近期，关于大语言模型（LLM）在 Scaling Law 方面的瓶颈引发热议。据报道，OpenAI 新一代模型在性能提升上的表现未达预期，尤其在编程任务中的改进幅度有限。这是否意味着大模型的性能提升已进入收益递减阶段？国内外技术条件是否存在差异？
而在模型规模不断扩大的今天，“量变引起质变”的关键是什么？高质量训练数据的稀缺性、计算资源的限制会对模型的进一步突破产生多大影响？我们是否在追求极限的过程中忽视了现有技术的优化价值？
此外，大模型项目的“成功”又该如何定义？从业务收益到用户体验再到行业发展的长期贡献，不同视角下，评估标准各不相同。在有限资源下，如何平衡成本与收益，最大化模型的经济价值？
11 月 20 日晚上 20:00，我们邀请了来自百度、京东和中科大的三位专家，共同探讨这些关键问题。Scaling Law 是否真的“撞墙”？未来 LLM 该如何破局？一起在直播中探讨！
11 月 20 日 晚上 20:00~21:30
Scaling Law，撞墙了吗？
颜林，百度 / 主任架构师，信息流推荐架构负责人。拥有近二十年互联网及 AI 领域经验，现担任百度 App 信息流推荐架构负责人。在大规模推荐系统架构、AI Native 应用架构、数据湖仓平台、AB 实验平台和机器学习服务方向有多年深厚积累。
张泽华，现任京东集团算法总监、京东零售算法通道委员，IEEE 国际标准工作组副主席，并于中国计算机学会担任标准工委执行委员、大数据专委委员。专注广告算法领域在零售业务的研发实践，推动广告核心场景算法效率增长，带领团队自研大规模分布式生成式广告算法推理能力，取得数倍推理加速效果。
王皓，中国科学技术大学特任副研究员。研究方向为数据挖掘与深度学习，主持国家自然科学基金青年基金、CCF- 腾讯犀牛鸟基金和阿里巴巴创新研究计划 (AIR) 等项目，在 KDD、NeurlPS、TKDE、TOIS 等高水平期刊和会议上发表论文 50 余篇，获中国科大“墨子杰出青年特资津贴”资助，担任如 KDD、NeurlPS、WWW 等国际程序委员会委员及 TKDE、TOIS 等高水平期刊审稿人，人工智能智能计算服务专委会委员，相关工作 Google 学术引用 1400 余次。
Scaling Law 已撞收益递减墙？
LLM 性能提升是否已进入收益递减阶段？
大模型从量变到质变的关键是什么？
如何最大化模型的经济价值，平衡成本与收益？
热点讨论：大语言模型在 Scaling Law 方面真的遇到瓶颈？
LLM 性能提升是否已经进入收益递减阶段
在资源有限情况下，如何最大化模型的经济价值、平衡成本与收益
戳下方直播预约按钮，预约 InfoQ 视频号直播。👇
文末留言写下问题，讲师会在直播中为你解答。
