老师有没有告诉你，训练一个AI的钱，已经快够建一座芯片工厂了——而这件事正在决定谁会「说话」

2026-07-27 · 🕐 约 9 分钟

由 丢笔哥 发布

🖊️ 老师有没有告诉你…

AI不是软件，是重工业——当训练一个模型的花费追上建芯片工厂时，「谁会说话」就变成了世界上最贵的入场券

长鑫科技用1500亿建了一座存储芯片工厂。而你不知道的是：训练一个能跟你聊天的AI，花的钱正在飞速追赶这个数字。

:::story title="一个「穷」团队的逆袭"
2024年初，法国一个只有22人的AI创业公司Mistral AI，在没有自建任何数据中心的情况下，训练出了一个性能直逼GPT-4的模型。他们用的全部是租来的云计算GPU。总成本不到2000万欧元。这件事震动了整个硅谷——不是因为他们的技术有多颠覆，而是因为他们证明了「你没有500亿美元也能上牌桌」。但故事的后半段就没那么美好了：Mistral随后被迫接受了微软的投资，并开始将自己的模型部署在微软的Azure云上。为什么？因为「训练完模型」只是第一步，「让别人能用你的模型」是第二步——而第二步需要的算力和基础设施，比第一步大得多。你可以理解为，Mistral造出了一辆赛车，但它没有赛道。而全世界有赛道的公司，恰好就是那三四家。
:::

造一间芯片工厂的钱，现在刚好够训练一个AI

长鑫科技上市花了多少钱建厂？超过1500亿人民币。而你猜现在训练一个最先进的AI大模型要多少钱？OpenAI的GPT-5级别的模型，据估算单次训练成本已经超过10亿美元——约70亿人民币。而且这个数字每18个月翻一倍。你看到这条曲线了吗？造芯片的工厂和训练AI的模型——这两件事的成本正在汇合。汇合点在哪里？大概在2028年，训练一个前沿AI的成本将达到500亿美元级别，等于在美国建一座最先进的3纳米芯片工厂。这意味着什么？意味着「谁会说话」这件事——对，就是你手机里那个跟你聊天的AI——正在变成一个世界上最贵的入场券。🤔

你的AI助手每回答一个问题，背后有50万张显卡在烧

你可以理解为，训练AI就像是在一片空地上盖一栋楼。但这栋楼需要的不是砖和水泥，是算力。而算力的基本单位叫「浮点运算」——你可以把它想象成AI「思考」时消耗的脑细胞。一次GPT-4级别的训练，需要的浮点运算量大约是2乘以10的25次方。这个数字太大了，我给你一个类比：如果每个人每秒能做一次浮点运算，要全世界80亿人连续算10万年，才能完成一次GPT-4的训练。这些运算全部发生在GPU上——就是英伟达卖的那种显卡。目前训练一个顶级模型大约需要5万到10万张最先进的GPU。而一张最先进的H100显卡，售价约3万美元。你自己算——仅仅是买卡的费用，就是15亿到30亿美元。这还不算电费。一个大型AI训练集群的功耗，足够供应一个10万人口的小城市。

你以为AI是软件——但它正在变成世界上最重的重工业

这个类比可能有点反直觉，但请跟我走一步：造汽车需要钢铁、橡胶、装配线；造AI需要芯片、电力、数据。在100年前，谁能造出最便宜的钢铁，谁就能造出最多的汽车。在2026年，谁能拿到最多的GPU和最便宜的电力，谁就能训练出最强的AI。你发现了吗？AI正在从「写代码」的行业，变成「搞基建」的行业。这不只是比喻。微软在2024年的资本支出超过500亿美元，大部分花在了数据中心和GPU上——比福特汽车全年的营收还高。Google更夸张，2025年预计资本支出超过750亿美元。这些钱不是用来写算法的——算法早就公开了。这些钱全部用来「买脑细胞」。而买得起脑细胞的人，正在越来越少。全世界能负担得起下一代AI训练成本的公司，一只手就数得过来。

当「说话」需要500亿美元入场券时，谁来决定AI说什么？

这是整篇文章最重要的一节。前面说的都是钱的问题。但钱的问题最终会变成权力的问题。如果只有三四家公司有财力训练下一代AI模型，那这些AI会怎么理解世界？它们看到的「数据」是谁选的？它们的「价值观」是谁调的？你想想看：一个在硅谷训练的AI和一个在上海训练的AI，对「什么是公平」的定义，可能完全不一样。不是因为有人做了手脚——是因为它们看的数据不一样。硅谷的AI看的全是英文互联网数据，上海的AI看的是中文互联网。你让它们各自写一篇关于「长鑫科技上市」的文章，硅谷的AI可能会说「中国的芯片补贴扭曲了市场」，上海的AI可能会说「这是中国科技自立的里程碑」。它们都没说谎。但它们也都没说完整的故事。而当训练成本高到全球只有几个玩家能参与的时候——谁来确保这个「完整的故事」有人来讲？🤔

开源是唯一的解药——但解药也有副作用

你听说过DeepSeek吗？它做的事情不是技术有多牛——它的技术确实是世界级的——但它最重要的贡献是：它证明了你不一定需要500亿美元才能训练出一个顶级AI。DeepSeek V3的训练成本大约是550万美元——对，你没看错，是万，不是亿。它是怎么做到的？用了一种叫「混合专家模型」的技术。你可以这样理解：传统AI像一个什么都会但什么都不精的「全科医生」，每次看病都要调用全部知识。而DeepSeek像一个医院，里面有50个专科医生，每次只叫最相关的几个来看病。所以成本大幅降低。但这里有一个不太好听的事实：DeepSeek的成功，某种程度上是一个「美丽意外」。它用的很多技术优化，前提是它不需要自己造芯片——它可以直接买英伟达的。如果有一天芯片禁运进一步收紧，开源模型的算力成本优势就会大打折扣。开源是解药，但解药也有保质期。