至 2030 年，持續的運算規模擴展將需要數千億美元等級的極端投資，而這種投資的可行性，建立在 AI 將創造數兆美元經濟價值的預期之上
如果說第一個論點描繪了 AI 發展的「藍圖」（持續擴展運算規模），那麼第二個論點則回答了建造這座宏偉建築所需的「資金」從何而來的問題。報告指出，我們不能孤立地看待運算力的指數級增長，必須同時理解其背後同樣在指數級增長的成本。為了實現 2030 年訓練比現今強大千倍的 AI 模型這一目標，所需的投資規模將是天文數字。然而，報告的核心判斷是：這種看似瘋狂的「軍備競賽」並非不可持續的泡沫，而是由一個更為龐大的經濟潛力所支撐的理性投資行為。
我們可以從三個層面來深入剖析這個論點：成本的驚人規模、價值的巨大潛力，以及兩者之間形成的自我強化循環。
第一層：成本的驚人規模——「燒錢」的速度與廣度
報告毫不諱言地指出，維持當前 AI 發展趨勢的代價極其高昂。這不僅僅是購買幾張顯卡，而是建造和運營堪比小型國家的基礎設施。
- 訓練成本的指數級增長：報告中的圖表（第 33 頁）顯示，訓練一個最前沿（Frontier）AI 模型的平攤成本（amortised cost），大約每年增長 2.5 倍。在 2023 年，訓練像 GPT-4 級別的模型，其硬體、能源和人力等綜合成本就已高達數億美元。如果這個趨勢持續下去，到 2030 年，開發單個頂尖模型的成本將輕易達到數十億甚至百億美元的級別。
- 基礎設施的巨額投資：訓練這些模型需要龐大的 AI 計算集群（AI clusters），也就是由成千上萬個高性能 AI 晶片（如 NVIDIA H100 GPU）組成的超級電腦。報告預測，到了 2030 年，要支撐起最頂尖模型的訓練，所需要的計算集群本身就可能耗資數千億美元。這個數額是什麼概念？報告提到，這筆投資將接近當今美國 GDP 的 1% 。這意味著 AI 產業的資本支出，將從一個單純的科技領域投資，演變為一個足以影響宏觀經濟的龐大力量。
- 能源消耗的同步攀升：除了硬體，這些巨大的計算集群也是「電老虎」。報告預計，到 2030 年，僅僅是訓練一個最頂尖的模型，其瞬時功率需求就可能高達數吉瓦（Gigawatts），這相當於一座大型核電站的發電量，或是一座大城市的平均用電需求。滿足這樣的能源需求，本身就需要對電網和發電設施進行大規模的額外投資。
總而言之，AI 發展的路徑是一條用黃金和電力鋪成的道路。任何對 AI 未來的預測，如果脫離了對這種極端成本的考量，都是不切實際的。這也引出了最關鍵的問題：誰來買單？以及，為什麼他們願意買單？
第二層：價值的巨大潛力——AI 作為下一個「通用目的技術」
報告給出的答案是，之所以有企業和投資者願意承擔如此巨大的成本，是因為他們預見到 AI 將帶來更為巨大的經濟回報。這種回報並非來自於某個單一的爆款應用（如一個更聰明的聊天機器人），而是來自於 AI 作為一種「通用目的技術」（General-Purpose Technology），如同蒸汽機、電力和網際網路一樣，能夠滲透到經濟的各個角落，從根本上提升全社會的生產力。
- 廣泛的任務自動化：報告的核心經濟邏輯是，AI 最大的價值在於能夠自動化大量過去只有人類才能完成的認知任務，特別是那些不涉及實體操作的「遠程工作」（remote work tasks）。報告引用經濟模型估算，如果 AI 能夠將美國 34% 的遠程兼容任務中的一半（即總任務的 17%）的生產力提升一倍，就可能為 GDP 帶來 6-10% 的增長，這相當於數兆美元的經濟價值。這種潛在的回報，足以讓數千億美元的投資顯得物有所值。
- 當前收入的驗證：這種經濟價值並非空中樓閣。報告特別指出（第 36 頁），頂尖 AI 公司（如 OpenAI, Anthropic）的產品收入已經呈現出爆炸性增長，在過去幾年每年增長 2-3 倍，總額已達數十億美元。如果這個收入增長趨勢能夠持續，到 2030 年，AI 服務的年收入將達到數千億美元的規模，這恰好與前面提到的投資規模相匹配。這表明，市場已經在用真金白銀驗證 AI 的商業價值，為更大規模的投資提供了信心。
- 生態系統的估值：另一個有力的佐證來自 AI 硬體市場。像 NVIDIA 這樣的晶片製造商之所以能擁有數兆美元的市值，正是因為市場預期，未來將會有公司花費巨資購買他們的晶片來提供 AI 服務，並且這些服務能夠創造出遠超晶片成本的價值。整個產業鏈的估值，都建立在對 AI 巨大經濟潛力的共同信念之上。
第三層：成本與價值的自我強化循環
報告揭示了 AI 發展中一個強大的正回饋循環（positive feedback loop），這也是為什麼這個趨勢很可能持續下去的根本原因。
這個循環如下：
- 吸引投資：對 AI 巨大經濟價值的預期，吸引了巨額的初期投資。
- 擴展規模：這些投資被用來購買更多晶片、建設更大的數據中心，從而實現了「運算規模擴展」。
- 能力突破：更大規模的運算力，使得 AI 模型在各種任務上（如寫程式、藥物研發、科學分析）取得了實質性的能力突破。
- 價值顯現：這些更強大的 AI 能力被部署到實際應用中，開始真正地提升生產力、創造經濟價值，並體現在 AI 公司的收入增長上。
- 強化預期，吸引更多投資：已實現的經濟價值和收入，驗證了最初的預期，並激發了市場對未來更大潛力的信心，從而吸引了下一輪更大規模的投資。
這個循環解釋了為什麼 AI 領域的投資和發展呈現出如此猛烈的加速態勢。只要「能力突破」這一環節不失效（即回應了第一個論點中的「撞牆」疑慮），這個螺旋式上升的趨勢就有望持續下去。
總結
此論點將 AI 的技術發展軌跡與其背後的經濟邏輯緊密地綁定在一起。它告訴我們，理解 2030 年的 AI，不能只看技術指標，更要理解其作為一個龐大經濟體的運作方式。報告的結論是，到 2030 年，AI 不再僅僅是一個研發領域，它將成為一個與網際網路、電動車產業體量相當，甚至更為重要的經濟支柱。對其進行的「極端投資」，將不再被視為科技冒險，而是被看作是對未來全球經濟基礎設施的必要建設。