Gavin Baker指出，Gemini 3的发布证明大模型的扩展定律（Scaling Law）依然有效。

周二，资深科技投资者Gavin Baker在最近的播客访谈中指出，谷歌Gemini 3模型的推出验证了即使在硬件算力受限的窗口期，AI仍能通过新的推理机制实现能力跃升。

他强调若非模型推理能力的及时涌现，全球AI产业本将在2024年中期至Gemini 3发布期间陷入完全停滞。由于英伟达下一代芯片Blackwell面临科技史上最复杂的产品过渡与延迟，这一硬件算力的“断档期”本极有可能引发资本市场的剧烈动荡。

Baker指出，在过去几个月没有真正下一代算力上线的情况下，AI的进步主要依赖于两类新方法：一是带有验证奖励的强化学习（Reinforcement Learning with Verified Rewards），二是测试时计算（Test Time Compute）。

他认为，正是这两项技术让模型在现有硬件上实现了智能水平的显著提升，从而支撑了当前科技股的高估值。

预训练定律的存亡时刻

关于预训练Scaling Law，Baker强调，Gemini 3的发布具有里程碑意义，因为它明确证实了该定律仍然有效。

在此之前，没有人能从原理上完全解释为何Scaling Law会起作用，它更多是一种类似古埃及人观测天象的“经验观察”——虽然能够精确测量金字塔轴线与星象的对齐，却并不理解背后的轨道力学。

对于投资者而言，每一次对Scaling Law的确认都至关重要。如果这一经验定律失效，意味着海量的资本支出将无法转化为更强的智能表现。

Gemini 3证明了即便在现有硬件架构下，通过增加算力和数据，模型基座的能力依然在提升。但Baker同时指出，仅靠预训练阶段的Scaling Law，并不能解释过去半年的市场繁荣。

事实上，如果AI进步仅仅依赖于硬件算力的预训练堆叠，那么从2024年中期开始，行业将面临长达18个月的“真空期”。

两大新定律拯救市场

让全球市场躲过这一劫的，是“推理”能力的出现。

Baker引用ARC AGI基准测试数据指出，AI智能水平在过去四年里仅从0进展到8%，但在OpenAI推出首个具备推理能力的模型后，短短三个月内就从8%飙升至95%。

这一飞跃源于两条新的Scaling Law：

• 带有验证奖励的强化学习（RL with Verified Rewards）： 正如Andre Karpathy所言，“凡是能被验证的，就能被自动化”。只要有明确的对错结果，AI就能通过强化学习自我进化。

• 测试时计算（Test Time Compute）： 让模型在回答问题前“思考”更长时间，通过消耗更多的推理算力来换取更高的智能表现。

这两大定律在英伟达Blackwell缺席的情况下，强行延续了摩尔定律般的增长。它们不仅填补了硬件迭代的空窗期，更重要的是，这些定律具有乘数效应。

最后，Baker强调，AI已跨越单纯依赖堆砌显卡的增长瓶颈，进入通过逻辑推理与验证实现价值跃升的新阶段。 他预计，未来当这些新Scaling Law运行在性能更强的Blackwell基座模型之上时，AI能力将迎来再一次爆发。