超细致小白 Ai 通识课第三集:AI 为什么变强越来越快?看懂三条加速路径?

前两篇，我们讲了 AI 的三次浪潮，也讲了它怎样从“能写字”走到“能做事”。

接下来很自然会冒出一个问题：

很多人会回答：“把模型继续做大。”

这句话只说对了一部分。今天的 AI 其实沿着三条路线同时向前：训练时投入更多资源、回答时让模型多算一会儿、做任务时给它更好的工具和工作流程。

你可以把它们理解成三个升级位置：

三条路叠在一起，才形成了我们感受到的加速。

2020 年，OpenAI 的 Kaplan 等人发表论文《Scaling Laws for Neural Language Models》。

他们训练并分析了不同大小的语言模型，发现一个很有用的现象：随着参数量、训练数据和计算量增加，模型的平均训练损失会按照相对稳定的曲线下降。

这种规律叫 Scaling Laws（缩放定律：描述模型表现如何随规模变化的经验规律）。

这里的“缩放”，就是把训练规模往上加。参数量可以先理解成模型容纳和调整语言规律的空间；训练数据是它读过的材料；算力则是完成这些学习所用的计算资源。

打个比方，一个学生最后学得怎么样，既取决于脑子里能装下多少东西，也取决于读了多少资料、做了多少练习。

只给他一本更厚的笔记本，却没增加教材，很多页面会空着。资料堆满桌子，却只给十分钟学习，也消化不了。

参数、数据和算力需要一起考虑。

缩放定律最吸引人的地方，是研究团队可以先训练一批较小模型，再根据实验曲线估算：如果多投入一些计算，平均损失大概还能下降多少。

但“有规律”不等于“有数学保证”。

这些曲线是从实验中总结出来的 经验规律，不是保证模型越大就必然更聪明的定理。训练损失下降，也不等于写代码、做数学题和判断事实会按照同一比例提高。

它更像天气预报。能帮助你判断趋势，却不能精确承诺下午 3 点 17 分一定落下第一滴雨。

早期的规模竞赛很容易变成一件事：继续堆参数。

2022 年，DeepMind 的 Chinchilla 论文给行业提了个醒。

研究团队用相近的训练计算量，训练了一个 700 亿参数的 Chinchilla。它的参数只有 Gopher 的四分之一，却使用了更多训练数据，最终在多项评测中超过了 2800 亿参数的 Gopher。

问题不在于 Gopher 的模型太大，而在于相对于它的参数量，训练数据不够多。

Chinchilla 的核心结论是：在固定算力预算下，模型参数和训练词元应该更均衡地增长。论文中的计算最优配置大约对应每个参数使用 20 个训练词元。

词元（token：模型读取文字时使用的小单位）可能是一个字、一个词，也可能只是词的一部分。

“20 比 1”不是永远适用的配方。数据质量、模型结构、训练目标和使用成本改变后，最合适的比例也可能改变。

真正值得记住的是：模型强不强，不能只看参数表。一个体型更小、资料读得更充分的模型，可能胜过一个训练不足的大模型。

模型扩大以后，有些评测会出现奇怪的图形。

小模型无论怎么做都接近瞎猜。模型增加到某个规模后，成绩忽然跳了上去。

2022 年，Google 研究者 Jason Wei 等人把这类现象称为 涌现能力（小模型中没有明显表现、在大模型中出现的能力）。作者后来整理了 137 项被观察为涌现的任务或能力。

最常见的类比是烧水：从 99°C 到 100°C 只差一度，水的状态却变了。

这个说法很抓人，但学界并没有完全达成一致。

2023 年，斯坦福研究者发表论文《Are Emergent Abilities of Large Language Models a Mirage?》。他们指出，一些“突然出现”可能和评分方式有关。

假设一道数学题只有答案完全正确才得 1 分，差一个数字也是 0 分。模型也许一直在慢慢进步，只是直到某个规模才开始答对整道题。

图表上看，它像突然学会了；如果改用能记录部分进步的连续评分，曲线可能平滑得多。

所以，更稳妥的理解是：

我们确实无法准确列出下一代模型会在哪些任务上明显变好。不过，这不等于模型会随机觉醒任何能力。

训练一个新模型很贵，而且要花很长时间。

有没有办法不重新训练整个底座，也让现有模型在难题上表现更好？

2024 年的 OpenAI o1 展示了第二条路线：推理时扩展（在生成答案的阶段投入更多计算）。

普通模型很像考试铃一响就开始写。它顺着第一个思路往下走，前面算错一步，后面可能全跟着错。

推理模型更像先在草稿纸上尝试几种方法，检查中间步骤，再交最终答案。有些系统还会生成多个候选答案，然后比较或投票。

OpenAI 公布的实验显示，在部分数学、科学和编程评测上，o1 使用更多测试时计算，表现会继续提高。

这相当于为同一个学生增加考试时间，但类比到这里就该停了。

o1 不是普通模型简单“等得更久”。它经过了专门的强化学习训练，学会怎样使用额外计算。更多思考也会增加费用和等待时间，而且不保证每道题都变好。

如果题目缺少资料，或者模型一开始理解错了问题，让它关起门多想十分钟，可能只是更认真地走错路。

推理时扩展提供的是第二个调节旋钮：除了在训练阶段加资源，还可以在回答阶段根据题目难度分配计算。

前两条路主要改变模型本身或模型的计算过程。

第三条路发生在模型外面。

给模型接上搜索、代码执行、文件读写和浏览器，再加入记忆、任务规划、报错恢复和结果验证，它就组成了一个更完整的 Agent（智能体）系统。

比如，同一个模型只能聊天时，你问它：“这个项目的测试为什么失败？”

它只能根据你贴出来的报错猜。

接入工具后，它可以读取项目文件、搜索相关函数、运行测试、修改代码，再根据新的测试结果继续调整。底层模型即使没有换，任务完成率也可能提高。

这就是 系统扩展：不是只升级“大脑”，还升级工具箱、工作台和检查流程。

观察 Agent 进展，经常会看到两个测试。

SWE-bench Verified 是一个软件工程基准。它从真实开源项目中挑选问题，让 AI 阅读代码并生成修复方案。

它的成绩近几年上涨很快，但“已经接近 100%”并不准确。2026 年公开报道的领先成绩大约为 79%，离全部解决仍有明显距离。

另一个是 OSWorld，它让 AI 操作浏览器、表格、文档和代码编辑器等电脑应用。

2024 年 OSWorld 刚发布时，论文中的最佳模型只能完成约 12% 的任务。到 2026 年，使用 GPT-5 和专门智能体框架的系统，在旧版 OSWorld 上已经接近 70%。

看起来马上要通关了？

研究者随后推出了更难的 OSWorld 2.0。任务变得更长，也更接近真实工作流。最佳系统的完整任务完成率又降到约 21%。

这组反差很重要。

成绩上涨说明系统真的在进步。但一个基准快刷满时，也可能说明模型熟悉了题型，或者测试已经不够难。换一张更接近真实工作的试卷，缺点又会冒出来。

所以 benchmark（基准测试）像考试成绩。它能帮助比较，却不能直接等同于“AI 已经能稳定替人工作”。

Agent 想做事，必须连接外部工具。

以前每个 AI 应用连接文件、数据库和办公软件，都可能使用不同的接口。开发者要反复写适配代码。

MCP（模型上下文协议）提供了一套开放标准，让 AI 应用用较统一的方式发现和调用外部工具。

它常被比作 AI 工具的 USB-C 接口。换了模型，不一定要把每个工具连接全部重做；新工具也更容易接入支持 MCP 的应用。

标准化会减少重复工作，但 MCP 不是安全魔法。

工具有没有权限删除文件？外部网页会不会藏着恶意提示？执行以后谁来确认结果？这些问题仍要由应用的沙盒、审批机制和人工检查解决。

接口统一，只代表更容易连接，不代表可以放心全自动运行。

模型、推理方法和 Agent 工具会互相借力。

一个更强的模型发布后，可以立刻接入已有的搜索和代码工具；一种新的智能体框架，也可以同时服务多个模型；真实用户产生的失败案例，又会进入下一轮评测和改进。

所以，产品层面的变化确实越来越密集。

不过，大模型代际发布并没有简单地从“几年一次”缩短成“几个月一次”。GPT-3 在 2020 年 5 月发布，GPT-4 是 2023 年 3 月，GPT-5 则是 2025 年 8 月，两个间隔都超过两年。

我们每个月感受到的新功能，很多来自后训练、模型快照、推理强度、工具和产品界面更新，不一定是从头训练了一个全新基础模型。

全球竞争也在压缩跟进时间。斯坦福 2026 AI Index 显示，在它采用的模型排名口径下，2026 年 3 月领先的美国模型与中国模型只相差约 2.7%。

但这个数字只说明特定榜单上的模型表现接近。芯片供应、资本投入、研究人才、论文数量和产业应用不能被一个百分比概括。

现在可以回到开头的问题。

AI 还在变强，是因为行业不只剩“继续堆参数”这一条路。

训练时扩展提高底座能力；推理时扩展让模型在难题上投入更多计算；Agent 系统扩展则用工具、记忆和验证，把模型能力转化成真实动作。

三条路线可以同时推进，也会互相放大。

但加速不是自然定律。高质量数据可能变少，芯片和能源有成本，推理时间不能无限增加，Agent 的可靠性与安全边界也还远没解决。

因此，比较准确的结论不是“AI 一定会永远指数增长”，而是：

下一篇，我们可以继续追问一个更现实的问题：当 AI 能力持续提高，人应该怎样判断哪些工作可以交给它，哪些决定必须留在自己手里？

注：本文主要框架来自于TRAE 团队的《AI 通识课》，在课程基础上增加了更多针对小白的解释说明。感谢TRAE 团队制作的精品公开课，希望能帮到每一位想要用好 AI 的朋友。