WAIC UP!｜AI圈都在聊參數，我們偏不

WAIC 大会开幕在即，AI 圈的热情早已被点燃。但纵观近一年来的行业讨论，一个明显的现象是：所有人的目光都死死盯着模型的参数规模。从千亿到万亿，参数量仿佛成了衡量技术实力的唯一标尺。然而，当整个圈子都在为参数数字狂欢时，我们或许该停下来问一句：这真的是 AI 发展的全部吗？「AI圈都在聊参数，我们偏不」——这句口号不只是一种姿态，更是一种值得深思的提醒。

参数规模的竞赛固然推动了算力基础设施的跃升，却也带来了难以回避的隐忧。动辄数千亿参数的大模型，其训练成本动辄数千万美元，电力消耗更是惊人。更重要的是，边际效益正在递减——从百亿到千亿，模型能力的提升远没有参数增幅那样显著。这种「大力出奇迹」的路径依赖，正在让大量中小团队望而却步，也让整个行业的创新方向趋于单一化。如果继续盲目堆砌参数，AI 的发展将可能陷入效率与可持续性的双重困境。

与其沉迷于参数的数字游戏，不如将目光投向那些真正决定 AI 价值的维度。数据质量与多样性，往往比数据量本身更关键；算法效率的提升，能够在更低的算力成本下实现更好的效果；模型的可解释性与鲁棒性，决定了 AI 能否在医疗、金融等敏感领域赢得信任。这些方向虽然不如参数数字那样「性感」，却是 AI 从实验室走向产业落地的必经之路。

事实上，已经有越来越多的成功案例表明，「小模型 + 精准数据」的策略能够在特定任务上超越通用大模型。在边缘计算、移动端部署等场景中，轻量化模型凭借低延迟和高隐私保护的优势，反而更受青睐。而从学术前沿来看，稀疏激活、知识蒸馏、神经架构搜索等技术的突破，正在让「用更少参数做更多事」成为可能。这些进展提醒我们，一味追求参数之「大」，有时反倒忽略了算法之「巧」。

此外，参数竞赛背后还有一个常被忽视的隐性问题：话语权的集中。少数头部公司凭借巨额资本独占大模型的训练能力，使得越来越多的重要技术决策变得不透明。当全社会的 AI 应用都依赖少数几个巨型模型时，风险与偏见也会被急剧放大。为了避免 AI 生态走向垄断与脆弱，我们必须鼓励更多元的技术路线，支持中小团队在垂直领域深耕细作，让创新回归实干而非拼资源。

回归到 WAIC 大会本身，它本应是一个展示多样性、激发思想碰撞的舞台。当大家都在聊参数量时，我们希望听到更多关于 AI 伦理的探讨、关于数据治理的实践、关于低成本部署的方案、关于开放协作的倡议。参数只是工具，而 AI 的终极目标是服务人类。我们期待 WAIC 能引领行业跳出参数崇拜，去关注那些更本质、更长远的问题。

所以，「AI圈都在聊参数，我们偏不」并不是一种反智主义，而是一种清醒的反思。它提醒我们，技术发展的道路从来不止一条。参数可以成为文明的阶梯，却不应成为思想的桎梏。下一次当你再听到某个模型又刷新了参数纪录时，不妨追问一句：这个模型解决了什么真实问题？它为谁创造了价值？也许这些问题的答案，才是 AI 真正的意义所在。