第七章：Scaling Law 与涌现能力

7.1 Scaling Law 是什么，为什么它震撼了业界

要理解 Scaling Law 的重要性，得先回到 2018–2020 年那个语境。

那时候深度学习圈子里对「模型加大有没有用」是有分歧的。一派觉得「模型再大也有上限，参数加多了就饱和」，另一派觉得「先加大试试再说」。但谁都没有量化证据，全凭经验和直觉。

7.1.1 Kaplan 2020 的发现

OpenAI 的 Kaplan 等人系统训练了一系列从几万到几十亿参数的语言模型，发现损失值随模型参数 $N$、训练数据量 $D$、训练算力 $C$ 按幂律下降：

$$ L(N) \approx \left(\frac{N_c}{N}\right)^{\alpha_N} $$

直观理解：模型规模翻倍，损失按一个固定比例下降，而且这个比例可以提前算出来。

7.1.2 震撼业界的三个点

关键点	意义
可预测	不是「试试看运气」，而是「我有 X 算力，算一下最终能到什么 loss」。这给了大公司投资大模型的底气，因为投入产出比可预测
没看到饱和点	论文把规模加到当时能训的极限，loss 还在按幂律下降。传递的信号是：继续加大就还能继续提升
三个变量可独立分析	可以分别问「加倍参数 / 数据 / 算力各能降多少 loss」，为后来 Chinchilla 把三者联立打下基础

7.1.3 但它没回答一个关键问题

参数和数据应该按什么比例配？

当时业界的普遍做法是「能加多少参数加多少，数据用差不多就行」。结果训出了一批严重欠训的大模型，最典型的就是 GPT-3。

7.2 Chinchilla 2022：参数和数据要 1:20

DeepMind 在《Training Compute-Optimal Large Language Models》里做了一个相当壕的实验：训了 400 个不同规模的 Transformer，参数从 70M 到 16B，数据从 5B 到 500B token，全部跑完拟合损失曲面。

7.2.1 结论

给定固定训练算力 $C$，参数和数据按接近 1:20 的比例配，最终损失更低——经验上大约「每个参数配 20 个 token」。

这个 1:20 不是自然常数，而是 Chinchilla 实验条件下拟合出的 compute-optimal 经验点。但它把业界从「只堆参数」拉回了「参数和数据要均衡」。

7.2.2 对照实验

模型	参数	数据	训练算力	最终效果
Gopher（DeepMind 旧版）	280B	300B token	X	基线
GPT-3	175B	300B token	0.7X	比 Gopher 略弱
Chinchilla（按 1:20）	70B	1.4T token	X	明显超过前两者

训练算力量级相同，参数砍到 1/4、数据加到 4.7 倍，结果反超了 4 倍参数的 Gopher。

7.2.3 大家都严重欠训

GPT-3:      175B 参数 / 300B tokens  =  1 : 1.7
Chinchilla 最优比例:                    1 : 20
GPT-3 的数据缺口:                       约 12 倍

GPT-3 应该配 3.5T token 才是 compute-optimal，实际只用了 300B，差了一个数量级。

7.2.4 行业被改变了

2022 年之后训的主流模型配比都比之前激进得多：

模型	参数 : 数据
LLaMA 1 7B	1 : 140
Llama 2 7B	1 : 285

都远超 Chinchilla 推荐的 1:20——越来越多模型主动「过量」喂数据。

7.3 Llama 3 时代：Chinchilla 不是数据上限

2024 年 Meta 训 Llama 3 时做了一件激进的事：

Llama 3 8B:  8B 参数 / 15T tokens  =  1 : 1875
Chinchilla 推荐:                       1 : 20
                                       ↑ 94 倍

按当时常识，早就该过拟合或收益递减了。但 Meta 实测发现，数据从 1T 推到 15T 的过程中 loss 一直在稳定下降。

最终 Llama 3 8B 在多项基准上超过了 GPT-3 175B——一个 8B 小模型打赢了 22 倍参数的大模型。

7.3.1 重新理解 Chinchilla

Chinchilla 的 1:20 不是「数据上限」，而是「给定训练算力时，参数和数据怎么分配更划算」的经验答案。

如果你愿意投入更多训练计算、继续喂更多高质量 token，loss 仍然可能下降，只是边际收益变小。

两句话不矛盾，只是在优化不同目标：

flowchart LR
    subgraph A["Chinchilla 的目标"]
        A1["训练算力最优
固定 FLOPs 下 loss 最低"]
    end
    subgraph B["Llama 3 / Qwen3 的目标"]
        B1["推理成本最优
固定效果下部署最便宜"]
    end
    A1 -.->|优化目标不同| B1

Qwen3-0.6B 把这个趋势推到更极端：36T token 训一个 0.6B 模型，比例 1:60000。

7.3.2 为什么会出现这个趋势

两个很现实的工程原因：

原因	说明
推理成本与参数强相关	8B 模型一张消费级 GPU 就够，175B 要好几台 H100，成本天差地别。如果 8B + 大数据能达到同等效果，何乐不为
数据相对便宜	算力是真金白银的硬件投入（一张 H100 三万美元，集群上千万），数据虽然也要花钱清洗，但相比 GPU 集群仍便宜得多

在算力受限的环境下，把算力多花在「跑过更多数据」而不是「跑过更多参数」更划算。

7.4 涌现能力：量变到质变的临界点

Scaling Law 有一个让所有人都没想到的副产物。

涌现的精确定义：某项能力在小模型上完全看不到，规模超过某个临界点之后突然出现。不是平滑上升，而是「先趴在地上、到某个点垂直冲天」的折线。

7.4.1 三类典型涌现能力

① 多步算术推理

Google PaLM 论文里测试 5 步算术应用题：

8B   →  约 0%
62B  →  约 5%
540B →  约 60%

中间没有任何渐进过程，从「完全不会」直接到「会一大半」。

② In-Context Learning

不更新任何参数，只在 prompt 里给几个示例，模型就能学会新任务。小模型给示例也没用，规模够大之后这个能力才稳定出现。

③ 跨语言泛化

GPT-3 训练数据 92% 是英文，训完之后却能直接处理中文、阿拉伯语甚至冰岛语。模型从没被显式教过「中文怎么说」，它通过大规模混合语料自己学会了语言间的对应关系。这种能力也是规模到 100B 左右才稳定出现。

7.4.2 临界规模

通常出现在 50B–100B 这个区间。这个区间的物理意义业界还没有定论。一个流行的解释是：模型大到一定程度，注意力头数、隐藏维度等达到了「能编码复杂推理结构」的最低门槛。

7.5 Mirage 挑战：涌现可能是测量假象

正当涌现被广泛接受时，2023 年斯坦福的《Are Emergent Abilities of Large Language Models a Mirage?》炸了锅。

7.5.1 论点

作者观察到：很多「涌现」能力只在某些评估指标下才出现，换个指标就消失了。

以多步算术为例，常规指标是 exact match（最终答案完全正确）：

指标	特性	观察到的曲线
Exact Match	离散二元，答错任何一步就是 0 分	小模型一直 0 分，大模型突然跳到 60%——看起来像涌现
部分正确率	连续，答对前 4 步算 0.8 分	同样的实验数据，曲线变成平滑的对数曲线，没有任何突变

核心论点：「涌现」可能不是模型本身的非线性特性，而是评估指标的不连续性放大了一个本来连续的能力提升过程。

flowchart TB
    REAL["模型能力
其实在平滑连续提升"]
    REAL -->|用连续指标测| C1["观察到平滑曲线
没有涌现"]
    REAL -->|用 exact match 测| C2["观察到断崖跳变
看起来像涌现"]

    style C2 fill:#fdecea

7.5.2 目前的中立结论

后续也有论文反驳，认为某些涌现现象在多种连续指标下都能观察到。争议还在继续，中立的说法是：

能力跃迁客观存在：从工程效果看，规模到 100B 之后确实能做小模型完全做不了的事；
但「涌现」被过度神化了：很多所谓突变是连续提升 + 指标放大效应；
不存在「魔法的涌现规模」：不同任务的临界点不同，没有统一的「100B 之后必然涌现」。

面试里能指出 Mirage 论文的存在、并把双方观点都讲清楚，会显得你真的看过论文而不是在背技术博客。

7.6 对工程选型的四个启发

7.6.1 不是越大越好，要看训练是否充分

至少不能出现「参数很大但数据很少」的欠训状态。1:20 可作为理解标尺但不是硬指标。选型时该问的是：

这个模型训练充分吗？
数据质量怎么样？
它是为训练算力最优设计，还是为推理成本最优设计？

7.6.2 数据规模可能比参数规模更值得加

有限算力 X 之下，与其训 7B + 100B token，不如训 3B + 250B token。同样开销效果通常更好，推理还便宜。Llama 3 和 Qwen3 都验证了这个直觉。

7.6.3 推理成本与参数规模强相关

效果差不多的前提下，「小参数 + 海量数据」在推理成本上有天然优势。这是 2024 年之后开源社区疯狂做「小模型大数据」的根本原因。

7.6.4 涌现能力决定模型规模下限

任务类型	最低规模
多步推理、ICL、跨语言迁移等依赖涌现的能力	30B–70B 量级起步
简单分类、抽取、摘要	7B–13B 完全够用，没必要硬上大模型

7.7 Scaling Law 的天花板

虽然还没看到饱和点，但业界已经开始担心两个潜在天花板。

7.7.1 数据墙（Data Wall）

互联网上高质量公开文本的总量是有限的，估计在 10T–50T token 量级。Llama 3 已经用了 15T，Qwen3 用了 36T——再过几年就会把人类历史上所有公开文本用完。

三个应对方向：

方向	说明
合成数据	用强模型生成训练数据训弱模型（DeepSeek-Math、Qwen2.5-Math 大量使用）
多模态数据	扩展到图像、视频、音频，把人类所有形式的信号纳入训练
强化学习数据	用环境交互生成数据（DeepSeek-R1 的 RL 训练属于这一类）

7.7.2 算力墙

摩尔定律接近物理极限，GPU 算力增长在放缓。能买得起 10 万张 H100 的玩家就那么几个，进一步堆参数的边际成本越来越高。

这也是「测试时计算」（test-time compute）这条新曲线受关注的原因——不再只在训练时加规模，而是在推理时用更多计算换效果，这正是 o1、DeepSeek-R1 这类推理模型的思路。

7.8 常见错误

7.8.1 只会说「模型越大越好」

Scaling Law 的核心是幂律关系和可预测性，不是「大就好」。而且 Chinchilla 已经证明参数和数据不匹配会严重欠训。

7.8.2 把 1:20 当成硬性规则

它是 Chinchilla 实验条件下的 compute-optimal 经验点。Llama 3 的 1:1875 和 Qwen3 的 1:60000 都远超它，且效果更好。

7.8.3 认为 Llama 3 推翻了 Chinchilla

没有推翻，是优化目标不同。Chinchilla 优化训练算力最优，Llama 3 优化推理成本最优。把这点讲清楚，才不会把两条路线误判成互相否定。

7.8.4 把涌现讲成神秘魔法

必须提 Mirage 论文：很多「突变」是 exact match 这类离散指标造成的测量假象。

7.8.5 认为存在统一的「涌现规模」

不同任务临界点不同，没有「过了 100B 就必然涌现」这回事。

7.8.6 选型时无视任务是否依赖涌现

简单分类抽取用 7B 就够，硬上 70B 是浪费。反过来多步推理任务上 7B 会直接做不了，不是调 prompt 能救的。

7.8.7 说不出 Scaling Law 的天花板

数据墙 + 算力墙，以及合成数据、多模态、RL 这三个应对方向。后续路线为什么转向这些方向，基本都能从这两堵墙推出来。

7.9 本章总结

Scaling Law 讲的是 loss 与 $N$、$D$、$C$ 的幂律关系，OpenAI 2020 年提出；
它震撼业界的是「可预测」——投入产出比能提前算出来，这是后来所有烧钱投入的理论基础；
Kaplan 版没回答参数与数据的配比，导致 GPT-3 这批模型严重欠训；
Chinchilla 训 400 个模型得出 1:20，用 70B + 1.4T 反超 280B 的 Gopher；
1:20 是 compute-optimal 经验点，不是自然常数；
Llama 3 用 1:1875 训出 8B 打赢 175B，说明 Chinchilla 不是数据上限；
两者不矛盾：一个优化训练算力最优，一个优化推理成本最优；
涌现是能力在临界规模突然出现，典型三类：多步算术、ICL、跨语言泛化，临界区间 50B–100B；
Mirage 论文挑战涌现：换成连续指标曲线就平滑了，可能是指标不连续放大的假象；
选型启发：看训练是否充分、数据比参数更值得加、推理成本与参数强相关、依赖涌现的任务有规模下限；
两个天花板：数据墙与算力墙，应对方向是合成数据、多模态、强化学习与测试时计算。

Scaling Law 解决的是「投入大致能换来多少 loss 改善」，而 Chinchilla 到 Llama 3 的变化解决的是「同样的预算该花在参数、数据还是部署成本上」。