OpenAI的年化经常性收入（ARR）从两年前的20亿美元激增至200亿美元，算力增长了9.5倍。尽管收入增加，支出也高，迫使公司推出广告以维持运营。未来，OpenAI计划在2026年推出首款硬件，以继续推动收入与算力的循环。

Hinton与学生Ilya在Scaling Law问题上存在分歧。Hinton认为Scaling Law仍然有效，但面临数据缺失的挑战；而Ilya质疑继续扩展规模的价值，认为未来应重构研究范式。尽管观点不同，两人均强调AI需解决数据瓶颈。

MiniMax海螺视频团队首次开源了视觉分词器预训练框架VTP，解决了算力与生成效果不成正比的问题。研究表明，传统Tokenizer的重建精度与生成质量无关，而VTP强调理解力，提升生成性能。VTP展示了Tokenizer的Scaling Law，优化Tokenizer可有效提升生成系统性能。

CompressARC研究表明，未经过预训练的76K参数模型在ARC-AGI-1基准上解决了20%的问题，挑战了智能依赖大规模预训练的假设。该方法仅利用谜题本身，实现了对ARC-AGI谜题的泛化求解。

元戎启行CEO周光表示，量产辅助驾驶是实现Robotaxi的关键，计划明年交付100万台城区NOA车型。目前已交付20万台，占据40%市场份额，强调通过数据驱动提升模型泛化能力，走特斯拉路线。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

Tom Brown是OpenAI GPT-3的核心负责人，现任Anthropic的CTO。他分享了在OpenAI和Anthropic的经历，强调主动解决问题的重要性，并探讨了AI发展中的算力与安全挑战。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

机器之心数据服务现已上线，提供高效稳定的数据获取，简化数据爬取流程。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，帮助用户轻松获取所需数据。

机器之心数据服务现已上线，提供高效稳定的数据获取服务，简化数据爬取流程。

尺度定律是OpenAI于2020年提出的原则，揭示了模型规模、数据量与计算资源之间的关系，对AI研发和产业应用产生影响。报告分析了其对大模型发展的影响、涌现能力及局限性，强调数据质量和训练方法的重要性，指出尽管尺度定律是实现通用人工智能的关键，但仍需探索更广泛的解决方案。

尺度定律是OpenAI于2020年提出的原则，揭示了模型规模、数据量与计算资源的关系，影响AI研发与产业发展。量子位智库的报告分析了尺度定律的影响、涌现能力及局限性，指出大模型竞争加剧，企业需平衡模型规模与效率，推动AI硬件与云计算需求增长。

小鹏汽车在CVPR 2025上首次验证了自动驾驶中的Scaling Law，展示了新一代AI司机技术。其G7 SUV具备2200TOPS算力，采用独特的自动驾驶基座模型，提升了对环境的理解和驾驶体验。小鹏的技术路线强调云端大模型与车端小模型的结合，推动自动驾驶智能化进程。

本研究分析了大型语言模型在状态动态建模中的不足，尤其是在内部状态跟踪任务中的表现。结果表明，当状态空间增大和转移稀疏时，模型的预测准确性显著下降，揭示了其在状态-动作推理方面的弱点。

本研究提出了一种超轻量级预测模型Alinear，质疑了时间序列预测中的缩放法则。Alinear通过动态调整成分权重和频率衰减策略，在使用不足1%参数的情况下，依然保持了强大的准确性，挑战了“大模型更好”的传统观念。