2026年的AI圈子，最怕什么？

从2022年底ChatGPT横空出世以来，AI圈子里一直潜藏着一个「幽灵」。

从ChatGPT到惊艳世界的DeepSeek，再到2025年底的Gemini 3、GPT-5.2等，所有这些顶级模型背后都是这个幽灵。

他就是Scaling Law，但是令所有人焦虑的是：这个幽灵是否将要，还是已经「撞墙」了？！

Scaling Law是否已经失效？

大佬们的看法出现了前所未有的分歧。

Ilya Sutskever公开表示，单纯堆砌预训练算力的时代正在进入平台期，智能的增长需要转向新的「研究时代」。

Yann LeCun则一如既往地毒舌，认为当前的大语言模型无论怎么Scaling都无法触达真正的AGI。

即便是Sam Altman，也在公开场合含蓄地承认过，仅仅靠更多的GPU已经无法换回同比例的智能跃迁。

当全行业都在为「数据枯竭」和「算力报酬递减」头疼时，大家都在问：

算力还在涨，为什么智能的跃迁似乎变慢了？

最近在刷知乎时，读到了新加坡国立大学校长青年教授、潞晨科技创始人尤洋（Yang You）的一篇深度长文：《智能增长的瓶颈》。（文末附有原文）

这篇文章的角度非常独到，尤洋站在基础设施与计算范式的底层，探讨了一个更本质和底层的问题：

算力是如何被转化为智能的，以及这种转化机制是否正在失效。

尤洋教授在文中给出了一个引人深思的观点：

过去10年，AI大模型的技术本质，是把电力能源通过计算过程转化为可复用的智能。

文章系统性地梳理了过去十年大模型成功背后的「隐含假设」，并指出这些假设正在接近边界。http://t.cn/AX43wjXx