10月31日，2026世界顶尖科学家论坛在上海开幕。开幕式的主旨演讲环节里，一位中国学者的发言被多家媒体重点转述——清华大学教授、智谱AI创始人唐杰。他没有讲自家模型又刷了多高的分数，而是给全行业提了个醒：光靠把参数和数据堆大，这条路正在失效。
“缩放偏差”是个新词，说的是老问题
过去几年，大模型行业的通行逻辑可以概括成一句话：参数够大、数据够多，新的能力就会自己冒出来。模型一代代变大，分数一代代涨，似乎只要算力管够，通用人工智能只是时间问题。
但唐杰在演讲中给出了另一个观察：行业走到智能体这一步，矛盾接连冒头。据上观新闻报道，他提到智能体执行一次任务要消耗百万级的词元，而不少在小模型上行之有效的算法，搬到大模型上竟然完全失效——他把这类现象称作“缩放偏差”。
翻译成大白话：以前管用的经验，在更大的模型上未必管用，甚至反过来帮倒忙。这就好比小作坊的土办法，放到万吨巨轮上造不出船，反而会翻船。
他开出的药方：“可扩展正确性”
怎么破？唐杰提出了一个概念，叫“可扩展正确性”。大意是：评判一项技术靠不靠谱，不能只看它在某一个点上跑出来的漂亮成绩，而要看它沿着一条曲线扩大规模时，是不是始终稳定可靠。
这个思路对行业有一层隐含的批评：现在的模型榜单文化，热衷于比拼单点分数，一个模型在某个评测上拿第一，转头在真实任务里把简单的活干砸，这类落差用户已经见怪不怪。单点的高分是“漂不漂亮”，整条曲线的稳定才是“可不可靠”——做产品的公司，显然该要后者。
他还补了一句话：通用人工智能光靠“数据和模型的规模缩放”不够，还要补上“思维缩放”这一课。至于安全和治理，他的表述是“AI越强大，人类越要保持谦卑”，安全能力应该随模型规模一起扩展，人应该始终是最终的决定者。
一句提醒的分量
有意思的是，说这话的人正是“堆参数”路线的受益者。智谱靠大模型起家，刚在资本市场走出关键一步，按理说是规模叙事最大的受益方之一。由受益者来指出路线的边界，比局外人的泼冷水更有说服力。
把时间轴拉长看，这不是某一家公司的立场，而是行业情绪的缩影。这两年，“Scaling是不是到头了”从论坛边角话题变成了主会场议题，越来越多一线研究者开始讨论预训练数据的极限、算力回报的递减。
世界顶尖科学家论坛的讲台上出现这样的声音，等于给这场讨论又加了一层背书。
对普通人来说，这番话的实际含义或许可以这么理解：AI不会因为参数无限变大就自动变成万能助手，下一代突破更可能来自更聪明的方法，而不是更大的机房。听到“新模型又大了十倍”的新闻时，不妨多问一句——它把事情办砸的概率，变小了吗？