动不动就"千亿参数"，参数越多的大模型就一定越强吗

发布会上，厂商最爱亮的一个数字就是"参数"——千亿、万亿，一个比一个吓人，仿佛这串零后面每多一个，模型就自动聪明一截。你也默默点头：参数多，肯定强呗。

打住。先把结论直给你，省得你被发布会的气氛带走：参数，说白了就是模型身上能拧的"旋钮"数量。旋钮多，确实有更大的底子——但强不强，从来不是光看旋钮个数。数据干不干净、训练到不到位、架构巧不巧，样样都能定生死。真到落地，还得看划不划算。

参数到底是个啥？就俩字：旋钮

你可以把大模型想成一台有无数旋钮的机器。喂进去一句话，它靠这些旋钮的组合，"拧"出下一个字该是什么。这些能被训练反复调整的数值，就是参数（也叫权重）。

所谓"千亿参数"，就是这台机器身上有上千亿个旋钮可以调。旋钮越多，理论上它能记住的花样、能拟合的规律就越复杂——这就是大家常听的"规模定律"（Scaling Law）：在数据、算力、参数一起往上堆的时候，模型表现确实会跟着变好，而且好得挺有规律。

但请注意这句话里的隐藏条件：是"一起往上堆"。参数单拎出来往死里加，另外两样跟不上，就是虚胖。

三个"想当然"，全是纸上谈兵

误区一：参数越多，就一定越强。 研究界早就发现"边际递减"——参数翻倍，本事往往翻不了倍，堆到后面越加越不划算。更扎心的是 DeepMind 2022 年那个经典案例：一个 700 亿参数的模型 Chinchilla，因为喂饱了数据，正面打赢了 1750 亿参数的 GPT-3 和 2700 亿参数的 Gopher。参数少了一大半，照样赢。

误区二：光靠堆参数就能变聪明。 不存在的。参数是"脑容量",但脑容量大 ≠ 会办事。模型这颗"脑子"聪不聪明，很大程度看你喂它什么"教材"——"数据洗得净，模型才会命硬"。1TB 的高质量语料，价值可能远超 100TB 的垃圾网页。数据、算力、架构，任何一环拖后腿，参数再多也是空转。

误区三：小模型注定打不过大模型。 也不绝对。这两年流行"把模型做小、把数据做大"：用高质量数据、知识蒸馏这些手段，几十亿参数的小模型也能在特定任务上打出高阶表现。当然别神化它——业内专家也提醒，这类小模型多是站在大模型肩膀上"摘果子",复杂通用任务上仍追不平顶级大模型。但"小而精"能打，是实打实的。

这对用 AI 的人意味着啥

一句话：别再拿参数量当选型的唯一标尺。

• 挑模型先问"它在我这活儿上干得怎样",而不是"它有几个 B"；
• 参数越大，推理越烧显存、越慢、越贵——训练是一次性的，推理是天天在花钱的；
• 很多真实场景里，一个反应快、够用、便宜的小模型，比一个又大又慢的"全能选手"更值。

挑食的该是你的任务，不是那串参数数字。

顺便说个你可能好奇的

看到这你大概会嘀咕：既然参数不是越多越好，那厂商图啥还拼命卷规模？

因为对做通用大模型的巨头来说，规模在多数时候仍是护城河——但对要把 AI 用进业务里的企业，逻辑完全不同：它们要的不是参数榜第一，而是在自己那摊活儿上，性价比最高的那一个。

于是真正值钱的问题，从"谁的参数多"，变成了：大模型到底怎么落到一个行业里,才既跑得动、又赚得回来? 尤其在工业、能源这种投入大、算账狠的领域,拐点到底在哪。

想把 AI 大模型在工业能源里的落地路径和商业化拐点看明白? 我们做了份《AI大模型工业能源落地全景与商业化拐点研究》——公众号后台回「AI」，拿去看。