当2023年初某科技巨头宣称“全球仅需几个大模型”时，这场关于智能形态的争论便埋下了伏笔。这一论断与1943年IBM董事长“世界只需五台计算机”的预言惊人相似，而历史正在给出新的答案——清华大学联合研究团队在《自然·机器学习》发表的封面论文《大模型的密度法则》揭示：每3.5个月，模型的能力密度就会翻倍，这项发现正重塑着人工智能的发展轨迹。
能力密度作为核心指标，衡量着单位参数或算力下模型的智能水平。研究显示，自ChatGPT问世后，这一指标的增长曲线陡然上扬。不同于传统规模法则对“更大模型、更多数据”的追求，密度法则聚焦于效率革命：如何在有限资源下实现智能的指数级跃迁。这种转变正推动技术重心从云端向端侧迁移，手机、汽车、机器人等终端设备开始承载原本需要数据中心运行的复杂模型。
清华大学计算机系副教授刘知远指出，2023年全国端侧算力总和已是数据中心的12倍，这种分布式计算架构将深刻影响智能形态的演进。他的团队与面壁智能开发的MiniCPM系列模型，已在2.4B参数规模下实现13B参数模型的效果，成功在手机端运行。这种“小体积、大智慧”的突破，源于对模型架构、数据治理、算法优化的系统性创新。
在模型架构层面，混合专家系统（MoE）与稀疏注意力机制成为主流。通过将前馈网络切割为多个“专家模块”，仅激活部分计算单元，既保持了模型能力又大幅降低能耗。注意力机制的革新则着眼于长文本处理，滑动窗口、线性注意力等设计使模型能够处理超长上下文，这在智能座舱、多模态交互等场景尤为重要。长安马自达等车企已将相关技术应用于量产车型，实现车内环境感知、多乘客识别等超过100项功能。
数据治理的突破同样关键。研究团队构建的分层处理流程（L0-L4），从原始数据抓取到高质量合成，将预训练数据集压缩至原规模的十分之一，同时提升模型效果。这种“精炼”技术不仅降低训练成本，更揭示了智能的本质问题：达到特定能力所需的最小数据集究竟如何构成？在强化学习领域，数据质量直接决定模型上限，代码竞赛金牌水平的实现便依赖于精心设计的奖励机制。
强化学习（RL）的Scaling Law缺失，成为当前技术突破的焦点。不同于预训练阶段清晰的算力-能力对应关系，RL在环境扩展与奖励验证上面临挑战。前OpenAI研究员Jason Wei强调构建“不可破解环境”的必要性，而Ilya则认为人类学习本就不依赖完美环境。这种分歧指向两条探索路径：一是持续扩大环境规模与奖励维度，二是开发类似人类的高效学习方式。Thinking Machines Lab等机构已开始在特定商业场景中验证RL的落地潜力。
端侧智能的爆发临界点正在临近。研究预测，到2030年，终端设备将能够运行60B+参数的模型，激活规模达8B+。这一进程将分阶段实现：2027年手机端可支持大规模强化学习，2030年眼镜、耳机等外设将与随身计算终端形成协同网络。届时，每个人都将拥有基于个人数据持续进化的“专属智能体”，而云端则部署着外卖、出行、内容等领域的专家模型，构成“智能体的互联网”。
在这场效率革命中，中国团队正扮演关键角色。DeepSeek-3的发布标志着“成本、能效”成为行业核心指标，具身智能领域对密度法则的广泛引用，印证了技术路线的普适性。当芯片电路密度与模型能力密度的曲线交汇，一个崭新的智能时代正在拉开帷幕——在这里，智能不再集中于少数云端，而是如空气般分布于每个终端，真正实现“智能无感化”的终极目标。
