新智元报道

2亿枚AI芯片，要集体开机了！

目前，全球投入使用的AI芯片，总算力已经相当于约2000万枚英伟达H100芯片。

按照Epoch AI的估算，这个数字大约每9个月翻一倍。

到2028年年底，全球AI算力预计将相当于约2亿枚。

不到3年，直接增长到今天的10倍。

但这2亿枚芯片，并不只是为了训练一个更大的模型。

它们要支撑的是一套不断加速的循环：

• 芯片增加，模型变强；

• 模型变强，Agent开始承接更多工作；

• Agent开始参与写代码、跑实验，下一代模型的研发随之提速；

• 新模型上线，又带来更大的算力需求。

每转一圈，需要的算力更多，AI迭代的速度也会更快。

而这，正是AI行业正在押注的ASI路径。

AI数据中心，进入百万级算力时代

要让这套循环真正跑起来，第一步就是把更多芯片组成更大的计算集群。

目前，Epoch AI追踪的74座大型AI数据中心共有约1250万枚等效芯片。

其中，最大的Colossus 2位于美国孟菲斯，算力约为111.2万枚。

紧接着的几座，也已经冲到几十万枚量级：

• 微软Fairwater Atlanta：约76.9万枚；

• Meta Prometheus：约76.3万枚；

• 亚马逊New Carlisle：约68.6万枚；

• OpenAI Stargate Abilene：约50.9万枚。

训练前沿模型时，海量芯片需要通过高速网络持续交换数据。一次训练可能运行数周甚至数月，芯片、网络、存储和软件必须一起协作。

从某种角度来说，数据中心本身，已经变成了新一代计算机。

2022｜得梅因：OpenAI在爱荷华州得梅因附近的数据中心完成GPT-4训练。

2024｜孟菲斯：xAI把一座旧家电工厂改造成Colossus，一次接入10万枚英伟达GPU。

2026｜印第安纳：Anthropic接入亚马逊建设的互联数据中心集群。

2026｜威斯康星：微软首座Fairwater设施正式投运，性能达到全球最快超级计算机的10倍。

相应的，投入的资金也随之起飞。

2026年，亚马逊、Alphabet、Meta、微软和甲骨文五家公司的资本开支预计合计约7500亿美元，相当于它们全年总收入的38%。

IDC预计，AI基础设施支出将从2025年的3180亿美元，增长到2029年的1万亿美元以上。

把芯片、服务器、光纤、土地和电力全算进去，这场AI建设已经冲到了人类基础设施史上从未有过的规模。

根据Google DeepMind联合创始人兼CEO Demis Hassabis判断，AI带来的技术变革，不仅可能会达到工业革命的10倍，而且推进速度也会快10倍。

芯片越堆，Agent越能干

算力起来以后，最先变强的是模型。

律师考试、15天天气预报、疾病机制研究、延续数十年的数学难题，AI能处理的事情一项项增加。

更明显的变化，出现在Remote Labor Index里。

这套测试包含240个真实项目，覆盖23个领域，相当于超过6000小时的人类工作。

2025年10月，领先模型只能完成其中2.5%的任务。到了2026年7月，Claude Fable 5已经把完成率拉到16.1%。

8个月，能力涨了6倍多！

虽然AI还包办不了所有工作，但已经开始承接可以交付、验收和计价的任务。

模型越能干，Agent接手的任务也越复杂。

你随口说一句「帮我做一份市场调研」，Agent就要搜索网页、阅读文件、运行代码、制作表格、核对数字，再根据结果调整后续步骤。

Agent每向前走一步，后台就要再进行一轮计算。

这部分计算，就是推理。

Gartner预计，2026年面向AI的云基础设施支出中，55%将用于推理；到2029年，这一比例将超过65%！

当然，Agent能接手的不只是市场调研。

更难的科研任务，也开始进入同一套工作流。

7月，Claude Fable 5甩出一个反例，推翻了存在87年的广义雅可比猜想。

另一边，Claude Science不仅把接近两年的科研工作压缩到了几周，还让一套基因分析流程提速了近10倍。

而所有科研任务中，最特殊的一类，正是AI研发本身。

AI正在学会造自己

最直接的例子，来自GPT‑5.6 Sol。

就在最近，它把支撑整个GPT‑5.6系列运行的生产系统给优化了。

具体来说，工程师先定方向，然后Sol直接参与重写GPU Kernel，一口气跑了数百次实验。

结果就是，端到端服务成本下降20%，Token生成效率提升超过15%。

OpenAI转头就把这轮效率提升写进了价格表。

GPT‑5.6 Luna的输入、输出价格同时下调80%，直接降到原来的两折。

AI一边参与改进系统，一边把自己的运行成本打下来。

这个循环，已经开始了。

在Google首席科学家Jeff Dean看来，未来可以让成千上万个小模型同时提出研究想法、设计实验、分析结果，再把最好的线索交给更大的模型和人类研究者，然后一直迭代下去

至此，整条链路就真正地接上了：

算力变成模型，模型驱动Agent，Agent又回到研发流程，参与制造下一代AI。

2亿枚AI芯片不是终点。它们要让这个循环跑得更快。

而AI，已经开始给下一个AI打工了。

参考资料：