The AI industry buys NVIDIA GPUs, spending 17 times more money than it earns

搞 AI 大模型，實在太燒錢了。

我們知道，如今的生成式 AI 有很大一部分是資本遊戲，科技巨頭利用自身強大的算力和數據佔據領先位置，並正在使用先進 GPU 的並行算力將其推廣落地。這麼做的代價是什麼？

最近《華爾街日報》一篇有關明星創業公司的報道里給出了答案：投入是產出的 17 倍。

上個週末，機器學習社區圍繞這個數字熱烈地討論了起來。

明星創業公司，幾周估值翻倍：但沒有收入

由知名投資人 Peter Thiel 支持的 AI 初創公司 Cognition Labs 正在尋求 20 億美元估值，新一輪融資在幾周之內就將該公司的估值提高了近六倍。

在如今火熱的生成式 AI 領域裏，Cognition 是一家冉冉升起的新星。如果你對它還不太熟悉，這裏有它的兩個關鍵詞：國際奧賽金牌團隊，全球首位 AI 程序員。

Cognition 由 Scott Wu 聯合創立，其團隊組成吸引眼球，目前只有 10 個人，但包含許多國際信息學奧林匹克競賽的金牌選手。

該公司在今年 3 月推出了 AI 代碼工具 Devin，號稱「第一位接近人類的 AI 程序員」，能夠自主完成複雜的編碼任務，例如創建自定義的網站。從開發到部署，再到 debug，只需要人類用自然語言給需求，AI 就能辦到。

該新聞很快就登上了眾多媒體的頭條，也成為了熱搜：

一些投資者表示，Devin 代表了人工智能的重大飛躍，並可能預示着軟件開發的大規模自動化之路已經開啓。

Cognition 雖然神奇，但它並不是個獨苗。最近一段時間，生成式 AI 展現了超乎想像的吸金能力。去年 12 月，總部在法國的 Mistral 獲得了 4.15 億美元融資，估值達到 20 億美元，比前一年夏天的一輪融資增長了大約七倍。

3 月初，旨在挑戰谷歌網絡搜索主導地位的 AI 初創公司 Perplexity 也傳來新一輪融資的消息，新估值有望達到近 10 億美元。

而在這其中，作為一家旨在提供 AI 自動代碼工具的創業公司，Cognition 去年才開始研發產品，目前並沒有獲得有意義的收入數字。今年初，在 Founders Fund 牽頭的一輪 2100 萬美元融資中，該公司的估值達到了 3.5 億美元。據介紹，美國著名創業投資家、創辦 Founders Fund 的 Peter Thiel 幫助領導了對 Cognition 的投資。

AI 編寫代碼看起來是一個有前途的大模型應用方向，其他提供類似產品的公司也看到了增長勢頭。上個季度，微軟的代碼工具 GitHub Copilot 用户數量增長了 30% 達到 130 萬。Magic AI 是 Cognition 的競爭對手，2 月份獲得了 1.17 億美元的投資。國內也有一些代碼生成自動化工具的初創企業，在生成式 AI 技術爆發後正在加速行業落地。

儘管出現了令人鼓舞的增長跡象，新公司的估值也不斷膨脹，但這種快速發展也引發了人們對於出現泡沫的擔憂 —— 到目前為止，很少有初創公司能夠展示他們如何賺錢，想要收回開發生成式 AI 的高昂成本，似乎還沒有門道。

在 3 月的一次演講中，紅杉資本（Sequoia Capital）有投資人估計 AI 行業去年為了訓練大模型，僅在英偉達芯片上就花費了 500 億美元，而換來的收入是 30 億美元。

所以説，不算電費，開銷是收入的 17 倍。

怎麼樣，今年還玩得起嗎？

出路在哪

如今生成式 AI 技術的爆發，可謂驗證了強化學習先驅 Richard S. Sutton 在《苦澀的教訓》中的斷言，即利用算力才是王道。黃仁勳兩週前在 GTC 上也曾表示：「通用計算已經失去動力，現在我們需要更大的模型、更大的 GPU，需要將 GPU 堆疊在一起…… 這不是為了降低成本，而是為了擴大規模。」

但是在千億、萬億參數量的大模型出現之後，通過提升規模來提升智能的方法是否還可以持續，是一個無法迴避的問題。更何況現在的大模型已經很貴了。

華爾街日報的文章迅速引起大量討論。有網友認為：「資本支出通常就是一次性的，而投資的收入卻是日積月累的。生成式 AI 剛剛起步，其後續的經濟收益可能是巨大的。」

但這種樂觀的觀點很快遭到反駁，另一位網友指出：「資本的支出的確是一次性的，但 GPU 會相對較快地貶值。」

為什麼説 GPU 會快速貶值呢？雖然較老版本的 GPU 也不會停止支持 CUDA（英偉達推出的運算平台）等等，但與 H100 相比，V100 的能源消耗是巨大的浪費。

畢竟同樣也是在 3 月份，英偉達已經發布了全新一代 AI 加速的 GPU Blackwell 系列。

如果使用 V100 可以賺錢，那當然沒問題。然而，如諸多媒體報道所述，對大多數公司來説，現階段運行大模型並沒有轉化為實際收入。

另一方面，看看現在大模型每週都在推陳出新的狀態，即使幾年前的 GPU 在算力角度看可以接受，但大模型也在「快速折舊」。七年後的 AI，用現在的基礎設施能支撐嗎？

此外，如果一家公司花費大量成本來購買 V100，試圖跟上生成式模型的趨勢，那麼可能就會出現研究團隊僱傭成本不足的問題，那麼最終可能還是無法做出有實際應用、經濟收益的產品。

值得注意的是，許多 LLM 都需要額外的處理層來消除幻覺或解決其他問題。這些額外的層顯著增加了生成式模型的計算成本。這不是 10% 的小幅增長，而是計算量增長了一個數量級。並且許多行業可能都需要這種改進。

從行業的角度講，運行生成式大模型需要大型數據中心。英偉達已經非常瞭解這個市場，並持續迭代更新 GPU。其他公司可能無法僅僅投資數百億美元來與之競爭。而這些 GPU 需求還只是來自各大互聯網公司的，還有很多初創公司，例如 Groq、Extropic、MatX、Rain 等等。

最後，也有人給出了這種誇張投入的「合理性」：坐擁大量現金的微軟、谷歌和 Meta，他們因為反壟斷法規而無法繼續收購，因而只能選擇將資金投入 AI 技術發展。而 GPU 支出的折舊，可以作為損失避免繳納更多税款。

但這就不是創業公司所要考慮的事了。

無論如何，競爭會決出勝者。無論花掉多少錢，成為第一可能就會帶來潛在的收益……

但是什麼樣的收益，我們還無法作出預測。難道，生成式 AI 真正的贏家是英偉達？