图。”
就算是对数学再不懂的人，看到这个公式也该看出来了，因为这个函数的曲线到最后，几乎就是一条平平的横线。
也就是说，当显卡堆积达到一定规模之后，就算再堆积硬件，性能虽然也会增加，但增加的也会十分有限，到最后甚至肉眼都不可见了。
这么说着，孙博还举例道：“以现在的GPT4为例，如果想要一个2倍GPT4参数的大模型，对算力的需求大约会是多少呢？
“我计算过，大约需要十几倍。而且公式计算的只是理论效果，而更大规模的集群，片间互联的损失肯定也会更大，实际效果只会更差。”
孙博很是热情，只要不涉及他自己工作的机密和核心，只要他在的时候，那几乎是有问必答的。
纪弘也正好翻看到这儿，他没有过多的惊讶，片间互联损失这一块儿本身就不好解决，要不然超大规模智算中心也不至于这么稀有了——河州大学搞的那个还是纯国产第一例。
“按你这么说，微软这孤注一掷的效果，不一定会好啊！”有人这么回了一句。
“效果不好是一定的，花费两倍的价格，可能能得到1.5倍的性能，最多也就如此了，想要赶上耳语的能力，我觉得不大行。
“其实OpenAI自己肯定也清楚，GPT4乃至后续没有发布的4.5版本，之所以没这么堆规模，就是在卡能效比的两个节点。
“再堆规模下去，性价比会越来越低不高。但现在不是被耳语逼的没办法了吗？”
孙博本就是研究前沿理论的，现有模型的理论上限他清楚的很，哪个算力节点卡一下性价比最高他大约也都清楚。
到了一定程度，盲目的加规模肯定得不偿失。除非迫不得已，一般不会这么干的。
纪弘一边看着孙博的回复，一边分析这个人，越分析越是感兴趣了——这是一个有真材实料的理论家。
“如果能挖来卷耳科技，将会是一个巨大的臂助。”
……
纪弘在念叨孙博的时候，孙博也在念叨他——起因就是纪弘发的那个私信。
“最优化理论的一个分支，目的是为了解决大模型之间交流的问题，这人该不会是卷耳智能科技的创始人纪弘吧？”
孙博看了好一会儿，想到了纪弘在河州大学采访时说的一个两个三个多个模型串联得出更精准更切合先说你的结果，那些话。
“这是实现AGI通用人工智能的一个思路吗？”
孙博看的有些迷，是因为很多关键点纪弘都给他略去了，但大致的框架还在，他知道这东西在解决什么问题。
事实上，他本人也在研究这个。
“但是，大模型之间的交流是以数据和信息为载体的，通常来说，交流只是扩大了信息量。”
比如可以利用一个大模型的数据去快速的训练另