一个出乎意料的实验发现
时间回到 2020 年前后。研究者们本来在干一件很朴素的工程事：模型再做大一点、数据再多喂一点、训练再久一点，看看效果能好多少。大家的预期是「好一点、再好一点」，线性增长，一分投入一分收获。
结果出来的曲线让所有人坐直了。一些能力——比如「给一个没见过的任务，只给两三个例子就照着做」——在小模型身上基本为零，模型一路变大，这项能力一路趴在零附近，看上去毫无希望；可一旦规模跨过某个坎，这项能力突然之间就冒出来了，像烧开的水，99 度时还是液体，100 度就沸腾了。这种现象被叫做涌现——大白话说：量变积累到某个点，质变突然发生，新能力凭空登场。
这不是一次两次的巧合。翻译、多步算术、逻辑推理、读懂没见过的笑话……一批能力都呈现这种「趴窝很久，突然开窍」的曲线。
为什么会「突然」？一个说得通的解释
先泼一盆冷水：科学界对「涌现」的成因至今没有标准答案，它仍是活跃的研究课题，甚至有人争论其中一部分「突然」只是测量工具不够细的错觉。但有一个解释框架，接受度比较广，而且很好懂：
很多能力不是一个旋钮管的事，而是一整套「零件」凑齐了才工作。
拿「多步推理」举例。要做好它，模型内部至少得先学会：读懂题意、记住中间结果、按步骤推进、检查前后矛盾。这几样「零件」在训练中各自缓慢进步，但只要缺一样，整体表现就是零——就像一台收音机，电阻、电容、天线各自慢慢备齐，但在最后一件焊上之前，它一声不响；焊上的那一瞬间，它突然就响了。从外面看是「突变」，从里面看是「零件终于凑齐」。
大白话：涌现像组装，不像发酵。发酵是今天酸一点明天酸一点；组装是最后一颗螺丝拧上之前，机器一直都是一堆废铁。
这也解释了为什么「突然」总发生在大模型身上：模型越大、数据越多，能装下的「零件」就越多、越精细，凑齐一整套的概率就越大。小模型不是不学，是零件箱太小，永远差着几颗螺丝。
规模定律：AI 行业的「摩尔定律」
比涌现更基础、也更让投资人疯狂的，是另一条规律：研究者们发现，模型的表现（用一个叫「损失」的分数衡量，上一章讲过，就是「错得有多离谱」）跟三个东西呈现出非常稳定的数学关系——模型旋钮的数量、训练数据的量、投入的算力。三者按比例一起涨，表现就沿着一条平滑的曲线可预测地变好，而且这条曲线横跨了好几个数量级都没有失效的迹象。这就是规模定律（Scaling Laws）——大白话：「砸钱就能变强」不是玄学，是一条画得出曲线的经验规律。
这条定律改变了整个行业的玩法。在它被发现之前，AI 进步靠灵感——谁的算法巧谁赢；在它被发现之后，AI 进步在相当程度上变成了工程学加资本——既然曲线可预测，那就建厂、买卡、堆数据，把曲线往前走。过去几年 AI 军备竞赛的疯狂投入，底层逻辑就是这条曲线给的信心。
当然，天下没有白吃的午餐。这条路线也在撞上它自己的天花板：高质量文本快被「读」完了，电和芯片越来越贵，「再砸十倍钱」换来的进步在放缓。行业里 2024 年之后的一个明显转向——从「把模型练得更大」转向「让模型在回答时想得更多」（后训练、推理时计算）——正是对这条曲线增速放缓的回应。这属于前沿动态，但骨架没变：整个行业的节奏，仍然是被「投入—产出」的可预测曲线牵着走的。
这一章之后，我们该害怕还是该兴奋
「大力出奇迹」给人两种相反的情绪。兴奋的人说：曲线还在往前走，奇迹还会继续。警惕的人说：一个连建造者都只能事后观察、无法事先预言它「什么时候会突然会什么」的东西，本身就意味着风险——你不能对你造的东西的能力边界两眼一抹黑。
两种情绪都有道理。但作为读者，你现在至少拥有了一样大多数人没有的东西：你知道「奇迹」不是魔法，它是一台组装到临界点的收音机——突然响起的那一刻令人惊讶，但每一个零件的来路都清清楚楚。
不过，此时的模型还不是你手机里那个有问必答的助手。它是一台「世界的压缩机」，一个博学的「续写机器」——你给它「如何制作蛋糕」，它可能续写成一篇教程，也可能续写成「下回分解」，因为它只负责把话接得像话，不负责「帮你」。从「会说话」到「会听话」，还差最后一次调教。下一章讲这个过程——它花的钱不到预训练的零头，却决定了你拿到的 AI 是什么性格。