Hvorfor blir AI-modeller stadig større? Skaleringslover forklart

TL;DR (Kort oppsummert)

Da OpenAI lanserte GPT-1 i 2018, hadde modellen rundt 117 millioner parametere, altså justerbare innstillinger modellen lærer under trening. To år senere hadde GPT-3 175 milliarder, nesten 1500 ganger så mange. Denne veksten er ikke tilfeldig. Den følger noe forskere kaller skaleringslover: matematiske sammenhenger som viser at en modells ytelse øker forutsigbart når du gir den mer regnekraft, mer treningsdata og flere parametere samtidig. Problemet er at “større” ikke lenger automatisk betyr “smartere” på samme måte som før. I 2026 har bransjen begynt å flytte deler av innsatsen fra ren modellstørrelse til noe annet: hvor lenge en modell “tenker” før den svarer. Denne artikkelen forklarer hvorfor størrelse har betydd så mye, og hvorfor det ikke lenger er hele historien.

Fra 117 millioner til 175 milliarder på to år

Tall som “milliarder av parametere” kan virke abstrakte, så la oss starte konkret. En parameter er en liten justerbar verdi inne i modellen, litt som en vektskive som avgjør hvor mye modellen skal legge vekt på et bestemt mønster i dataene. Jo flere parametere, jo flere slike vektskiver har modellen å justere på under treningen.

Utviklingen har gått fort: GPT-1 (2018) hadde 117 millioner parametere. GPT-2 (2019) hadde 1,5 milliarder. GPT-3 (2020) hadde 175 milliarder. Nyere modeller oppgir sjelden eksakte tall lenger, men estimater fra uavhengige analysemiljøer antyder at de største modellene i dag ligger i en helt annen størrelsesorden enn GPT-3. Denne veksten har ikke skjedd fordi større alltid er bedre i seg selv, men fordi forskere fant en forutsigbar sammenheng mellom størrelse og ytelse.

Skaleringslover: Regelen bak veksten

I 2020 publiserte forskere hos OpenAI det som ofte regnes som det første systematiske beviset for det vi i dag kaller skaleringslover: at en språkmodells ytelse følger et forutsigbart mønster (en “power law”) når du øker tre ting samtidig: mengden treningsdata, antall parametere og hvor mye regnekraft (compute) som brukes til treningen. Dette var ikke lenger prøving og feiling. Selskapene kunne nå regne seg frem til hvor mye bedre en modell sannsynligvis ville bli, før de faktisk trente den.

I 2022 la et forskerteam i Google DeepMind frem en presisering som endret hvordan hele bransjen tenkte om dette. Modellen deres, kalt Chinchilla, hadde bare 70 milliarder parametere, mindre enn flere av datidens største modeller, men presterte likevel bedre. Funnet: mange tidligere modeller hadde for mange parametere i forhold til hvor mye treningsdata de faktisk fikk se. Den nye tommelfingerregelen, ofte referert til som “Chinchilla-optimal”, antydet et forhold på rundt 20 tokens treningsdata per parameter for best mulig ytelse innenfor et gitt regnekraft-budsjett. Med andre ord: det er ikke bare størrelsen som teller, men om modellen faktisk får nok data å lære av til å utnytte den størrelsen.

Hvorfor stopper det ikke bare der, da?

Et naturlig spørsmål er hvorfor selskapene ikke bare finner den “perfekte” størrelsen og blir der. Svaret er at skaleringslovene i seg selv ikke har noen innebygd tak. Så lenge du kan skaffe mer regnekraft og mer data, forutsier lovene fortsatt bedre ytelse, om enn med gradvis avtakende gevinst per ekstra dollar brukt. Det er dette som kalles “diminishing returns”: hver ny dobling av regnekraft gir mindre og mindre forbedring enn den forrige, men fortsatt en forbedring.

Dette skaper et press i hele bransjen. Så lenge en konkurrent kan bli litt bedre ved å bruke mer regnekraft, er det vanskelig for noen aktør å frivillig stoppe å skalere, selv om gevinsten per krone blir stadig mindre. Samtidig har det de siste par årene dukket opp en reell, faglig debatt om hvorvidt ren størrelsesskalering nærmer seg en praktisk vegg, både fordi det finnes en begrenset mengde tilgjengelig, høykvalitets treningsdata på internett, og fordi kostnadene ved å trene enda større modeller vokser enormt.

Den nye skaleringsaksen: Å tenke lenger, ikke bare være større

Det virkelig interessante skiftet i 2026 er at bransjen har funnet en ny måte å bli bedre på, som ikke krever en enda større modell. I stedet for bare å gjøre selve modellen større under trening, lar utviklere modellen bruke mer regnekraft når den svarer, altså at den får “tenke” gjennom flere steg før den gir deg et svar. Dette kalles gjerne test-time compute eller inferenstid-skalering, og det er selve mekanismen bak det vi kaller reasoning-modeller.

Konsekvensen er at “blir AI-modeller stadig større” ikke lenger er et helt presist spørsmål. Selve grunnmodellene fortsetter å vokse, men mye av den synlige ytelsesforbedringen i 2025 og 2026 kommer fra denne andre, nyere aksen. Demis Hassabis, som ledet Google DeepMind som toppsjef frem til august 2026 (han er nå styreleder i DeepMind og sjefsforsker i morselskapet Alphabet), omtalte i januar 2026 offentlig et skifte mot modeller som kan fortsette å lære og resonnere selv etter at selve treningen er ferdig, ikke bare bli fysisk større på forhånd.

De to skaleringsaksene, oppsummert:

Skaleringsakse	Når den brukes	Hva den gjør
Trening (den klassiske)	Før modellen tas i bruk	Gjør selve modellen større: flere parametere, mer treningsdata, mer regnekraft
Inferenstid (“tenke lenger”)	Når modellen svarer deg	Lar modellen bruke flere steg med resonnering før den gir et svar, uten å endre modellens grunnstørrelse

Vil dette noen gang stoppe?

De fleste forskere tror ikke at ren parameterskalering forsvinner helt, men at den i økende grad kombineres med andre metoder: bedre treningsdata av høyere kvalitet fremfor bare mer data, smartere arkitektur og mer regnekraft brukt ved selve bruken av modellen fremfor bare under treningen. Det er ingen naturlig, hard grense innebygd i skaleringslovene selv, men det finnes praktiske grenser: hvor mye strøm, penger og god treningsdata som faktisk finnes tilgjengelig i verden.

Vanlige spørsmål

Betyr flere parametere alltid en bedre AI?

Ikke nødvendigvis alene. Chinchilla-funnet fra 2022 viste konkret at en mindre modell med riktig mengde treningsdata kan slå en større modell som ikke har fått nok data å lære av. Det handler om forholdet mellom størrelse, data og regnekraft, ikke bare ett av tallene isolert.

Hva er egentlig en “skaleringslov”?

Det er en matematisk, empirisk observert sammenheng som viser at en modells ytelse øker forutsigbart når du øker mengden treningsdata, antall parametere og regnekraft samtidig. Det er ikke en naturlov i fysisk forstand, men et mønster som har holdt seg påfallende stabilt på tvers av mange ulike modeller og selskaper.

Vil AI-modeller bli uendelig store til slutt?

Neppe i praksis. Selv om skaleringslovene i teorien ikke har noen innebygd øvre grense, setter tilgjengelig strøm, penger og mengden god treningsdata en reell, praktisk begrensning. Dette er en av grunnene til at bransjen nå i økende grad ser mot andre metoder, som å la modellen bruke mer tid på å resonnere, fremfor bare å gjøre selve modellen enda større.

Hvorfor snakker alle om GPU-mangel hvis det handler om data og størrelse?

Fordi regnekraft er den tredje, like avgjørende faktoren i skaleringslovene. Selv med nok data og en plan for å gjøre modellen større, krever selve treningen enorme mengder spesialisert databehandlingskapasitet (GPU-er). Denne kapasiteten er både dyr og fysisk begrenset globalt, noe som gjør regnekraft til en reell flaskehals i praksis, ikke bare et teoretisk poeng.

Oppsummering og kilder

AI-modeller har blitt dramatisk større de siste årene fordi forskere fant forutsigbare skaleringslover: mer treningsdata, flere parametere og mer regnekraft gir sammen bedre ytelse. Men Chinchilla-funnet fra 2022 viste at forholdet mellom disse tre faktorene betyr mer enn ren størrelse alene, og i 2026 har bransjen i økende grad funnet en ny vekstakse: å la modellen bruke mer tid på å tenke når den svarer, fremfor bare å bli fysisk større under trening.

Det viktigste å huske:

GPT-1 (2018) hadde 117 millioner parametere, og GPT-3 (2020) hadde 175 milliarder
Skaleringslover viser en forutsigbar sammenheng mellom størrelse, data, regnekraft og ytelse
Chinchilla-funnet fra Google DeepMind (2022) viste at riktig forhold mellom data og størrelse betyr mer enn ren størrelse alene
I 2026 kommer mye av den nye ytelsesforbedringen fra at modeller “tenker” lenger ved svar, ikke bare fra større grunnmodeller

Kilder brukt i denne artikkelen:

Sist oppdatert: August 2026

Hvorfor blir AI-modeller stadig større, og hvorfor stopper det ikke der?