Scaling Laws起源于1993年？OpenAI总裁：深度学习的根本已揭秘
Scaling Laws起源于1993年？OpenAI总裁：深度学习的根本已揭秘AI 也要「考古」式科研？
来自主题: AI资讯
6354 点击 2025-09-03 12:59
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
AI 也要「考古」式科研？
大语言模型通过 CoT 已具备强大的数学推理能力，而 Beam Search、DVTS 等测试时扩展（Test-Time Scaling, TTS）方法可通过分配额外计算资源进一步提升准确性。然而，现有方法存在两大关键缺陷：路径同质化（推理路径趋同）和中间结果利用不足（大量高质量推理分支被丢弃）。
最近，工业界“RAG已死”甚嚣尘上。过去几年，AI领域的主旋律是“规模定律”（Scaling Law），即更大的模型、更多的数据会带来更好的性能。即便偶然有瑕疵，也认为只是工程上的不足，并非数学上的不可能。
原来，Scaling Law在32年前就被提出了！ 不是2020年的OpenAI、不是2017年的百度，而是1993年的贝尔实验室。
这家由剑桥大学行为科学背景的 James He 和 Patrick Sharpe 创立的公司，声称能够通过 AI 模拟整个人类社会的互动模式。他们不是在构建另一个聊天机器人或者内容生成工具，而是在尝试解决一个困扰人类社会数千年的根本问题：如何准确预测群体行为。
AI 硬件，已经成为大模型之后，又一个令人兴奋的领域。 正如 AI Agent 从通用开始走向垂直，AI 硬件，也已经逐渐分化到「陪伴」、「工作」等各个垂直领域。
当前，业界顶尖的大模型正竞相挑战“过度思考”的难题，即无论问题简单与否，它们都采用 “always-on thinking” 的详细推理模式。无论是像 DeepSeek-V3.1 这种依赖混合推理架构提供需用户“手动”介入的快慢思考切换，还是如 GPT-5 那样通过依赖庞大而高成本的“专家路由”机制提供的自适应思考切换。
DeepSeek发布DeepSeek-V3.1，使用的UE8M0 FP8 Scale针对下一代国产芯片设计
这期对话把火力对准了一个不体面的真相：更聪明的“路由”和更苛刻的“成本”正重写 AI 商业化的脚本。
随着垂直领域 agent 的兴起，市面上的应用越来越多，用户不可避免地需要一个编排工具（orchestration tool）来将这些分散的应用串联起来，或者需要某种横向工具（horizontal tool）来统一构建 agent。而 n8n 正是这一生态位中的佼佼者，它正从一个工作流自动化工具，升级为 AI 应用的编排层。