AI的杰文斯悖论，离成立还差一个英伟达

本文来自微信公众号：未尽研究 （ID：Weijin_Research），作者：未尽研究

杰文斯悖论不是天然成立的。在AI的叙事中，要让算力用得越多，就要让算力变得更便宜，也要让AI更有用、好用。兑现杰文斯悖论已经成为了英伟达的命门，黄仁勋要在本届GTC上，让市场再次相信他。

AI正在从技术变革和基础设施的部署期，向规模化的商业应用期转变。对于GPU的需求也在发生根本性的变化，即从抢购GPU快速部署算力和技术，到商业应用寻求更具性价比的算力。老黄苦心经营的卖方市场，并非一成不变。需求在呼唤新的创新。

算力成本下降的趋势已经相当明显。Deepseek从软硬件协同层面起了带头作用，阿里千问和百度文心接力，挑起了价格战。但是，硬件层面的算力成本也需要快速下降，即全生命周期内总持有成本（TCO）的下降。它既包括单位算力成本的下降，决定了算力的资本开支（Capex），也包括单位性能能耗的下降，决定了算力的运营开支（Opex）。

如果只是降低单位算力的成本，也就是每花一美元获得的算力的多少，很快就会遇到电力的天花板。尤其是在美国，存量电力基础设施老化，增量建设缓慢，无法支撑数据中心快速扩张。EpochAI认为，前沿模型训练首先遇到的瓶颈就是电力问题，当前的预训练之路，在2030年之前就会终结。推理规模落地，尤其是DeepResearch这样昂贵的智能体技术，需要更高的算力消耗，也就更快触及电力瓶颈。

对英伟达来说，一旦算力触及了电力瓶颈，想要卖出更多的AI芯片，就要降低它的单位算力能耗。否则，整个行业都将像DeepSeek学习，在现有硬件的基础上，通过软硬件协同或模型优化，压榨出更多的算力——这样对于更强大的芯片的需求会变得相对淡定。

事实上，即使没有触及总电力供给的瓶颈，当R1推出之后，美国云巨头与AI应用企业就迅速将其部署于自己的服务器或应用之上。AI走向商业化，企业就有强烈的降低成本的驱动力，要么是更便宜的资本开支，要么是更便宜的运营开支。

CoreWeave曾透露，电力大约占其基础设施成本的10%。该企业大量采购了英伟达AI芯片，披露该数据的时候，算力主要来自Hopper架构芯片。Semianalysis曾简单地算过一笔账，H100售价3.5万美元，8块H100的服务器约28万美元，它每月电力成本约为648美元（按0.087美元/千瓦时的电价计算，电价更低的地区运营成本相应降低）。如果按6年折旧，那么算力用电成本相当于GPU成本的15%左右。

但是，EpochAI估算，按当前英伟达芯片的发布趋势，到2030年，每花1美元，就能比现在多买到8倍多的算力（FLOP），而驱动这些算力的功耗则会减少4倍，花在电力上的成本相当于GPU成本的40%。即，因为推理应用阶段会在算力中占更大比重，运营成本中的电力成本占比相对上升了。只有比现在更快地降低单位算力能耗——或者在电价更低的地区大规模部署——才能大幅降低未来AI企业的运营成本。

英伟达的芯片越来越“烫手”。A100的热设计功率（TDP）为400瓦，H100达到了700瓦，B200约为1000瓦；多家分析机构预计，即将发布的GB300约为1400瓦，下一代Rubin高达1800瓦。这不仅使得芯片与机架层面频频出现设计与散热问题，量产时间较预期推迟不少时间，更有可能将用户推向拥抱更节能的定制AI芯片。

巨头们已经开始纷纷自研芯片。谷歌找了博通还不够，计划让联发科也试试设计TPU。英伟达的竞争对手越来越多。提升能效，正是下一代芯片与算力系统创新最重要的主题。

从2022年底ChatGPT发布，到2026年下半年Rubin正式量产，以及2027年规模部署，算力基础设施粗放式地建设浪潮，也跨过了5年的周期。按照互联网时代的经验，大模型也是时候进入更节能的阶段了。

前劳伦斯伯克利国家实验室研究人员乔纳森·库米（Jonathan Koomey），在2000年互联网泡沫高峰期，驳斥了几乎与今天一样的“电力炒作”。当时同样有很多人预测，计算机和互联网应用最终将消耗大量电力，从2000年到2005年，数据中心用电量确实翻了一番，但此后增长缓慢，从2010年到2018年，由于芯片系统技术的进步，更是用6%的用量增量支撑了计算量的6倍增长。

库米最近发布报告称，在AI热潮的早期阶段，巨头玩家们争相获得算力部署新兴的技术，效率往往并不是首要考虑，但随着部署限制逐步显现，行业将会用效率来缓解这种限制。尽管摩尔定律，在放缓，登纳德定律(Dennard Scaling)所定义的芯片能效逐步失效，但除了在软件与算法层面寻求优化，硬件仍然可以在定制化、集成化和立体化设计等方向，甚至新的材料或新的计算模式（如量子计算）上进行创新。

谁解决了这个问题，谁从产业中赢得更多的利润。这是黄仁勋需要在即将到来的GTC演讲上，给出一个能源答案。