搞AI大模型，實在太燒錢。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占據領先位置，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裡給出答案：投入是產出的17倍。
上個周末，機器學習社區圍繞這個數字熱烈地討論起來。
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近六倍。
在如今火熱的生成式 AI 領域裡，Cognition 是一傢冉冉升起的新星。如果你對它還不太熟悉，這裡有它的兩個關鍵詞：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，目前隻有 10 個人，但包含許多國際信息學奧林匹克競賽的金牌選手。
Cognition Labs 的團隊，CEO Scott Wu（後排身穿襯衣）隻有 27 歲。
該公司在今年 3 月推出 AI 代碼工具 Devin，號稱“第一位接近人類的 AI 程序員”，能夠自主完成復雜的編碼任務，例如創建自定義的網站。從開發到部署，再到 debug，隻需要人類用自然語言給需求，AI 就能辦到。
該新聞很快就登上眾多媒體的頭條，也成為熱搜：
一些投資者表示，Devin 代表人工智能的重大飛躍，並可能預示著軟件開發的大規模自動化之路已經開啟。
Cognition 雖然神奇，但它並不是個獨苗。最近一段時間，生成式 AI 展現超乎想像的吸金能力。去年 12 月，總部在法國的 Mistral 獲得 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大約七倍。
3 月初，旨在挑戰Google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，作為一傢旨在提供 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 3.5 億美元。據介紹，美國著名創業投資傢、創辦 Founders Fund 的 Peter Thiel 幫助領導對 Cognition 的投資。
Peter Thiel 是全球暢銷書《從 0 到 1：開啟商業與未來的秘密》的作者，身傢 71 億美元。
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增長勢頭。上個季度，微軟的代碼工具 GitHub Copilot 用戶數量增長 30% 達到 130 萬。Magic AI 是 Cognition 的競爭對手，2 月份獲得 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。
盡管出現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 行業去年為訓練大模型，僅在英偉達芯片上就花費 500 億美元，而換來的收入是 30 億美元。
所以說，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。黃仁勛兩周前在 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…… 這不是為降低成本，而是為擴大規模。”
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，是一個無法回避的問題。更何況現在的大模型已經很貴。
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。”
為什麼說 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臺）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，英偉達已經發佈全新一代 AI 加速的 GPU Blackwell 系列。
近八年來，AI 算力增長一千倍。
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，對大多數公司來說，現階段運行大模型並沒有轉化為實際收入。
另一方面，看看現在大模型每周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，如果一傢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雇傭成本不足的問題，那麼最終可能還是無法做出有實際應用、經濟收益的產品。
值得註意的是，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，而是計算量增長一個數量級。並且許多行業可能都需要這種改進。
圖源：Reddit 用戶 @LessonStudio
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 需求還隻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，也有人給出這種誇張投入的“合理性”：坐擁大量現金的微軟、Google和 Meta，他們因為反壟斷法規而無法繼續收購，因而隻能選擇將資金投入 AI 技術發展。而 GPU 支出的折舊，可以作為損失避免繳納更多稅款。
但這就不是創業公司所要考慮的事。
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 真正的贏傢是英偉達？