算力，还是“算力主义”？

黄仁勋说年投入万亿，Ilya却说堆算力的时代已结束，谁在说谎？

“所有人都在抢GPU、建数据中心、拉电网。问题似乎只剩一个：还能再堆多少算力？”

这是2025年11月，前OpenAI首席科学家Ilya Sutskever在《Dwarkesh Podcast》访谈中的开篇发问。彼时，英伟达CEO黄仁勋刚抛出一个让整个行业屏息的数据：本十年AI基础设施投入可能达到3万亿至4万亿美元。

Ilya的判断却与此截然相反——“We're moving from the age of scaling to the age of research.”

说这话的人，恰恰是当年把算力假说推向极致的人之一。他主导的GPT-2、GPT-3就是“扩展时代”的典型产物。但如今他断言，只堆参数已经走到瓶颈。一时间，这张算力“饭桌”背后究竟谁在掀桌、谁在开席，成了全球科技媒体最烧脑的博弈猜谜。

那么，算力究竟是不是驱动AI发展的“万能拼图”？还是AI界的“皇帝的新装”？顺着英伟达、中企突围、博弈的“三级火箭”，以及算法战争四个维度，我们或许能拼出一个更接近真相的图景。

算力的“饭桌”：英伟达狂欢，OpenAI焦虑

先看一组“狂飙”的数据。仅2025年一年，全球AI支出逼近1.5万亿美元。OpenAI承诺了高达1.4万亿美元的算力基建合同，需在2030年前实现2000亿美元年收入方可匹配。

到2025年第一季度，微软、Meta、亚马逊、谷歌等巨头已经以超过3000亿美元的年度预算，将AI数据中心的军备竞赛推向白热化。

微软2025财年AI基础设施投资约800亿美元，Google从最初规划的750亿美元追加至850亿美元，亚马逊更宣布2025年资本支出超过1000亿美元，绝大多数投向AI。

据财通证券研报数据，微软/谷歌/Meta/亚马逊的资本开支密度（占收入比重）在2Q2025已分别达到34.8%/23.3%/35.8%/18.7%。

而全球算力军火商英伟达，成了这场豪赌最大的独赢家。B200（Blackwell架构）的FP8稠密算力已达到约4.5 PFLOPS，是H100的2.2倍以上；推理速度甚至达到其30倍。而GB200 NVL72机架系统更是在单一系统上实现了150万token/秒的推理吞吐量。

但其背后巨大的估值泡沫也在编织。英伟达市盈率已攀升至65倍，与此同时，下游SaaS企业的市销率倍数却从12倍降至8倍。

一场“算力向上、应用向下”的价值倒挂，仿佛预示着这条链条的脆弱——用脚投票的资本市场，恰好在提醒从业者：我们是不是太依赖单点突破了？

“算力稀释”效应：为什么万卡集群跑不出万卡效果

“1万张GPU堆在一起，跑出来的效率却远远小于1万台服务器独立运算的总和”——这是行业触目惊心的共识。

在光合组织2025人工智能创新大会上，中科曙光高级副总裁李斌直言：传统集群在节点规模扩大后，通信开销往往占用30%-50%的资源，使得算力不能被充分利用。

换言之，哪怕是武装到牙齿的万卡集群，训练一个大模型时可能有一半左右的时间和数据吞吐量都“堵”在了多卡数据通信、网络延迟、电源和散热上。

更隐蔽且更全局的“稀释效应”发生在系统生态层面。海光信息副总裁吴宗友指出，随着芯片种类的快速增加，每一种芯片都需要单独适配、优化的困境，使算力的“接口兼容性”与“落地成本”脱节。

中国科学院院士周成虎也强调，随着大模型参数量向万亿级甚至十万亿级跨越，过去那种依靠单一芯片性能提升的暴力计算模式正在触碰物理与效率的极限。

也就是说，算力≠可用的智能。芯片本身算力的提升，在系统工程的死胡同里被层层稀释。很多企业开始意识到一个问题——当你的大模型去跑医疗、金融等垂直场景时，90%的精度缺口并非来自算力不足，而在于数据治理、场景适配和质量管控。这也是为什么维昇药业负责人直言，每次结果的完整可追溯性远高于算力峰值性能。

业内多位核心人物在今年纷纷喊出共识：算力竞争已经从单点性能转向系统效率，从全栈路线转向多方协同的系统工程。

能耗黑洞:地球能否承受AI之重

还有一个更沉重的声音不容忽视——电力。

据《绿色算力发展研究报告（2025年）》测算，全球数据中心用电量预计在2030年达到945太瓦时，超过日本全国年用电量，碳排放量占总排放量的3.5%。AI大模型训练与推理需求更是以每年300%的速度疯涨。

一个看似魔幻的数据是：AI服务器的电能转换效率已低至1.5%——97%以上的电能以热量形式被浪费，仅有不到3%真正用于计算。

高密度机柜单柜功耗从10千瓦跃升至50千瓦，英伟达GB300 NVL72系统整机柜功耗预估可达135-140kW，单卡TDP高达1.4kW。

Air Street Capital《State of AI Report》以长达300页的报告指出：曾经由算法突破定义的竞赛，正日益受制于能源供应、地缘政治和资本投入的物理边界。

简单说，就算你手拿100万张GPU，“电表”也得允许。美国数据中心用电增长已明显快于电网扩容速度，英伟达甚至专门为此召开了一场“AI电力危机”闭门会议。

如果说算力代表AI发展的速度，那电力可能最终决定了它的天花板。

“算法战争”:DeepSeek给算力爱好者的残酷一课

正当全球科技巨头在算力猛兽竞赛中孤注一掷时，一枚算法炸弹在2025年初被扔向了AI圈——DeepSeek。

2025年1月，DeepSeek发布了R1推理模型，以令人咋舌的低训练成本（仅557万美元——相当于GPT-4的5%）媲美OpenAI的o1闭源模型性能，同月即在关键数学推理基准AIME上达到与o1-preview相当的水平。

更颠覆性的是，DeepSeek-R1-Zero实现了无需监督微调前置步骤，仅靠强化学习就激发出推理能力——这种“自学成才”的低成本范式，为AI行业提供了全新路线图。

资本市场立即做出了剧烈反应。许多人担忧，如果DeepSeek能在算力受限条件下跑出顶尖模型，那么未来对英伟达GPU的“无限渴求”可能将大幅降温。

就连OpenAI首席研究官Mark Chen也承认：DeepSeek独立发现了OpenAI o1在通往推理能力路上的一些核心理念。Meta首席科学家Yann LeCun则一语打脸：“市场对DeepSeek训练成本的惊讶不太合理——真正烧钱的是让AI为数十亿用户稳定服务。”

但这恰恰印证了“算法优化”正在撬动甚至颠覆“算力霸权”的可能性。MIT最新研究指出，一些大型模型的算法效率每代并行优化后，完全可以和算力倍增效应媲美。

从DeepSeek的实践来看，AI算法确实可以在不烧那么多钱的前提下，用更低的“智力功耗”逼近甚至超越原有的暴力训练模型。

一个潜在的转折出现了——解决前沿AI问题，靠效率还是靠堆料？这道选择题正在从“only算力”转向“algorithm first”。

算力陷阱:未来可能吃掉自己尾巴？

Ilya Sutskever在前文提到的《Dwarkesh Podcast》访谈里，还发出了一个更根本的警告：“当今大模型的迁移能力远不如人类……继续砸钱买参数、买数据、买算力，边际收益正在快速下降。真正拉开差距的，不是谁资源更多，而是谁更懂怎么做研究。”

这段话残酷之处在于——宣告了“暴力美学”的增速拐点。近年来多方研究实测表明，模型参数扩大到一定程度后，精度提升速度显著减缓，甚至微乎其微。奥特曼也在多个场合含蓄承认：仅仅靠更多GPU已经无法换回同比例的智能跃迁。

与此同时，整个Scaling Law陷入困境——当可用于预训练的开源数据挖掘殆尽、模型训练所需的算力资源紧缺，大模型发展遵循的Scaling Law已接近失效。清华大学刘知远教授甚至提出了“密度法则”来替代Scaling Law。

而站在MIT和OpenAI的算法前沿，警告更明确——Gundlach和Thompson的建模表明：如果效率优化不继续进步，达到更高级性能可能需要“千年训练期或不合理的GPU阵列”；但如果持续深耕效率提升和算法创新，AI的提速可以持续到下一个十年。

换言之，“大干快上”的投资模式，不仅不会给AI真正带来质的飞跃，反而可能因为算力远超需求边际、沉没成本造成巨大的AI经济泡沫。

投资人徐绍煌也观察到一个现象：真正失败的项目并不随机，而是那些技术路线看似领先，但一旦进入真实业务场景就发现高额算力投入和人海运维永远不可缩减——这种结构性缺陷，就是算力驱动唯一模式的最大陷阱。

结语:从拼算力到拼工程，AI的下一战是系统工程

回望英伟达的万亿级算力梦，与DeepSeek隔空喊出的成本革命，似乎揭示了一个迹象——算力不可或缺，但它远不是AI未来唯一的万能拼图。

今天的AI算力，更像是一条“聪明的蛇”——它驱赶着行业疯狂扩张，也让用户和企业背上巨大的隐性包袱。Ilya Sutskever口中的“研究时代”和研究范式的突破，可能才是我们从暴力图景走向通用智能的关键跳板。

正如第一财经在ICDM 2025大会综述中所言：“算力是当下的硬通货，算法是未来的智慧钥匙，而数据——特别是高质量的专业数据，则是决定AI应用深度与可靠性的基石。”算力、算法、数据，三者的精妙平衡，最终将决定整个AI产业的战争走向。

技术革命从来不是线性演进——个人电脑的普及催生了互联网泡沫，智能机的爆发伴随着移动生态的重构。AI也是一样。算力，只是一个开始。

最终的赢家，不一定是有最多GPU的人，而是懂得如何让算力真正创造价值的人。当万卡集群撞上了电力墙，系统协同撞上了生态墙，算法撞上了数据墙，真正站在台上的那批AI玩家，其实早就在默默谈论“合理分配创新”与“系统级效率”的故事。