DeepMind内部视角揭秘！Scaling Law没死，算力即一切

【导读】2025年就要结束，DeepMind华人研究员万字长文为我们揭秘了谷歌内部对于AI的预言：除了算力，其他一切都是杂音。

今天是2025年的最后一天了，很多人都在这一天进行AI回顾总结。

在经历一年的模型、算力、资本的新闻轰炸后，AI距离通用人工智能还有多远？

如果说2024年是人们对于AI的好奇之年，那么2025年就是AI深刻影响人类社会之年。

在这充满变数的一年里，我们听到了截然不同的声音：

Sam Altman在2025年中的博文《温和的奇点》中大胆预言：

「我们已经知道如何构建AGI，2026年我们将看到能够产生原创见解的系统。」他坚持认为，Scaling Law远未触及天花板，智能的成本将随着电力的自动化生产而趋近于零。

拓展阅读：奥特曼：温和奇点已降临！AI最终掌控物理世界，2030年人类命运大转折

NVIDIA的黄仁勋则将目光从「算力崇拜」转向了「AI工厂」。

他在2025年底的一次演讲中提到：

「AI的瓶颈不再是想象力，而是电力。未来的Scaling Law不仅是模型的堆叠，更是推理效率10万倍的飞跃。」

拓展阅读：英伟达AI工厂：人类历史酝酿12000年的绝对必然

相比之下，Meta的前首席科学家Yann LeCun依然嘴炮，他甚至在离职创办新公司前公开表示：

「LLM是通往 AGI 的死胡同，它没有世界模型，就像一个没有躯体的空中楼阁。」

拓展阅读：LeCun赌上后半生，押注大模型必死！Hassabis誓将Scaling进行到底

2026年，Scaling Law是否还能继续玩下去？

对于这个问题，一篇来自DeepMind华人研究员的万字长文在社交网络火了：

Scaling Law没死！算力依然就是正义，AGI才刚刚上路。

文章地址：https://zhengdongwang.com/2025/12/30/2025-letter.html

本文是Google DeepMind研究员Zhengdong Wang撰写的2025年度长信。

作者以独特的个人视角，回顾了从2015年至今AI领域的剧变，并深刻剖析了驱动这一切的核心动力——算力。

尽管外界对Scaling Laws存疑，但历史反复证明，随着算力的指数级增长，AI模型不断涌现出超越人类预期的能力。

作者结合自己在DeepMind的工作经历，验证了强化学习教父Richard S. Sutton「苦涩的教训」：

通用算力方法终将战胜人类的特定技巧。

这也是我们今年最大的感受！

除了算力，其他都是杂音

2025年12月30日，当回望这波澜壮阔的一年时，脑海中浮现的是十五年前那场由AlexNet开启的视觉革命。

那场辛顿、李飞飞、Ilya都参与的大会，或许就是如今AI时代的真正萌芽。

那时，大多数人认为人工智能仅仅是关于「特征工程」和「人类聪明才智」的博弈，而今天，我们已经进入了一个完全不同的维度：

一个由算力主导、由Scaling Law驱动、且AGI（通用人工智能）才刚刚踏上征途的纪元。

最近大家关注的焦点无外乎：Scaling Law是否已经撞墙？

算力的信仰：为什么Scaling Law从未失效

在2024年底，业内曾出现过一阵强烈的悲鸣，认为预训练数据的枯竭和边际收益的递减标志着Scaling Law的终结。

然而，站在2025年的终点，我们可以负责任地说：

Scaling Law不仅没死，它正在经历一场从「暴力堆参数」到「智能密度」的深刻演化。

十五年一遇的连续性

我们要理解Scaling Law，首先要看到它的历史韧性。

研究显示，过去十五年里，用于训练AI模型的算力每年以四到五倍的速度增长。

这种指数级的复合增长，在人类技术史上是罕见的。

在DeepMind内部观察到，模型在训练过程中所消耗的数学运算量，已经超过了可观测宇宙中的恒星数量。

这种增长并非盲目，而是建立在极其稳定的经验公式之上。

根据Kaplan和Hoffmann等人的实证研究，性能与算力之间存在着明确的幂律关系：性能提升与算力的0.35次方成正比。

文章地址：https://fourweekmba.com/ai-compute-scaling-the-50000x-explosion-2020-2025/

这意味着，每投入10倍的算力，大约能带来3倍的性能增益；而当我们跨越1000倍的算力鸿沟时，性能的提升将达到惊人的10倍量级。

定性跃迁与涌现能力

Scaling Law最迷人的一点在于，它不仅带来了定量的误差减少，更诱发了不可预测的定性跃迁。

在DeepMind的实验中，随着算力的增加，模型会突然展现出逻辑推理、复杂指令遵循以及事实性修正等「涌现能力」。

这种现象意味着，算力不仅仅是燃料，它本身就是一种能够催生智能的物理量。

2025年的真相是：我们已经从单纯的「预训练Scaling」转向了「全四个维度Scaling」：

1. 预训练Scaling

   通过海量多模态数据构建基础认知。

2. 后训练Scaling

   利用强化学习（RL）进行对齐和偏好优化。

3. 推理时Scaling

   即让模型在回答前「想得更久」。

4. 上下文Scaling

   通过超长记忆提升端到端任务能力。

在DeepMind亲历的「1000倍算力」瞬间

如果说Scaling Law是宏观的哲学，那么2021年Zhengdong Wang在DeepMind经历的那次实验，就是微观的启示录。

那次经历彻底重塑了Zhengdong Wang的「智能观」，也让Zhengdong Wang理解了为什么说「算力即正义」。

算法聪明才智的贬值

当时，DeepMind团队正在尝试解决具身智能（Embodied AI）在3D虚拟环境中的导航与交互问题。

那是典型的「硬核AI」挑战，涉及到复杂的强化学习算法优化。

当时的共识是：这个问题的瓶颈在于算法的精妙程度，在于我们如何设计更优的采样策略和奖励函数。

然而，一位同事提出了一个近乎「鲁莽」的方案：不要改算法，直接把算力投入增加一千倍。

在那次算力狂飙之后，奇迹发生了！

那些原本被认为需要突破性人类巧思才能解决的逻辑死角，在海量的矩阵乘法面前直接「融化」了。

算法并没有变聪明，但规模赋予了它一种类似于生物本能的鲁棒性。

算力之波的冲击

那一刻，Zhengdong Wang深刻体会到了理查德·萨顿（Richard Sutton）在《苦涩的教训》中所表达的真理：

人类在AI领域的所谓「巧思」，在算力的指数增长面前往往不值一提。

这种realization就像是一股巨大的「算力之波」从你身上碾过，让你意识到，与其苦思冥想如何优化那1%的算法效率，不如直接去拥抱那1000倍的算力扩张。

这种视角在2025年的今天已经成为了DeepMind内部的通用语：

我们不再问「这个问题能不能解」，而是问「这个问题需要多少算力才能解」。

正是这种心态，让我们敢于在数据中心投资上砸下远超阿波罗计划的重金。

基础设施的极限与挑战：1GW时代的到来

Zhengdong Wang还提供了额外的视角。

当DeepMind在内部讨论算力时，话题已经从「PFLOPS」转向了「GW」。

2025年，AI不再仅仅是代码，它是重工业，是土地、能源和定制硅基芯片的终极整合。

硬件的代际跨越：Blackwell与Ultra

这种终极整合，用一个词概括就是「AI工厂」，正是黄仁勋在GTC大会所提出的概念。

Wang认为，NVIDIA在2025年交付的Blackwell平台，是DeepMind能够维持Scaling Law信仰的物理基础。

GB200 NVL72系统将72颗GPU互联为一个单一的超级计算引擎，其万亿参数模型的推理速度比H100提升了30倍。

BlackwellUltra的推出更是将单芯片显存推向了288GB的极限，这意味着即使是300B以上的模型，也可以在不需要显存卸载的情况下完整驻留，这对于长上下文和高并发推理至关重要。

电力与散热的硬墙

然而，物理定律依然严苛。

单芯片功耗逼近1000W，让DeepMind不得不全面转向液冷方案。

2025年，开始谈论「AI工厂」而非「数据中心」。

谷歌的基础设施首席执行官Amin Vahdat在内部会议中明确指出，为了满足爆发式的算力需求，我们必须每六个月将算力能力翻倍，并在未来4-5年内实现1000倍的增长。

这种压力不仅体现在金钱上。

2025年上半年，AI数据中心投资占据了美国GDP增长的90%以上。

尽管外界担心泡沫，但DeepMind内部的视角是：

如果你能看到1000倍算力带来的智能红利，那么任何低于这个数字的投入都是一种风险。

具身智能的突破：SIMA 2与通用Agent的诞生

在DeepMind，始终认为AGI的终极形态不在对话框里，而在物理世界中。

2025年，SIMA 2项目展示了从「理解」到「行动」的跨越。

像素级交互与开放式学习

SIMA 2是一个通用的具身智能体，它不依赖于游戏内部的数据接口，而是像人类一样，通过观察像素和操作键盘鼠标在复杂的3D虚拟世界中行动。

这种设计确保了它所习得的技能——从基础的导航到复杂的工具使用——具有极强的泛化性，可以无缝迁移到完全不同的数字环境，甚至为未来的物理机器人提供大脑。

更重要的是，SIMA 2展示了「自我进化」的能力。

通过与Gemini基础模型的结合，它可以自主生成任务、自我设定奖励，并在没有任何人类标注的情况下，通过不断的尝试和错误习得新技能。

扩展阅读：我的王者荣耀有救了！谷歌发布游戏SIMA 2，不开外挂「像人一样」练级

METR时间跨度图：智能的量化加速

在评估进展时，作者最推崇的是METR的时间跨度图。

两年前，AI只能稳定完成人类耗时9分钟的任务；而到了2025年底，这个数字已经跃升到了4小时以上。

按照目前的Scaling趋势，到2028年，AI有望独立完成人类专家需要数周才能完成的科研或工程任务。

AGI才刚刚上路，正处于爆发的前夜

在结尾，Zhengdong Wang写道：「这就是我上车的地方——我们现在还极其早。」。

尽管2025年我们已经看到了能过IMO的金牌模型，看到了能自主在3D世界中生存的Agent，但在DeepMind的「Post-AGI」团队看来，这仅仅是序幕。

我们依然受困于1GW的电力瓶颈，受困于数据采集的效率，受困于推理成本的最后几美分。

AGI不是终点，而是起点！

DeepMind之所以成立Post-AGI团队，是因为预见到：

当AGI的门槛被跨过那一刻，人类社会真正需要面对的挑战才刚刚开始：

• 如何管理那些能够自主进化、且由于算力规模而产生「不可解释性」的智能体？

• 在一个智能成本趋近于零的世界里，人类的独特价值如何重构？

• 当AI开始主导科学研发的循环，人类文明的知识边界将以何种速度扩张？

2025年的真相是，Scaling Law不仅是通往AGI的路径，它本身就是一种重塑物理世界的哲学。

那些还在争论泡沫的人，或许还没意识到，这股由1000倍算力卷起的风暴，已经将人类送往了一个再也回不去的纪元。

对于AI的拥趸，所有人正满怀敬畏地看着那列名为「智能」的火车加速驶向远方。

我们并非在等待奇迹，我们正在亲手塑造它。

AGI，才刚刚上路。

参考资料：

https://zhengdongwang.com/2025/12/30/2025-letter.html

秒追ASI

⭐点赞、转发、在看一键三连⭐

点亮星标，锁定极速推送！