Scaling（规模化、扩展）是 机器学习 和 大语言模型 领域中的一个核心概念，指通过扩大模型规模、训练数据规模、计算资源或训练时间等因素，使模型获得更强能力的过程。
在现代 AI 语境中，Scaling 最重要的含义并不是简单地“把模型做大”，而是研究：
当模型、数据和计算资源增加时，模型性能会如何变化，以及如何以最有效的方式分配计算资源。
Scaling 研究贯穿了现代 大语言模型 的发展，并最终形成了著名的 Scaling Laws（缩放定律）。
Scaling 并不是由某一个人在某一天单独“发明”的概念，而是随着神经网络规模不断扩大逐渐形成的研究方向。
早期神经网络受到计算能力、数据集和硬件的限制，模型规模相对较小。随着 GPU、分布式训练和数据规模不断发展，研究人员开始系统研究：
模型变大是否一定能够带来更好的性能？
以及：
模型、数据和计算应该以什么比例增加？
2018 年，OpenAI 发布 GPT-1，随后 GPT-2、GPT-3 等模型不断扩大参数规模，使 Scaling 成为 大语言模型 发展的重要路线。
2020 年，Kaplan 等人在 OpenAI 发表论文 Scaling Laws for Neural Language Models，系统研究了语言模型性能与模型参数量、数据量和计算量之间的关系，使 Scaling Laws 成为大模型研究中的重要概念。
随后，研究人员发现早期 Scaling Laws 中关于数据和计算分配的结论仍然可以进一步优化。
2022 年，DeepMind 的 Hoffmann 等人在论文 Training Compute-Optimal Large Language Models 中提出著名的 Chinchilla Scaling Laws，指出在固定计算预算下，过去的一些大型语言模型可能存在“模型太大、训练数据太少”的问题，应该同时增加模型规模和训练 Token 数量。
Scaling 通常涉及几个主要维度。
模型规模（Model Scale）
增加模型参数量。
例如：
1B → 7B → 70B → 405B
参数量增加意味着模型拥有更大的参数空间和潜在的表示能力。
但参数量越大并不意味着模型一定越强，还必须配合足够的数据和训练计算。
数据规模（Data Scale）
增加训练数据的数量。
例如：
100B Tokens → 1T Tokens → 10T Tokens
数据规模扩大可以让模型接触更多语言模式、知识和任务。
计算规模（Compute Scale）
增加训练过程中使用的计算资源。
通常可以用 FLOPs 衡量训练计算量。
计算量不仅取决于 GPU 数量，还与训练时间、模型规模、序列长度、训练 Token 数量等因素有关。
训练时间（Training Time）
在其他条件相近的情况下，增加训练时间通常意味着模型可以处理更多训练数据并执行更多优化步骤。
Scaling Laws（缩放定律）研究的是：
模型性能与模型规模、数据规模、计算量之间的定量关系。
Kaplan 等人的研究发现，在一定范围内，语言模型的 Loss 与模型参数量、数据量和计算量之间存在近似的幂律关系。
可以用非常简化的形式理解为：
Loss ≈ 常数 + A × N^(-α)
其中：
* N 表示某种规模因素，例如模型参数量。 * A 是与任务和训练设置有关的常数。 * α 是缩放指数。
这里的核心并不是具体公式，而是：
随着规模增加，Loss 通常会按照相对稳定的规律下降。
因此，通过小规模实验得到 Scaling Law，可以帮助研究人员预测更大模型的训练效果。
2020 年，OpenAI 的 Jared Kaplan 等人发表：
Scaling Laws for Neural Language Models
这项工作研究了语言模型的性能与三个主要因素之间的关系：
* 模型参数量 * 数据集规模 * 训练计算量
研究发现，在一定范围内，模型性能随着这些因素增加呈现出比较稳定的幂律缩放关系。
这带来了一个重要思想：
大模型的性能并不是完全不可预测的。
通过训练一系列不同规模的小模型，可以估计更大规模模型可能达到的性能。
这对大模型研发具有非常重要的工程意义。
2022 年，DeepMind 的 Jordan Hoffmann 等人发表：
Training Compute-Optimal Large Language Models
这项工作重新研究了模型规模和训练数据之间的关系。
研究发现，在给定训练计算预算下，过去的一些大型语言模型倾向于：
模型参数很多，但训练 Token 不够多。
例如，与其训练一个参数量极大的模型但只使用有限数据，不如：
适当减小模型 → 使用更多训练数据 → 进行更充分的训练
这类思想后来通常被称为 Chinchilla Scaling Laws。
其重要意义是：
追求更大的模型并不一定是最优策略，模型大小和训练数据必须共同 Scaling。
Compute-Optimal（计算最优）是 Scaling 研究中的一个重要概念。
假设训练预算固定，那么问题就变成：
应该把计算资源花在增加模型参数上，还是增加训练数据上？
例如有固定的 GPU 预算，可以选择：
大模型 + 少数据
或者：
较小模型 + 更多数据
Scaling Laws 的一个重要作用，就是帮助确定这种资源分配关系。
因此，大模型训练实际上可以被看成一个优化问题：
在固定计算预算下，使最终模型性能最大化。
Scaling 还与 Emergent Abilities（涌现能力）密切相关。
当模型规模不断增加时，一些能力可能会明显增强，例如：
* 复杂推理 * 少样本学习 * 代码生成 * 数学能力 * 多语言能力 * 工具使用
早期研究曾观察到某些能力似乎在模型达到一定规模后突然出现，因此被称为“涌现能力”。
不过，关于这种“突然出现”究竟是真正的能力涌现，还是评测指标和模型规模共同造成的表观现象，学术界存在较多讨论。
因此不能简单认为：
模型达到某个参数量 → 突然获得某种能力。
现代 AI 的 Scaling 已经不再局限于：
扩大预训练模型。
随着 推理模型 的发展，研究人员开始研究 Inference-Time Scaling（推理时扩展）。
传统 Scaling：
训练计算量 ↑ → 模型能力 ↑
Inference-Time Scaling：
推理计算量 ↑ → 模型在单个问题上的推理能力 ↑
例如，一个模型面对复杂数学问题时，可以使用更多计算进行：
理解问题 → 制定推理过程 → 尝试不同方案 → 检查结果 → 得出答案
因此现代 AI 的 Scaling 可以大致分成：
Pre-training Scaling + Post-training Scaling + Inference-Time Scaling
这意味着“Scaling”已经从单纯扩大模型参数，发展为对整个 AI 系统计算预算的优化。
MoE 是 Scaling 的重要技术之一。
传统 Dense 模型中：
模型参数增加 → 每 Token 计算量增加
而 Sparse MoE 可以通过增加 Expert 数量扩大模型的总参数量，同时只让每个 Token 激活少数 Expert。
因此：
MoE 可以在一定程度上将模型容量 Scaling 与每 Token 计算量 Scaling 解耦。
例如：
64 个 Expert + Top-2 Routing
意味着模型拥有大量 Expert，但每个 Token 只选择其中 2 个。
这也是现代大模型使用 MoE 的重要原因之一。
Transformer 的出现极大推动了 Scaling。
Transformer 具有高度并行化的特点，可以充分利用 GPU 和大规模计算集群。
因此：
Transformer → 更大模型 → 更多数据 → 更多计算 → 更强能力
逐渐成为现代 大语言模型 发展的主要路线。
GPT 系列、PaLM、Llama、Claude 等模型的发展，都体现了不同形式的 Scaling。
模型规模不断增加后，问题并不会简单地变成“多买一些 GPU”。
大规模 Scaling 会产生大量工程问题：
* 显存：模型参数需要占用大量 GPU 显存。 * 通信：多 GPU、多节点训练需要高速通信。 * 计算效率：需要提高 GPU 利用率。 * 数据吞吐：需要持续向 GPU 提供足够的数据。 * 训练稳定性：模型越大，训练失败的成本越高。 * 能耗：大规模训练需要消耗大量电力。 * 存储：训练数据和模型 Checkpoint 都需要大量存储空间。
因此，Scaling 同时推动了：
Scaling 并不是无限有效的。
首先，随着模型规模不断增加，性能提升通常会逐渐变得昂贵。
其次，Scaling Laws 描述的是特定数据、模型结构和训练条件下观察到的规律，不能简单外推到任意规模。
此外，仅仅扩大模型规模也无法解决所有问题。
例如：
参数量增加 ≠ 数据质量提高
参数量增加 ≠ 推理算法改进
参数量增加 ≠ 更好的对齐
因此现代 AI 研究越来越重视：
Scaling + 数据质量 + 架构改进 + 后训练 + 推理计算
而不是单纯追求参数量。
Scaling 对现代 AI 最重要的影响，是让研究人员逐渐认识到：
模型能力可以通过系统性增加计算、数据和模型规模来获得，而且这种提升在一定范围内具有可预测性。
这使得 AI 研发逐渐从：
“设计一个聪明的算法”
转向：
“如何高效地利用越来越多的计算资源训练更强的模型”。
这也是现代 基础模型 和 大语言模型 能够快速发展的重要原因。
因此，Scaling 不只是“大模型做大”，而是一套研究：
规模 → 计算 → 数据 → 性能
之间关系的方法论。
* 大语言模型 * Scaling Laws * Transformer * 基础模型 * MoE * 推理模型 * Inference-Time Scaling * 分布式训练
* Kaplan, J. et al.，Scaling Laws for Neural Language Models，OpenAI，2020。
* Hoffmann, J. et al.，Training Compute-Optimal Large Language Models，DeepMind，2022。
* Shazeer, N. et al.，Sparsely-Gated Mixture-of-Experts，2017。
* Vaswani, A. et al.，Attention Is All You Need，2017。
* Brown, T. B. et al.，Language Models are Few-Shot Learners，2020。