返回资讯中心
外部精选
软件工程
#开发者实时流

亚马逊等四巨头今年AI基建资本开支将达7200亿美元以上

来源标题:Where does Baumol bite? · Casey Handmer

亚马逊、Alphabet、微软和Meta今年资本开支合计约7200至7450亿美元,其中大部分投向AI基础设施,规模为史上最大私人资本形成之一且仍在加速。Alphabet和微软已预告明年资本开支将继续增长。Handmer从供应链逐项分析哪些环节被竞争压至成本价、哪些被工程化消除,以及哪些仍握有定价权。

Hacker News 最新bilsbie2026/11/9 · 8 天前30 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

今年,Amazon、Alphabet、Microsoft 和 Meta 将在 capex 上投入约 7200–7450 亿美元,其中大部分用于 AI 基础设施(datacentres.com),而 Alphabet 和 Microsoft 已经预告明年还会有更多增长。据我所知,这是历史上规模最大的私人资本形成,而且仍在加速。我不打算花时间争论 AI 是否有价值(这篇文章的编辑和加速都借助了 Claude docs)。我认为更有用的问题是:在从一束阳光到完成任务的漫长投入链条中,究竟是哪个环节顽固地不肯变便宜。因为钱最终就卡在那里。

我之前那篇关于 AI 与经济的文章,讨论的是 AI 起飞后消费者和劳动者会怎样。在这篇文章里,我会沿着供应链逐项往下走,试着弄清哪些要素正在被竞争压到成本价、哪些正在被工程手段消灭掉、哪些还握着定价权。

现代 AI 的基本经验事实是:模型损失随训练算力、参数和数据呈平滑的幂律下降。Kaplan 等(2020)在有效前沿上测得的指数约为:参数 N 为 0.076,数据 D 为 0.095,算力 C 为 0.050。Hoffmann 等(2022)用带不可约下限的形式重新拟合了数据,L = E + A/N^α + B/D^β,其中 α ≈ 0.34、β ≈ 0.28,并表明算力最优训练应让参数和 token 以大致相同的速率增长,各自约随 C^0.5 增长。沿着这条路径,可约损失约按 C^−0.15 下降,也就是说算力每增加 10 倍,剩余损失就消掉约 30%。

值得记住的是,这些在事前都不是显而易见的。Rich Sutton 的 The Bitter Lesson(2019)用一句令人不安的观察总结了七十年的 AI 研究:从长远看,把算力砸向问题的通用方法会击败编码人类聪明才智的方法。Gwern 的 The Scaling Hypothesis(2020)写于 GPT-3 之后不久,走得更远,赌的是曲线会一直延伸下去、能力会从规模中涌现、愿意花钱的人会得到回报。他是对的,而且很早。The Bitter Lesson 也预示了这篇文章的走向。一旦计算可以替代聪明人,聪明就不再是稀缺投入。AI 开发会以一万亿美元穿过收敛-扩张喷管的力量,继续溶解瓶颈,直到撞上最后一个。

10^18 FLOP,约 $1:可约损失 1.845 10^19 FLOP,约 $14:可约损失 1.296 10^20 FLOP,约 $140:可约损失 0.91 10^21 FLOP,约 $1,404:可约损失 0.639 10^22 FLOP,约 $14,043:可约损失 0.449 10^23 FLOP,约 $140,434:可约损失 0.315 10^24 FLOP,约 $1,404,337:可约损失 0.221 10^25 FLOP,约 $14,043,366:可约损失 0.155 10^26 FLOP,约 $140,433,659:可约损失 0.109 10^27 FLOP,约 $1,404,336,591:可约损失 0.0766 0.0766 每 10 倍支出:剩余误差减少 30% GPT-3(2020):按今天价格约 $440,962 GPT-3(2020) GPT-4(2023,估计):按今天价格约 $29,491,068 GPT-4(2023,估计) 基于 Hoffmann 等(2022)Chinchilla 拟合计算,算力最优;成本假设为 H100 每小时约 $2、利用率 40%;GPT-3 算力来自 Brown 等(2020),GPT-4 为 Epoch AI 估计

换成美元,故事就很简单了。更多的钱买到更多的智能。训练投入每增加 10 倍,剩余误差就消掉约 30%,而且看不到墙。这很慢,但完全可靠——如果你就是决定要不要开下一张支票的人,这一点才要紧。而且只有在前沿才慢。一旦某一智能水平被达到,使用它的价格大约每年下降 10 倍(Epoch AI;Gundlach 等 2025),所以今天又贵又前沿的东西,一两年内就便宜了。按今天的 GPU 价格,训练 GPT-3 约需 50 万美元,GPT-4 约需 3000 万美元。十亿美元的运行买下一级台阶,百亿美元的运行买再下一级。每一级成本是上一级的十倍,而还没有人找到它失效的点。

自 2024 年以来还多了第二条轴:推理模型把推理时算力转化为能力,曲线也大致是同一类。对供应链来说,幂律有点像个怪物。能力每上一个固定台阶,就要付出固定倍数的投入,所以稳定的线性进步需要算力指数增长,进而需要芯片、内存、电力和建筑指数增长。Epoch 估计,自 2020 年以来前沿训练算力每年增长约 5 倍,算法效率又在此基础上再加约 3 倍(Epoch AI trends)。与此同时,任何固定能力水平的价格都在崩塌,视基准不同每年下降 9 倍到 900 倍(Epoch,推理价格趋势),而运行前沿的成本却持续上升(Gundlach 等 2025)。实际效果是:前沿对投入的需求是无穷的,任何自身无法成数量级增长的投入,最终都会成为约束瓶颈。

这种无穷需求的故事有一种破裂方式,那就是客户耗尽。这事以前发生过。Microsoft 的 Windows 业务增长了两十年,靠的是每台新 PC 大约卖一份许可,然后全球 PC 出货量在 2011 年前后见顶,约每年 3.5 亿台。一旦所有本来会拥有 Windows 电脑的人基本都有了,许可业务就平了,Microsoft 不得不去云里找增长。Windows 不是能力耗尽,是客户耗尽。

(原文较长,此处译出前 6000 字,完整内容请点「打开原文」。)

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →