以前聊AI进步，大家总说“模型越大、数据越多，能力就越强”，这就是所谓的“AI Scaling Law（规模定律）”。但现在业界发现，靠“堆规模”练模型的效果越来越差，就像给植物浇水，一开始浇得多长得快，后来再怎么浇，长得也慢了。不过不用慌，AI的发展焦点已经转了方向，接下来的突破会从3个新维度来，咱们一个个用大白话讲透。
一、定律“换赛道”：从“练模型时堆规模”，转向“用模型时提能力”
先搞懂“规模定律”到底在“换”什么。以前的“规模定律”，核心是“预训练规模定律（pre-trained SL）”，简单说就是“练模型的时候，把数据量、模型参数堆得越大，模型就越聪明”。比如以前练一个语言模型，用1000亿数据、1万亿参数，比用100亿数据、1000亿参数的模型，写文案、答问题的能力强得多。
但现在这条路走不通了——不是堆得越大没用，而是“边际效益平缓”，也就是“多花10倍钱堆规模，能力只多1倍”，不划算。所以行业开始把焦点转向两个新的“规模定律”，相当于从“练内功”转向“练实战”。
第一个转向是“推理规模定律（Inference SL）”。“推理”就是AI“用知识解决问题”的过程，比如你问AI“怎么修漏水的水龙头”，它要从脑子里调出“水龙头结构”“维修步骤”，再组织成你能懂的话，这个过程就是“推理”。以前没人关注“推理”的规模，现在不一样了——行业开始研究“怎么让AI在推理时，能处理更复杂的问题、更长的任务”。比如以前AI只能帮你想“修水龙头的3个步骤”，现在能帮你想“先判断是阀门坏了还是水管漏了，再告诉你买哪种零件，甚至帮你查附近的五金店，对比零件价格”，这就是“推理规模”提升了，能把“解决漏水问题”这个事从头到尾想明白。
第二个转向是最终目标：“智能体规模定律（Agentic SL）”。“智能体”就是咱们之前聊的“能自己干活的AI”，这个定律的核心是“衡量智能体综合能力的规模”。简单说，以前看AI强不强，看“练模型用了多少数据”；以后看AI强不强，看“智能体能不能搞定更复杂的任务、跟更多设备联动”。比如一个智能体，能帮你“搞定出差行程”，这是基础能力；要是能帮你“搞定出差+同步处理工作邮件+跟客户预约面谈+回来后写出差报告”，这就是“智能体规模”更大，综合能力更强。这个定律一旦成熟，AI就能从“只会解决单一问题”变成“能包办一整套事”。
二、范围“扩圈子”：从“只会玩语言”，到“能看、能听、能懂各行各业”
以前的“规模定律”，基本只在“语言模型”里管用，也就是AI“学说话、写文字”的领域。比如练语言模型时，堆的是“文字数据”，提升的是“写文案、翻译、答问题”的能力，其他领域不管。但现在不一样了，“规模定律”开始“扩圈子”，往更多领域延伸，最明显的就是两个方向。
第一个方向是“视觉模型规模定律（Vision SL）”，也就是AI“看东西”的能力。以前AI看图片，只能认出“这是猫”“那是狗”，因为“视觉模型”没怎么堆规模；现在行业开始用“规模定律”练视觉模型——堆更多的图片数据、更大的模型参数，让AI不仅能“认东西”，还能“懂东西”。比如你给AI看一张“厨房乱糟糟的照片”，它不仅能认出“有脏碗、没叠的抹布、散落的调料瓶”，还能告诉你“收拾步骤：先把脏碗放进洗碗机，再叠好抹布，最后把调料瓶归位到橱柜第二层”，甚至能根据照片里的橱柜大小，推荐“买哪种调料架更合适”。这就是“视觉规模”提升了，从“能看”变成“能看懂、能给方案”。
第二个方向是“领域特定规模定律（domain SL）”，也就是“针对具体行业的规模定律”。以前的AI是“通用选手”，什么行业的问题都能答，但都不精；现在行业开始给AI“分专业”，针对医疗、教育、汽车这些具体领域，用“规模定律”练“专业模型”。比如医疗领域，练模型时堆的不是“通用文字数据”，而是“几百万份病历、几千万张ct影像、几万种疾病的诊疗指南”，这样练出来的医疗AI，不仅能“认出ct里的肿瘤”，还能根据患者的年龄、病史，推荐“先做穿刺检查，还是直接手术”，甚至能对比“不同化疗方案的副作用和治愈率”，给医生参考——这就是“医疗领域的规模定律”，让AI从“懂点医疗常识”变成“半个医疗专家”。
现在这两个方向一扩展，AI就从“只会玩语言的单一选手”，变成“能看、能听、懂各行各业的全能选手”，多模态（又会说、又会看、又会懂专业）的能力越来越强。
三、成本“砍半价”，能力“翻十倍”：AI终于能从“纸上谈兵”变“真干活”
这是最关键的一个变化——以前AI虽然聪明，但“用起来太贵”，比如让AI帮公司处理1万份客户数据，可能要花几千块，小企业用不起；现在不一样了，AI的“成本”和“能力”正在形成一个“剪刀差”，简单说就是“花的钱越来越少，干的活越来越好”，这直接让AI能从“只在实验室里厉害”变成“能大规模帮人干活”。
先看“成本陡降”：AI“推理单位成本”每年降10倍。“推理单位成本”就是“AI帮你解决一个问题，或者处理一份数据，你要花的钱”。比如2023年，让AI整理1份客户沟通记录，要花1块钱；2024年，同样整理1份，只要花1毛钱；2025年，可能只要1分钱。为什么降这么快？因为技术在升级，比如现在能让AI“用更少的算力处理更多数据”，就像以前手机充1次电只能用1天，现在能用上3天，“用电成本”降了，AI的“使用成本”也跟着降。
再看“能力跃升”：智能体综合能力和所需算力每年涨10倍。“综合能力”就是AI“干实事”的本事，比如2023年，智能体只能帮你“订机票”；2024年，能帮你“订机票+安排酒店+预约客户面谈+整理出差报告”；2025年，可能能帮你“搞定整个项目的从启动到落地，包括分工、进度跟踪、风险处理”。同时“所需算力”也在涨，不是说“用的算力多了成本就高”，而是“同样的算力，现在能支撑AI干更复杂的事”，相当于“以前1台电脑只能同时开1个软件，现在能开10个，还不卡”。
这一“降”一“升”的“剪刀差”，带来的影响特别大。以前企业觉得“用AI不划算”，现在“花1分钱，能让AI干10块钱的活”，自然愿意用；以前AI只能“帮人想方案”（比如“写一份营销计划”），现在能“帮人把方案落地”（比如“写计划+找合作方+跟踪效果+调整策略”），从“能思考”变成“能实干”。比如小餐馆，以前雇人整理订单、算库存，每月要花几千块；现在用智能体，花几十块就能让AI“自动接收外卖订单、提醒后厨备菜、统计每天的食材消耗、推荐第二天的采购清单”，还不会出错——这就是AI“实用化、规模化”的体现，以后不管是大企业还是小个体户，都能用得上AI，而且用得起。
总结：AI下一轮突破，看“实战、专业、划算”
以前AI靠“堆规模练模型”，现在靠“练推理、扩领域、降成本”。简单说，下一轮厉害的AI，得满足三个条件：一是“能实战”，不是只会写文字，而是能从头到尾解决复杂问题；二是“够专业”，不是什么都懂一点，而是在某个行业里能当“帮手”；三是“很划算”，不管谁用，都花不了多少钱。
以后咱们再看AI强不强，不用问“模型有多大”，而是问“能不能帮我搞定这件事”“用起来贵不贵”——这才是AI真正走进生活、改变行业的关键。