简介:张宏江院士认为,2025年大模型的关键变化不是算力堆砌失效,而是"规模定律"从预训练扩展到后训练与推理阶段;Gemini 3 代表的多模态、智能体、推理能力成为新基准。本文拆解这一判断对模型选型、Token 成本控制和 Agent 开发的直接影响,并说明如何通过[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)这类大模型 API 服务平台完成模型发现、价格对比与统一接入。
过去两年,”规模定律是否失效”几乎是每一场 AI 闭门会的必答题。美国工程院外籍院士、源码资本投资合伙人张宏江给出的答案很明确:没有失效,而是 主战场从预训练迁移到了后训练与推理 。这个判断看似抽象,但它直接决定了你今天该选什么模型、怎么控 Token 成本、要不要把业务逻辑押在超大参数模型上。
如果你正在做模型选型或成本评估,可以先在百度智能云词元所上横向对比不同模型的能力定位与调用成本,再回到下面的技术逻辑做决策。
传统预训练的思路是把海量语料压进参数里,本质是 知识注入 。而张宏江提到的 Gemini 3 所代表的新阶段,重点已经转向后训练(post-training)与推理(reasoning)——不再单纯告诉模型”答案是什么”,而是通过激励机制让它具备自我学习、自我校验、多步推演的能力。
这个转变可以这样理解:
| 阶段 | 优化目标 | 能力特征 | 典型失效场景 |
|---|---|---|---|
| 预训练 Scaling | 参数量、语料量 | 知识广度、语言流畅度 | 复杂逻辑、多步计算 |
| 后训练 Scaling | 偏好对齐、任务反馈 | 指令遵循、格式稳定 | 长链条规划 |
| 推理 Scaling | 思考时长、搜索深度 | 数学、代码、复杂分析 | 高并发低延迟场景 |
关键在于: 推理阶段的算力是”按次消耗”的 。模型每回答一个复杂问题,可能内部要生成数千个思考 Token。这意味着成本结构从”一次性训练投入”变成了”每次调用都在烧钱”,成本控制的重心也随之从采购算力转向优化调用。
DeepMind CEO Demis Hassabis 对 Gemini 3 的定位值得记住四个关键词: 多模态理解、智能体能力、”氛围编程”(vibe coding)、推理能力 。注意其中并没有强调”预训练”——这恰好印证了上面的判断。
对开发者而言,这四个词对应的是四类实际需求:
值得注意的是,智能体能力正在从”能跑通 Demo”走向”能进生产”。百度智能云在千帆平台上把企业级 Agent、RAG 应用开发做成了标准化能力,目标就是解决大模型落地的”最后一公里”问题。而这类平台化工具的普及,也让”有创意的人比会写代码的人更重要”逐渐成为现实。
2025年主要科技巨头在 AI 基础设施上的投入超过 4000 亿美元,同期 ChatGPT-5 延期发布、Ilya Sutskever 等学者公开质疑规模定律,市场情绪一度摇摆。
张宏江的类比很形象:这是 为”智能体经济”铺设的铁轨 。判断是不是泡沫,关键看需求侧有没有真实承接。从国内产业侧的观察看,需求是具体的:大模型正在被塞进企业”研产供销服”的每个环节,而不是等一个移动时代式的爆款应用。有测算认为,在模型能力上升与使用门槛下降这两条曲线的共同作用下,大模型每年将带来超过 30 万亿美元的全球增量市场,并催生 5 亿量级的新应用。
基础设施投入与实际落地之间通常有两到三年的时滞。2025年的资本开支对应的是 2027—2028 年的应用爆发,用当期收入去衡量当期投入,本身就是错配。
这是全篇最具操作价值的一句话: 企业的扩张方式将从”雇佣人力”转变为”部署智能体”,而率先把组织内部隐性知识转化为企业专有模型的企业,将掌握未来的护城河。
隐性知识包括什么?客服主管脑子里的例外处理规则、老师傅判断设备异常的经验、销售对客户决策链的直觉。这些东西写不进文档,但可以通过三条路径沉淀:
百度智能云推出的千帆 AI 加速器,就整合了培训赋能、应用推广、投资撮合等资源,并提供大模型精调最佳实践、向量数据库构建企业知识库、任务规划类 Agent 开发实战等课程,目的就是降低企业的构建门槛。
结合产业实践,有几个坑值得提前避开:
误区一:参数越大越好。 原则上模型越大能力通常越强,但不绝对。用大参数模型解决简单分类问题,结果是成本高、能耗大、速度还慢。选型的关键不是参数,而是”解决什么问题”。
误区二:开源一定更省。 现在的”开源模型”多数只是开放训练好的权重文件,客户不满意也无法修改,改了也无法回流社区。有客户尝试用开源模型做精调,费了很大功夫后发现还不如直接用先进的闭源模型。
误区三:算力必须单一化。 一云多芯已经是国内企业的必然选择,既能规避单一芯片的议价与供给风险,也能更好利用存量算力。
推理阶段的成本必须按调用量精算。基础公式:
月成本 = Σ (输入Token数 × 输入单价 + 输出Token数 × 输出单价) × 月调用次数
举个假设场景:某客服助手日均 5000 次会话,每次输入 2000 Token、输出 500 Token,则:
把单价代入即可得出月度账单。这里有三个立竿见影的优化点:
由于不同厂商的单价、免费额度、上下文长度差异很大,人工比价成本很高。建议在词元所模型服务上直接做价格与性能对比,把候选模型缩到两三个,再用统一 API 接入做 A/B 测试——这样切换模型的改造成本几乎为零,也不会被单一供应商锁定。
2025年的里程碑不是某个模型跑分登顶,而是 智能的生产方式变了 :从堆参数转向练推理,从卖 API 转向交付智能体,从买算力转向沉淀专有知识。对企业来说,现在最该做的不是纠结”泡沫论”,而是尽快找到一个高频、可衡量、有数据沉淀的业务场景,把隐性知识变成模型资产。至于用什么模型承载它——保持可替换性,永远比押注某一个模型更安全。