Scaling失效会长什么样？——从新一代模型的边际提升读信号

课程第七集把“Scaling失效”列为最大的系统性风险。这个判断非常重要，值得单独拆开讲。因为如果scaling真的饱和了，整条AI产业链的资本开支叙事会崩塌——GPU需求增速会掉，HBM会过剩，电力项目会被砍。

那么，看这一点该盯哪些信号？

先讲scaling laws是什么。

过去五年AI的核心进步逻辑是：模型参数翻倍、数据翻倍、算力翻倍，模型能力就会有一个可预测的提升。这条规律在GPT-2到GPT-3、GPT-3到GPT-4这两跳里被反复验证。

OpenAI、Anthropic、Google Meta所有大模型公司的资本开支决策，底层都是这条信仰：只要继续堆算力，能力就会继续涨。整个AI基建的万亿美元投资，都建立在这条假设上。

但2025年下半年开始，这条信仰出现了裂缝。

第一批信号来自新一代旗舰模型的发布——GPT-5、Claude 4.5、Gemini 3。它们相比上一代确实有进步，但幅度不像GPT-3到GPT-4那样“跨代”。

业内一个通用的观察是，同样多花十倍算力，能力提升远不到过去的水平。有些Benchmark已经接近满分，再往上很难提；有些Benchmark（比如推理）的提升更多来自“Reasoning Effort”这种新方法，而不是纯粹的Scaling。

要判断Scaling是不是真的饱和，可以看几个信号。

第一，下一代模型的评测提升幅度。

如果GPT-6、Claude 6、Gemini 4发布之后，主流基准的提升继续放缓——比如相比上一代提升不到一成——而且这个模式连续两代出现，那就是很强的信号。

第二，顶级实验室的资本开支叙事。

OpenAI、Anthropic对外融资的核心故事，一直是“我需要更多算力来训练下一代模型”。如果这些公司开始更多讲“效率”、“合成数据”、“推理时计算”这类替代路径，而不是“更大更强”，那就是Scaling不再是主线的信号。

第三，新范式的兴起。

近两年AI的重要进展，越来越多不是来自Scaling，而是来自推理时的思考（Test-time Compute）、合成数据、多智能体、专门模型微调。如果这些方向的收益远超“再堆一倍算力”，那意味着算力需求曲线会重塑，而不是简单地一路上涨。

第四，超大云的资本开支指引。

2026年四家超大云资本开支合计约7250亿美元，比2025年增长77％。这是历史最大规模的一次基建投入，基于的就是“下一代模型还会更大”的假设。如果这个假设动摇，超大云的资本开支就会先减速——这一定会先于Scaling失效在市场上体现出来。

需要说明，Scaling“失效”不是“完全没用”，而是“边际回报下降到无法支撑万亿资本开支”。就算Scaling变慢，推理需求还在爆炸式增长，基建的故事不会立刻结束，但会从“训练主导”切换到“推理主导”，股价主线也会跟着变。

所以对投资者来说，重要的不是判断Scaling会不会终结，而是判断在训练和推理之间，稀缺性正在往哪一端迁移。这就是课程里“稀缺性迁移路径”框架真正的用武之地。