🟡 涌现能力——为什么大到一定程度，模型就”开窍”了

100 亿参数时，模型只会复读。 1000 亿参数时，它突然会推理了。 这就是”涌现”，AI 圈最迷人的现象之一。

🟡 AI 通识专栏 · 第 13 期 📅 2026年6月27日 ✍️ 小敏说 AI

💡 本文要点：涌现（Emergence）指的是——某些能力在模型规模到达临界点前几乎为零，越过临界点后突然出现。本文讲清三件事：涌现到底是真现象还是测量错觉、Scaling Law 为什么让所有大厂疯狂烧钱、为什么 ChatGPT 看起来”会思考”但不等于真的思考。

🎯 本文导读

• 🔹 一张图看懂”涌现”
• 🔹 涌现的真实案例：三类能力
• 🔹 Scaling Law：可预测的”力大砖飞”
• 🔹 涌现是真现象还是测量错觉
• 🔹 涌现 ≠ 理解：保持清醒的判断

一、📈 先看结论：能力曲线不是平滑的

正常曲线长这样：

能力 ▲
     │              ╱
     │           ╱
     │        ╱
     │     ╱
     │  ╱
     └─────────────► 参数量

但 LLM 的能力曲线长这样：

能力 ▲
     │              ╱──────
     │             │  涌现点
     │             │
     │             │
     │_____________│
     └─────────────► 参数量
       (10B以下几乎为 0，到了 100B 突然能做了)

🎯 一句话总结：涌现 = 量变到质变。某些能力在小模型上完全做不了，大模型突然就会了，而且没有中间态。

二、🎬 涌现的真实案例：三类能力

Google 2022 年的论文《Emergent Abilities of Large Language Models》记录了137 种涌现能力。挑三个最直观的：

1️⃣ 多步推理（Chain-of-Thought）

• 小模型：直接给答案，常常错
• 大模型：用”让我们一步步思考”prompt → 准确率暴涨

2️⃣ 上下文学习（In-Context Learning）

• 小模型：你给几个例子也没用，按训练数据回答
• 大模型：你给 3 个例子，它就地学会新模式

3️⃣ 跟随指令（Instruction Following）

• 小模型：照字面续写
• 大模型：理解你的”意图”，做出合适回应

💬 关键观点：涌现现象没法事先预测——你不知道下一个能力是 200B 还是 500B 才出现。这就是大厂疯狂堆参数的根本动机：不堆，永远不知道自己错过了什么。

三、📊 Scaling Law：可预测的”力大砖飞”

虽然具体能力的涌现不可预测，但整体损失（Loss）的下降是可预测的。

2020 年 OpenAI 发表的 Scaling Law 论文揭示：

模型损失 ∝ 1 / (参数量^a × 数据量^b × 算力^c)

翻译成大白话：

🎯 这条规律可怕在哪？ 它告诉行业：你只要敢花钱堆参数，模型就一定会变强。这是 OpenAI、Anthropic 一轮轮融资几百亿美元的”理论靠山”。

四、🤔 涌现是真现象还是测量错觉？

2023 年斯坦福一篇论文《Are Emergent Abilities of Large Language Models a Mirage?》提出反对意见：

“涌现可能是评估指标造成的错觉。”

举例：

• 用 “完全正确才得 1 分” 这种指标 → 看起来是突然涌现
• 用 “部分正确给部分分” 这种指标 → 看起来是平滑提升

真实情况：

⚠️ 重要提醒：涌现部分是真的（确实存在能力上的质变），部分是测量的伪影（曲线看起来突然）。真相在两者之间。

五、🚫 涌现 ≠ 理解：保持清醒的判断

涌现能力让模型看起来”会思考”，但本质上：

💬 关键观点：涌现的是能力表现，不是意识 / 理解 / 智能本身。模型还是那个”超级模仿器”，只是模仿得更长链、更连贯、更接近人。

真正的”理解”需要什么？

• 因果推理（不只是相关性）
• 持续学习（不只是冻结参数）
• 世界模型（不只是文本模型）
• 主体性（不只是反应式回答）

这些目前都还不在 LLM 的能力包里。

六、💰 涌现的商业含义：所有人都在赌下一个临界点

🎯 本质上：整个 AI 行业都在赌 Scaling Law 还没失效。一旦失效（也叫”撞墙”），整个估值体系会崩塌。

目前的迹象：

• 2024-2025 年开始有”Scaling Law 撞墙”的讨论
• GPT-4 → GPT-5 的提升幅度，远不如 GPT-3 → GPT-4
• 业界开始转向”测试时计算“（让模型回答时思考更久）作为新增长方向

七、❌ 三个常见误区

八、🎁 一段能让你”理性看待 AI 进展”的话术

下次有人说”GPT-X 已经有意识了”，你可以这样回应：

“目前我们看到的’惊艳能力’确实是真的——这叫涌现。但涌现的是能力表现，不等于真正的理解、意识或目标。

模型本质上还是在做’下一个 token 预测’，只是规模到了，模仿得足够长、足够连贯，让人感觉它在思考。

真正的判断标准是：它能不能解决训练数据里完全没见过的、需要新颖因果推理的问题。 目前的答案是：还差得远。”

💬 关键观点：既不神化、也不否定——这是技术圈最稀缺的判断力。

📮 今日话题

💬 你认为 Scaling Law 会在什么时候彻底”撞墙”？

是参数到几万亿、是能源跟不上、是数据耗尽，还是其他原因？评论区聊聊。

🔮 下一篇预告

🟡 AI 通识 · 第 14 期：幻觉是怎么来的？AI 为什么一本正经胡说八道

涌现的另一面，就是幻觉。它不是 bug，是大模型架构的副作用。

🟡 本文属于「AI 通识 · 阶段二：大模型怎么思考」。

📱 关注「小敏说 AI」，回复 「AI 入门」 领取《打工人 AI 自救工具箱》。