11月27日消息，“大多数人不知道，关于Scaling Law的原始研究来自2017年的百度，而不是2020年的OpenAI。”
近日一则上述内容刷爆AI圈子，引发对百度研究能力的赞叹。
而事情的起因，则是Anthropic创始人Dario Amodei在一档播客节目中爆料：最早在百度工作时发现Scaling Law。
Dario Amodei是AI届的大牛，很多人知道他曾是OpenAI的初期员工，后来离开并创办Anthropic。事实上，Dario Amodei也是百度的“前员工”。
公开资料显示，Dario Amodei于2014 年 11 月至2015 年 10 月期间在百度工作，当时他在百度硅谷人工智能实验室（SVAIL）工作，致力于将深度学习模型扩展到大规模高性能计算系统。
再回到这则爆料中，这里先介绍一下Scaling Law（尺度定律）：当模型的参数量、训练数据量和计算量增加时，模型的性能会按照一定的幂律关系提升。
如同芯片领域的从业者会以“摩尔定律”来理解、前瞻、指导芯片发展一样，Scaling Law被大语言模型（LLMs）研究者们认为是理解大模型发展的“金科玉律”，其重要性不言而喻。
这次Dario Amodei的爆料，可谓给Scaling Law的发现来了个“正本清源”，把百度推上了大模型研究先锋的位置上。
Anthropic创始人Dario爆出Scaling Law“正源”
今年11月12日，在Lex Fridman的播客节目中，Anthropic的联合创始人CEO Dario Amodei探讨了Claude、AI模型的扩展规律、AGI、AI未来等多个话题， 其中，在谈到大模型的扩展规律（Scaling Laws）与模型发展，他提到“他的观察最早来自于此前在百度工作时对语音识别系统的研究。”
Dario Amodei称，2014年与吴恩达在百度研究AI的时候，他就已经发现了模型发展的规律Scaling Law，“随着你给它们提供更多数据，随着你让模型变大，随着你训练它们的时间越来越长，模型的表现开始越来越好。当时我并没有精确地衡量，但我和同事们都非常非正式地感觉到，给这些模型的数据越多、计算越多、训练越多，它们的表现就越好。”
后来在Open AI的GPT-1的语言模型中得到了验证。他认为，随着模型变得越来越大，它们能够捕捉到更复杂的语言和认知模式，这一规律不仅适用于语言模型，还适用于图像、视频等其他领域。
随着Dario Amodei的爆料，更多行业人士扒出了关于Scaling Law起源的线索。
一位Meta研究员再次发布推文爆料：
"大多数人不知道，关于缩放定律的原始研究来自 2017 年的百度，而不是 2020 年的 OpenAI。
他们描述了模型参数和数据集标记对损失的影响。还对图像和音频进行了测试。
他们只是用 LSTM 代替了 Transformers，而且没有将他们的发现命名为“定律”。"
百度2017年论文被扒出一作研究被OpenAI 引用
上述推文将Scaling Law起源的讨论热度再度推高，有媒体人士跟帖贴出了百度在2017年发表的《DEEP LEARNING SCALING IS PREDICTABLE, EMPIRICALLY》论文。该论文详细讨论了机器翻译、语言建模等领域的Scaling现象。
图片来源：百度《DEEP LEARNING SCALING IS PREDICTABLE, EMPIRICALLY》
此前曾在Open AI工作，参与了GPT-3等重要项目开发的AI专家Gwern Branwen曾较早注意到了Scaling Law 。他经常提起：百度的这篇论文确实被忽视了。
这个故事还有后续。到2019年，百度的几位研究员Joel hestness、Gregory Diamos继续这项研究，再次发表了一篇论文《Beyond human-level accuracy: computational challenges in deep learning》。
而这篇论文，被OpenAI引述在其2020年的论文《Scaling Laws for Neural Language Models》中——这也是OpenAI举世闻名Scaling Law发现之作。
图片来源：OpenAI 论文《Scaling Laws for Neural Language Models》
扒到这里，Scaling Law原来源于百度的结论算是实锤了。
尽管外部对百度对Scaling Law的研究贡献因为爆料才刚刚被认知，对于百度而言可能“略感遗憾”。
不过也正是对Scaling Law的早期研究，让百度早在多年前就投入了AI大模型研究，并在2019年发布了第一代文心大模型——几乎与OpenAI处于同一时期。2023年，更是成为全球第一家推出生成式AI产品的科技大厂。
