打开网易新闻 查看精彩图片

当你在手机上轻触屏幕，向AI抛出一个问题时，很少有人会想到，这背后是一个庞大且昂贵的“烧钱”机器在高速运转。AI的成本，就像一座冰山，我们看到的只是水面上的便捷对话，而水面下，是GPU集群的轰鸣、海量数据的吞吐和持续不断的资金投入。

打开网易新闻 查看精彩图片

首先是训练成本，这就像培养一位顶尖博士。要教出一个AI，需要数千张价值3万美元的H100 GPU，连续训练数月，每小时的电费就高达数千美元。再加上海量数据的清洗、标注、版权费，以及顶级研究员的年薪，一个大模型的“毕业费用”轻松超过1亿美元。好消息是，这笔钱是一次性投入，AI“毕业”后就能持续工作。
真正的“烧钱大头”是推理成本，也就是你每次和AI对话的过程。训练是一次性的，而推理是持续不断的。AI的输入可以并行处理，成本相对较低，但输出需要一个token一个token地串行生成，成本是输入的3-5倍。同一个问题，不同模型的“烧钱”效率能差10倍，OpenAI一年仅推理成本就亏损50亿美元。
此外，上下文窗口越长，成本就越高。上下文长度增加10倍，计算量会以平方级增长100倍。而那些你看不见的“水电物业”成本，如液冷散热、带宽、冗余备份和工程师团队，更是占到了总运营成本的30-40%。
所以，下次当你和AI对话时，不妨多一份理解。每一次智能的回应，都是无数硬件、数据和资金共同燃烧的结果。而对我们来说，学会提取关键信息再提问，不仅能省钱，还能获得更高质量的回答。
要不要我帮你把这篇配文精简成300字的短视频口播稿，方便你直接使用？