Laws（定律）在 AI 领域语境下，主要指 Scaling Laws（缩放定律）等描述模型性能随参数量、数据量与算力变化的经验规律，它们是当前大模型训练与资源投入决策的核心依据。围绕缩放定律的研究与讨论，正从单纯的“堆算力”经验公式，转向对其适用边界、失效条件和更细粒度架构规律的系统探索。
Scaling Laws 近期进展
当前焦点与观察点
目前的争议主要集中在两点：一是经典缩放定律在数据接近耗尽、合成数据占比上升的背景下是否依然成立；二是推理时扩展（inference-time scaling）等新范式是否需要全新的定律框架来描述。此外，扩散模型等非自回归架构也在被纳入同一分析视角，例如 Apple 的三模态掩码扩散模型 MDM 研究对设计空间的系统分析，就带有为新型架构寻找规律的目的。
对从业者而言，观察点是：各大实验室是否继续公开其缩放实验结论、学术界能否提出更具预测力而非事后拟合的定律形式，以及这些经验规律能否指导推理成本优化等实际工程问题。Laws 相关研究正在从“描述现象”走向“指导决策”，其结论的可靠性将直接影响未来算力投入的合理性。