程度。

研究团队统计了近年发布的51款开源大模型，发现其最大能力密度呈现随时间指数式提升的趋势，自2023年以来大约每3.5个月翻倍。这意味着，随着数据、算力和算法持续协同，未来用更少参数的模型也能达到同等智能水平。

研究还得出了一些关键推论。例如，具备同等能力的模型，其推理计算开销也正随时间迅速下降。同时，大模型能力密度提升的速度也在不断加快：ChatGPT推出前约每4.8个月翻倍，ChatGPT后仅需3.2个月，提升速度大幅加速。这说明，随着技术成熟和开源生态繁荣，能力密度的提升正步入快车道。

肖朝军表示，能力密度的升高不仅意味着AI模型本身更“聪明”，同时也让部署和运行所需算力和成本显著降低。这一趋势将为学界和业界带来更多创新空间，让大模型的普及变得现实。

从实际应用来看，密度法则的出现也代表AI模型的落地变得更容易。肖朝军介绍，随着芯片工艺（摩尔定律）和模型能力密度（密度法则）的双重提升，以往只能在云端部署的大模型，未来有望在本地终端芯片上直接运行。这不仅能提升响应速度，还能更好地保障用户隐私，使AI服务更加贴近用户需求。

以智能汽车为例，此前大模型多用于执行诸如“打开车窗”“查找餐厅”等被动命令。随着模型能够在终端运行，并具有对舱内外环境的综合感知与意图理解能力，智能座舱可实现主动多模态感知与决策，从而让每次驾驶都能深度体验智能带来的升级。

记者 张盖伦