- 为了支持人工智能发展，大型科技公司正在打破云基础设施和数据中心方面的投资记录。
- 商业自动化面临着一个悖论：代币和能源成本可能会超过节省的工资。
- 受人工智能与个人设备集成以及硬件优化等因素的推动，全球在人工智能领域的支出预计将大幅增长。
- 由于发电模式耗电量巨大，能源可持续性成为主要瓶颈。
人工智能热潮已不再仅仅是前景，而是发展成为一股巨大的经济引擎，在全球市场创造了数万亿美元的价值。尽管许多人最初怀疑这是否只是泡沫，但现有数据显示，资本投资已开始获得回报，尤其是对于那些掌控数字基础设施的巨头而言。
然而，财务方面并非一片光明。尽管华尔街对云计算收入的增长欢欣鼓舞，但许多中型企业和中小企业却在运营成本上苦苦挣扎，他们发现，维持机器24小时不间断运行的成本可能比支付团队工资还要高。这是一场风险与回报的博弈，效率至关重要。
大型科技公司的投资机制
微软、亚马逊、Alphabet 和 Meta 等行业巨头正投入巨资——仅今年一年就可能高达725.000 亿至 760.000 亿美元——以提升其人工智能能力。这些投资主要集中在云计算领域，Azure 和 AWS 等云服务平台正经历着爆炸式增长，因为企业都在寻求租赁海量的计算能力。
分析师指出，尽管短期内自由现金流可能为负，但对云服务的需求增长速度超过了支出增长速度。这意味着盈利速度正在加快，这应该可以缓解投资者对投资回报率的担忧。事实上，主要云服务提供商的订单积压额已经超过2,3万亿美元。
节俭的悖论：用代币代替人？
首席财务官办公室里出现了一种奇特的现象。一些企业为了削减人力成本，将整个部门自动化，结果却发现每月支付的代币和云基础设施费用比裁掉的工资还高。这是因为人工智能不像Netflix那样采用固定费率，而是按处理的信息量收费。
当一家公司大量使用语言模型来生成代码或处理海量数据时，令牌数量会急剧增加，原本预期的节省会变成一笔巨大且难以预测的技术开支。因此，人工智能并不总是能降低运营成本；相反，它会将支出从人力资本转移到高昂的能源和技术消耗上。
企业实施人工智能的成本细分
如果一家公司想要涉足人工智能集成领域，虽然没有统一的价格标准，但通常存在一些价格区间。一个标准项目的费用可能在10.000 万美元到 50.000 万美元之间，而复杂的实施方案很容易超过 200.000 万美元。成本通常按以下方式分配：
- 模型开发： 它占预算的 25% 或更多，其中包括算法和 API。
- 事实： 获取和清理信息消耗了 15% 到 35% 的时间。
- 专业人员： 聘请专家是最大的开支之一，占总开支的 20% 到 40%。
- 基础设施和维护： 硬件和持续更新会增加 20% 到 35% 的成本。
- 合规与管理： 法律咨询和行政管理费用通常占总额的 10% 左右。
模型的复杂程度直接影响预算。基于逻辑的聊天机器人是最经济的选择（约 10.000 万美元），而深度学习或神经网络系统则可能起价 100.000 万美元，因为它需要更强大的处理能力和更多的数据。
能源和环境瓶颈
我们不能忘记人工智能对电力有着永无止境的需求。训练像 ChatGPT 这样高级的模型所产生的碳排放量相当于数百次跨洲航班。仅训练 GPT-3 就消耗了相当于一个西班牙普通家庭二十多年用电量的能源。
最关键的阶段是推理阶段，即人工智能响应用户的阶段，该阶段的能耗占总能耗的80%之多。这就引出了一个关于系统可持续性的合理问题：如果不彻底改造我们的能源基础设施以避免环境崩溃，人工智能就无法无限扩展。
全球视角与历史比较
Gartner预测，到2025年，全球人工智能支出将达到1,5万亿美元，并在2026年超过2万亿美元。其中，最大的份额将用于配备生成式人工智能和GPU优化服务器的智能手机。如果我们将此次热潮与20世纪90年代的电信热潮或19世纪的铁路热潮进行比较，就会发现我们正处于一个具有巨大经济意义的时期，尽管就投资占GDP的比例而言，我们尚未打破所有历史纪录。
风险在于，企业投资的资产贬值速度极快。与可以使用一个世纪的铁轨不同，如今的芯片可能在短短几年内就会过时。这使得当前的投资成为一种冒险，只有那些拥有清晰盈利模式的公司才能在潜在的市场调整中幸存下来。
当前形势表明，企业正在经历一场转型，对硬件和云计算的大规模投资迫切寻求盈利回报，而企业则努力在代币成本和电力消耗与生产力提升之间取得平衡，在这种情况下，能源基础设施将成为技术发展的真正限制因素。