10月底，有168年歷史的美國《大西洋月刊》發(fā)布了一篇文章，題為《人工智能的崩盤將如何發(fā)生》，作者為Matteo Wong和Charlie Warzel。

文章中描繪了一幅可怕的景象：

首先，是美國正在成為一個“英偉達國家”，近些年美國經濟的繁榮，有92%都是由注入人工智能的巨額資金驅動的。

其次，這個天文數字般的資金，僅僅只是在不同的巨頭之間“空轉”，制造繁榮的假象。

在作者看來，無論人工智能在未來成功還是失敗，都將引來巨大的動蕩。

要么是一個不需要人類的未來，人類失去工資，僅靠銀行里的余額生活。要么是一個史無前例的巨大泡沫。

人工智能，是近幾年來全球經濟最大的“宏大敘事”，算力成本的瘋漲，數據中心建設的巨額投資，為人類是上最大規(guī)模的資金空轉提供了信用背書。

半個世界的資本在下注，如滾雪球一般的擴大這個敘事，為了規(guī)模而追求規(guī)模，如同一場21世紀的大躍進。

那么，這個敘事崩盤的導火索，會在哪里呢？

十倍之差

11月6日，月之暗面發(fā)布了新一代模型“Kimi K2 Thinking”。除了它的性能，可以比肩一眾美國前沿的AI模型，引發(fā)了熱議外，還因為同時曝出的這款新模型的訓練成本——460萬美元，更是掀起了新的討論熱潮。這比年初DeepSeekV3披露的訓練成本560萬美元，還要更低。

在美國，一個大型AI大語言模型的訓練成本，動輒要花幾千萬美元、幾億算力小時，與中國最成功的AI大語言模型相比，成本往往能相差近10倍左右。

比如Kimi K2 Thinking這460萬美元的訓練成本，就僅相當于GPT-4訓練成本的8%。

但在性能上，Kimi K2 Thinking、DeepSeekV3可一點也不弱，雖然比OpenAI的GPT確實要差點，但也沒像成本那樣差出近10倍。

以Kimi K2 Thinking為例，它在Humanity‘s Last Exam、BrowseComp等部分權威基準測試中，取得了媲美甚至超越GPT-5和Claude 4.5等頂級模型的表現。

雖然，月之暗面創(chuàng)始團隊最近有出面回應：“460萬美元不是官方數據。訓練成本很難計算，因為其中很大一部分用于研究和實驗?！钡@依然沒有否認一個事實，中國最好的AI大語言模型訓練成本，相比美國要低出一個數量級。

就在Kimi K2 Thinking發(fā)布后兩天，甲骨文宣布達成了一筆高達180億美元的數據中心融資交易。而在今年8月，OpenAI的CEO奧特曼則宣布，未來公司將投入數萬億美元夯實AI基建。

CNBC預計，到2027年，美國將在數據中心上投入近7000億美元，而相比之下，中國一眾AI玩家，包括阿里巴巴、騰訊、字節(jié)跳動和百度，合計預期投入不到800億美元?！獌烧呦嗖罹嘟?0倍，這和我們前面說到的中美兩國AI模型訓練成本的差距相當。

所以這就有個問題，為什么中美兩國AI大語言模型的成本會相差那么多，以及這到底意味著什么？

錢都花哪了

DeepSeekV3出現時，包括馬斯克、奧特曼在內，美國的AI界基本是不相信的，要么認為中國的團隊在訓練成本數據上造了假，要么認為DeepSeekV3玩“蒸餾”，或者技術上剽竊了美國，從而降低了成本。

直到DeepSeekV3團隊，將一篇又一篇的原創(chuàng)論文共享出來，并逐步分享自己的訓練方法，才逐漸讓美國那邊的專家和CEO們一個個啞口無言、目瞪口呆。

這次，Kimi K2 Thinking的發(fā)布，被認為是又一次“DeepSeek時刻”。它也某種程度上，進一步坐實了中美在生產同等性能的大語言模型時的成本差距。

所以Kimi K2 Thinking發(fā)布后，優(yōu)秀的性能得到迅速認可的同時，已沒有人再去質疑它的數據是否造假，以及技術上是否投機取巧了。

相反，大部分美國AI界從業(yè)者、投資者，已經直接或間接承認，美國AI大語言模型訓練成本虛高。也就是說，現在美國AI界已有共識，是自己的成本控制有問題。

只不過，這問題是怎么形成的，又該如何解決，目前還沒有個統一的答案，但顯然，靠詆毀和污蔑中國這個對手，是行不通了。

比如，Hugging Face聯合創(chuàng)始人Thomas Wolf 發(fā)出靈魂拷問：“我們是否每隔幾個月就要經歷一次‘DeepSeek 時刻’？”他也坦誠：“Kimi K2 Thinking發(fā)布后，已成為該平臺上最受開發(fā)者歡迎的模型。”

那么，如果承認美國AI模型訓練成本確實過高，那就有必要搞清楚，那些多出來的錢都花在哪了？我們來簡單捋一捋吧。

首先，美國AI模型訓練成本，最大的一塊支出，明眼人都看得出來，就是GPU/TPU集群、服務器、網絡設備等硬件的巨額投入。

以英偉達A100 GPU為例，單塊售價約0.6-1.1萬美元，而訓練GPT-4模型用了超過2.5萬塊GPU，如果全部采用采購而非租賃模式，光GPU采購成本就超過2.5億美元。

這還沒算配套服務器，一般每臺服務器搭載8塊A100 GPU，每臺服務器成本約20萬到30萬美元，我們取個中位數25萬美元/臺，訓練GPT-4就需要3125臺服務器，約7.81億美元。

另外為了連接3125臺服務器進行協同計算，需要超高速的InfiniBand網絡設備（交換機、線纜等）。這部分成本可能達到數千萬至一億美元，訓練GPT-4估算為 $7500萬美元。

所以訓練GPT-4總的硬件成本是GPU成本+服務器成本+網絡成本，簡單算一下吧：2.5億美元+7.81億美元+0.75億美元=11.06 億美元。

當然，OpenAI的GPT-4采用云服務租賃模式，硬件購買成本主要由微軟承擔，截至目前，微軟持有OpenAI約27%股份。

Meta為了訓練Llama 4，采購了35萬枚H100芯片，即使考慮大宗購買優(yōu)惠，這也是一筆數十億美元的支出。H100芯片比A100芯片更優(yōu)，當然也更貴，大約為2.5萬到4.5萬美元/張。

更要命的，是現在硬件更新迭代非?？?。AI芯片的生命周期僅2-3年（如V100→A100→H100），而大模型訓練周期常?？缭接布Q代周期，導致設備提前報廢率超過40%。

最近就連微軟的CEO納德拉也抱怨，公司現在囤積了成堆的GPU芯片，卻因為缺電、缺空間，只能閑置在機房里。所以很有可能，大量GPU芯片還沒來得用，就過時了。

要知道，微軟是OpenAI的金主，主打一個不差錢?？涩F在，面對像流水一樣狂泄不止的訓練成本，也開始有點肉疼了。

其次，電耗成本下不來。

大模型訓練是名副其實的"耗電巨獸"。以GPT-4類模型為例，其完整訓練周期的能耗約為700-1000 MWh，相當于約10000戶美國家庭一個月的用電量，直接電力成本約10-15萬美元。

GPT-3單次訓練耗電1.287GWh，相當于120個美國家庭年用電量。

耗電意味著發(fā)熱，所以又要冷卻，而冷卻系統能耗同樣驚人。實際上，冷卻系統能耗，占整個數據中心總電費的約40%。冷卻需要淡水，微軟數據中心訓練GPT-3直接耗水約70萬升，相當于40000人一天的飲水量。

為了冷卻，Meta將數據中心設在北極圈附近，微軟嘗試過海底數據中心?！覀儑椰F在有“東數西算”工程，就是將數據中心布局在氣候涼爽、清潔能源豐富的西部地區(qū)，比如貴州。總之，一冷一熱都是錢。

再者，是訓練數據成本也很高。

訓練AI模型，需要大量“投喂”內容數據?？蓴祿?，并不是免費的，尤其是優(yōu)質內容數據。而這也就是為何，像《華盛頓郵報》《紐約時報》都說要告包括OpenAI在內的一眾AI公司，原因就是他們偷了人家記者辛辛苦苦花了巨大成本撰寫的優(yōu)質內容。

而且，英文互聯網上高質量、無重復、合規(guī)可用的文本數據總量約為3-5萬億詞元，而當前AI大模型的訓練已使用了其中大部分。這就又出現了"數據枯竭"現象，導致每增加一單位優(yōu)質數據的邊際成本呈指數級增長，高質量專業(yè)領域數據的獲取成本已從2020年的每百萬詞元5-10美元上升至2024年的50-100美元，增幅達10倍。

數據成本，還有一塊是數據標注成本。數據標注就像是教AI認世界的“家庭教師”。它通過給原始數據貼上各種標簽，讓AI模型能夠理解和學習這些數據，從而變得“聰明”起來，通常包括數據集設計、數據清洗、標注、質量檢驗等多個環(huán)節(jié)。

可以簡單理解為，人工智能也不能自己吃飯長大，有些飯，還得靠專家先“嚼爛”了喂給它。

以人類反饋強化學習（RLHF）為例，高質量的偏好對比數據集構建，通常需要專業(yè)知識和嚴格質控，平均標注成本為每條對比數據2-5美元。

ChatGPT訓練過程中使用的人類反饋數據集成本，估計超過700萬美元，占其初期訓練總成本的12-15%。不便宜了。

還有，AI人才成本也高得離譜。

OpenAI頂級研究員年薪達200-300萬美元，超過華爾街投行MD薪資水平。谷歌DeepMind團隊人均研發(fā)成本120萬美元/年。

就這么貴了，AI界的人才，各大公司還頻頻開出天價工資搶著要。而這種軍備競賽式的人才儲備，更進一步推高了人才成本。

比如，為了得到24歲AI研究員馬特·戴特克，Meta開出4年2.5億美元的薪酬包，其中首年1億美元。還有蘋果基礎模型負責人龐若鳴，也被Meta開出的2億美元的薪酬包挖走。2025年6-7月，Meta還從OpenAI挖走至少11名核心研究人員，包括多名華人科學家，并為部分研究員提供1億美元簽約獎金，并提出可達3億美元的四年總薪酬包。

除了上述顯而易見的成本外，其實AI模型訓練，試錯成本也不容忽視，據說大模型訓練失敗率約為35-50%，單次超參數調優(yōu)實驗消耗可達50-100萬美元。

另外，現在全球范圍內對于模型訓練數據都很敏感，所以要獲取的話，還得符合當地的法律法規(guī)，為合理合法獲取、存儲和處理數據，就需要花費額外成本，而且并以為這是小數目，據麥肯錫全球研究院估計，完整的數據合規(guī)體系建設與維護成本已占大型AI項目總成本的8-12%，且這一比例仍在上升。

總之，睜眼閉眼都是錢錢錢。

目前來看，AI模型昂貴的訓練成本，一時半會下不來就算了，在未來可見的范圍內，甚至還會呈幾何數增長。

比如Anthropic CEO就預測，他們公司目前正在訓練的模型成本接近10億美元，但到2026年，這一成本可能飆升至50億或100億美元。未來三年內，AI模型的訓練成本可能達到1000億美元。

到時候，一般的小公司就別想著玩了。甚至，一般的小國也別想玩了。

——前段時間，黃仁勛跑去韓國推銷AI芯片，而韓國人也很興奮，各種歐巴、拍照又喝交杯酒啥的。但很多人給他算過，就按目前AI大語言訓練所需要的電力規(guī)模來看，如果真要搞，得花掉韓國整個國家1/10的電力。而且我們都知道，電力系統建了就要用，否則就浪費了。而AI訓練的電力系統可不是一直開著的。換句話說，電力系統的沉沒成本非常高。所以總的來說，韓國人除非日子不想過了，才會去搞這玩意。

黃仁勛為啥老是憂心忡忡丟掉中國市場？因為老黃心里明白，AI這東西，大概率，未來也就中美兩國玩得起。

前段時間，他的一些話，弄得特朗普政府某些人有點不高興了。因為英國《金融時報》AI未來峰會上，他說"中國將贏得人工智能競賽"。

他為什么要說這話？他的說法，是西方現行的技術封鎖，只會“刺激中國的創(chuàng)新和規(guī)?！?。當然更重要的理由，他還是擔心美國的政策，阻礙他獲取中國市場。

不過他的話對特朗普政府沒啥用。他過去用了各種夸張的語言贊美特朗普，也沒用。特朗普就相信禁止最先進芯片對華出口，就能拖住中國AI產業(yè)的發(fā)展。

成本為啥降不下來？

美國是個資本主義國家，有非常成熟的市場競爭機制，按理，成本高了，就一定會降下來的，但為什么AI大模型訓練成本遲遲降不下來呢？

我們再簡單算算。

美國AI大模型訓練成本如此之高，跟AI所獲得的收益，是極其不匹配的。

以OpenAI為例，上半年營收43億美元，比2024年全年高出約16%，預計全年營收將達130億美元，但預計的凈虧損卻將超過200-250億美元。現在不賺錢倒沒事。據說他們內部算過，到2029年，OpenAI實現盈虧平衡，2030年起產生正向現金流，屆時年收入目標2000億美元。

但就這點收入，奧特曼卻承諾，OpenAI的目標是到2033年確保250吉瓦的電力供應，總投資額約1.4萬億美元。為什么要這么承諾呢？因為沒電，就沒法訓練AI大模型，而沒法訓練AI大模型，未來的收入預期就沒法實現。

1.4萬億美元、250吉瓦，咱也不知道這算不算“畫大餅”，但有幾個數據可以對比下：

——奧特曼這個承諾，相當于在8年內將美國能源需求提升125倍，而這將超過印度目前的電力消耗量。

以2024年為例，中國去年新增發(fā)電容量429吉瓦，而美國僅新增51吉瓦。

所以中美電力差距不是縮小，是不斷拉大的。而奧特曼也急，OpenAI向白宮科技政策辦公室提交的一份長達11頁的文件就鼓勵美國政府每年建設100吉瓦的能源產能，也就是說將現在每年新增電力提高一倍。

根據美國能源信息署數據，10吉瓦大約相當于800萬美國家庭一年的用電量。所以如果按奧特曼那種電力提升速度的搞法，這算不算我們經常說的“大躍進”呢？大家可以自己去判斷。

但電力基礎設施跟不上，因為規(guī)模太大，本就一身債的美國政府必然有心無力，尤其像特朗普政府還不樂意去增加風、太陽能等新能源投資，依賴石化能源，那這塊成本也就只能私企自己去承擔了。

——為什么AI大模型訓練成本如此之高，可私企總是沒辦法降下來，其實電力基礎設施是最為核心的一點。

相對而言，中國的電力基礎設施是比較完善和充足的。

根據國家能源局發(fā)布的數據，2025年上半年中國新增發(fā)電裝機容量達2.93億千瓦，其中可再生能源新增裝機2.68億千瓦，同比增長99.3%，約占新增裝機的91.5%。這是什么概念呢？根據最新數據，日本的總發(fā)電裝機容量約為3億多千瓦。所以中國2025年上半年新增的裝機容量，幾乎就相當于新增了一個日本規(guī)模的電力系統。充足的電力基礎設施，可以充分滿足企業(yè)用電，這塊成本將大大降低。

除了基礎設施成本外，美國AI私企成本降不下來，還有一個原因，是他們的AI市場，還真不是傳統意義上的充分競爭市場，其實現在，也就頭部那幾家企業(yè)在玩。

尤其是AI芯片，英偉達具有絕對主導地位，在全球AI芯片市場的份額超過80%，在高端AI訓練芯片領域更是達到90%以上。

而且，英偉達通過CUDA軟件生態(tài)，積累超過400萬開發(fā)者、2000個合作伙伴及1.5萬個優(yōu)化應用，形成了"開發(fā)者-軟件-硬件"的閉環(huán)。

這也就是為何，AI企業(yè)的GPU/TPU集群的投入會居高不下。根據哈佛商學院的研究，這塊的市場壟斷導致了高達40-60%的超額利潤，這部分利潤實質上是從AI創(chuàng)新主體向硬件供應商的價值轉移。

而且，AI芯片貴了，用的起的企業(yè)就少了，這又創(chuàng)造出一道只有巨頭才能跨越的"算力鴻溝"。所以目前，美國也就只有谷歌、微軟、OpenAI等少數幾家公司擁有足夠的資金與技術實力開發(fā)前沿大模型，這導致市場進一步呈現高度集中態(tài)勢。

初創(chuàng)企業(yè)難以與巨頭競爭，被迫轉向應用層或細分市場，未來或有突破的，但目前是沒看到可以與上述原本就是互聯網“寡頭”對著干的。所以你說AI是一次技術革命，這可能不假，但大家也發(fā)現了，并沒有什么新玩家出現?！@跟當年互聯網百花齊放的態(tài)勢，是完全不一樣的。

基礎設施、壟斷，導致企業(yè)成本下不來，這都是客觀上，還有一個主觀原因，是現在美國AI研發(fā)，還有一種“軍備競賽”的風氣。這是因為，大家都怕落在別人后面，都怕錯過一個時代。

像我們上面提到的AI企業(yè)在搶奪人才時的投入上的競賽，就是這方面的表現。其實各大企業(yè)不止搶人才，還搶著囤積英偉達的芯片呢？微軟CEO為何說有限芯片放倉庫里吃灰呢？有一部分原因，就是大家搶性能最好的芯片，就跟某些人搶拉布布一樣。

美國科技巨頭在AI領域的投入已經達到了萬億美元級別。2025年，僅微軟、亞馬遜、谷歌和Meta這四家公司的AI資本支出就預計達到近4000億美元。

就這樣投入，各大科技公司還覺得不夠呢?，F在美國這些企業(yè)的共識是，更大的風險不是過度投資，是支出不足。扎克伯格就說過："如果為實現AI AGI而投入的資金數額上判斷失誤，所要做的也無非就是進行調整。"

可以預料，未來各大AI企業(yè)的投入是會越來越高的，而且“越高就越光榮”的氛圍也有了。就像某些貴婦去時尚名品店購物，只買貴的，越貴越好。

所以現在的情況是這樣的，美國在干AI，而AI也在干美國。未來，誰把誰干倒，還說不準。國運之戰(zhàn)。

作者：肖申克，藍鉆故事主筆