大西洋月刊:生成式AI是一场工程灾难

生成式AI是一场工程灾难

作者：Alex Reisner | 日期：2026-07-14 | 来源：The Atlantic

一个效率低得惊人的万亿美元项目

Mario Tama / Getty

AI公司正手忙脚乱地维持系统运转，账单却要我们所有人来付。ChatGPT、Claude这类大语言模型极其消耗资源，科技公司可能已经买走了全球70%的高端计算机内存，造成短缺。内存和存储的价格随之飞涨：两年前我为报道工作买的硬盘每块350美元，两周前再查已涨到800美元，如今更是断货了。部分笔记本电脑涨价高达50%，低价电脑受冲击最重。有预测认为，价格亲民的入门级电脑可能“到2028年消失”。而这场内存短缺，预计还会持续数年。

这些内存都被装进了数据中心，科技公司正以惊人的速度扩建，计划在未来几年把美国数据中心的总容量扩大到原来的八倍。这些园区的用电需求已经大到什么地步？有些公司开始改装喷气发动机来给它们供电。

问题并不仅仅在于AI部署得有多广、多快。其他计算机技术也经历过同样惊人的扩张，却没有引发如此剧烈的用电激增或元器件短缺：视频和音乐如今在全球流式传输，每天占用的网络流量以太字节计；智能手机热潮带来了数十亿台设备，日夜传输着海量数据；数十亿台家用设备接入了物联网；各行各业也把业务搬上了云软件——而云并不在天上，它就在，没错，数据中心里。

用行业自己的行话说，生成式AI的问题在于它不具备可扩展性（scale）。用户从一千增长到一百万，成本会如何变化，是风险投资人评估初创公司时的关键。他们想看到的是：每新增一个用户，成本就下降一点，这样公司才撑得起数百万用户，利润也越滚越多。要做到这一点，部分要靠对计算机系统的精细工程——让系统能高效地承载越来越多想发照片、叫Uber、听歌的用户。

而生成式AI恰恰没有完成这项打造高效、可扩展系统的工作。更糟的是，模型还在不断变大：据独立估算，参数规模已从2020年的1750亿膨胀到今天的1万亿以上（Claude、ChatGPT等产品背后的模型真实尺寸对外保密）。「大语言模型」的「大」，本不该成为卖点。但行业观察到，更大的模型往往胜过更小的模型，于是生出一种对「扩展定律」（scaling laws）近乎图腾的信仰——只要把模型做得更大，任何问题都能迎刃而解。OpenAI CEO萨姆·奥尔特曼2025年9月在博客上写道：“也许有了10吉瓦的算力，AI就能想出治愈癌症的办法。”

然而回报正在递减。模型越大，每个新增参数带来的改进越小；要维持稳定的进步，就只能以更快的速度把模型做得更大。我问过几位AI研究者：能举出其他扩展性这么糟糕的现实软件吗？他们一个也想不出来。就算跳出软件行业，也很难找到类似的例子——要知道，让灯泡、汽车、服装变得如此便宜的，正是规模经济这条原理。无论用经济标准还是工程标准衡量，生成式AI都可能是有史以来部署过的最糟糕的技术。

但如今这条臃肿的路线背后压着巨额投资，愿意改变的人恐怕不多。OpenAI联合创始人、前首席科学家伊利亚·苏茨克维在2025年11月的一次采访中说，公司选择蛮力路线，“是因为它提供了一种风险极低的资源投入方式”。在他看来，投资那些需要重新设计产品的研究要难得多——毕竟这些产品眼下正撑起万亿美元的估值。怀疑我们身处AI泡沫的人则指出：这些公司的盈利能力至今仍是个悬而未决的问题，很大程度上正是因为这项技术成本高、效率低。

效率是计算机科学的核心原则。本科生入门时最早学到的道理之一就是：写个程序给50个单词排序，很容易；可如果把5000万个单词丢给它，程序多半会内存耗尽，或者跑上几个小时。计算机科学的很大一部分，就是学习各种巧妙的编码技巧来避免这种情况。其中许多技巧利用了数据中的重复模式：输入越多，处理每个新增比特所需的时间和内存反而越少。现代智能手机和电脑之所以既强大又便宜，这种效率正是原因之一。这叫对数级（logarithmic）扩展，画成曲线是这样：

大语言模型并不按对数级扩展。输入的词越多，它们就越慢、越耗内存——时间和资源消耗的增长，比输入的增长还要快。用术语说，大语言模型是平方级（quadratic）扩展。任何计算机系的学生都知道，这非常糟糕。

Epoch AI是一家专门测算AI模型运营成本的机构。它去年发布过一张图，此处经授权转载。图中展示了几个公开的AI模型在服务更多token——也就是用户输入给聊天机器人的文字——时，成本如何呈指数级攀升。

AI并非只能这样造。传统上，AI的目标是用模拟人类思维过程的方式解决问题：研究者观察自己的思考，再试着把思维习惯写成代码。这条路如今基本被抛弃了，部分原因是人类思维的规则难以辨识、难以言说；但它确实有个好处——消耗的资源和数据要少得多。

今天的AI路线不再试图描述人类思维的规则，而是丢给计算机数百万个例子，让它去模仿。例子够多，正是大模型生成语言、图像和音乐时胜过小模型的原因之一——可借鉴的素材更多。有些研究者想找回那条更高效的旧路线，与今天的路线结合起来；但到目前为止，这些项目获得的关注和资金，远不及那些驱动聊天机器人的模型。

聊天机器人公司心里清楚，自己的产品效率低下。一些公司找到了改进性能的技术，但收效甚微。偶尔有公司宣称实现了突破——Anthropic CEO达里奥·阿莫代称之为「算力倍增器」（compute multipliers）——但这类说法往往语焉不详，也没有证据表明平方级扩展、模型尺寸爆炸这些基本问题已经被攻克。（我就此向Anthropic求证，对方拒绝置评。）

也有研究者在开发极小模型，所需的数据和算力都少得多。微软的AI研究者亚历克西娅·乔利科尔-马蒂诺就独立设计过这样一个模型。我采访她，问起行业的蛮力路线，她说：“这有点疯狂。到了一定程度，你必须学会更高效一点。”

去年，乔利科尔-马蒂诺凭一篇关于「微型递归模型」（tiny recursive model）的论文赢得了5万美元奖金；这种模型不需要消耗海量算力。她写道：“要在困难任务上取得成功，就必须依靠某家大公司耗资数百万美元训练的巨型基础模型——这种想法是个陷阱。”她的模型并不能替代大语言模型：它是为解决生物学、电气工程等领域的逻辑问题而设计的，并不生成语言；但眼下那些由庞大得多的AI模型承担的任务，有一些它也能完成。

然而我们似乎已经被大语言模型困住了，这大概要归因于它们凶猛的营销攻势。不管你愿不愿意，它们正被塞进一切东西里。2024和2025年，它们先后被整合进Windows和MacOS——这意味着，运行一台基础的个人电脑都需要更多算力。为了迎接新的AI功能，厂商也在给智能手机升级硬件。Adobe Photoshop、Microsoft Word这类常用软件同样塞进了低效的AI，电脑必须更强，才跑得动这些软件。

更糟的是，电脑本身的进步速度已大不如前。自20世纪50年代以来，厂商一直在把微芯片造得更快、更小、更便宜，这个趋势俗称摩尔定律。但这几年，元器件已经小到撞上了分子层面的极限，再也难以缩小，进步随之显著放缓。

元器件缩不下去了，厂商便把精力转向为AI量身定制的新硬件。这确实带来了一些零星的性能提升，但远远跟不上AI需求增长的指数曲线。

说到底，对于科技行业里那些相信自己正在复制智能本身的人来说，低效也许根本无足轻重。硅谷的许多人怀有一种近乎宗教的信念：大语言模型中可能涌现出某种类似心智的东西——尽管这种软件终究只是统计式的语言生成程序，尽管它记不住基本事实、缺乏常识，与生物大脑毫无相似之处。就连AI「教父」之一的杨立昆（Yann LeCun）最近也对《纽约时报》说：“大语言模型不是通往超级智能、甚至不是通往人类水平智能的道路。”但AI的神话诱惑太强，许多工程师觉得，什么都不该挡他们的路——哪怕是编写高效软件这项基本功。

Alex Reisner是The Atlantic的专职撰稿人。

原文：https://www.theatlantic.com/technology/2026/07/generative-ai-engineering-disaster/687901/