嘿，这个问题问得特别到位——刚好戳中了深度学习里「数据-模型匹配」的核心逻辑。先给你直接的结论：深度学习“数据越多性能越好”的特性，绝对受限于模型的结构（尤其是模型容量），你提到的那个10层、每层8个隐藏单元的DNN，持续增加训练数据的话，性能大概率会很快碰到天花板，没法一直提升。

下面拆解一下具体原因：

1. 模型容量是核心瓶颈 #

深度学习能从海量数据里获益，本质是因为它有足够的「表征能力」（也就是模型容量）去捕捉数据里的复杂模式。但你说的这个模型，容量其实非常有限：10层每层8个隐藏单元，算下来总参数数（不算输入输出层）也就几百个，连拟合稍微复杂一点的非线性关系都费劲。

举个生活化的类比：就像你给一个只能装1L水的杯子，不断往里面倒10L、100L的水，杯子最多只能装1L，剩下的都溢出去了——模型的容量就像杯子的大小，数据再多，超出容量的信息它根本学不进去。当数据量超过模型能处理的上限后，性能就会停滞，甚至可能因为数据里的冗余噪声干扰，出现小幅波动下降。

2. 数据提升性能的前提：模型还没“吃饱” #

只有当模型容量足够大，甚至已经出现轻微过拟合的趋势时，增加数据才会持续提升性能——这时候更多数据能帮模型“见过更多世面”，减少对训练数据的过度拟合，泛化能力会更强。但如果模型本身太小，连当前数据里的基础模式都没学会（也就是欠拟合状态），那刚开始加数据可能会有小幅提升，但很快就会摸到模型容量的天花板，再怎么加数据也没用了。

比如你用这个小DNN做文本分类，刚开始从100条数据加到1000条，性能可能涨一点，但加到10万条的时候，模型还是只能识别最基础的关键词，没法理解语义逻辑，性能就彻底停住了。

3. 额外提醒：模型容量不只是看层数 #

顺便补充一句，模型容量的判断不只是看层数，隐藏单元数、激活函数、连接方式（比如有没有残差连接）都影响实际容量。你这个模型层数虽然有10层，但每层只有8个单元，而且如果是普通的全连接DNN（没有残差结构），深层的梯度还容易消失，实际能发挥的容量比理论值还要小。

总结一下：如果你的模型容量不足以匹配数据的复杂度，再怎么加数据也没法持续提升性能；只有当模型能承载数据里的全部模式时，“数据越多越好”的特性才会真正体现出来。

内容的提问来源于stack exchange，提问作者Minions