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。
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
GPT-6 Astra, OpenAI, 2026年9月
2019年为1个;共326个有算力估算
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
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。
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 | 62 | 20.5 个月 | ×1.5 | 0.69 |
| 自2010年以来的知名模型 | 481 | 5.7 个月 | ×4.3 | 0.66 |
| 自2010年以来的前沿模型 | 72 | 5.4 个月 | ×4.6 | 0.97 |
| 自2010年以来的语言模型 | 302 | 4.9 个月 | ×5.5 | 0.68 |
| 自2010年以来,不含推测估算 | 422 | 5.6 个月 | ×4.4 | 0.67 |
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 |
|---|---|---|---|---|
| 2010 | RNN LMJohns Hopkins University · 美国 | 5.4×1016推测 | — | — |
| 2011 | CNN Committee (MNIST)IDSIA · 瑞士 | 5.2×1016很可能 | ×0.96 | — |
| 2012 | Unsupervised High-level Feature LearnerGoogle · 美国 | 6.0×1017很可能 | ×11.5 | $16 |
| 2013 | DistBelief NNLMGoogle · 美国 | 2.6×1018很可能 | ×4.35 | $3,255 |
| 2014 | SNM-skipGoogle · 美国 | 3.0×1020推测 | ×114 | — |
| 2015 | AlphaGo FanDeepMind · 英国 | 3.8×1020很可能 | ×1.28 | $4,828 |
| 2016 | GNMTGoogle · 美国 | 6.6×1021很可能 | ×17.4 | $20.1万 |
| 2017 | JFTGoogle Research, Carnegie Mellon University (CMU) · 美国 | 8.4×1020有把握 | ×0.13 | $1.79万 |
| 2018 | ResNeXt-101 32x48dFacebook · 美国 | 8.7×1021有把握 | ×10.4 | $13.4万 |
| 2019 | AlphaStarDeepMind · 英国 | 1.1×1023有把握 | ×12.3 | $13.1万 |
| 2020 | GPT-3 175B (davinci)OpenAI · 美国 | 3.1×1023有把握 | ×2.91 | $212万 |
| 2021 | FLAN 137BGoogle Research · 美国 | 2.0×1024有把握 | ×6.52 | — |
| 2022 | Minerva (540B)Google · 美国 | 2.7×1024有把握 | ×1.34 | — |
| 2023 | Gemini 1.0 UltraGoogle DeepMind · 美国 | 5.0×1025推测 | ×18.2 | $3,070万 |
| 2024 | Llama 3.1-405BMeta AI · 美国 | 3.8×1025有把握 | ×0.76 | $5,290万 |
| 2025 | Grok 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。
以表格查看方块
| 年份 | 超过10²³ | 超过10²⁴ | 超过10²⁵ | 超过10²⁶ | 无估算 |
|---|---|---|---|---|---|
| 2019 | 1 | 0 | 0 | 0 | 0 |
| 2020 | 2 | 0 | 0 | 0 | 0 |
| 2021 | 10 | 3 | 0 | 0 | 0 |
| 2022 | 23 | 3 | 0 | 0 | 8 |
| 2023 | 58 | 17 | 3 | 0 | 63 |
| 2024 | 101 | 39 | 6 | 0 | 66 |
| 2025 | 104 | 71 | 9 | 3 | 61 |
| 2026迄今 | 27 | 25 | 7 | 1 | 10 |
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。
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。
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。
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 | Microsoft | Alphabet | Amazon | Meta | Oracle | 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。
| 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/