近年来，人工智能领域的发展引发了广泛关注，尤其是大模型技术的快速迭代，让人们对其未来充满期待。然而，随着ChatGPT、DeepSeek以及Gemini 3等模型的相继问世，一个关键问题逐渐浮出水面：支撑这些技术进步的Scaling Law是否正在失去效力？这一疑问不仅困扰着研究人员，也引发了行业内的激烈讨论。
Scaling Law的核心在于通过增加预训练算力来提升模型智能，但近期多位权威专家对此表达了不同看法。有人认为，单纯依赖算力堆砌的时代已接近尾声，智能增长需要转向新的研究方向。例如，某知名学者公开指出，当前大语言模型在算力投入与智能产出之间的比例正在失衡，即使继续增加GPU数量，也难以实现同等幅度的智能跃迁。
这种观点得到了部分同行的呼应。另一位专家直言，现有模型无论怎样扩展，都无法触及真正的人工通用智能（AGI）。他强调，AGI的实现需要突破当前技术框架，而非简单依赖算力规模的扩大。甚至有企业领袖在公开场合委婉承认，仅靠增加硬件资源已无法支撑智能的持续突破。
行业面临的挑战不仅限于理论层面。数据枯竭和算力报酬递减已成为普遍问题，尽管全球算力总量仍在增长，但模型智能的提升速度却明显放缓。这一现象促使研究者开始反思：算力转化为智能的机制是否正在失效？
针对这一问题，某学者从基础设施与计算范式的底层逻辑出发，提出了独到见解。他认为，过去十年AI大模型的本质是通过计算过程将电力能源转化为可复用的智能，而这一转化效率的提升才是关键。他进一步指出，当前技术范式对算力的“消化能力”正在下降，模型、优化算法等环节无法充分利用持续增长的算力资源。
然而，这些成功因素如今正面临挑战。该学者重新定义了“瓶颈”的内涵，指出效率提升与智能上限提升是两个不同维度的问题。前者关注用更少资源达到相同效果，后者则决定模型在固定算力约束下的能力上限。他认为，当前的核心问题并非算力不足，而是现有范式无法充分释放算力潜力。
为突破这一困境，他提出了多个研究方向：探索更高数值精度的计算能力，尽管当前从FP16到FP64的升级尚未带来显著智能提升，但这一领域仍存在未被充分挖掘的潜力；开发更高阶的优化器，以提供更智能的参数更新路径；设计更具扩展性的模型架构或损失函数，以极限算力为标准训练更强模型；以及通过更充分的训练和超参数搜索，优化数据与参数的匹配关系。
值得注意的是，该学者明确区分了技术落地的不同层面。他指出，推理优化、低精度训练等技术虽对工程部署至关重要，但与智能上限的提升属于不同技术曲线。真正的突破仍需聚焦于如何将算力更高效地转化为智能。
