OpenAI 的 Scaling law 有 bug,但万亿算力真白烧了吗?

7 月 5 日中午，DeepMind 研究员 Diogo Almeida 在个人博客发了一篇文章，标题很冷，但内容让 AI 圈炸了。

他说，2020 年 OpenAI 那篇奠定 AI 军备竞赛方向的 Scaling law 原始论文，有个致命 bug。

消息一出，”OpenAI 塌房””万亿算力全白烧”的标题瞬间刷屏。

但先别急着下结论。这个 bug 是真的，但”万亿白烧”是夸张。

真正值得关注的不是 bug 本身，而是它释放的信号：靠堆参数、堆算力就能赢的时代，结束了。

01 bug 到底是什么？

先说结论：这个 bug 不是代码错误，而是方向性误判。

2020 年，OpenAI 发表了那篇著名的 Scaling law 论文。核心结论很简单：

模型越大，性能越好。所以，砸钱做更大的模型，准没错。

这个结论成了过去 6 年 AI 行业的信仰。OpenAI、Anthropic、Meta……所有巨头都在疯狂堆参数、堆算力。

但 Diogo Almeida 指出，这个公式有个问题：它高估了增加参数的收益，低估了数据质量的重要性。

用一个不准确的类比：

就像你以为健身只靠举重就能变强，于是疯狂加重量。但实际上，有氧、饮食、休息同样重要，甚至更关键。

Diogo Almeida 是谁？他是 DeepMind 的研究员，之前也在 OpenAI 工作过。他参与过多个大模型项目，不是外行。

他的质疑，分量不轻。

02 万亿算力真白烧了吗？

这才是关键问题。

先说答案：没有完全白烧，但方向需要调整。

为什么？

第一，算力投入不是完全浪费。 即使 Scaling law 的公式有 bug，但这 6 年的算力投入确实推动了 AI 技术的快速迭代。GPT-4、Claude、Gemini……这些模型的能力是真实的，不是泡沫。

就像 2000 年互联网泡沫，虽然很多公司倒闭了，但光纤、服务器、技术人才都留下来了，为后来的互联网繁荣打下了基础。

第二，问题不在于”烧钱”，而在于”只烧钱”。 过去 6 年，AI 行业的逻辑是：参数越大=性能越好=商业成功。但现在大家发现，数据质量、算法效率、应用落地同样重要，甚至更关键。

Meta 最近被市场质疑”算力过剩”，扎克伯格承认 AI 智能体的开发”没有预期那样加速”。这不是算力不够，而是光有算力，没有好的数据和应用场景，白搭。

第三，行业正在转向。 从”规模崇拜”到”效率优先”，这个转变已经开始：

AI 行业不是要崩了，而是要变了。

03 普通人该怎么看？

说了这么多，这对你有什么影响？

投资角度：AI 股还能拿吗？

短期波动难免，但长期逻辑没变。

会受伤的公司： – 纯靠”堆算力”讲故事，没有实际应用场景的 – 数据质量差，只靠参数规模撑估值的

反而可能受益的公司： – 有高质量数据壁垒的（比如医疗、金融垂直领域） – 算法效率高，能用更少算力做更多事的 – 应用落地快，已经有稳定收入的

就业角度：AI 取代工作的节奏会放缓吗？

会，但不是因为技术不行，而是因为方向变了。

过去大家担心的是”AI 越来越强，工作都没了”。但现在行业发现，光有参数不够，还得有场景、有数据、有落地。

这意味着： – 通用 AI 取代工作的节奏可能放缓 – 但垂直领域的 AI 应用会加速（比如医疗诊断、法律分析、代码生成） – 懂 AI + 懂行业的人，会更吃香

使用角度：我们用的 AI 产品会受影响吗？

短期不会。你用的 ChatGPT、Claude、豆包，该用还用。

但长期看，AI 产品会从”什么都能聊”转向”什么都能做”。智能体功能被下架，不是因为技术不行，而是因为情感陪伴类应用风险高，企业级任务型应用才是未来。

04 写在最后

Scaling law 的 bug，不是 AI 行业的末日，而是一个转折点。

它告诉我们：靠堆参数、堆算力就能赢的时代结束了。

接下来拼的是什么？

数据质量、算法效率、应用落地。

对投资者来说，别只看参数规模，要看谁能把 AI 真正用起来。

对从业者来说，别只学调参，要懂行业、懂场景、懂用户。

对普通人来说，AI 还是那个 AI，但它会从”炫技”变成”实用”。

泡沫破一点，不是坏事。活下来的，才是真本事。