史上最大泡沫正在失控？

10月底，有168年历史的美国《大西洋月刊》发布了一篇文章，题为《人工智能的崩盘将如何发生》，作者为Matteo Wong和Charlie Warzel。

首先，是美国正在成为一个“英伟达国家”，近些年美国经济的繁荣，有92%都是由注入人工智能的巨额资金驱动的。

要么是一个不需要人类的未来，人类失去工资，仅靠银行里的余额生活。要么是一个史无前例的巨大泡沫。

人工智能，是近几年来全球经济最大的“宏大叙事”，算力成本的疯涨，数据中心建设的巨额投资，为人类是上最大规模的资金空转提供了信用背书。

半个世界的资本在下注，如滚雪球一般的扩大这个叙事，为了规模而追求规模，如同一场21世纪的。

与此同时，巴菲特的持仓降到了历史低点，日本首富孙正义清空了英伟达的股票。近年来风头极劲的“硅谷风投教父”彼得·蒂尔也在7-9月卖光了英伟达的全部持股。

11月6日，月之暗面发布了新一代模型“Kimi K2 Thinking”。除了它的性能，可以比肩一众美国前沿的AI模型，引发了热议外，还因为同时曝出的这款新模型的训练成本——460万美元，更是掀起了新的讨论热潮。这比年初DeepSeekV3披露的训练成本560万美元，还要更低。

在美国，一个大型AI大语言模型的训练成本，动辄要花几千万美元、几亿算力小时，与中国最成功的AI大语言模型相比，成本往往能相差近10倍左右。

虽然，月之暗面创始团队最近有出面回应：“460万美元不是官方数据。训练成本很难计算，因为其中很大一部分用于研究和实验。”但这依然没有否认一个事实，中国最好的AI大语言模型训练成本，相比美国要低出一个数量级。

就在Kimi K2 Thinking发布后两天，甲骨文宣布达成了一笔高达180亿美元的数据中心融资交易。而在今年8月，OpenAI的CEO奥特曼则宣布，未来公司将投入数万亿美元夯实AI基建。

CNBC预计，到2027年，美国将在数据中心上投入近7000亿美元，而相比之下，中国一众AI玩家，包括阿里巴巴、腾讯、字节跳动和百度，合计预期投入不到800亿美元。——两者相差距近10倍，这和我们前面说到的中美两国AI模型训练成本的差距相当。

DeepSeekV3出现时，包括马斯克、奥特曼在内，美国的AI界基本是不相信的，要么认为中国的团队在训练成本数据上造了假，要么认为DeepSeekV3玩“蒸馏”，或者技术上剽窃了美国，从而降低了成本。

直到DeepSeekV3团队，将一篇又一篇的原创论文共享出来，并逐步分享自己的训练方法，才逐渐让美国那边的专家和CEO们一个个哑口无言、目瞪口呆。

这次，Kimi K2 Thinking的发布，被认为是又一次“DeepSeek时刻”。它也某种程度上，进一步坐实了中美在生产同等性能的大语言模型时的成本差距。

所以Kimi K2 Thinking发布后，优秀的性能得到迅速认可的同时，已没有人再去质疑它的数据是否造假，以及技术上是否投机取巧了。

相反，大部分美国AI界从业者、投资者，已经直接或间接承认，美国AI大语言模型训练成本虚高。也就是说，现在美国AI界已有共识，是自己的成本控制有问题。

只不过，这问题是怎么形成的，又该如何解决，目前还没有个统一的答案，但显然，靠诋毁和污蔑中国这个对手，是行不通了。

比如，Hugging Face联合创始人Thomas Wolf 发出灵魂拷问：“我们是否每隔几个月就要经历一次‘DeepSeek 时刻’？”他也坦诚：“Kimi K2 Thinking发布后，已成为该平台上最受开发者欢迎的模型。”

那么，如果承认美国AI模型训练成本确实过高，那就有必要搞清楚，那些多出来的钱都花在哪了？我们来简单捋一捋吧。

首先，美国AI模型训练成本，最大的一块支出，明眼人都看得出来，就是GPU/TPU集群、服务器、网络设备等硬件的巨额投入。

以英伟达A100 GPU为例，单块售价约0.6-1.1万美元，而训练GPT-4模型用了超过2.5万块GPU，如果全部采用采购而非租赁模式，光GPU采购成本就超过2.5亿美元。

这还没算配套服务器，一般每台服务器搭载8块A100 GPU，每台服务器成本约20万到30万美元，我们取个中位数25万美元/台，训练GPT-4就需要3125台服务器，约7.81亿美元。

另外为了连接3125台服务器进行协同计算，需要超高速的InfiniBand网络设备（交换机、线缆等）。这部分成本可能达到数千万至一亿美元，训练GPT-4估算为 $7500万美元。

所以训练GPT-4总的硬件成本是GPU成本+服务器成本+网络成本，简单算一下吧：2.5亿美元+7.81亿美元+0.75亿美元=11.06 亿美元。

当然，OpenAI的GPT-4采用云服务租赁模式，硬件购买成本主要由微软承担，截至目前，微软持有OpenAI约27%股份。

Meta为了训练Llama 4，采购了35万枚H100芯片，即使考虑大宗购买优惠，这也是一笔数十亿美元的支出。H100芯片比A100芯片更优，当然也更贵，大约为2.5万到4.5万美元/张。

更要命的，是现在硬件更新迭代非常快。AI芯片的生命周期仅2-3年（如V100→A100→H100），而大模型训练周期常常跨越硬件换代周期，导致设备提前报废率超过40%。

最近就连微软的CEO纳德拉也抱怨，公司现在囤积了成堆的GPU芯片，却因为缺电、缺空间，只能闲置在机房里。所以很有可能，大量GPU芯片还没来得用，就过时了。

要知道，微软是OpenAI的金主，主打一个不差钱。可现在，面对像流水一样狂泄不止的训练成本，也开始有点肉疼了。

大模型训练是名副其实的耗电巨兽。以GPT-4类模型为例，其完整训练周期的能耗约为700-1000 MWh，相当于约10000户美国家庭一个月的用电量，直接电力成本约10-15万美元。

耗电意味着发热，所以又要冷却，而冷却系统能耗同样惊人。实际上，冷却系统能耗，占整个数据中心总电费的约40%。冷却需要淡水，微软数据中心训练GPT-3直接耗水约70万升，相当于40000人一天的饮水量。

为了冷却，Meta将数据中心设在北极圈附近，微软尝试过海底数据中心。——我们国家现在有“东数西算”工程，就是将数据中心布局在气候凉爽、清洁能源丰富的西部地区，比如贵州。总之，一冷一热都是钱。

训练AI模型，需要大量“投喂”内容数据。可数据，并不是免费的，尤其是优质内容数据。而这也就是为何，像《华盛顿邮报》《纽约时报》都说要告包括OpenAI在内的一众AI公司，原因就是他们偷了人家记者辛辛苦苦花了巨大成本撰写的优质内容。

而且，英文互联网上高质量、无重复、合规可用的文本数据总量约为3-5万亿词元，而当前AI大模型的训练已使用了其中大部分。这就又出现了数据枯竭现象，导致每增加一单位优质数据的边际成本呈指数级增长，高质量专业领域数据的获取成本已从2020年的每百万词元5-10美元上升至2024年的50-100美元，增幅达10倍。

数据成本，还有一块是数据标注成本。数据标注就像是教AI认世界的“家庭教师”。它通过给原始数据贴上各种标签，让AI模型能够理解和学习这些数据，从而变得“聪明”起来，通常包括数据集设计、数据清洗、标注、质量检验等多个环节。

以人类反馈强化学习（RLHF）为例，高质量的偏好对比数据集构建，通常需要专业知识和严格质控，平均标注成本为每条对比数据2-5美元。

ChatGPT训练过程中使用的人类反馈数据集成本，估计超过700万美元，占其初期训练总成本的12-15%。不便宜了。

OpenAI顶级研究员年薪达200-300万美元，超过华尔街投行MD薪资水平。谷歌DeepMind团队人均研发成本120万美元/年。

就这么贵了，AI界的人才，各大公司还频频开出天价工资抢着要。而这种军备竞赛式的人才储备，更进一步推高了人才成本。

比如，为了得到24岁AI研究员马特·戴特克，Meta开出4年2.5亿美元的薪酬包，其中首年1亿美元。还有苹果基础模型负责人庞若鸣，也被Meta开出的2亿美元的薪酬包挖走。2025年6-7月，Meta还从OpenAI挖走至少11名核心研究人员，包括多名华人科学家，并为部分研究员提供1亿美元签约奖金，并提出可达3亿美元的四年总薪酬包。

除了上述显而易见的成本外，其实AI模型训练，试错成本也不容忽视，据说大模型训练失败率约为35-50%，单次超参数调优实验消耗可达50-100万美元。

另外，现在全球范围内对于模型训练数据都很敏感，所以要获取的话，还得符合当地的法律法规，为合理合法获取、存储和处理数据，就需要花费额外成本，而且并以为这是小数目，据麦肯锡全球研究院估计，完整的数据合规体系建设与维护成本已占大型AI项目总成本的8-12%，且这一比例仍在上升。

目前来看，AI模型昂贵的训练成本，一时半会下不来就算了，在未来可见的范围内，甚至还会呈几何数增长。

比如Anthropic CEO就预测，他们公司目前正在训练的模型成本接近10亿美元，但到2026年，这一成本可能飙升至50亿或100亿美元。未来三年内，AI模型的训练成本可能达到1000亿美元。

——前段时间，黄仁勋跑去韩国推销AI芯片，而韩国人也很兴奋，各种欧巴、拍照又喝交杯酒啥的。但很多人给他算过，就按目前AI大语言训练所需要的电力规模来看，如果真要搞，得花掉韩国整个国家1/10的电力。而且我们都知道，电力系统建了就要用，否则就浪费了。而AI训练的电力系统可不是一直开着的。换句话说，电力系统的沉没成本非常高。所以总的来说，韩国人除非日子不想过了，才会去搞这玩意。

黄仁勋为啥老是忧心忡忡丢掉中国市场？因为老黄心里明白，AI这东西，大概率，未来也就中美两国玩得起。

前段时间，他的一些话，弄得特朗普政府某些人有点不高兴了。因为英国《金融时报》AI未来峰会上，他说中国将赢得人工智能竞赛。

他为什么要说这话？他的说法，是西方现行的技术封锁，只会“刺激中国的创新和规模”。当然更重要的理由，他还是担心美国的政策，阻碍他获取中国市场。

不过他的话对特朗普政府没啥用。他过去用了各种夸张的语言赞美特朗普，也没用。特朗普就相信禁止最先进芯片对华出口，就能拖住中国AI产业的发展。

美国是个资本主义国家，有非常成熟的市场竞争机制，按理，成本高了，就一定会降下来的，但为什么AI大模型训练成本迟迟降不下来呢？

以OpenAI为例，上半年营收43亿美元，比2024年全年高出约16%，预计全年营收将达130亿美元，但预计的净亏损却将超过200-250亿美元。现在不赚钱倒没事。据说他们内部算过，到2029年，OpenAI实现盈亏平衡，2030年起产生正向现金流，届时年收入目标2000亿美元。

但就这点收入，奥特曼却承诺，OpenAI的目标是到2033年确保250吉瓦的电力供应，总投资额约1.4万亿美元。为什么要这么承诺呢？因为没电，就没法训练AI大模型，而没法训练AI大模型，未来的收入预期就没法实现。

——奥特曼这个承诺，相当于在8年内将美国能源需求提升125倍，而这将超过印度目前的电力消耗量。

所以中美电力差距不是缩小，是不断拉大的。而奥特曼也急，OpenAI向白宫科技政策办公室提交的一份长达11页的文件就鼓励美国政府每年建设100吉瓦的能源产能，也就是说将现在每年新增电力提高一倍。

根据美国能源信息署数据，10吉瓦大约相当于800万美国家庭一年的用电量。所以如果按奥特曼那种电力提升速度的搞法，这算不算我们经常说的“”呢？大家可以自己去判断。

但电力基础设施跟不上，因为规模太大，本就一身债的美国政府必然有心无力，尤其像特朗普政府还不乐意去增加风、太阳能等新能源投资，依赖石化能源，那这块成本也就只能私企自己去承担了。

——为什么AI大模型训练成本如此之高，可私企总是没办法降下来，其实电力基础设施是最为核心的一点。

根据国家能源局发布的数据，2025年上半年中国新增发电装机容量达2.93亿千瓦，其中可再生能源新增装机2.68亿千瓦，同比增长99.3%，约占新增装机的91.5%。这是什么概念呢？根据最新数据，日本的总发电装机容量约为3亿多千瓦。所以中国2025年上半年新增的装机容量，几乎就相当于新增了一个日本规模的电力系统。充足的电力基础设施，可以充分满足企业用电，这块成本将大大降低。

除了基础设施成本外，美国AI私企成本降不下来，还有一个原因，是他们的AI市场，还真不是传统意义上的充分竞争市场，其实现在，也就头部那几家企业在玩。

尤其是AI芯片，英伟达具有绝对主导地位，在全球AI芯片市场的份额超过80%，在高端AI训练芯片领域更是达到90%以上。

而且，英伟达通过CUDA软件生态，积累超过400万开发者、2000个合作伙伴及1.5万个优化应用，形成了开发者-软件-硬件的闭环。

这也就是为何，AI企业的GPU/TPU集群的投入会居高不下。根据哈佛商学院的研究，这块的市场垄断导致了高达40-60%的超额利润，这部分利润实质上是从AI创新主体向硬件供应商的价值转移。

而且，AI芯片贵了，用的起的企业就少了，这又创造出一道只有巨头才能跨越的算力鸿沟。所以目前，美国也就只有谷歌、微软、OpenAI等少数几家公司拥有足够的资金与技术实力开发前沿大模型，这导致市场进一步呈现高度集中态势。

初创企业难以与巨头竞争，被迫转向应用层或细分市场，未来或有突破的，但目前是没看到可以与上述原本就是互联网“寡头”对着干的。所以你说AI是一次技术革命，这可能不假，但大家也发现了，并没有什么新玩家出现。——这跟当年互联网百花齐放的态势，是完全不一样的。

基础设施、垄断，导致企业成本下不来，这都是客观上，还有一个主观原因，是现在美国AI研发，还有一种“军备竞赛”的风气。这是因为，大家都怕落在别人后面，都怕错过一个时代。

像我们上面提到的AI企业在抢夺人才时的投入上的竞赛，就是这方面的表现。其实各大企业不止抢人才，还抢着囤积英伟达的芯片呢？微软CEO为何说有限芯片放仓库里吃灰呢？有一部分原因，就是大家抢性能最好的芯片，就跟某些人抢拉布布一样。

美国科技巨头在AI领域的投入已经达到了万亿美元级别。2025年，仅微软、亚马逊、谷歌和Meta这四家公司的AI资本支出就预计达到近4000亿美元。

就这样投入，各大科技公司还觉得不够呢。现在美国这些企业的共识是，更大的风险不是过度投资，是支出不足。扎克伯格就说过：如果为实现AI AGI而投入的资金数额上判断失误，所要做的也无非就是进行调整。

可以预料，未来各大AI企业的投入是会越来越高的，而且“越高就越光荣”的氛围也有了。就像某些贵妇去时尚名品店购物，只买贵的，越贵越好。

所以现在的情况是这样的，美国在干AI，而AI也在干美国。未来，谁把谁干倒，还说不准。国运之战。