也有不同的摩尔定律。可能每N个⽉，模型的参数数量翻⼀倍，那N个⽉后模型算⼒也要翻⼀倍，每N 个⽉你的能实现可⽤的这个场景数量，它应该翻⼀倍。 我们认为其实现在最关键的其实应该是这个定律，这是通往AGI⾮常必要的路。它不应该是⼀个线性的 增⻓，它应该是⼀个指数的增⻓。 它不应该是蛮⼒的⽤传统的AI⽅式实现，⽐如以前传统的AI系统，⼤家会做的事情就是把这个系统拆解 成很多个⼩问题，⽐如1万个AI问题，每个AI问题是单独去收集数据。但这个是不可规模化的，很难实 作为 驱动，天⽣就具有
super
app
的基因。
杨植麟：总结得特别好，补充⼀点就是，即使技术上很通⽤，肯定也是要从⼀部分的场景开始，然后 去不断的泛化，⽽且泛化的速度可能是指数级⽽不是线性的。 张鹏：今天很流⾏聊AI
Native
的概念，但是好像没有特别精准的定义。以前我们开发产品，⼀般是有 明确的⽬标下，产品经理、前端、后端彼此配合，按照周期去迭代交付，观察⽤⼾数据进⾏
A/B
更多的数据、更多的参数后，模型的
training
loss
会发⽣怎样的变化，这是之前标准的
scaling
law
的 说法。 但最终，其实最重要的指标，是场景的摩尔定律，有多少场景达到可⽤？它必须是指数上升的过程， 不能是线性的，每
n
个⽉翻⼀倍，就是指数上升的，不能再⽤传统
AI
的⽅式，每次加⼀个场景，每次 加⼀个数据，让它在这个场景上
work，那样的话就永远⽆法⽤指数的办法上升。
我觉得这个点是很关键的，