在人工智能（AI）和深度学习（DL）领域，缩放定律（Scaling Laws）指的是模型性能如何随计算量、参数规模和数据量的增加而变化的规律。这些定律帮助研究者理解如何提高AI性能，以及是否值得投入更多资源来训练更大的模型。

　　如果用“培育一棵树”的比喻来理解缩放定律，树的树根深度即为大模型的模型参数量；土壤养分为训练数据量，阳光能量为计算资源，果实甜度为模型性能。当树根更深（模型参数量更大）、土壤更肥（训练数据量更大）、阳光更足（算力更强），果实会越来越甜（模型性能更强），且甜度提升速度超过投入增长─直到遇到“玻璃天花板”，此时再增加投入，甜度增幅急剧放缓。

　　就像园林大师不会盲目追求最高树木，AI工程师通过缩放定律寻找“甜蜜点”：在算力预算内，找到使（性能提升／资源消耗）比值最大的参数─数据─算力组合，这就是DeepSeek以算法突围而出的关键所在。