搜尋意圖： 如果你在找「規模定律 是什麼」或「規模定律 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 規模定律描述了模型性能如何隨著模型大小、訓練數據量和計算資源的增加而變化。它提供了一種預測模型性能的經驗關係。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有注意到，模型和資料越堆越大，表現通常也跟著變好？
你可以把規模定律想成一條經驗曲線，告訴你模型、資料和算力加大時，效果大概怎麼變。
它重要是因為團隊可以拿它來估算投入資源後的回報，而不是只靠感覺做決策。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
規模定律 vs 邊際效益遞減
規模定律是在描述整體趨勢 邊際效益遞減是在說越往後每次加碼回報變小 最關鍵的區別是經驗關係和經濟直覺。
規模定律 vs 湧現能力
規模定律看的是連續變化 湧現能力看的是某些能力突然出現 最關鍵的區別是平滑成長還是跨門檻跳變。
記住這句就好
模型、資料、算力一起長大，效果通常也跟著變。
實際案例
訓練預算規劃 團隊可以先用小實驗去擬合規模定律，再決定要不要把算力投到更大的模型。
資料量決策 如果模型已經快被算力卡住，就不一定只加參數，還要一起看資料和訓練方式。
算法與應用
規模定律通常不是嚴格定律，而是大量實驗下的經驗觀察。 它幫助人們在模型大小、資料量和算力之間找平衡。 資料品質、架構和訓練方法一變，曲線也可能跟著變。
情境判斷
Q1（直覺題）： 如果你想估算把模型做大一倍後會發生什麼，會先想到什麼概念？
Q2（判斷題）： 只要照著規模定律擴大模型，就一定會有穩定提升嗎？
常見問題
規模定律的局限性是什麼？
A：它不是普遍真理，只是在某些模型和任務上很有用的經驗關係。
如何用規模定律來優化訓練？
A：常見做法是用小規模結果擬合趨勢，再反推資源怎麼分配。
規模定律對 AI 發展有什麼意義？
A：它讓人能更有系統地規劃模型、資料和算力，而不是只靠猜。