Scaling Law五层演进体系解析：Physical AI如何开启下一增长曲线

引言

过去一年多，AI行业围绕Scaling Law的讨论从未停歇。从最初黄仁勋在GTC上提出的三条技术路线，到如今已经演化出五层Scaling体系，再到Physical AI的快速崛起，整个行业正在经历一场从虚拟世界向物理世界的范式迁移。

本文基于一位从华为离职后加入大疆的AI从业者在杭州云栖小镇的分享，梳理Scaling Law的完整演进脉络，并探讨Physical AI时代的技术走向。

Scaling Law的五层演进体系

第一层：Pre-Training Scaling（预训练扩展）

预训练扩展是最经典、也是最广为人知的一条路线。核心逻辑非常直接：通过增加模型参数规模、训练数据量和计算量，让基础模型的能力持续提升。

从GPT-1到GPT-4，从LLaMA 1到LLaMA 4，从DeepSeek V1到V4，所有主流基础模型的迭代都在验证同一个规律——数据越多、模型越大、计算量越大，效果就越好。这条路线虽然简单粗暴，但至今仍是AI能力提升的基石。

第二层：Post-Training Scaling（后训练扩展）

后训练扩展在预训练基础之上，通过指令微调、RLHF、DPO、GRPO等强化学习手段，让模型进行自学习，提升特定任务的表现。代表性工作包括GPT-4的对齐训练、Claude的安全训练以及DeepSeek V3的强化学习阶段。

后训练的核心价值在于：它让模型从"能力强"变为"能力强且可控"，这对产品化落地至关重要。

第三层：Test-Time Scaling（推理时扩展）

推理时扩展是近两年最具突破性的方向。传统认知中，模型推理只是简单地给出答案，但实践证明，在推理阶段投入更多计算量和时间，让模型进行更深层的思考和验证，能获得显著更好的结果。

OpenAI的O系列模型引入思维链（Chain of Thought），DeepSeek的推理模型以及多人推理等技术不断涌现，证明了"让模型想得更久"本身就是一种有效的扩展方式。

第四层：Agent Scaling（智能体扩展）

以大模型为核心，扩展周边工具调用、记忆（Memory）、规划（Planning）等能力，放大单智能体执行复杂任务的上限。代表性技术包括：

• ReAct框架
• Planning/Soft方法
• 长期记忆机制
• MCP协议
• Function Call

Agent Scaling标志着AI从被动应答走向主动执行，开启了全新的应用范式。

第五层：Multi-Agent Scaling（多智能体扩展）

当单个Agent的能力边界被突破后，多智能体协作成为新的扩展方向。通过智能体数量增加、角色分工和通信协议，完成远超单智能体能力的复杂工作。

有意思的是，Multi-Agent的爆发速度远超预期。代表性产品如Manus、OpenCore以及Agent-to-Agent协议的出现，让现在的程序员已经不是在写代码，而是在监控几十个Agent协同运作。

从Agentic AI到Physical AI的范式迁移

虚拟世界的天花板

五层Scaling体系在虚拟世界中已经构建了相当完整的技术栈。但一个核心问题浮现：五层之后，Scaling会停止发展吗？

答案是否定的。AI正在从虚拟世界的Agentic AI，快速迈向物理世界的Physical AI。虽然目前Physical AI还没有非常明确的杀手级应用，但趋势已经越来越清晰。

Physical AI时代的Scaling Law重构

Pre-Training层面：模型形态的根本转变

模型形态从LLM（大语言模型）到VLM（视觉语言模型）到VLA（视觉-语言-动作模型），正在走向WM（World Model，世界模型）。世界模型能够理解和模拟物理世界的运行规律，为无人机、自动驾驶、机器人等物理智能体提供决策基础。

Post-Training层面：模型压缩与专业化

Physical AI对后训练提出了全新要求。在垂直行业落地时，需要将大模型压缩、蒸馏、强化为更小更精的Small LLM/VLM/WM，以适应嵌入式设备的算力约束。围绕Physical AI Scaling Law进行模型的精简化和专业化，正在成为头部企业的核心攻坚方向。

Test-Time Scaling层面：从云端到端侧

在物理世界中，推理时扩展的形态发生了本质变化。可穿戴设备、AI眼镜等硬件需要实时理解周围环境，这意味着推理不再发生在云端，而是在随身的小型芯片上即时完成。AI Glasses正是这个方向最被看好的品类。

情感与记忆：Physical AI的核心差异化

当AI硬件具备了Agent能力后，长期记忆（Memory）和情感理解（Emotion）将成为关键差异化因素。AI硬件不仅要能执行任务，还要能理解用户、陪伴用户——这意味着从"工具"到"伙伴"的质变。

目前已有大量创业公司在这个方向上布局，试图打造具有情感交互能力的物理智能体。

下一条增长曲线在哪？

从目前的技术演进规律来看，每一层Scaling都是对前一层"边界"的突破：

层级	突破的边界
Pre-Training	模型能力的边界
Post-Training	模型可控性的边界
Test-Time Scaling	推理质量的边界
Agent Scaling	单次交互的边界
Multi-Agent Scaling	单体能力的边界

Physical AI正在突破数字世界的边界，让AI真正进入物理空间。而当物理世界中的AI足够密集时，物理世界的Multi-Agent协作——即大量智能硬件的自组织协同——可能就是下一个爆发点。

总结

Scaling Law远未到达尽头。它不是一条直线，而是一棵不断分叉生长的技术树。从虚拟到物理，从单体到群体，从工具到伙伴，AI的扩展之路仍然充满想象空间。

对于从业者而言，理解这五层（乃至更多层）Scaling的内在逻辑，才能准确判断下一个技术浪潮将在何处涌起。无论是选择深耕Multi-Agent协作，还是投身Physical AI的世界模型研发，关键在于看清Scaling Law演进的方向——每一次突破，都是对现有边界的跨越。