大模型的军备竞赛，还要继续烧多少钱？
毛估估要一万亿，美元。
高盛预估，未来十年内，科技巨头们还要在生成式 AI 上继续投入一万个亿，但是能见到什么成果？没人知道。
恰好，The Information 近日也替 OpenAI 算了算账，今年的亏损可能要去到 50 亿美元。
做大模型，成本很高
以 OpenAI 这个规模，运营成本高并不意外。The Information 得到的消息显示，向微软租服务器，大概就要花掉 40 亿。
不能省的还有训练成本。模型越复杂，训练所需要的数据量越大，计算量也越大。而且训练并不是全部，推理工作才是消耗的大头。
根据斯坦福 HAI 的 2024 年人工智能报告，计算量不断在走高，其中 Gemini Ultra 是目前耗费最大的模型。
GPT-4 紧随其后，再考虑到 OpenAI 可能在训练的新模型，这部分的支出，估计 30 亿美元打不住。
作为竞品的 Anthropic，花的钱也不少。CEO Dario Amodei 曾经在播客采访中预估，三年后训练的成本可能高达 1000 亿美元。
Anthropic CEO Dario Amodei
在服务器、GPU 等硬件供应的背后，是消耗性成本，也就是电费。施耐德电气能源管理研究中心发布的白皮书里显示，2023 年 AI 的功率消耗为 4.5GW，占了数据中心（可以理解为机房）总功率消耗的 8%。
怎么理解呢？
一个普通家庭，每个月用电量大概在 300 千瓦时，一年按 3600 千瓦时来算，按施耐德算出来的耗电量，足够一千万个家庭一年的用电。
除了硬件方面，还有人力支出。
进入大模型军备竞赛以来，各个厂商之间对人才的争夺也逐渐加码，比的就是谁能开出更高的薪水。
OpenAI 目前正在招人的岗位
2023 年时，OpenAI 的人工支出已经要五个亿，团队还在不断扩大，费用也在不断增加。
那么林林总总加起来，OpenAI 的运营成本可能会去到 85 亿美元。
反观国内，虽然没有公开的模型厂商成本数据，不过，智谱的 CEO 张鹏曾经坦言，「确实做大模型这件事太烧钱了，而且确实也面临市场上的需求。」。
收入？不太乐观
在成本居高不下的同时，是收入的不确定。
The Information 估计，OpenAI 主要的收入来源是产品订阅和收费的 API 端口，全年收入可能在 35-45 亿美元之间。
类似的，Anthropic 的收入也不太乐观。虽然它背靠亚马逊这个大客户，但全年收入预估只有 4-6 亿美元。
国内的情况更摸不透一些，to C 的模式并不清晰，而面对中小开发者，几乎就是在白送。
自从本月初，OpenAI 宣布要断掉非支持国家和地区的 API 服务，国内的大模型厂商迅速反应，力求在最短的时间，用最低的价格，吸引开发者。
从智谱、minimax，到阿里、百度，价格一低再低，而且直接免费。
面对中小开发者，「合作」才是厂商们更看重的。
用低价招徕开发者和中小企业，本质上是一种合作。这样能尽可能地迅速扩大市场份额和用户基数。这是从移动互联网时代就有的圈地战术。
而更多的开发者能够利用 API 开发出各种新颖的应用，就更有助于挖掘大模型的潜在价值和应用场景。
用户的使用数据，可以帮助模型进一步改进和优化，形成飞轮。
这正是 Perplexity 的信念，CEO Aravind Srinivas 此前接受播客采访时，就提到了这种「AI 闭环」的理念：做 AI 产品，让更多人使用，从而使产品更好，良性循环。
CEO Aravind Srinivas
「客户需求和反馈，是我们技术往前创新突破和迈进的驱动力，让两者比较好的闭环，我们在努力做到这样的事情。」张鹏也有类似的想法，「我们希望是贯通的，商业化的过程、服务客户的过程当中，就是以我们的技术和产品核心能力驱动的。」
只是，在那个形成循环的关键节点，也就是杀手级应用出现之前，只有耕耘和等待。
但等待是有成本的，于是 to B 业务就成了养家挣钱的「孩子」。
根据百炼智能的统计，去年第 4 季度，大模型类别的项目，平均招标预算在 600 万人民币左右。今年的一些公开数据里，千万级的招标也能见到。
图片来自：百炼智能
采购这些大模型，到底对业务有没有帮助，政府和行业龙头都是在拿真金白银来测试，也是有下错注的风险。
美国的软件行业龙头 Salesforce 赛富时就栽过跟头。
Salesforce 本身就是做云计算和 CRM 系统的公司，尤其擅长 SaaS 业务，在全球范围内有大量客户。在疫情的几年里，业绩还曾经逆势上扬，从 200 亿美元飙升到 400 亿美元。
但是今年五月，Salesforce 的股价暴跌至二十多年来最低，营收远远低于预期，订单增长只有 3%。
分析师认为，过去一年里，他们花了太多钱在 AI 上，再加上业绩增长又不行，花出去的钱比挣到手的还多。
高盛发布了一份内部访谈报告，其中采访了全球股票研究主管 Jim Covello，他认为人工智能的成本起点太高了。
Jim Covello 接受采访
即便成本下降，模型公司们还是需要做大量的努力，才能让自动化变得更能负担得起。
「有人拿 90 年代来对比，当时服务器的价格从原本的天价，一路下降。但是一台 $64000 美元的服务器再怎么贵，也跟现在的 AI 成本是没法比的。」
同时，他还指出在 90 年代时，英特尔一直在面临其他厂商的追赶和压力，竞争带来了价格的逐步降低。可是现在，英伟达几乎一家独大。
Covello 的话说得很直接，「科技界对于人工智能的成本，会随着时间推移而大幅下降，有些自满了。」
MIT应用经济学教授 Daron Acemoglu 也接受高盛的采访，他并不否认，生成式人工智能有潜力从根本上改变科学发现、研发、等过程，创造新产品和平台。
「但考虑到当今生成式人工智能技术的重点和架构，这些真正的变革不会很快发生股票杠杆的手续费，而且在未来 10 年内发生的可能性极小——如果有的话。」