在人工智能（AI）和深度學(xué)習(xí)（DL）領(lǐng)域，縮放定律（Scaling Laws）指的是模型性能如何隨計算量、參數(shù)規(guī)模和數(shù)據(jù)量的增加而變化的規(guī)律。這些定律幫助研究者理解如何提高AI性能，以及是否值得投入更多資源來訓(xùn)練更大的模型。

　　如果用“培育一棵樹”的比喻來理解縮放定律，樹的樹根深度即為大模型的模型參數(shù)量；土壤養(yǎng)分為訓(xùn)練數(shù)據(jù)量，陽光能量為計算資源，果實(shí)甜度為模型性能。當(dāng)樹根更深（模型參數(shù)量更大）、土壤更肥（訓(xùn)練數(shù)據(jù)量更大）、陽光更足（算力更強(qiáng)），果實(shí)會越來越甜（模型性能更強(qiáng)），且甜度提升速度超過投入增長─直到遇到“玻璃天花板”，此時再增加投入，甜度增幅急劇放緩。

　　就像園林大師不會盲目追求最高樹木，AI工程師通過縮放定律尋找“甜蜜點(diǎn)”：在算力預(yù)算內(nèi)，找到使（性能提升／資源消耗）比值最大的參數(shù)─數(shù)據(jù)─算力組合，這就是DeepSeek以算法突圍而出的關(guān)鍵所在。