人工智能工程灾难：当资本取代思考——为什么生成式人工智能正在经济上失控

Xpert 预发布版

在线联系方式（Konrad Wolfenstein）

Available in 27 languages 📢

在 Google 上更倾向于选择 Xpert.Digital。ⓘ

发布日期：2026年7月26日 / 更新日期：2026年7月26日 – 作者： Konrad Wolfenstein

人工智能工程灾难：当资本取代思考——为什么生成式人工智能正在经济上失控——图片来源：Xpert.Digital

电力、储能、数十亿美元的成本：关于生成式人工智能的令人不安的真相

只有通过清晰明确的用例重点、强大的架构和一致的治理，才能真正创造战略价值。

围绕生成式人工智能的热潮曾经铺天盖地，但如今，整个商业世界正逐渐感到失望。数十亿美元涌入庞大的数据中心，这些数据中心对电力和昂贵的存储芯片有着永无止境的需求。与此同时，大多数公司却未能实现预期的财务成功。这项被誉为数字革命下一阶段的技术，是否已经触及了其物理和经济的极限？批评人士甚至称其为历史上最大的“工程灾难”之一：一项耗资万亿美元的实验，却违背了传统的软件扩展原则。仔细分析原始数据，就能发现为何越来越多的专家呼吁进行彻底的战略调整——摒弃盲目的庞大主义，转向更高的精准度。.

史上最糟糕的技术？为什么专家们突然开始质疑人工智能的奇迹？

不是芯片，而是电力：人工智能泡沫可能破裂的真正原因。

近几周来，围绕生成式人工智能经济价值的争论愈演愈烈。著名美国杂志《大西洋月刊》刊登了记者亚历克斯·雷斯纳的一篇文章，文中提出了一个观点，甚至让最坚定的技术乐观主义者也感到震惊：从成本和工程效率来看，生成式人工智能可能是迄今为止大规模开发的最差的数字技术。这一评估并非出于意识形态上的技术恐惧，而是基于对资源消耗、可扩展性和宏观经济副作用的冷静分析。雷斯纳指出，他曾询问多位人工智能研究人员，是否知道有任何其他现实世界的软件像大型语言模型一样扩展性如此糟糕。没有人能举出类似的例子。这一论断打破了目前盛行的观点，即生成式人工智能仅仅是继互联网和智能手机之后数字革命的下一个阶段。.

“精准胜于速度：只有通过清晰的应用场景、稳健的架构和一致的治理，生成式人工智能才能从昂贵的影子IT发展成为真正具有战略价值的组成部分。我们现在需要的是扎实的工程规范，而不是盲目的行动主义。”

70%的市场份额足以改变整个行业

支持效率低下论点的关键证据在于大型语言模型的内存消耗。报告显示，科技公司目前购买了全球高达70%的高质量计算机内存，用于运行和训练诸如ChatGPT和Claude之类的模型。如此巨大的份额造成了结构性短缺，其影响远远超出人工智能行业本身。SK海力士、美光和三星等内存芯片制造商已将其2026年的全部产能预售给主要云服务提供商，导致高带宽内存芯片的利润率高达60%至70%，创历史新高。对于几乎所有依赖半导体的其他行业——从汽车和消费电子到工业自动化——而言，这意味着更高的采购成本和更长的交货周期。因此，内存制造商已经摆脱了数十年来作为低利润原材料供应商的角色，如今他们掌握了价格主导权，因为人为造成的稀缺已成为该行业最赚钱的产品。.

为什么经典的软件经济学规则在这里失效了

在传统的数字经济中，一个简单的原则已经成立数十年：软件几乎可以零成本扩展。一旦程序开发完成，服务一百万个新用户的成本几乎与服务一个用户的成本相同。谷歌、Facebook 和传统云服务赖以成功的这一扩展原则，并不适用于生成式人工智能。对大型语言模型的每一次查询都会产生可衡量的计算、存储和能源成本，这些成本会随着用户数量的增加而线性增长，甚至不成比例地增长。据估计，对人工智能聊天系统的一次查询所消耗的能源是传统搜索引擎查询的数倍。这种物理现实无法仅通过软件优化来消除。这正是批评的症结所在：投资者将传统软件平台的估值逻辑套用到了一种边际使用成本并非接近于零，而是真实存在且相当可观的产品上。.

耗资万亿美元却尚未完成的实验

这场变革的规模空前。仅五大超大规模数据中心运营商——亚马逊、微软、谷歌、Meta和甲骨文——就宣布今年将在人工智能基础设施领域投资超过6600亿美元。OpenAI一家就与合作伙伴甲骨文和英伟达达成了超过4000亿美元的协议，并计划在德克萨斯州建设一个容量达1.2吉瓦的数据中心项目，相当于约75万户家庭的用电量。与此同时，根据公开报告，该公司年营业亏损约50亿美元，而收入约为120亿美元。因此，这些投资金额与以往收入的比例，很难用传统的商业指标来解释。批评人士因此将其恰当地描述为一场万亿美元的工程实验，其中效率、可扩展性和稳健架构等关键问题，不是从一开始就得到妥善解决，而是在时间压力下事后才加以解决。后续的改进能否在技术上完全成功，目前仍是一个悬而未决的问题，专家们也越来越对此持怀疑态度。.

中国如何重新定义权力问题

近几个月来，第二个因素进一步加剧了这场争论：中国模型的崛起，它们相对而言效率更高。像DeepSeek这样的中国供应商已经证明，高性能语言模型的实现所需的计算量和训练成本远低于美国主要供应商的方法。价格对比清晰地展现了这种差异：使用像Claude这样的顶级西方模型进行一次查询，大约需要4811个计算单位，而一个类似的中国模型只需要大约1071个计算单位。这种效率差距对投资者而言并非无关紧要，而是关乎生死存亡的问题，因为它直接影响到美国模型供应商的IPO计划。有报道指出，更便宜但同样强大的中国替代方案的存在，正日益使OpenAI和Anthropic预计超过8000亿美元的IPO估值受到质疑。如果竞争对手能够以更低的成本提供类似的产品，那么如此高的估值倍数就很难站得住脚了。.

其他所有行业也都面临着同样的短缺问题。

生成式人工智能的资源需求远不止于存储需求。近期对半导体行业的分析表明，目前存在多个物理瓶颈同时出现的情况：用于布线和冷却的铜、用于晶圆冷却和泄漏测试的氦气以及用于电路蚀刻的溴都已变得稀缺，数据中心如今正与传统行业积极争夺这些原材料。今年1月，铜价一度飙升至每磅约6美元，而铝价也达到了四年来的最高水平。此外，地缘政治因素也加剧了这一局面：3月份卡塔尔一个重要的天然气出口枢纽的供应中断，导致全球液化天然气供应量暂时减少了约20%，推高了台湾和韩国等高耗能芯片工厂的电力成本。这种相互依存的链条表明，原本纯粹的数字化产品如今已与实体供应链、能源市场和地缘政治断层线深度交织，其造成的冲击远远超出了科技行业本身。.

当连芯片都不再是瓶颈时

更令人惊讶的是，2026 年出现了一种新的趋势：电力供应，而非半导体，已成为人工智能基础设施进一步扩展的真正限制因素。许多科技公司已经拥有大量先进的人工智能芯片库存，但由于电网连接不足，根本无法投入使用。在美国，新建数据中心并网的等待时间目前长达三到七年，而电网连接的总排队容量超过 2100 吉瓦，超过了美国现有电网的总容量。一个人工智能训练集群设施，例如微软、谷歌或亚马逊目前运营的那些设施，可以持续消耗 50 到 150 兆瓦的电力，这大致相当于 4 万到 12 万个美国普通家庭的用电量。高盛分析师预测，到2030年，美国数据中心的电力需求将增长约160%，而北美电网可靠性委员会已发出警告，称美国大部分地区面临停电风险增加。这意味着，在相应的能源基础设施跟上需求之前，数十亿美元的芯片投资实际上将被浪费——这种情况进一步影响了整个行业的投资回报率。.

🤖🚀 托管式 AI 平台：借助 UNFRAME，实现更快、更安全、更智能的 AI 解决方案

托管式人工智能平台 - 图片来源：Xpert.Digital

在这里，您将了解到您的公司如何快速、安全地实施定制化的人工智能解决方案，且无需承担过高的准入门槛。.

托管式人工智能平台是您实现人工智能的全方位、无忧解决方案。您无需处理复杂的技术、昂贵的基础设施和漫长的开发流程，即可从专业合作伙伴处获得根据您的需求量身定制的现成解决方案——通常只需几天时间。.

主要优势一览：

⚡ 快速实施：从构思到可立即使用的应用，只需几天而非几个月。我们提供切实可行的解决方案，创造即时附加值。.

🔒 最高数据安全保障：您的敏感数据始终由您掌控。我们保证安全合规地处理您的数据，绝不与任何第三方共享。.

💸 无财务风险：您只需为结果付费。完全无需前期投入大量资金用于硬件、软件或人员。.

🎯 专注于您的核心业务：集中精力做好您最擅长的事情。我们将负责您人工智能解决方案的全部技术实施、运营和维护。.

📈面向未来且可扩展：您的AI将与您一同成长。我们确保持续优化和可扩展性，并灵活调整模型以适应新的需求。.

更多信息请点击这里：

托管人工智能平台

人工智能狂热的终结：为什么智能系统架构比大型模型更重要

公司内部的幻灭感

尽管数十亿美元正涌入规模日益庞大的模型，但需求方的情况却截然不同，尤其是那些真正希望有效利用生成式人工智能的公司。麻省理工学院一项被广泛引用的研究发现，尽管企业在生成式人工智能内部试点项目上的总投资额约为400亿美元，但其中95%的项目未能产生任何可衡量的财务附加值。管理咨询公司贝恩对900多家公司进行的一项广泛调查也得出了类似的结论：虽然37%的公司目标是节省11%到20%的成本，但在实际衡量结果的公司中，近40%的公司最终只实现了0%到10%的成本节约。这项技术在技术层面是可行的，但承诺的经济效益却未能实现。有趣的是，根据同一项研究，尽管缺乏成功，90%的公司还是增加了下一轮投资的预算，这次投资对象是自主人工智能代理——观察人士认为，此举可能会危险地重蹈覆辙，犯下同样的结构性错误。.

为什么运营实施会失败

分析失败项目的根本原因，能够为人工智能转型提供至关重要的洞见。据 Gartner 称，至少 30% 的生成式人工智能项目在概念阶段后便被放弃，主要原因包括数据质量差、风险控制不足、成本飙升或商业收益不明确。贝恩公司指出，缺乏专有数据访问权限是迄今为止最大的障碍，甚至超过了预算问题、合规性担忧或熟练人员短缺。另一个关键问题是，企业常常在没有从根本上重新设计现有低效工作流程的情况下，就将其自动化。仅仅用人工智能加速一个有缺陷的流程，只会加剧原有的错误，使其更加根深蒂固且成本更高，而不是纠正错误。此外，人们对已部署系统的自主性存在误解：实际上，目前只有约 7% 的已部署人工智能代理能够完全自主运行，而绝大多数仍然需要人工审批或依赖例外情况。然而，如果最初的商业案例是基于完全自动化的假设进行计算的，那么实际节省的成本与计算出的成本之间存在显著差距。.

以单位使用成本逻辑作为反提案

并非所有专家都认同生成式人工智能扩展性差的普遍论断。经济学家克里斯托斯·马克里迪斯认为，关键因素并非模型本身的性能，而是每个真正有用输出的成本。根据他的观点，真正的浪费不在于技术本身，而在于许多公司对于简单的任务会下意识地部署规模最大的顶级模型，而实际上，规模较小的专用模型、基于规则的系统或传统软件完全可以胜任。公司应该像管理云支出、员工工时或库存一样，以同样严谨的态度来管理语言模型的处理单元——令牌：哪些任务需要顶级模型，哪些任务可以用规模较小的模型处理，哪些情况下值得缓冲响应，哪些情况下必须由人来参与决策？这种观点将责任从技术本身转移到了管理层面，而管理最终决定了人工智能实施的成败，而非仅仅依赖于计算能力。.

介于真相与夸张之间

围绕所谓工程灾难的争论需要更细致的视角。不可否认，目前形式的生成式人工智能系统资源消耗异常高，并给无关的第三方带来实际的经济成本，例如更高的储能价格或电力容量竞争。然而，就此断言这项技术本身毫无价值或其进一步发展已无意义，未免过于简单化。历史上，几乎所有变革性的基础设施技术——从铁路和电气化到20世纪90年代光纤网络的扩展——在早期阶段都伴随着大规模的过度投资、资源错配，有时甚至会出现惨痛的失败，最终才形成可行且高效的系统。生成式人工智能的关键区别在于其资本投入的速度和规模，短短几年内，其规模就远远超过了以往任何技术周期，而能源、存储和冷却等根本性的物理瓶颈问题却远未得到解决。.

这一发展对企业人工智能战略意味着什么

对于希望将生成式人工智能融入业务流程的公司而言，这种整体形势具有明确的战略意义。那些仅仅将人工智能工具视为提升生产力的灵丹妙药，并盲目选择功能最强大但也最昂贵的模型的公司，可能会陷入成本和复杂性的陷阱，最终导致其最初制定的商业计划功亏一篑。而成功的公司则恰恰相反，它们专注于具体、明确的用例，从一开始就明确定义其附加价值。同样重要的是，要做出有意识的架构决策：并非每项任务都需要功能最强大的模型；通常情况下，规模较小、功能专一或本地运行的系统就足够了，这些系统成本更低、能耗更低。此外，健全的治理结构也至关重要。该结构明确规定了公司内部谁负责人工智能系统的决策、数据访问的架构方式，以及在下一轮融资获得批准之前如何衡量成功。.

“生成式人工智能绝不能继续沦为不受控制的影子IT项目。任何想要从这股热潮中挖掘真正价值的人都必须明白：精准胜于速度。只有那些专注于系统设计和智能组织架构的人才能获得成功。”

以精准而非速度为新的指导原则

从以上观察中，我们可以得出一条贯穿始终的原则，它应该取代以往对更大模型和更高投资额的盲目追求：精准胜于速度。仅仅尽可能多地向数据中心、芯片和训练程序投入资金，并寄希望于效率和盈利能力最终会自然而然地提升，已经远远不够了。相反，从一开始就需要稳固的系统架构、精心设计的工程方案以及与现有业务流程的智能化整合。只有在这些条件下，生成式人工智能才能真正从昂贵且往往不受控制的影子IT现象演变为战略价值创造要素。未来两到三年很可能会揭示哪些供应商和公司能够成功完成从纯粹资本密集型到真正工程学科的转变，而哪些供应商和公司则会因为当前系统仍然存在的物理和经济限制而失败。.