大语言模型（LLM）在Scaling Law方面遇到瓶颈，性能提升进入收益递减阶段。大模型从量变到质变的关键是什么？如何最大化模型经济价值？
原文标题：Scaling Law，撞墙了吗？| 直播预告
原文作者：AI前线
冷月清谈：
在大语言模型（LLM）领域，Scaling Law一直备受关注。Scaling Law是指在给定任务上，模型性能的提升与模型参数规模和训练数据量呈正相关。然而，近期关于LLM在Scaling Law方面的瓶颈引发热议。据报道，OpenAI新一代模型在性能提升上的表现未达预期，尤其在编程任务中的改进幅度有限。
这是否意味着大模型的性能提升已进入收益递减阶段？国内外技术条件是否存在差异？
**大模型从量变到质变的关键**
在大模型规模不断扩大的今天，“量变引起质变”的关键是什么？高质量训练数据的稀缺性、计算资源的限制会对模型的进一步突破产生多大影响？
**LLM经济价值最大化**
我们是否在追求极限的过程中忽视了现有技术的优化价值？此外，大模型项目的“成功”又该如何定义？从业务收益到用户体验再到行业发展的长期贡献，不同视角下，评估标准各不相同。在有限资源下，如何平衡成本与收益，最大化模型的经济价值？
**互动讨论：**
1、Scaling Law是否真的“撞墙”？
2、未来LLM该如何破局？
3、大模型的经济价值如何衡量？
怜星夜思：
2、未来LLM该如何破局？
3、大模型的经济价值如何衡量？
原文内容
近期，关于大语言模型（LLM）在 Scaling Law 方面的瓶颈引发热议。据报道，OpenAI 新一代模型在性能提升上的表现未达预期，尤其在编程任务中的改进幅度有限。这是否意味着大模型的性能提升已进入收益递减阶段？国内外技术条件是否存在差异？
而在模型规模不断扩大的今天，“量变引起质变”的关键是什么？高质量训练数据的稀缺性、计算资源的限制会对模型的进一步突破产生多大影响？我们是否在追求极限的过程中忽视了现有技术的优化价值？
此外，大模型项目的“成功”又该如何定义？从业务收益到用户体验再到行业发展的长期贡献，不同视角下，评估标准各不相同。在有限资源下，如何平衡成本与收益，最大化模型的经济价值？
11 月 20 日晚上 20:00，我们邀请了来自百度、京东和中科大的三位专家，共同探讨这些关键问题。Scaling Law 是否真的“撞墙”？未来 LLM 该如何破局？一起在直播中探讨！
11 月 20 日 晚上 20:00~21:30
Scaling Law，撞墙了吗？
-
颜林，百度 / 主任架构师，信息流推荐架构负责人。拥有近二十年互联网及 AI 领域经验，现担任百度 App 信息流推荐架构负责人。在大规模推荐系统架构、AI Native 应用架构、数据湖仓平台、AB 实验平台和机器学习服务方向有多年深厚积累。
-
张泽华，现任京东集团算法总监、京东零售算法通道委员，IEEE 国际标准工作组副主席，并于中国计算机学会担任标准工委执行委员、大数据专委委员。专注广告算法领域在零售业务的研发实践，推动广告核心场景算法效率增长，带领团队自研大规模分布式生成式广告算法推理能力，取得数倍推理加速效果。
-
王皓，中国科学技术大学特任副研究员。研究方向为数据挖掘与深度学习，主持国家自然科学基金青年基金、CCF- 腾讯犀牛鸟基金和阿里巴巴创新研究计划 (AIR) 等项目，在 KDD、NeurlPS、TKDE、TOIS 等高水平期刊和会议上发表论文 50 余篇，获中国科大“墨子杰出青年特资津贴”资助，担任如 KDD、NeurlPS、WWW 等国际程序委员会委员及 TKDE、TOIS 等高水平期刊审稿人，人工智能智能计算服务专委会委员，相关工作 Google 学术引用 1400 余次。
-
Scaling Law 已撞收益递减墙？
-
LLM 性能提升是否已进入收益递减阶段？
-
大模型从量变到质变的关键是什么？
-
如何最大化模型的经济价值，平衡成本与收益？
-
热点讨论：大语言模型在 Scaling Law 方面真的遇到瓶颈？
-
LLM 性能提升是否已经进入收益递减阶段
-
在资源有限情况下，如何最大化模型的经济价值、平衡成本与收益
戳下方直播预约按钮，预约 InfoQ 视频号直播。👇
文末留言写下问题，讲师会在直播中为你解答。