“长期的话，倒不是有上限，真要有魄力不计成本无限制的去堆积算力，理论上是真的能够获得无限制的性能提升的。
“但也仅仅只是理论上，这里边有一个巨大的问题，根据我的研究，它的增长不是线性的。
“我大约计算过，实际的增长曲线就不说了，很复杂，但大约可以简化为这个函数：y=c·log（e）·（X+1）。
“这里边y指的是性能，X你们就姑且理解为算力堆积的基本单位，大约趋势如下图。”
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。