Tsinghua Professor Tang Jie: Replace Scaling Laws with "Scaling Correctness" to Pave the Way to AGI

对大模型有一定了解的人，都知道“规模化法则”（Scaling Law）。今天举行的2026世界顶尖科学家论坛·主论坛上，清华大学教授、智谱AI联合创始人唐杰在演讲中表示，应该用“规模化正确性”取代“规模化法则”，探索一门关于模型规模缩放的科学。在他看来，追求“规模化正确性”之路，可以让大模型具备越来越强的复杂任务自主完成能力，最终通向AGI（通用人工智能）。 今年10月发布的2026胡润百富榜，唐杰榜上有名，身家约275亿元，被一些媒体称为中国“首富教授”。他不仅创立了上市公司智谱AI，也是智谱AI首席执行官张鹏、月之暗面创始人杨植麟的导师，培养了一批人工智能领域的青年才俊。 唐杰教授在2026世界顶尖科学家论坛上演讲。 对于人工智能未来研发方向，这位清华教授有什么洞见？他提出了“规模化正确性”概念，向“规模化法则”发起挑战。‌2022年11月ChatGPT上线以来，遵循“规模化法则”的大模型研发进展神速。这个法则是一条经验规律，意思是在其他条件不构成瓶颈时，模型预训练的测试损失和参数量、训练数据量、训练算力三者各自满足幂律关系，参数、算力、数据同步放大，预测损失会平滑地持续下降，模型能力随之提升。这意味着，模型的参数量越大、训练算力越大、训练数据越多，模型的智能水平就越高。 然而，在唐杰看来，“规模化法则”只拟合训练损失，不能保证真实任务的正确性；训练损失下降，不等于推理可靠、代码可运行、长任务无幻觉。一味地遵循这个法则，其实是一条偷懒路径，应该建立一套回答“规模放大后，结论还能不能成立”的系统性方法论。他称之为“规模化正确性”，并把这条研究路线概括为：从“规模化法则”走向一门关于规模缩放的科学。 这条研究路线的提出，可谓恰逢其时：对话大模型升级为智能体后，训练试错成本大幅增长。前沿大模型的单次训练需要巨额投入，如果一个算法小规模能跑通，应用于大模型却失效，全部算力和时间将付诸东流。另一方面，AI处理的真实任务的复杂性越来越高，远超任何单一benchmark（基准测试）能囊括的范围。在此背景下，只在小规模条件下成立的结论，规模放大后往往不再有效。 规模化失效并非单一问题，而是分布在优化与超参数、模型架构、数值精度、并行与系统工程、数据、后训练等6个维度上，任何一个维度的失效都可能导致整个项目翻车。因此，“规模化正确性”是横跨算法、芯片集群、数据与后训练全链路的系统性问题，不取决于单一指标。 2026世界顶尖科学家论坛在上海临港中心举行。 唐杰指出，追求“规模化正确性”的核心方法论革新，在于改变评价单元。旧的大模型研发和评价范式是“任务驱动、单点对比”，即针对不同任务分别训练模型，只看各自的单点SOTA（某一领域的最先进水平），其结论很可能脱离规模、无法外推。新范式则是“缩放范式、曲线对比”，即以训练损失为坐标纵轴、算力、参数、数据量为坐标横轴，构建一条规模缩放曲线，其目标是通过小规模拟合，准确预测大规模（万亿参数级别）模型的表现。 这一新范式对方兴未艾的“递归式自我改进”（RSI）有重要意义。“递归式自我改进”是指人工智能系统以自身改进结果作为输入，不断优化自身能力并修改自身架构，形成自我改进闭环的过程，被业界普遍认为是实现通用人工智能的关键路径。唐杰认为，递归式自我改进能不能跑通，不取决于模型能否生成下一步，而是取决于它能否准确判断这一步是不是“进步”。 这种内化的评判能力，他称之为“自净化”。大模型只有具备“自净化”能力，才可以自主迭代、自我改进，最终实现新的智能突破。