他们会认为在人工智能领域是所谓叫大力出奇迹的。

在人工智能领域它里边会强调一个叫做skiing law，我们称为叫规模定律。他指的是什么意思？就是我的人工智能这个模型要想性能越好，能力越强的前提，就是我们必须在里边堆资源。嗯，就是我们堆足够多的GPU，在此基础上堆足够多的人工标注的那些所谓的数据，那我们就能训练出来性能更好的人工智能。

那么在这样一个人人路径上通过尝试得到了正向反馈，以至于产生了路径依赖。就导致了我要想得到一个更强大的人工智能，我就不断的往里面加GPU，加更多的GPU。所以你看这个现在GPT有10万张卡，应该都是性能最好的。那deep sik据说他从开始筹备，因为他是做量化的嘛，他才开始攒卡，攒到现在也就差不多1万张左右。

所以他们一直都认为所谓在人工智能领域是遵循规模定律的。我要想得到更高性能的模型，就必须堆足够多的资源。嗯，那他就在沿这个模型一直往下走。

但是前几年也一直有人讨论说这个规模定律要撞墙了。为什么要撞墙了？因为刚才不是说你必须要堆足够多的卡，处理足够大量的数据，我们才能得到更高性的人工智能模型。但是数据据说已经被弄完了，全球互联网的所有数据都已经被切了。这里的训练师用完了，你没有更多的数据，你堆再多的卡，我们也很难再得到更足量的性能提升了。

但没想到deep这个在后边出来了。Deep这个出来了之后证明了是啥？首先这个规模定律本身这不是唯一的路径。我不用那么多的卡，我甚至也没有那么大量的数据和人工成本的投入，我一样能能入类类似于同样性能的模型，他们就很尴尬了。

这就意味着他们走的路未必是对的。所以deep这个对于整个人工智能行业的冲击，就是在在这个层面上的。而摧枯拉朽一般的这种冲击。
人工智能攻略：探索多样路径，突破性能提升瓶颈！在人工智能领域，传统观念认为遵循规模定律，通过大量堆砌GPU和数据来提升模型性能。然而，新的发展表明这并非唯一路径。不用过多资源，也能实现类似性能。这为我们带来了新的思考。在实际应用中，我们应如何灵活运用这些方法，找到适合自己项目的最佳方案呢？首先，要明确项目需求，如果对数据量要求不高，可尝试探索新路径。其次，关注新技术发展，如deep带来的冲击，从中汲取经验。再者，合理规划资源，避免盲目堆砌。通过这些方法，我们能在人工智能领域少走弯路，实现更好的发展。
人工智能,规模定律,GPU,数据,模型,路径依赖,正向反馈,deep,性能提升,行业冲击
[Q]：人工智能领域的规模定律是什么？
[A]：指人工智能模型性能越好、能力越强，需堆足够多的GPU和人工标注数据。
[Q]：为什么有人认为规模定律要撞墙了？
[A]：数据据说已被用完，没更多数据，堆再多卡也难有更足量性能提升。
[Q]：GPT和deep sik在资源使用上有什么情况？
[A]：GPT有10万张卡，deep sik筹备到现在约1万张卡。
[Q]：规模定律是人工智能领域提升性能的唯一路径吗？
[A]：不是，deep证明不用大量资源也能实现类似性能。
[Q]：什么是路径依赖？
[A]：在通过堆资源提升人工智能性能的路径上因正向反馈产生的依赖。
[Q]：数据在人工智能模型训练中有多重要？
[A]：没有足够数据，即使堆再多卡也难有显著性能提升。
[Q]：deep对人工智能行业有什么冲击？
[A]：证明规模定律不是唯一路径，给行业带来摧枯拉朽般冲击。
[Q]：如何在人工智能领域选择适合的发展路径？
[A]：明确项目需求，关注新技术，合理规划资源，避免盲目跟从传统。