RAND 技术与安全政策中心近期发布的研究报告《Algorithmic Advancement in Artificial Intelligence: A Survey of Advances with Projections for the Near Future》（2025 年2 月）聚焦“算法”而非“硬件”对 AI 发展的推动力。作者回顾 2023 年10 月至 2024 年8 月间的大模型演进（补充修订至 2025 年2 月），提出一套评估与前瞻框架，旨在为政策制定者、产业界和学术界提供决策参考。
关键发现
两条高影响通道
数据路径：通过合成数据生成或精剪现有数据，为训练提供更“信息密度高”的数据集。
算法路径：发展更高数据效率的模型架构（如 Mamba、Kolmogorov-Arnold Networks），或显著降低训练计算量。
一条“外卡”通道
新目标函数：若能设计与商业价值更贴合、计算又高效的训练目标（超越传统交叉熵＋RLHF），或将带来跨越式性能提升。
三种近景路线
数据受限：若高质量数据枯竭且算法效率停滞，大模型规模会见顶，小而专的模型将占主流。
算法不缩放：若可批量生成数据但算法利用率跟不上，超大模型成本-收益失衡，行业仍转向小模型。
持续缩放：若数据与算法双双突破，规模经济继续，训练-推理成本齐降，更大模型将主导下一阶段竞争。
对出口管制的启示
若算法效率大幅提升，仅靠高端芯片出口管制“卡脖子”的效果将被削弱。
算法进步的七大机制
未来情景分析
未来情景分析
数据瓶颈场景
若优质数据成为硬约束，企业将更倚重合成-精选数据管线与领域知识微调，算法研究重心转向“小模型高精度”与多模态迁移。
算法乏力场景
数据可扩，但模型对增量数据“消化不良”。结果是“巨无霸”训练费用飞涨却难见质变，小模型凭低成本、快部署优势夺回市场。
双轮驱动场景
当合成数据与高效架构同步成熟，模型规模与能力继续指数式上升，推理也因稀疏化与量化变得更便宜，形成领先者“马太效应”。
政策与产业启示
技术预警投资：建立针对合成数据、数据剪枝、架构创新的持续监测机制，及早识别突破节点。
客观对齐研究：鼓励发展可扩展的后训练对齐技术（RL、Constitutional AI 等），减少人工反馈成本。
动态出口策略：在硬件管制之外，关注算法与开源生态的传导效应，制定灵活的多层次技术管控。
公共数据治理：统一数据合规、隐私与共享标准，为“数据-算法”双轮创新提供合规土壤。
结语
报告指出：未来三到五年人工智能的主战场将更多转向“算法-数据”组合效率。无论企业还是监管者，真正的竞争优势既不是 GPU 数量，也不是模型参数，而是如何用更少的计算和更合适的数据，持续产出更高价值的智能服务。在这一新范式下，技术路线的早期信号捕捉和政策灵活性将成为决定胜负的关键。
