最近，对Scaling Laws的认知理解随着新的学习是不断加深的，我愈加相信Scaling Laws是通向AGI的不二法门，它所揭示的规则也必然会得到持续印证和加强。
对硬件的估值从短期的业绩驱动转向长期供给短缺的超级成长驱动，对估值的拔升可能存在巨大的空间。
什么是Scaling Laws？
Scaling Laws（规模法则）是基于OpenAi于2020年1月23日发布的论文《Scaling Laws for Neural Language Models》提炼出来的核心论点。
简而言之，基于Transformer架构的模型，其性能受到模型大小、数据集大小、计算浮点数影响。
其中，模型大小是最重要的影响因子。模型规模越大，模型能力越强。
模型的规模则是由模型训练程度和模型推理能力决定，训练和推理则是由投入的算力决定的。
综上，Scaling Laws揭示的AI模型法则是，模型能力取决于投入的算力资源。投入算力资源越多，模型能力越强。
这条法则经OpenAi提出和践行，已经被奉为AI时代的摩尔定律，是通往AGI的必然之路。
OpenAi创始人奥特曼评价：Scaling Laws是上帝决定的，科研人员只是设定了模型参数。
也就是说，基于Transformer架构的模型之间本质上的差距可能没有想象中那么大，所表现出来的能力差距很有可能是模型规模的差距。
OpenAi也无法解释ChatGPT3.5所表现出来的能力，他们称之为智能“涌现”。即，当算力投入达到某一临界点时，模型就“涌现”了部分能力。
ChatGPT4和Sora可能是这种“涌现”能力的新的表现形式，本质上是模型规模扩大造成的。
因此，美国科技界相信，只要不断加大算力投入，模型可能会不断涌现新的能力，最终实现AGI。
Scaling Laws指引下的投资法则
Scaling Laws指引下AI时代前期最大的受益者就是算力提供方，英伟达。
去年，北美六大厂的资本开支等于英伟达的营收，可以看到，模型厂在算力上投入的钱大部分都流入英伟达口袋里了。
可以预见，只要Scaling Laws继续生效，砸下去的算力最终体现到模型能力上，模型厂对算力的饥渴就不会停止。
对AGI的追求就是新时代的登月计划，没有人会在这个时候计算投资回报比，先登上月球是最要紧的事。
何况，在追求AGI路上，模型不断“涌现”出来的能力也是具备商业价值的，只是目前对能力的开发没有跟上而已。
在Scaling Laws指引下的AGI“登月计划”的历史进程中，我们普通人目前能参与的也只有对于硬件设施建设的股票投资上的。
现在，市场对硬件估值分歧在于，你是按照24、25年业绩去算硬件公司估值还是基于Scaling Laws指引去给硬件公司估值？
如果你信仰Scaling Laws，那么，全球算力基建提供方的业绩将永远超预期，就像英伟达去年所表现的那样。因为需求是永远大于供给的。
Scaling Laws指引下的硬件发展方向
Scaling Laws指引下，英伟达也在一路狂奔。
去年，英伟达已经从一家GPU芯片提供厂转变为整合计算、通信、存储等能力的算力整体方案提供商。
因为，英伟达不仅需要提升计算芯片性能，通信速度和存储能力也要跟上。
本质上，是对更大（HBM）、更快（CPO）、更强（GPU）的追求。
所以，今年HBM份额年初就已经被订完了，最大份额流向了英伟达。算力芯片H200和B100相继推出，代表通信速度的CPO进度很可能也会超出预期。
最近，英伟达CEO 黄仁勋在访谈中强调，在未来的10年里，英伟达将会把深度学习的计算能力再提高100万倍，从而让AI不断训练、推理、学习、应用，并持续改进，未来不断将超级AI转变为现实。
很多人可能觉得黄仁勋是在放卫星。
但我觉得，英伟达如此自信，是因为它是AI产业的深度参与者和直接受益者，它所感受到现在和未来对算力的需求恐怕是最直接和最深刻的。
我相信，最终能实现AGI的公司一定不是基于商业利益的追求，而是基于对技术和AGI的信仰。
我相信Scaling Laws的揭示和AGI的指引，坚定AI硬件投资的大方向，当下市场的任何题材、波动已经不能引起我的兴趣了。