不懂历史就看不懂趋势——
Scaling Law 是理解 AI 进化速度的关键钥匙。
如果有人告诉你，现在这波 AI 热潮，是 AI 历史上的第三次"复兴"——你可能会感到意外。AI 这个领域，已经经历了至少两次大起大落，两次"AI 寒冬"，才走到今天。
理解这段历史不是为了怀旧，而是为了理解：这次为什么不一样。以及，这次能持续多久，下一个拐点在哪里。
这一章是一张地图，帮你理解 AI 的来龙去脉——从图灵在 1950 年代提出"机器能思考吗？"，到今天你用豆包写周报。
理解现代 AI 的关键钥匙，叫做 Scaling Law（缩放定律）。它的核心发现可以用一句话概括：
模型参数越多、训练数据越多、使用的算力越多——AI 的能力就越强，而且这个提升是可预测的、稳定的。
这听起来平淡，但它的意义是革命性的：在 Scaling Law 发现之前，研究者们每隔几年就会撞上"墙"——再怎么改进算法，性能也上不去了。但 Scaling Law 告诉你：只要继续扩大规模，性能就会继续提升。
这三者以近似对数的方式影响模型能力——投入翻倍，能力有规律地提升。这就是为什么 AI 公司愿意不断加大投入。
想象你在训练一个厨师。给他更多练习机会（数据）、让他拥有更精细的味觉神经（参数）、花更多时间训练（算力）——他的厨艺就会更好。而 Scaling Law 说的是：这三者之间有一个可预测的数量关系，不是玄学，是数学。
这是目前 AI 领域最大的争论之一。2024 年开始，一些迹象显示纯粹扩大规模的回报在递减——新一代模型的进步幅度，已经不像早期那么显著。这引发了两派截然不同的判断：
这个争论目前没有定论。但对你来说，理解这个争论的意义在于：AI 的进步不是无限线性的，它可能会遭遇瓶颈，也可能以意想不到的方式突破瓶颈。保持期待，但不要假设"进步永远持续"。
2025 年初，DeepSeek 公开了其模型和训练方法，在技术社区引发震动。核心发现是：通过更聪明的架构设计（混合专家模型 MoE）和更高效的训练策略，可以用远低于 GPT-4 的算力成本，达到接近的性能水平。
这给 Scaling Law 争论加了一个新维度：也许"更聪明地扩展"，比"更大地扩展"更有前途。算法效率的提升，可以在算力受限的情况下实现能力跨越——这对中国 AI 在算力受限环境下的发展有重大意义。
AI 历史上有过两次寒冬。每次热潮结束时，都有人说"AI 永远不可能实现"；每次新突破到来时，都有人说"这次是真的通用智能了"。两种极端都错了。
今天这波 AI 浪潮的基础——大模型、Transformer、Scaling Law——确实是迄今为止最坚实的基础。但这不代表进步是无限的、线性的，也不代表不会遇到新的瓶颈。
最健康的姿态是：保持对 AI 进展的关注和好奇，但不要被短期的炒作或悲观所左右。你现在学到的认知框架，比任何具体工具都更持久。