一个让投资者冒冷汗的数字

2026年，一份来自半导体研究机构SemiAnalysis的报告在AI圈内引发了震动。报告推算：如果按照当前的Scaling Law（模型规模每18个月翻一番），到2030年，训练一个AGI级别的AI模型，算力成本将超过5000亿美元，到2035年可能超过1万亿美元。

1万亿美元是什么概念？这是全球GDP排名第17位的经济体一年的GDP。这是全球所有科技公司年度研发预算总和的3倍。即使是最富有的科技巨头，也无法承受这个成本。

金句：AGI可能不是"技术问题"，而是"钱的问题"——我们可能在技术上已经知道如何实现AGI，但经济上负担不起。

算力成本的三个"倍增器"

训练大模型的成本，由三个因素决定：模型参数规模、训练数据规模、计算效率。这三个因素都在"指数级增长"。

模型参数规模：GPT-1（2018年）有1.17亿参数。GPT-3（2020年）有1750亿参数。GPT-4（2023年）据估计有1.8万亿参数。GPT-5（2026年）据估计有超过10万亿参数。每代模型的参数规模增长约10倍，训练算力需求增长约100倍。

训练数据规模：GPT-3训练使用了约570GB的文本数据。GPT-4据估计使用了超过10TB的数据。GPT-5据估计使用了超过50TB的数据。高质量文本数据的"天花板"正在逼近——互联网上的高质量文本数据总量是有限的，继续"堆数据"的边际收益正在递减。

计算效率：英伟达的GPU性能每2年提升约2-3倍，但大模型训练对算力的需求每2年提升约10倍。算力供给的增速，跟不上算力需求的增速。这个"剪刀差"正在扩大。

能源：另一个"物理天花板"

除了算力成本，能源也是AGI的"物理天花板"。

训练GPT-5据估计消耗了超过100吉瓦时（GWh）的电力，相当于10万个美国家庭一年的用电量。这还只是训练阶段的能耗——推理阶段（模型被用户使用时）的能耗可能更高。ChatGPT每天的推理成本（包括电力）据估计超过100万美元。

如果AGI级别的模型被部署，其推理能耗可能相当于一座中型城市的用电量。这不仅是一个经济问题，也是一个环境问题。AI公司已经成为了全球最大的电力消费者之一，微软、谷歌、亚马逊的数据中心电力需求在过去3年增长了200%以上。

三条出路

出路一：更高效的芯片。 英伟达的Blackwell（2025年）和Rubin（2026年）系列GPU，能效比上一代提升了3-5倍。但即使如此，算力成本的增长速度仍然远超效率提升的速度。

出路二：更高效的算法。 模型压缩（量化、剪枝、蒸馏）、混合专家（MoE）架构、稀疏注意力机制——这些技术可以将训练和推理的计算量降低10-100倍。DeepSeek V3的MoE架构，以不到GPT-4五分之一的计算量，达到了接近GPT-4的性能。

出路三：模型架构创新。 如果Transformer架构被更高效的架构取代（如状态空间模型、线性注意力、JEPA等），算力需求可能降低1-2个数量级。这是"算法突破"的希望。

算力不是AGI的"终点"，而是AGI的"过滤器"。只有那些能够突破算力瓶颈的技术路线，才能最终到达AGI的彼岸。