BigCapital 测试版

文章 · 科技

数字里的AI热潮

自2010年以来,训练知名AI模型所用的算力每5.7 个月翻一番,即每年×4.3,这是根据Epoch AI数据中481个模型拟合出的趋势。微软、Alphabet、亚马逊、Meta和甲骨文在截至2026年9月的四个季度中,花在房产和设备上的支出为$6,910亿,是ChatGPT发布前四个季度的4.5倍。NVIDIA在2026财年的营业收入为$2,160亿,是2023财年的8.01倍。

已更新至2026年11月数据阅读约9分钟

训练算力翻一番需要
5.7 个月

自2010年以来每年×4.3,这是根据481个知名模型拟合出的趋势;2010年之前:每20.5 个月

数据中最大的一次训练,FLOP
9.4×1026

GPT-6 Astra, OpenAI, 2026年9月

2025年发布的算力超过10²³ FLOP的模型
104

2019年为1个;共326个有算力估算

大型科技公司的资本支出,截至2026年9月的四个季度
$6,910亿

微软、Alphabet、亚马逊、Meta和甲骨文;截至2022年9月的四个季度为$1,540亿

NVIDIA营业收入,2026财年
$2,160亿

2023财年:$270亿;净利润$1,200亿,占营业收入的56%

训练算力每5.7 个月翻一番

每个点代表Epoch AI有训练算力估算的543个知名AI模型之一:训练算力即训练该模型所用的浮点运算(FLOP)次数,包括加法和乘法。最早的是1950年克劳德·香农的走迷宫机械鼠Theseus,训练算力为40 FLOP;迄今最大的是OpenAI的GPT-6 Astra(2026年9月),为9.4×10²⁶ FLOP。

纵轴为对数刻度,因此一条直线意味着稳定的指数增长。对2010年以来发布的481个模型作最小二乘拟合,直线每年上升×4.3:训练算力每5.7 个月翻一番,沿这条线推十年,算力将变为原来的215万倍。2010年之前的62个模型,每年上升×1.5,每20.5 个月翻一番。前沿模型,即发布时算力排名前五的模型,自2010年以来每5.4 个月翻一番(72个模型)。

这些数字都是估算。Epoch将其中59%评为有把握(误差在3倍以内),28%评为很可能(误差在10倍以内),12%评为推测(误差在约31倍以内);推测的以空心点表示。剔除它们后,自2010年以来的趋势为每5.6 个月翻一番。

前沿模型(发布时算力排名前五)其他知名模型推测估算2010年之前的趋势自2010年以来的趋势
有训练算力估算的知名模型,按发布日期排列。对数刻度。线条:2010年之前和自2010年以来的最小二乘趋势。标注:算力纪录,每个至少是前一个标注模型的10倍。 数据:Epoch AI,“Data on AI models”(CC BY 4.0);趋势和计数由BigCapital计算
以表格查看趋势
模型数量翻倍时间每年增长R²
2010年之前的知名模型6220.5 个月×1.50.69
自2010年以来的知名模型4815.7 个月×4.30.66
自2010年以来的前沿模型725.4 个月×4.60.97
自2010年以来的语言模型3024.9 个月×5.50.68
自2010年以来,不含推测估算4225.6 个月×4.40.67

以发布日期(以年计)对训练算力的log₂作最小二乘;翻倍时间 = 12 ÷ 斜率(月),每年增长 = 2^斜率。R²是这条线所能解释的对数算力离散程度的占比。

每年最大的模型

自2010年以来,算力纪录被刷新了24次。2010年最大的模型RNN LM的训练算力为5.4×10¹⁶ FLOP;GPT-6 Astra所用的算力是它的174亿倍。

Epoch AI还以2023年美元估算了其中178个模型的训练算力成本。最高的估算为$3.88亿,对应Grok 4(xAI,2025年);超过$1.0亿的有3个模型。据Epoch估算,数据中耗电最多的是训练GPT-6 Astra的100,000块芯片,功率约233兆瓦。

年份模型和开发者训练算力,FLOP较上一年的倍数算力成本,2023年美元
2010RNN LMJohns Hopkins University · 美国5.4×1016推测——
2011CNN Committee (MNIST)IDSIA · 瑞士5.2×1016很可能×0.96—
2012Unsupervised High-level Feature LearnerGoogle · 美国6.0×1017很可能×11.5$16
2013DistBelief NNLMGoogle · 美国2.6×1018很可能×4.35$3,255
2014SNM-skipGoogle · 美国3.0×1020推测×114—
2015AlphaGo FanDeepMind · 英国3.8×1020很可能×1.28$4,828
2016GNMTGoogle · 美国6.6×1021很可能×17.4$20.1万
2017JFTGoogle Research, Carnegie Mellon University (CMU) · 美国8.4×1020有把握×0.13$1.79万
2018ResNeXt-101 32x48dFacebook · 美国8.7×1021有把握×10.4$13.4万
2019AlphaStarDeepMind · 英国1.1×1023有把握×12.3$13.1万
2020GPT-3 175B (davinci)OpenAI · 美国3.1×1023有把握×2.91$212万
2021FLAN 137BGoogle Research · 美国2.0×1024有把握×6.52—
2022Minerva (540B)Google · 美国2.7×1024有把握×1.34—
2023Gemini 1.0 UltraGoogle DeepMind · 美国5.0×1025推测×18.2$3,070万
2024Llama 3.1-405BMeta AI · 美国3.8×1025有把握×0.76$5,290万
2025Grok 4xAI · 美国5.0×1026推测×13.2$3.88亿
2026迄今GPT-6 AstraOpenAI · 美国9.4×1026很可能×1.88—

每年发布的训练算力最大的知名模型;“较上一年的倍数”是与上一年最大模型的比较。算力下方:Epoch AI对该估算的把握程度。成本:Epoch AI的估算(若有)。

10²³ FLOP俱乐部

Epoch AI有一份大规模模型清单:训练算力超过10²³ FLOP的模型,这是一些AI监管规定使用的固定门槛。其中326个有算力估算。第一个是2019年的AlphaStar;2025年有104个模型越过这条线,2024年为101个。

首批超过更高门槛的模型是Wu Dao 2.0超过10²⁴(2021年), GPT-4超过10²⁵(2023年)和Grok 3超过10²⁶(2025年)。 2025年发布的算力超过10²⁵ FLOP的模型:9个。该年俱乐部中的全部104个模型里,90个以开放权重发布(任何人都可以下载并运行),10个只通过API或托管服务提供,4个未发布。

2026年尚未结束:截至2026年11月10日,清单中有27个模型有估算。Epoch会在数周内加入新模型,算力估算则稍后补上,因此近几个月的数据会逐步补全。清单中还有208个没有算力估算的大规模模型,此处未计入。

10²³至10²⁴10²⁴至10²⁵10²⁵至10²⁶超过10²⁶
每个方块代表一个Epoch AI列为训练算力超过10²³ FLOP且有算力估算的模型,按其发布年份排列;每列中最大的在最下方。2026年:截至2026年11月10日。 数据:Epoch AI,“Data on AI models”(CC BY 4.0);趋势和计数由BigCapital计算
以表格查看方块
年份超过10²³超过10²⁴超过10²⁵超过10²⁶无估算
201910000
202020000
2021103000
2022233008
202358173063
2024101396066
2025104719361
2026迄今27257110

有算力估算的模型,按发布年份;超过10²⁵ FLOP的模型同时也计入超过10²⁴和10²³的模型。无估算:在Epoch的大规模模型清单上但没有算力数据。

谁在构建它们

在算力超过10²³ FLOP的326个模型中,美国的机构参与了135个,中国的机构参与了139个;其后是韩国 (17), 法国 (10)和阿拉伯联合酋长国 (8)。由多个机构共同构建的模型,按其所属国家各计一次。

最多的来自Alibaba(36个)、Meta AI(24个)和Nvidia(20个)。 各机构按数据中的名称列出,因此谷歌旗下的机构被分开计算:Google, Google DeepMind, Google Research, DeepMind和Google Brain。

算力超过10²³ FLOP的模型,按国家
  1. 中国139
  2. 美国135
  3. 韩国17
  4. 法国10
  5. 阿拉伯联合酋长国8
  6. 英国5
  7. 德国4
  8. 中国香港3
  9. 俄罗斯3
  10. 芬兰2
算力超过10²³ FLOP的模型,按机构
  1. Alibaba36
  2. Meta AI24
  3. Nvidia20
  4. DeepSeek17
  5. OpenAI11
  6. Google10
  7. IBM10
  8. Tsinghua University10
  9. ByteDance8
  10. Z.ai (Zhipu AI)8
  11. 01.AI7
  12. Ant Group6

有算力估算的模型;一个模型按其所列的每个国家和每个机构各计一次。机构名称依照Epoch AI的写法。

是公司,而不是大学

2025年发布的109个知名模型中,92%个仅来自公司,5%个来自公司与大学合作,2%个仅来自大学。2010–2014年间,仅由公司完成的有19%个。

公司公司与大学合作大学其他或不详
所有知名模型(无论有无算力估算),按发布年份和制作方,机构分类依照Epoch AI。其他:政府、研究团体、未分类。2026年:截至2026年11月10日。 数据:Epoch AI,“Data on AI models”(CC BY 4.0);趋势和计数由BigCapital计算

资金:大型科技公司的资本支出

训练和运行AI模型需要装满芯片的数据中心,而建造最大数据中心的公司把这笔费用列为资本支出:为购置房产和设备支付的现金。微软、Alphabet、亚马逊、Meta和甲骨文在截至2026年9月的四个季度中合计支出$6,910亿,是截至2022年9月的四个季度的$1,540亿的4.5倍,后者是ChatGPT于2022年11月30日发布之前的最后一个季度。这相当于每天$18.9亿,即每秒$21,900。

相对于公司规模,最近四个季度的支出占这五家公司营业收入的36%,此前为13%;占其经营活动所得现金的95%,此前为54%。支出最多的是Amazon,为$2,150亿。

财报并未说明其中有多少用于AI。资本支出也用于办公室和其他建筑,在亚马逊还包括仓库和配送网络,而且各公司按自己的定义申报。

MicrosoftAlphabetAmazonMetaOracle
按日历季度列示的资本支出,取自现金流量表。甲骨文的季度结束于2月、5月、8月和11月,并归入其结束所在的日历季度。阴影部分:截至2022年9月和截至2026年9月的四个季度。 来源:SEC EDGAR(公司申报文件)

与截至2022年9月的四个季度相比的变化。柱形:自2015以来按季度列示的资本支出,每家公司使用各自的刻度。超过经营现金流的100%:支出超过了经营活动带来的现金。卡片链接到各公司页面。

按日历年列示的资本支出
年份MicrosoftAlphabetAmazonMetaOracle合计
2015$65.5亿$99.3亿$45.9亿$25.2亿$16.1亿$252亿
2016$91.1亿$102亿$67.4亿$44.9亿$16亿$322亿
2017$87亿$132亿$120亿$67.3亿$20.4亿$426亿
2018$142亿$251亿$134亿$139亿$14.7亿$682亿
2019$135亿$235亿$169亿$151亿$15.9亿$706亿
2020$176亿$223亿$401亿$152亿$18.3亿$970亿
2021$232亿$246亿$611亿$187亿$31.2亿$1,310亿
2022$248亿$315亿$636亿$312亿$66.8亿$1,580亿
2023$352亿$323亿$527亿$270亿$69.3亿$1,540亿
2024$556亿$525亿$830亿$373亿$107亿$2,390亿
2025$831亿$914亿$1,320亿$697亿$355亿$4,120亿
20263个季度$1,060亿$1,320亿$1,760亿$831亿$636亿$5,600亿

NVIDIA:卖铲子的人

Epoch AI记录了2020年以来发布的278个知名模型的训练硬件:其中204个(73%)使用NVIDIA芯片训练,68个(24%)使用谷歌的TPU训练。

NVIDIA的财年在1月下旬结束:2026财年截至2026年1月25日。该年营业收入为$2,160亿,是2023财年($270亿)的8.01倍;2023财年在ChatGPT发布2个月后结束。净利润从$43.7亿(占营业收入的16%)增至$1,200亿(56%)。

财报中最近的一个季度2027财年第2季度(截至2026年7月26日),营业收入为$962亿,净利润为$597亿;扣除销货成本后,营业收入剩余75%(毛利率)。截至2026年7月26日的四个季度合计营业收入$3,030亿,净利润$1,930亿,按这个速度,每9.5天就能赚到相当于NVIDIA 2016财年全部营业收入($50.1亿)的净利润。

这里使用的SEC数据给出的是NVIDIA的总营业收入,而不是按市场的拆分,因此图表显示的是总额。公众持有的NVIDIA股票的市场价值,即年度报告封面上的自由流通股价值(不是市值),在2022年7月末为$4,340亿,在2025年7月末为$4.0万亿。

营业收入净利润
按财季列示的营业收入和净利润,依申报数据;财年依NVIDIA的命名(2026财年截至2026年1月25日)。虚线:ChatGPT发布,2022年11月30日。 来源:SEC EDGAR(公司申报文件)
财年营业收入变化毛利率净利润净利率
2016财年截至2016年1月31日$50.1亿+7%56.1%$6.14亿12.3%
2017财年截至2017年1月29日$69.1亿+38%58.8%$16.7亿24.1%
2018财年截至2018年1月28日$97.1亿+41%59.9%$30.5亿31.4%
2019财年截至2019年1月27日$117亿+21%61.2%$41.4亿35.3%
2020财年截至2020年1月26日$109亿−7%62.0%$28亿25.6%
2021财年截至2021年1月31日$167亿+53%62.3%$43.3亿26.0%
2022财年截至2022年1月30日$269亿+61%64.9%$97.5亿36.2%
2023财年截至2023年1月29日$270亿+0%56.9%$43.7亿16.2%
2024财年截至2024年1月28日$609亿+126%72.7%$298亿48.8%
2025财年截至2025年1月26日$1,300亿+114%75.0%$729亿55.8%
2026财年截至2026年1月25日$2,160亿+65%71.1%$1,200亿55.6%
最近四个季度截至2026年7月26日$3,030亿74.7%$1,930亿63.7%

常见问题

AI发展得有多快?

Epoch AI为每个知名模型跟踪的一项指标是训练算力。自2010年以来,它每5.7 个月翻一番,即每年×4.3,这是对481个模型作最小二乘拟合得出的趋势。2010年之前,每20.5 个月翻一番。

AI中的FLOP是什么?

浮点运算:对小数进行的一次加法或乘法。训练算力是训练一个模型所完成的运算总量:据Epoch AI估算,GPT-6 Astra约为9.4×10²⁶ FLOP,1950年的Theseus为40。

训练一个AI模型要花多少钱?

Epoch AI以2023年美元估算了178个知名模型的训练算力成本。最高的是$3.88亿,对应Grok 4(2025年);2025年发布的模型中,7个估算的中位数为$4,460万。这些数字只包括算力。

科技公司在AI数据中心上花了多少钱?

财报列示的是资本支出整体,而不是其中用于AI的部分。微软、Alphabet、亚马逊、Meta和甲骨文在截至2026年9月的四个季度中支出$6,910亿,截至2022年9月的四个季度为$1,540亿;支出最多的是Amazon($2,150亿)。

NVIDIA赚多少钱?

在2026财年(截至2026年1月25日),营业收入为$2,160亿,净利润为$1,200亿。截至2026年7月26日的四个季度:营业收入$3,030亿,净利润$1,930亿。

深入了解

数字是如何计算的

  • AI模型:Epoch AI,“Data on AI models”。在线发布于epoch.ai。检索自https://epoch.ai/data/ai-models[在线资源]。访问时间:2026年11月15日。许可证CC BY 4.0:可自由使用、分发和复制,但须注明Epoch AI。本页的图表、趋势和计数由BigCapital计算。
  • 训练算力:训练模型所用的浮点运算次数,取自开发者的披露,或由Epoch AI根据硬件和训练时间,或根据模型规模和训练数据估算。把握程度为Epoch的90%区间:有把握指误差在3倍以内,很可能指在10倍以内,推测指在约31倍以内。
  • 趋势:对有估算的知名模型,以发布日期(以年计)对log₂(训练算力)作普通最小二乘;翻倍时间 = 12 ÷ 斜率(月),每年增长 = 2^斜率。“自2010年以来”:发布于2010年1月1日起。纪录:算力超过此前所有知名模型。
  • 知名模型:Epoch列出的推动技术前沿、被高度引用、具有历史意义或被广泛使用的模型;前沿模型指发布时训练算力排名前五的模型。大规模模型:Epoch列出的算力超过10²³ FLOP的模型,按发布年份计数,并按所列的每个国家和机构各计一次。
  • 公司数据:SEC EDGAR,10-K和10-Q申报文件的XBRL公司事实数据(公有领域)。
  • 资本支出:现金流量表中购置房产和设备的支付,采用各公司使用的XBRL标签;未单独申报的季度,按本年累计减去上一期累计得出。营业收入、净利润、毛利润和经营现金流依申报数据。Amazon, 2017年第2季度:XBRL数据中没有,因此用该财年减去其余三个季度得出。
  • 财年依各公司的命名:NVIDIA的2026财年截至2026年1月25日。资本支出图表使用日历季度。
  • 过去的数字是历史,不是预测。此处内容不构成投资建议。

转载本文

文字和图表可在 CC BY 4.0 下自由转载、翻译和改编:请署名 BigCapital.org 并附上本页链接。其他提供方的数据保留各自的许可协议(见下方来源)。如何署名

来源:BigCapital.org —“数字里的AI热潮”,https://bigcapital.org/zh/articles/ai-boom/

语言

EnglishBahasa IndonesiaDeutschEspañolFrançaisItalianoNederlandsPolskiPortuguêsTürkçeРусскийУкраїнська日本語한국어简体中文