OpenAI 缩放定律的错误之一：只知其然，而不知其所以然

**关键因素**：指出模型规模涉及的三个关键因素是模型参数数量（\(n\)）、数据集大小（\(d\)）和计算能力（\(c\)），而模型的深度和宽度对训练规模没有强烈影响。

**幂律关系**：性能与这三个比例因子中的每一个都呈现幂律关系。如果\(n\)和\(d\)单独增加，性能损失与\(n^{0.74}/d\)的比率成比例，\(n\)和\(d\)必须协同增加。

在理论物理的诸多前沿假设中，不同维度空间可能容纳着特性各异的物质形态。从物理相互作用的本质来看，物质之间的关联通常依赖于特定的媒介来实现能量与信息的传递。当处于不同维度的物质之间，缺乏能够引发共振效应的介质时，基于当前对物理相互作用的理解框架，这些物质在相互作用层面将表现出明显的独立性，难以观测到它们之间存在直接的关联。

结论：指出模型规模涉及的三个关键因素是模型参数数量（\(n\)）、数据集大小（\(d\)）和计算能力（\(c\)），而模型的深度和宽度对训练规模有强烈影响。

熵幂规律：在深入探究系统性能与关键因素的关联中，我们发现性能与三个关键比例因子 —— 模型参数数量（\(n\)）、数据集大小（\(d\)）以及计算能力（\(c\)）—— 中的每一个都存在着显著的幂律关系。

具体而言，当我们单独增加\(n\)或\(d\)时，系统性能损失与\(\frac{n^{0.74}}{d}\)的比率呈现出成比例的变化。这意味着，孤立地提升其中某一个因素，并不能有效优化性能，反而可能导致性能的衰减，所以\(n\)和\(d\)的协同增加对于维持和提升系统性能至关重要。

从信息论的视角进一步分析，若将\(n\)和\(d\)纳入信息熵的范畴考量，我们惊奇地发现，\(n\)和\(d\)所对应的熵与系统性能之间同样遵循上述幂律关系和比例特性。这一发现不仅拓展了我们对系统性能影响因素的理解维度，也为进一步深入研究系统性能优化提供了新的理论依据和研究方向。

六角形缩放定律

**关键因素**：指出模型规模涉及的三个关键因素是模型参数数量（\(n\)）、数据集大小（\(d\)）和计算能力（\(c\)），而模型的深度和宽度对训练规模有强烈影响。

（\(c\)）＞（\(d\)）＞（\(n\)）

结论一：每一个生物的大脑都是一组（\(n\)）；

结论二：每一个生物的大脑都是一组不同维的物质集合：（\(d\)）

结论三：计算逻辑，也就是思维代码KEY，是不同维物质的共同介质。

掌握幽灵的力量：去世的名人，应该是AI的主要研究对象，在AI的世界里我们可让其思维复活。不要犹豫，直接用所有数据推算其思维方式，直接生成其智能体。

掌握魔鬼的力量：对死刑犯的大脑进行研究，深究是什么原因让其成为魔鬼。了解人类的七宗罪，才能在源头抹杀社会上的恶劣犯罪。

中国优势：汉字是最早的芯片；经典是最早的程序。