【量子位 2026年1月1日讯】AI领域的“师徒之争”引爆全球科技圈！当OpenAI前联合创始人Ilya Sutskever（曾是Geoffrey Hinton学生）公开质疑Scaling Law（缩放定律）“继续堆规模不划算”时，被誉为“AI教父”的Hinton却毅然发声：“Scaling Law并未完全结束，只是需突破数据瓶颈”。这场跨越师徒的观点交锋，不仅颠覆了二人过往对Scaling Law的共识，更折射出当前AI行业在“规模化”路径上的核心分歧——是靠AI自我生成数据延续规模红利，还是重构研究范式寻找新突破？
从Ilya曾将Scaling Law带入OpenAI、Hinton坦言“当年我错了，Ilya是对的”，到如今二人立场反转，这场论战背后，是AI行业从“堆资源”到“求突破”的转型阵痛，也让全球目光聚焦于Scaling Law的未来走向。
一、师徒立场反转：从“共识”到“对垒”的Scaling Law之争
Scaling Law（缩放定律）曾是AI行业的“金科玉律”——核心逻辑为“模型参数、训练数据、算力规模同步扩大，性能将按可预测规律提升”。这一规律推动了GPT-3、ChatGPT等里程碑模型的诞生，而Ilya正是早期最坚定的拥趸，Hinton也曾多次称赞其“在Scaling Law上的直觉惊人”。但如今，二人观点却出现根本性分歧：
1. Hinton：Scaling Law未死，AI自我生成数据能破瓶颈
Hinton在接受《Business Insider》采访时明确表态，Scaling Law依然有效，当前最大挑战是“高质量数据枯竭”——免费互联网数据基本耗尽，高价值数据多被企业封锁。但他坚信，AI可通过“自我生成训练数据”突破这一限制，其灵感源自AlphaGo与AlphaZero的成功：
- “AlphaGo通过自我对弈生成数据精通围棋，AlphaZero甚至无需人类棋谱，仅靠自我博弈一天就成国际象棋顶尖选手。语言模型也能如此，通过推理生成数据，摆脱对人类数据的依赖。”
Hinton强调，Scaling Law的核心逻辑未变，只是需要“新的数据源”，而AI自主生成数据正是关键解法。
2. Ilya：堆规模难成“根本性转折”，需回归研究范式重构
离开OpenAI后，Ilya对Scaling Law的态度逐渐转向审慎。他在NeurIPS大会上宣告“预训练时代即将终结”，最新言论更是直接质疑规模扩张的价值：“当规模已如此庞大，再扩大100倍真能彻底改变一切吗？会有变化，但难成根本性转折。”
在Ilya看来，数据是AI的“化石燃料”，全球高质量数据有限，单纯堆规模已遇瓶颈。他呼吁行业“重新回到研究时代”：
- “过去十年靠‘参数×数据×算力’的公式突破，但现在需要重构研究范式，关注智能体、推理、自我意识等更核心的能力，而非盲目扩大规模。”
他还透露，当前AI系统“缺失重要东西”，虽未明说，但从其提及的“脑部受损者因无情绪无法决策”案例推测，或指向AI对“情感、因果理解”等人类核心能力的缺失——而这些靠堆规模难以实现。
二、两大阵营对垒：Scaling Law的“存续之争”
Hinton与Ilya的分歧，迅速引发AI行业的阵营分化，支持与质疑Scaling Law的两派均有重磅人物站台，观点碰撞激烈：
1. “Scaling Law不死派”：Hinton+哈萨比斯，押注AI自主进化
除Hinton外，谷歌DeepMind CEO哈萨比斯是另一核心支持者。他从AlphaGo、AlphaZero的实践中坚信，“规模化+AI自主进化”是通往AGI的关键：
- “必须将当前系统的规模化推向极致，它至少是AGI的核心组成部分，甚至可能就是AGI本身。但规模化不止是堆参数，还需同步扩展训练范式、环境复杂度、系统架构，构建可交互的‘世界模型’。”
哈萨比斯认为，若AI能进入“可交互环境”，数据将成为“无限变量”——例如通过与物理世界互动生成新数据，而非依赖静态人类数据。这与Hinton“AI自主生成数据”的思路高度契合。
2. “Scaling Law不够用派”：Ilya+LeCun，呼吁突破范式局限
Meta首席AI科学家Yann LeCun与Ilya立场一致，直言“不能假设更多数据和算力就等于更智能的AI”。他长期质疑大语言模型实现AGI的可能性，甚至成立公司研发“世界模型”，试图绕开单纯的规模扩张路径：
- “当前AI仅靠拟合数据分布，再大的规模也会撞上天花板。需要让AI理解物理世界的规律，而非仅学习数据中的统计关联。”
LeCun与Ilya均认为，Scaling Law的传统路径已难以为继，需寻找“非规模驱动”的创新突破。
三、分歧本质：不是“要不要Scaling”，而是“Scaling什么”
尽管表面对立，但深入分析可发现，双方并非“反对Scaling”，而是对“Scaling的核心”理解不同——这场论战的本质是“AI规模化的方向之争”。
OpenAI o1模型核心成员Noam Brown的观点或许最中肯：“社交媒体将辩论简化为‘支持/反对Scaling’，但顶尖研究者的共识其实更多——当前范式仍能带来经济价值，但实现AGI需更多突破，分歧仅在‘突破的形式与速度’。”
具体而言：
-
Hinton与哈萨比斯认为，Scaling的核心是“数据与能力的规模化”，AI自主生成数据可延续这一逻辑；
-
Ilya与LeCun则认为，Scaling的核心应转向“认知能力的规模化”，如推理、因果理解，而非参数与数据的线性增长。
正如LeCun所言：“没人否认超级人工智能（ASI）可能实现，分歧在于‘如何实现’——是靠AI自主生成数据延续规模红利，还是靠范式创新构建新能力。”
四、行业影响：Scaling Law论战改写AI发展路径
这场关于Scaling Law的论战，已超越“学术讨论”，直接影响企业战略与行业生态：
-
巨头布局分化：谷歌、DeepMind或加大对“AI自主生成数据”的投入，延续规模化路径；OpenAI、Meta则可能转向推理优化、世界模型等新方向，减少对单纯规模的依赖。
-
创业公司机会：Ilya倡导的“研究时代”，或为小团队提供机遇——若突破无需“最大算力”，靠创新idea即可突围，行业或重现2012年“AlexNet靠2块GPU突破”的场景。
-
投资逻辑转变：资本或从“盲目投算力、规模”转向“投范式创新”，关注推理优化、合成数据、具身智能等能突破Scaling Law瓶颈的技术方向。
结语：AI的“十字路口”，论战背后是对“真智能”的探索
Hinton与Ilya的师徒对垒，看似是Scaling Law的“存续之争”，实则是AI行业对“真智能”的本质探索——究竟靠“规模红利”延续突破，还是靠“范式创新”逼近人类智能？
没有绝对正确的答案，但这场论战已为AI行业敲响警钟：单纯堆规模的“野蛮生长”时代渐远，未来需要更精准的方向。正如Hinton所言，“AI生成数据是解法之一”；又如Ilya强调，“需回归研究本质”——无论哪条路径，最终都指向同一个目标：让AI真正理解世界、具备核心智能，而非仅停留在“拟合数据”的层面。
2026年，这场论战或将迎来关键验证——若有企业靠“AI自主生成数据”实现模型性能跃升，或靠“范式创新”突破AI认知瓶颈，都将为Scaling Law的未来写下注脚。而AI行业，也将在这场探索中，离“真智能”更近一步。
