Scaling Law是理解AI算力需求增长的核心钥匙。2020年OpenAI发布的《Scaling Laws for Neural Language Models》揭示了模型性能与参数量、数据集大小、训练计算量之间的幂律关系。Epoch AI研究表明，过去多年大模型训练端以每年4-5倍速度提升，预计到2030年至少还有1000倍提升空间。训练算力C≈6NBS、推理算力C≈2NBS——参数量的指数级增长直接推动算力需求爆发。英伟达CEO黄仁勋指出，OpenAI o1模型的"测试时间扩展"代表新的扩展定律，推理侧算力需求将成为更广阔的增量市场。

Scaling Law是AGI领域最核心的经验法则。OpenAI通过大量实验发现，神经语言模型性能与模型参数量(N)、数据集大小(D)和训练计算量(C)之间存在幂律关系：L ≈ (C/C₀)^(-α)，其中α约为0.05-0.1。这意味着模型规模扩大时，性能会以可预测的方式提升，这为研究人员提供了明确的规模扩张路径。但Scaling Law也面临数据瓶颈——高质量数据获取难度持续增加，田渊栋指出"模型离人类越近就越难获得新的数据"。英伟达CEO黄仁勋在财报电话会上强调，"基础模型预训练的Scaling仍然有效"，同时o1模型的"测试时间扩展"成为"最令人兴奋的发展之一"和"新的扩展定律"。算力需求测算方面，OpenAI给出了经验公式：训练算力C≈6NBS（N为参数量、B为token批量、S为迭代次数），推理算力C≈2NBS。以GPT-3为例，1750亿参数、3000亿token训练量，所需算力约3.14×10²³ FLOPs。当模型参数从千亿级迈向万亿级，算力需求将呈现数量级的跃升。

大模型算力需求包含训练和推理两大部分，两者驱动因素不同但同等重要。训练端，Scaling Law驱动模型参数量持续扩大——从GPT-1的1.17亿到GPT-3的1750亿再到传闻中GPT-4的1.8万亿参数，训练算力需求在短短数年内增长了数万倍。Epoch AI预测，到2030年大模型至少还有1000倍算力提升空间。推理端则是更广阔的增量市场。英伟达2024财年数据中心业务中推理营收占比约40%，IDC预测到2027年中国人工智能服务器推理工作负载将达72.6%。OpenAI o1模型展示了"推理时扩展"的新范式——模型通过强化学习在生成输出前进行"思考"，准确率从88%提升到96%，但成本增加了约100倍。微软CEO纳德拉指出，"出现了测试时计算的新缩放定律"。AI应用的爆发式增长驱动推理算力需求——2024年10月微软Copilot环比增长87.57%，Perplexity增长25.53%，大模型API调用量明显上台阶。IDC预测2022-2027年中国智能算力规模年复合增长率达47.1%，远高于通用算力的16.8%。

海外CSP厂商已形成"AI投资→业务增长→加大投资"的正向循环。微软、谷歌、Meta等最新财报均展现AI带来的经济回报——微软Copilot企业客户环比增长55%，谷歌AI搜索MAU超10亿且货币化率与传统业务持平，Meta超100万广告主使用GenAI工具。2024年Q3四大CSP合计资本开支达588.6亿美元，同比增长59%。博通上调2024财年AI收入预期至120亿美元，Marvell AI定制芯片销售额同比翻倍至11亿美元。主权AI正成为新的增长极——英伟达预计2024年主权AI业务将带来近100亿美元营收，而2023年该业务收入为零。日本政府向软银等三家电信运营商投资7.4亿美元建立主权AI，印度政府和大型企业进行多个超10亿美元的英伟达AI芯片采购计划。据不完全统计，与英伟达进行主权AI合作的国家包括新加坡、印度、印度尼西亚、马来西亚、日本、德国、法国、荷兰、阿联酋、沙特阿拉伯等。

表2：Scaling Law训练与推理算力需求测算公式

场景	算力公式	变量说明
训练算力	C≈6NBS	N=参数量，B=token批量，S=迭代次数
推理算力	C≈2NBS	N=参数量，B=token总量，S=峰值倍数