引言
随着大模型规模逼近物理极限与经济可行边界，单纯依赖参数量和数据规模扩张的路径已显现边际效益递减趋势。信息论作为揭示数据传输、压缩与处理本质的核心理论，近三年来逐渐成为破解大模型“黑箱”难题、优化训练效率、提升模型性能的关键工具。从模型能力涌现的底层解释到实际部署的效率优化，信息论为大模型研究提供了全新的理论视角与技术路径，推动领域从经验驱动向理论驱动转型。
一、核心研究进展：信息论在大模型中的多维度应用
1. 理论突破：揭示大模型“黑箱”的信息论本质
- 白铂博士团队通过统计物理与信息论交叉研究，提出“Token语义信息量”概念，利用传递熵量化Token间的因果关联强度，相关系数达0.78，首次从信息论角度解释了大模型推理能力的核心来源。
- 研究证实Transformer的Attention模块本质是通过能量函数最小化实现Token预测，大模型能力涌现对应统计物理中的“相变”现象，当参数量突破Gardner容量阈值时，知识存储与推理能力会出现突变。
- arXiv 2025年提出的Multi-Scale Probabilistic Generation Theory（MSPGT）框架，将多尺度信息压缩与模型设计关联，填补了传统信息瓶颈理论在层级化信息动态建模上的空白。
