大模型参数竞赛再起：万亿之后， Scaling Law 走向何方？

参数规模重回舞台中央

时隔两年，科技产业的目光再次聚焦于大模型的参数数量。根据新浪财经于 2026 年 8 月初发布的报道，行业趋势显示，2 万亿参数已成为新一代大模型的“标配”，而 3 万亿参数的竞逐则被视为下一阶段的关键目标。这一信号表明，在经历了短期对推理效率和小型化模型的探索后，前沿实验室的竞争重心可能已重新回归至参数规模的扩张，即所谓“Scaling Law”的延续。 这一动向对芯片设计领域具有直接且深远的影响。大模型参数的指数级增长，直接推高了对于 AI 训练芯片的算力、显存带宽及高速互联能力的要求。每一代更庞大的模型，都意味着需要更复杂的 GPU 或专用 ASIC 集群来进行支撑。值得注意的是，本次报道的核心信息仅限于标题所呈现的“2 万亿”与“3 万亿”参数趋势，具体的模型发布方、训练成本以及硬件采购计划在本次新闻摘要中并未提及，有待后续详细信息披露。

算力军备竞赛的底层支撑

从半导体产业链的视角观察，模型参数的膨胀与上游先进制程和封装技术的演进密不可分。根据半导体行业协会（SIA）公布的 2025 年行业数据，全球半导体年销售额已突破 6000 亿美元大关，其中逻辑芯片与存储芯片的增长主要由 AI 数据中心需求拉动。为承载 2 万亿乃至 3 万亿参数的模型，单颗 AI 芯片的 HBM（高带宽存储）容量需求将必然从当前的 192GB 级别向更高容量迈进。台积电（TSMC）在 2025 年财报中披露，其 3nm 及更先进制程的营收占比已超过 30%，AI 加速器相关订单是其产能利用率保持高位的关键。 此外，模型规模的扩大还加剧了对先进封装（如 CoWoS）产能的争夺。据市场研究机构 TrendForce 在 2026 年第一季度发布的估算数据，尽管先进封装产能持续扩张，但全年供给缺口仍可能维持在 10% 至 15% 左右，这构成了未来 3 万亿参数模型训练任务的潜在产能瓶颈。 面对高昂的算力门槛，产业分工出现了新的变化。在本次关于参数竞赛的讨论中，一个值得关注的趋势是，单纯依靠采购通用 GPU 的传统模式，可能将难以满足特定头部实验室对极致互联效率的定制化需求。因此，我们可能看到更多科技巨头深入芯片自研领域，通过定制化架构来平衡功耗与算力。不过，这种推测性影响尚未在本次新闻原文中作为已确认事实出现，仍需产业链后续动态加以验证。

数据参考

以下是本次产业分析中引用的关键数据支持，明确区分为“已确认数据”与“行业背景参考数据”。 本次新闻已确认数据：

• 大模型参数规模重回竞赛轨道，2 万亿参数成为行业讨论中的新“标配”，3 万亿参数被指向为下一目标。来源：新浪财经，2026 年 8 月 2 日报道。 行业背景参考数据（非本次新闻发布数据）：
• 全球半导体行业年销售额：已于 2025 年突破 6000 亿美元。来源：半导体行业协会（SIA），2025 年年度报告。
• 台积电先进制程营收占比：3nm 及以下节点占其总营收的比重超过 30%。来源：台积电公司财报，2025 年 Q4。
• 先进封装产能缺口：预计 2026 年全年 CoWoS 等先进封装产能供需缺口维持在 10% 至 15%。来源：TrendForce，2026 年 Q1 预测数据。
• 关于 3 万亿参数模型的具体训练成本、所需 GPU 数量：暂缺可核验的精确数据，有待相关实验室或研究机构进一步披露。 总体而言，大模型参数竞赛的重启，不仅重塑了人工智能算法的演进路径，更对上游芯片设计公司提出了严峻的架构创新考验。当模型的“大脑”持续膨胀，作为“神经元”的芯片产业唯有同步跃进，方能支撑起下一代 AI 应用的天花板。 #AI #大模型 #芯片设计 #算力