大模型不僅有Scaling Law，還有Densing Law

原標(biāo)題：LLM最大能力密度100天翻一倍！清華劉知遠(yuǎn)團(tuán)隊提出Densing Law
文章來源：機(jī)器之心
內(nèi)容字?jǐn)?shù)：5265字

大模型的發(fā)展趨勢：Scaling Law與Densing Law

近期，AI領(lǐng)域針對大模型的Scaling Law（尺度定律）是否達(dá)到瓶頸產(chǎn)生了分歧。一方面，有觀點認(rèn)為Scaling Law已經(jīng)“撞墻”，無法繼續(xù)依賴數(shù)據(jù)和參數(shù)規(guī)模的堆疊來提升性能；而另一方面，OpenAI的CEO Sam Altman則認(rèn)為其潛力尚未窮盡。

1. Densing Law的提出

清華大學(xué)劉知遠(yuǎn)教授團(tuán)隊提出了新的概念——Densing Law（密度定律），該定律表明大模型的能力密度（即模型性能與參數(shù)規(guī)模的比率）隨時間以指數(shù)級增長。研究顯示，自2023年以來，大模型的能力密度約每3.3個月翻一倍，即每100天用一半的參數(shù)量即可實現(xiàn)當(dāng)前最優(yōu)模型的性能。

2. 重要推論

基于Densing Law，研究團(tuán)隊提出了以下幾個重要推論：

• 模型推理開銷隨時間指數(shù)級下降。
• 大模型能力密度正在加速增強(qiáng)。
• 模型小型化揭示了端側(cè)智能的巨大潛力。
• 無法僅依靠模型壓縮算法增強(qiáng)模型能力密度。
• 模型高性價比的有效期不斷縮短。

3. 能力密度的計算

研究團(tuán)隊引入了參考模型的概念，通過比較不同參數(shù)規(guī)模下模型的性能，建立了參數(shù)量與性能之間的映射關(guān)系。目標(biāo)模型的能力密度被定義為有效參數(shù)量與實際參數(shù)量的比值。

4. 未來的發(fā)展方向

Densing Law揭示了AI發(fā)展中的新階段，強(qiáng)調(diào)電力、算力與智力三大核心引擎的快速增長。隨著模型能力密度的提升，AI技術(shù)的可持續(xù)發(fā)展也提供了新的可能性，尤其是在邊緣計算與云計算的協(xié)同下，預(yù)計將實現(xiàn)“AI無處不在”的愿景。

綜上所述，清華大學(xué)的研究為大模型的發(fā)展提供了新的視角，強(qiáng)調(diào)能力密度的重要性，并指出未來在模型設(shè)計與應(yīng)用上需持續(xù)探索與創(chuàng)新。

聯(lián)系作者

文章來源：機(jī)器之心
作者微信：
作者簡介：專業(yè)的人工智能媒體和產(chǎn)業(yè)服務(wù)平臺