搞 AI 大模型，实在太烧钱了。
我们知道，如今的生成式 AI 有很大一部分是资本游戏，科技巨头利用自身强大的算力和数据占据领先位置，并正在使用先进 GPU 的并行算力将其推广落地。这么做的代价是什么?
最近《华尔街日报》一篇有关明星创业公司的报道里给出了答案：投入是产出的 17 倍。
上个周末，机器学习社区围绕这个数字热烈地讨论了起来。
明星创业公司，几周估值翻倍：但没有收入
由知名投资人 Peter Thiel 支持的 AI 初创公司 Cognition Labs 正在寻求 20 亿美元估值，新一轮融资在几周之内就将该公司的估值提高了近六倍。
在如今火热的生成式 AI 领域里，Cognition 是一家冉冉升起的新星。如果你对它还不太熟悉，这里有它的两个关键词：国际奥赛金牌团队，全球首位 AI 程序员。
Cognition 由 Scott Wu 联合创立，其团队组成吸引眼球，目前只有 10 个人，但包含许多国际信息学奥林匹克竞赛的金牌选手。
Cognition Labs 的团队，CEO Scott Wu(后排身穿衬衣)只有 27 岁。
该公司在今年 3 月推出了 AI 代码工具 Devin，号称「第一位接近人类的 AI 程序员」，能够自主完成复杂的编码任务，例如创建自定义的网站。从开发到部署，再到 debug，只需要人类用自然语言给需求，AI 就能办到。
该新闻很快就登上了众多媒体的头条，也成为了热搜：
一些投资者表示，Devin 代表了人工智能的重大飞跃，并可能预示着软件开发的大规模自动化之路已经开启。
Cognition 虽然神奇，但它并不是个独苗。最近一段时间，生成式 AI 展现了超乎想像的吸金能力。去年 12 月，总部在法国的 Mistral 获得了 4.15 亿美元融资，估值达到 20 亿美元，比前一年夏天的一轮融资增长了大约七倍。
3 月初，旨在挑战谷歌网络搜索主导地位的 AI 初创公司 Perplexity 也传来新一轮融资的消息，新估值有望达到近 10 亿美元。
而在这其中，作为一家旨在提供 AI 自动代码工具的创业公司，Cognition 去年才开始研发产品，目前并没有获得有意义的收入数字。今年初，在 Founders Fund 牵头的一轮 2100 万美元融资中，该公司的估值达到了 3.5 亿美元。据介绍，美国著名创业投资家、创办 Founders Fund 的 Peter Thiel 帮助领导了对 Cognition 的投资。
Peter Thiel 是全球畅销书《从 0 到 1：开启商业与未来的秘密》的作者，身家 71 亿美元。
AI 编写代码看起来是一个有前途的大模型应用方向，其他提供类似产品的公司也看到了增长势头。上个季度，微软的代码工具 GitHub Copilot 用户数量增长了 30% 达到 130 万。Magic AI 是 Cognition 的竞争对手，2 月份获得了 1.17 亿美元的投资。国内也有一些代码生成自动化工具的初创企业，在生成式 AI 技术爆发后正在加速行业落地。
尽管出现了令人鼓舞的增长迹象，新公司的估值也不断膨胀，但这种快速发展也引发了人们对于出现泡沫的担忧 —— 到目前为止，很少有初创公司能够展示他们如何赚钱，想要收回开发生成式 AI 的高昂成本，似乎还没有门道。
在 3 月的一次演讲中，红杉资本(Sequoia Capital)有投资人估计 AI 行业去年为了训练大模型，仅在英伟达芯片上就花费了 500 亿美元，而换来的收入是 30 亿美元。
所以说，不算电费，开销是收入的 17 倍。
怎么样，今年还玩得起吗?
出路在哪
如今生成式 AI 技术的爆发，可谓验证了强化学习先驱 Richard S. Sutton 在《苦涩的教训》中的断言，即利用算力才是王道。黄仁勋两周前在 GTC 上也曾表示：「通用计算已经失去动力，现在我们需要更大的模型、更大的 GPU，需要将 GPU 堆叠在一起…… 这不是为了降低成本，而是为了扩大规模。」
但是在千亿、万亿参数量的大模型出现之后，通过提升规模来提升智能的方法是否还可以持续，是一个无法回避的问题。更何况现在的大模型已经很贵了。
华尔街日报的文章迅速引起大量讨论。有网友认为：「资本支出通常就是一次性的，而投资的收入却是日积月累的。生成式 AI 刚刚起步，其后续的经济收益可能是巨大的。」
但这种乐观的观点很快遭到反驳，另一位网友指出：「资本的支出的确是一次性的，但 GPU 会相对较快地贬值。」
为什么说 GPU 会快速贬值呢?虽然较老版本的 GPU 也不会停止支持 CUDA(英伟达推出的运算平台)等等，但与 H100 相比，V100 的能源消耗是巨大的浪费。
毕竟同样也是在 3 月份，英伟达已经发布了全新一代 AI 加速的 GPU Blackwell 系列。
近八年来，AI 算力增长了一千倍。
如果使用 V100 可以赚钱，那当然没问题。然而，如诸多媒体报道所述，对大多数公司来说，现阶段运行大模型并没有转化为实际收入。
另一方面，看看现在大模型每周都在推陈出新的状态，即使几年前的 GPU 在算力角度看可以接受，但大模型也在「快速折旧」。七年后的 AI，用现在的基础设施能支撑吗?
此外，如果一家公司花费大量成本来购买 V100.试图跟上生成式模型的趋势，那么可能就会出现研究团队雇佣成本不足的问题，那么最终可能还是无法做出有实际应用、经济收益的产品。
值得注意的是，许多 LLM 都需要额外的处理层来消除幻觉或解决其他问题。这些额外的层显著增加了生成式模型的计算成本。这不是 10% 的小幅增长，而是计算量增长了一个数量级。并且许多行业可能都需要这种改进。
图源：Reddit 用户 @LessonStudio
从行业的角度讲，运行生成式大模型需要大型数据中心。英伟达已经非常了解这个市场，并持续迭代更新 GPU。其他公司可能无法仅仅投资数百亿美元来与之竞争。而这些 GPU 需求还只是来自各大互联网公司的，还有很多初创公司，例如 Groq、Extropic、MatX、Rain 等等。
最后，也有人给出了这种夸张投入的「合理性」：坐拥大量现金的微软、谷歌和 Meta，他们因为反垄断法规而无法继续收购，因而只能选择将资金投入 AI 技术发展。而 GPU 支出的折旧，可以作为损失避免缴纳更多税款。
但这就不是创业公司所要考虑的事了。
无论如何，竞争会决出胜者。无论花掉多少钱，成为第一可能就会带来潜在的收益……
