# 蚂蚁集团周俊：万亿参数模型从“数量追求”转向“密度深耕”
在人工智能大模型竞赛持续白热化的当下，业界对“参数规模越大越好”的信仰正在经历一次深刻的反思。近日，蚂蚁集团副总裁、首席技术官周俊在一次行业演讲中明确提出了一个关键转向：万亿参数模型的竞争，正从单纯的“数量追求”进入“密度深耕”阶段。这一观点不仅揭示了行业对算力效率与模型质量的重新审视，也为大模型产业化落地指明了新方向。
**核心观点：参数数量的边际效益正在递减**
周俊指出，过去两年间，从千亿到万亿参数，各大厂商通过堆叠算力和数据，大幅提升了模型的语言理解与生成能力。然而，随着参数规模持续膨胀，其带来的性能增益已显著放缓——一条“规模红利曲线”正在逼近天花板。与此同时，训练和推理成本呈指数级上升，使得纯粹追求参数总量变得不可持续。他认为，真正的竞争力将不再取决于“模型有多大”，而在于“模型有多密”——即参数利用效率、知识密度和推理精度的综合提升。
**“密度深耕”的三重内涵**
所谓“密度深耕”，周俊将其概括为三个层次：第一，**参数效率**——通过稀疏化、蒸馏、量化等技术，使更少的参数承载更高质量的知识，降低计算冗余；第二，**数据密度**——从海量通用数据转向高质量、结构化、领域精准的“精炼数据”，减少噪声对模型表示的干扰；第三，**推理密度**——在保持模型能力的同时，压缩推理路径，提升单位时间内的决策质量，降低延迟与能源消耗。
**产业落地：从“炫技”到“好用”的必然选择**
这一转向背后，是蚂蚁集团在金融、支付、风控等强约束场景下的实践反馈。周俊举例，在蚂蚁的智能客服与反欺诈系统中，万亿参数通用模型往往“推理慢、成本高、解释性差”，而经过密度优化的轻量化模型在特定任务上反而表现出更强的鲁棒性与实时性。他指出，未来的大模型将向“知识密度极高、推理成本极低”的方向演进，这不仅是技术路线的取舍，更是产业智能化走向大规模部署的必经之路。
**展望：下一阶段比拼的是“密度工程”能力**
周俊最后强调，当参数规模不再是护城河，真正拉开差距的将是企业围绕“密度”构建的工程化能力，包括高效的数据清洗与标注体系、自适应稀疏训练框架、以及面向特定场景的模型压缩工具链。对于整个AI行业而言，这一转向意味着从“大力出奇迹”的粗放模式，迈向“以质取胜”的精耕细作——万亿参数模型的下一站，不是更大，而是更密。
