- 為了支持人工智慧發展，大型科技公司正在打破雲端基礎設施和資料中心的投資記錄。
- 商業自動化面臨一個悖論：代幣和能源成本可能會超過節省的工資。
- 受人工智慧與個人設備整合以及硬體優化等因素的推動，全球在人工智慧領域的支出預計將大幅成長。
- 由於發電模式耗電量龐大，能源永續性成為主要瓶頸。
人工智慧熱潮已不再只是前景，而是發展成為一股巨大的經濟引擎，在全球市場創造了數兆美元的價值。儘管許多人最初懷疑這是否只是泡沫，但現有數據顯示，資本投資已開始獲得回報，尤其是對於那些掌控數位基礎設施的巨頭而言。
然而，財務方面並非一片光明。儘管華爾街對雲端運算收入的成長歡欣鼓舞，但許多中型企業和中小企業卻在營運成本上苦苦掙扎，他們發現，維持機器24小時不間斷運作的成本可能比支付團隊薪水還要高。這是一場風險與回報的博弈，效率至關重要。
大型科技公司的投資機制
微軟、亞馬遜、Alphabet 和 Meta 等產業巨頭正投入巨資——光是今年就可能高達725.000 億至 760.000 億美元——以提升其人工智慧能力。這些投資主要集中在雲端運算領域，Azure 和 AWS 等雲端服務平台正經歷爆炸性成長，因為企業都在尋求租賃大量的運算能力。
分析師指出，儘管短期內自由現金流可能為負，但對雲端服務的需求成長速度超過了支出成長速度。這意味著獲利速度正在加快，這應該可以緩解投資者對投資回報率的擔憂。事實上，主要雲端服務供應商的訂單積壓額已經超過2,3兆美元。
節儉的悖論：用代幣代替人？
財務長辦公室裡出現了一種奇特的現象。一些企業為了削減人力成本，將整個部門自動化，結果卻發現每月支付的代幣和雲端基礎設施費用比裁掉的工資還高。這是因為人工智慧不像Netflix那樣採用固定費率，而是按處理的資訊量收費。
當一家公司大量使用語言模型來產生程式碼或處理大量資料時，令牌數量會急劇增加，原本預期的節省會變成一筆龐大且難以預測的技術開支。因此，人工智慧並不總是能降低營運成本；相反，它會將支出從人力資本轉移到高昂的能源和技術消耗。
企業實施人工智慧的成本細分
如果一家公司想要涉足人工智慧整合領域，雖然沒有統一的價格標準，但通常存在一些價格區間。一個標準項目的費用可能在10.000 萬美元到 50.000 萬美元之間，而複雜的實施方案很容易超過 200.000 萬美元。成本通常按以下方式分配：
- 模型開發： 它佔預算的 25% 或更多，其中包括演算法和 API。
- 事實： 取得和清理資訊消耗了 15% 到 35% 的時間。
- 專業人員： 聘請專家是最大的開支之一，佔總開支的 20% 到 40%。
- 基礎設施和維護： 硬體和持續更新會增加 20% 到 35% 的成本。
- 合規與管理： 法律諮詢和行政管理費用通常佔總數的 10% 左右。
模型的複雜程度直接影響預算。基於邏輯的聊天機器人是最經濟的選擇（約 10.000 萬美元），而深度學習或神經網路系統則可能起價 100.000 萬美元，因為它需要更強大的處理能力和更多的數據。
能源與環境瓶頸
我們不能忘記人工智慧對電力有著永無止境的需求。訓練像 ChatGPT 這樣高級的模型所產生的碳排放量相當於數百次跨洲航班。光是訓練 GPT-3 就消耗了相當於一個西班牙普通家庭二十多年用電量的能源。
最關鍵的階段是推理階段，也就是人工智慧回應使用者的階段，此階段的能耗佔總能耗的80%之多。這就引出了一個關於系統永續性的合理問題：如果不徹底改造我們的能源基礎設施以避免環境崩潰，人工智慧就無法無限擴展。
全球視野與歷史比較
Gartner預測，到2025年，全球人工智慧支出將達到1,5兆美元，並在2026年超過2兆美元。其中，最大的份額將用於配備生成式人工智慧和GPU優化伺服器的智慧型手機。如果我們將此次熱潮與1990年代的電信熱潮或19世紀的鐵路熱潮進行比較，就會發現我們正處於一個具有巨大經濟意義的時期，儘管就投資佔GDP的比例而言，我們尚未打破所有歷史紀錄。
風險在於，企業投資的資產貶值速度極快。與可以使用一個世紀的鐵軌不同，如今的晶片可能在短短幾年內就會過時。這使得當前的投資成為一種冒險，只有那些擁有清晰獲利模式的公司才能在潛在的市場調整中倖存下來。
當前情況表明，企業正在經歷一場轉型，對硬體和雲端運算的大規模投資迫切尋求盈利回報，而企業則努力在代幣成本和電力消耗與生產力提升之間取得平衡，在這種情況下，能源基礎設施將成為技術發展的真正限制因素。