清華2年前預言，正成為全球共識！Meta等三大AI機構已得出同一結論

新智元報道

編輯：好困 桃子

【新智元導讀】太瘋狂了！Meta和METR剛測出的AI進化數(shù)據(jù)，與中國團隊兩年前提出的「密度定律」完美重合。硅谷猛然回頭，發(fā)現(xiàn)中國研究者在這條路上已領先兩年！

全球三家最嚴肅的AI研究機構，過去一周集體撞車了！

4月3日，美國研究機構METR悄悄更新了一份技術報告，核心結論壓成一句話。

AI能力每88.6天翻倍一次。

5天后，4月8日，Meta超級智能實驗室發(fā)布全新模型Muse Spark，公開了一條內部叫做scaling ladder的訓練效率曲線，結論也是一句話。

要追上一年前Llama 4 Maverick的性能，新模型只需要不到十分之一的訓練算力。

一份測任務時長，一份測訓練算力。兩家機構沒有任何往來，研究方法毫無重合。

但當兩條曲線被換算到同一坐標系里，斜率幾乎完全重合。

到這里，事情已經(jīng)夠離譜了。

更離譜的是，這條曲線，被一個中國團隊兩年前就完整地畫出來過，還登上了Nature子刊。

它叫密度定律。

兩年前，有人提前畫過這條線

這個概念最早出現(xiàn)在一篇叫「Densing Law of LLMs」的論文里。

作者是面壁智能和清華大學的聯(lián)合團隊，孫茂松和劉知遠兩位教授領銜，第一作者是博士生肖朝軍。

論文2024年12月掛上arXiv，2025年11月被Nature Machine Intelligence接收。

論文地址：https://arxiv.org/abs/2412.04315

論文地址：https://www.nature.com/articles/s42256-025-01137-0

論文的核心判斷只有一句話。

模型智能密度隨時間呈指數(shù)級增強，達到特定智能水平所需的參數(shù)量，每3.5個月下降一半。

放在2024年底，這話聽上去有點過激。

那時全行業(yè)都在崇拜scaling law。OpenAI在堆模型，Anthropic在堆模型，Meta也在堆模型。

所有人都覺得參數(shù)越大智能越強，把GPU燒到極致才是正道。

但研究團隊不這么看。

他們把當時所有有影響力的開源基礎模型，從Llama-1一路到Gemma-2、MiniCPM-3，總共51個模型都放進了同一把尺子里去量。

五大基準跑完，結果是幾乎完美的指數(shù)關系，R2達到0.934。

考慮到大模型評測很容易被數(shù)據(jù)污染干擾，他們又用一個新構建的污染過濾數(shù)據(jù)集MMLU-CF重測了一次。R2=0.953。

兩次擬合都拿到了接近1的R2。統(tǒng)計學上，這幾乎不可能是巧合。

換句話說就是，這兩年發(fā)布的每一個主流開源模型，不管來自哪個團隊、用什么架構，都落在了同一條「每3.5個月翻倍」的指數(shù)線上。

到這里，故事還只是「一個中國團隊提出了一個看上去很激進的經(jīng)驗規(guī)律」。

真正讓這件事變成一個「時刻」的，是接下來這小半年發(fā)生的事。

三家機構，三種方法，同一個斜率

把面壁、Meta、METR三方的結論攤開看。

• 面壁的密度定律衡量的是「同樣的智能水平需要多少參數(shù)」。結論是參數(shù)需求每3.5個月減半。

• Meta的scaling ladder衡量的是「同樣的智能水平需要多少訓練算力」。結論是Muse Spark比一年前的Llama 4 Maverick節(jié)省了一個數(shù)量級。

• METR的時間跨度報告衡量的是「同樣的模型能搞定多長任務」。結論是任務時長每88.6天翻倍。

三把尺子。三個學術機構。三種沒有任何重合的研究路徑。

但當所有數(shù)字被換算到同一坐標系里看時，它們的曲線斜率幾乎完全重合。

這事最容易被忽略的一點是，密度定律是這三者里最早提出的。比Meta的scaling ladder早了近兩年，比METR的完整建模也早了一年多。

而當Meta在四月初的發(fā)布博客里畫出那條scaling ladder時，他們大概自己都沒意識到。這張圖的形狀，和2024年北京一個學術會議PPT上的曲線，幾乎是同一條線。

什么樣的觀察，才配得上「定律」兩個字

在科學界，有一套不成文的標準，來判斷一條經(jīng)驗觀察是否有資格被叫做「定律」。

不是看數(shù)據(jù)有多漂亮，是看它能不能在多個獨立的測量系統(tǒng)下同時成立。

摩爾定律之所以是定律，因為半導體行業(yè)從光刻精度、晶體管密度、單位算力成本三個完全不同的維度，幾十年來一遍遍驗證過它。

密度定律走的是同一條路。

它最初只是來自單一團隊的一條擬合曲線。到Nature子刊接收時，它已經(jīng)能在污染過濾后的數(shù)據(jù)集上重現(xiàn)。到這個月，它在Meta的訓練數(shù)據(jù)和METR的任務評測里又被兩次獨立驗證。

放在更大的坐標系里看，這一刻像極了1880年代電力剛進入紐約的時候。

那時也是幾個不同的發(fā)明家、不同的工程師、不同的城市，各自在搞各自的電網(wǎng)。直到有人把所有項目的發(fā)展曲線畫在一張紙上，人們才反應過來。這不是幾個零散的工程進步，這是一個新時代正在悄悄鋪開。

只是這一次，從論文發(fā)表到被全球同行驗證，只用了不到一年。

三個推論，每一個都在改寫行業(yè)假設

如果密度定律站得住腳，它會同時改寫很多東西。

第一，推理成本會比所有人預期的都崩得更快。

密度定律的一個推論是，達到同樣性能的LLM，推理成本大概每2.6個月減半。

如今，這個降幅已經(jīng)被現(xiàn)實超過了。

Epoch AI最新追蹤數(shù)據(jù)顯示，達到Claude 3.5 Sonnet性能水平的LLM，過去一年token價格降了400倍。同檔位性能的最快降幅觸到900倍/年。

2022年底GPT-3.5開價20美元/百萬token那種水平，今天Mistral Nemo只要0.02美元，便宜了1000倍，模型還更強。

回頭來看，論文里的預測還是保守了。

第二，端側智能的爆發(fā)點，比所有人預想的都近。

把密度定律和摩爾定律相乘，會得到一個更刺激的數(shù)字。

按目前估算，在同價格芯片上能跑的最大有效模型規(guī)模，大約每88天翻一倍。

這個數(shù)字和METR算出的88.6天幾乎一致。兩家完全不同的推算路徑，在小數(shù)點后撞了車。

未來三五年，在一臺普通筆記本甚至一部手機上跑當下頂級GPT級別模型這件事，可能不再是科幻。

第三，大模型行業(yè)的最優(yōu)策略，正在悄悄反轉。

過去三年，行業(yè)對scaling law的理解一直停留在「堆參數(shù)堆數(shù)據(jù)」

但密度定律給出了一個反直覺的判斷。在密度持續(xù)指數(shù)增長的前提下，任何狀態(tài)的最強模型都只有幾個月的最優(yōu)窗口期。

砸全部資源去訓一個更大的模型，然后等三個月被一個體積一半的新模型超越，在經(jīng)濟賬上是不劃算的。

真正可持續(xù)的路，是把資源砸在密度本身的提升上。更好的架構，更高質量的數(shù)據(jù)，更聰明的訓練算法。

面壁，一直在沿著自己畫的尺子走

值得說一句的是，密度定律不是一篇發(fā)完就結束的論文。

提出這套理論的面壁智能，過去兩年一直在用自家的「小鋼炮」MiniCPM系列模型驗證它。

MiniCPM-1-2.4B在2024年2月發(fā)布的時候，跑分能打平或超過2023年9月的Mistral-7B。也就是說，四個月時間，35%的參數(shù)，達到了同等性能。

這個數(shù)字被直接寫進了Nature子刊那篇論文里，作為密度定律的第一個實證案例。

從那之后，小鋼炮系列一路開源，覆蓋10B以下參數(shù)的文本、多模態(tài)、語音、全模態(tài)四大方向。這個開源完整度，在國內除了阿里之外，只有面壁一家做到。

到目前為止，小鋼炮系列在全球的開源下載量已經(jīng)突破2400萬次。

它不是行業(yè)里最大的模型。但它是行業(yè)里第一個把「密度優(yōu)先」當作公司方法論來執(zhí)行的團隊。

而當Meta和METR在2026年4月這一周用各自的方式驗證密度定律時，這家2024年就開始按這套方法論訓練模型的中國公司，其實已經(jīng)領先了兩年的工程經(jīng)驗。

這一次，中國研究者站在了曲線的起點

一個中國研究團隊兩年前提出的理論框架，正在被Meta、METR這些海外最嚴肅的機構，用他們各自的方式，一次次重新發(fā)現(xiàn)。

這件事的份量，可能需要一點時間才能完全理解。

它不是一個「我們也行」的故事。它是一個「我們更早一點看見」的故事。

科學史上這樣的瞬間不算多。一個在2024年被懷疑的判斷，在2026年變成了多個獨立證據(jù)指向的同一條曲線。

這種跨地域、跨方法、跨機構的「不約而同」，在物理學里發(fā)生過幾次，每一次都標志著一個舊范式的終結和一個新范式的開始。

中國AI研究者這一次站在了那個起點上。

而那條曲線，還在以每88天翻一倍的速度往上走。

參考資料：

面壁智能首創(chuàng)的「密度定律」，獲 Meta 等海外頂級機構認可

https://arxiv.org/abs/2412.04315

https://www.nature.com/articles/s42256-025-01137-0

https://metr.org/blog/2026-1-29-time-horizon-1-1/

https://ai.meta.com/blog/introducing-muse-spark-msl/