扎克伯格酒后首曝AI天价账单:建座机房砸600亿!CFO警告:搞砸就全完了

2025年底，夏威夷

海风吹拂着Meta高管闭门会的度假酒店，空气里却弥漫着一股令人窒息的焦灼。公司首席财务官（CFO）Susan Li一次又一次把年轻的首席AI官Alexandr Wang拉到僻静的角落，盯着他的眼睛，反复念叨着同一句警告：

“如果这件事成了，一切都好；但如果搞砸了，那就会真的、真的、真的很糟。”

就在那几天，马克·扎克伯格正准备在一张金额高达1000亿到2000亿美元的支票上签字。最令人心悸的是，当时倾注全公司资源研发的新一代大模型，连个影子都还没见到。签字前，扎克伯格转过头，神情格外凝重地问Wang：“Alex，你确定这能成吗？”

训练一款顶尖的AI大模型，到底要烧掉多少钱？在过去，这是硅谷各大实验室守口如瓶的最高机密。但就在2026年10月中旬，一张端上桌面的啤酒杯，彻底捅破了这层窗户纸。

01.第一级阶梯：从全网疯传的“四笔账”到小酒馆原声带

故事的导火索，是2026年10月中旬在X平台上疯传的一条长帖。

博主Ryker Stone将训练前沿大模型的开销拆成了四笔触目惊心的账单：运行一座算力集群一年要150亿美元；把这座集群建起来要先掏500亿到600亿美元；研发试错还要再烧掉同等规模的算力；最后还有深不见底的推理服务费

▲ 社交网络上疯传的“大模型四笔账”二次整理帖

网上的切片视频往往喜欢添油加醋要看清真相，我们必须顺着证据阶梯往上爬，回到真正的一手案发现场。

那是一间灯光昏暗的酒馆支付巨头Stripe的联合创始人John Collison坐在桌前，主持着他的播客节目《Cheeky Pint》。坐在他对面端着酒杯的，正是扎克伯格，以及执掌Meta超级智能实验室（MSL）、带队研发出前沿模型Muse Wonder的Alexandr Wang。

▲ 传播链的官方源头：John Collison发布的播客单集与完整时间轴

翻开节目组同步公开的两小时十四分钟完整英文逐字稿，一手原声披露的具体账单与细节，远比网上的二手摘要更加惊人。

当时，主持人Collison随口追问了一句训练成本的数量级。他原本以为会听到“十几亿美元”之类的数字。没想到，扎克伯格根本没有报总数，而是像个包工头一样，当场用手指敲着桌子，把账本掰成了四块。

▲ 播客官方逐字稿截图：还原夏威夷警告与“数百亿美元”账单的一手对话

02.第二级阶梯：600亿买“炉子”，150亿交“年费”

扎克伯格算的第一笔账，叫“建与跑”

他对Collison说，现在外面的行情，运营一座“一吉瓦（1GW）”级别的算力集群，一年大概是150亿美元。Collison起初听岔了，以为训练一批模型要150亿。扎克伯格立刻纠正了他：不，150亿只是让这座机器运转一年的开销；如果你想把这座集群建起来，前期资本开支（CapEx）必须先把钱砸出去，大概是500亿到600亿美元。

什么是“一吉瓦”？

给不常看电力账单的读者翻译一下：一吉瓦等于10亿瓦。这差不多是一整座大型核电站或特大型火电厂的满负荷发电功率，足够同时点亮近百万个普通家庭。而在AI巨头眼里，这只是一座计算机房的胃口。

播客逐字稿进一步披露了Meta早在2023至2024年就埋下的基建布局：位于俄亥俄州的Prometheus（普罗米修斯）集群正在冲刺超过1吉瓦的规模；而位于路易斯安那州的Hyperion（许珀里翁）集群，终极目标竟然是5吉瓦，相当于把五座核电站的电力，全灌进一个数据中心里炼大模型。

这里引发了华尔街和硅谷极客的一场激烈争论：一年光交电费和运维，怎么可能花掉150亿美元？

数学家Eric Naslund在评论区一针见血地戳破了会计盲区：千万别把这150亿当成单纯的水电物业费，这里面真正的大头是“折旧”。

▲ 数学家Eric Naslund指出：150亿美元年化成本中包含了巨额硬件折旧

花600亿美元买回来的顶级AI芯片，生命周期极短。两三年后新一代芯片一出，老芯片就像过气的智能手机一样迅速贬值。把几百亿的硬件折旧摊到每一年，再加上吞金兽般的电费和运维，“使用一座1GW集群一年的综合真实成本，起步就是150亿美元”。

但这只是噩梦的一半扎克伯格紧接着抛出了第三块账本：“试”。

外行总以为，训练大模型就像发射火箭，把数据塞进那座600亿的机房里，按下点火键跑完一次就结束了。扎克伯格在酒桌上苦笑着摇了摇头：“那只是一座集群、负责训练中的一部分。研究绝不只是把最后那次运行跑对”

在真实的实验室里，科学家每修改一行架构代码、每调整一次数据配比，都不敢直接在最大规模上贸然硬试。他们必须像爬梯子一样，先在迷你模型上试，再去中型模型上验，一步步沿着“规模阶梯（Scaling Ladders）”往上测，直到确认无误才敢上主集群。扎克伯格直言，这部分试错实验吃掉的算力，和主训练集群几乎是1:1等量的。

也就是说，为了烤出一个完美的十层婚礼蛋糕，你得在后厨先用掉同样多的面粉和鸡蛋，去烤成千上万个试验品。

听到这里，主持人Collison倒吸一口凉气，替他算出了那个结论：“所以现在训练一款前沿模型，要花掉数百亿美元。”

坐在旁边的Alexandr Wang平静地点了点头，给出了来自内部财务总账的官方认证：“没错，我看过财务汇总表（financial roll ups），数百亿美元是个很合理的估计。” 事后Wang还在X上自嘲，节目里那段盘问，简直像扎克伯格在镜头前给他做了一场现场年度绩效考核。

03.第三级阶梯：为什么论文里说花10亿，扎克伯格却说几百亿？

顺着证据阶梯再往上走，一个尖锐的矛盾浮现了。

如果我们翻开知名独立研究机构Epoch AI发表在arXiv上的权威论文《训练前沿AI模型的成本攀升》，会看到另一套数字：自2016年以来，顶尖模型的训练成本以每年2.4倍的速度狂飙；即便如此，论文估算像GPT-4或Gemini这类大模型，单次最终训练的硬件与能源摊销成本也只是数千万到数亿美元，预计到2027年最大规模训练才会突破10亿美元大关。

▲ Epoch AI研究显示：前沿模型最终训练跑的摊销成本正以每年2.4倍的速度飙升

一边是学术界算的“10亿美元”，一边是扎克伯格亲口认领的“数百亿美元”。到底谁在说谎？

答案是：谁都没说谎，但他们看的是完全不同维度的账单。

Epoch AI的学者们手里拿的是“秒表”。他们计算的是最后那一次成功交卷的正式训练跑（Final Training Run）租用显卡了多少个小时、烧了多少度电。

而扎克伯格手里拿的是整家公司的资产负债表。他必须为还没有诞生的模型，提前三四年买地、建变电站、抢购数十万张显卡。正如行业媒体《AI Frontier Post》在拆解“1000亿美元算力去哪儿了”时所揭示的：在一个千亿美元级的AI大基建包里，约450亿到500亿变成了芯片，200亿到250亿变成了钢筋水泥与冷却机房，50亿到80亿付了全生命周期电费，还有100亿到150亿用来发顶尖研究员的天价薪酬。

▲ 《财富》杂志报道：Alexandr Wang赢得扎克伯格信任与千亿美元级AI项目投入

财报数据是最好的测谎仪《财富》与彭博社的报道交叉印证了酒桌上的豪言：Meta对2026年全年的资本开支预期高达1300亿至1450亿美元，几乎是前一年722亿美元支出的整整两倍！

学术界算的是“煮熟一锅饭要多少电”，而扎克伯格付的是“买下整片农场、建起粮仓、外加厨师团队三年试菜”的总工程款。

04.第四级阶梯：真正的无底洞，藏在模型上线之后

你以为花掉几百亿美元把Muse Wonder训练出来，就能躺着数钱了吗？

在播客里，扎克伯格轻轻带过了第四块账本：“……然后，还得把这些东西服务出去（Serving）。” 就是这短短半句话，藏着让所有AI巨头夜不能寐的终极财务黑洞。

在逐字稿中，扎克伯格道出了一个极其残酷的“基建时间差悖论”：开发一款AI应用，从发布到涌入几亿用户，往往只需要几个月；但建设一座支撑这些用户聊天的高密度数据中心，从买地、审批电网到调试通电，硬周期是2到4年。

这就逼着扎克伯格做出了一个他称之为“破釜沉舟（Burn the boats）”的决定：在Muse这款个人代理应用还根本不存在、完全不知道会有多少人用的几年前，就必须拍板砸下几百亿，把推理机房提前建好。如果不建，万一模型火了，服务器当场排队崩溃；如果建了，万一没人用，满机房的显卡就会变成每秒钟都在亏钱的废铁。

为什么把模型“服务”给用户（即在线推理），会比训练模型还要昂贵？这背后有两道连高中物理都能解释的硬件死穴：

1. 算力饥饿：大厨等不到送菜员

外界常把在线推理看作缩减版的模型训练，但两者的物理瓶颈截然相反。

训练模型时，芯片的运算核心像火力全开的工厂流水线，计算强度极高；但在陪用户聊天的推理（解码）阶段，模型是一个词（Token）一个词往外蹦的。每蹦出一个字，芯片都必须把重达几百GB的整套模型参数，从显存（HBM）里完整搬运到计算核心（SRAM）里过一遍。

这就像一个刀工出神入化的顶级大厨，每切一片黄瓜，都得等跑腿小哥把整座图书馆那么大的菜谱从街对面搬过来翻一遍。结果就是，90%以上的时间里，昂贵的算力核心都在“饥饿干等”，显存读取带宽成了卡死脖子的物理天花板。

2. 显存刺客：吞噬80%空间的“键值缓存（KV Cache）”

另一项巨大的硬开销来自记忆成本当你和AI进行长文分析或多轮对话时，AI为了记住你前面说过的话，不能每说一个字就把前文重新算一遍，而是必须把历史对话的特征存成一张张“便签纸”留在显存里，这就是工程界闻之色变的KV Cache（键值缓存）。

根据加州大学伯克利分校vLLM团队发表的经典论文，随着对话变长、同时在线人数飙升，这些动态膨胀的“便签纸”会迅速吃掉40%到60%以上的显存，甚至比模型本身还要庞大。而且，由于系统无法预知用户下一秒会输入50个字还是5万个字，传统架构只能按最大长度提前圈地预留。实测显示，高达60%到80%的宝贵显存，居然全被这种空置的内存碎片白白浪费掉了！

这也是为什么硅谷工程师们要拼命发明像PagedAttention（借鉴操作系统虚拟内存分页，像玩俄罗斯方块一样把显存碎片严丝合缝拼起来）这样的底层算法，硬生生把吞吐量挤出2到4倍。因为对坐拥Instagram、WhatsApp数十亿日活用户的Meta来说，模型越受欢迎，每天燃烧的推理电费和显存成本就越恐怖。上线仅仅几个月，日常交互烧掉的钱就会轻松跨过最初的训练账单。

05.尾声：告别“零边际成本”的黄金时代

合上《Cheeky Pint》的播客账本，这一串令人眩晕的天文数字，清晰标出了整个科技史的分水岭。

在过去的移动互联网时代，硅谷信奉的是“零边际成本”神话：几个大学生在车库里写出几行社交软件代码，复制给十亿人使用，几乎不需要增加什么硬件成本。

但大模型彻底终结了这个温情脉脉的时代。AI早已脱离轻资产的软件魔法范畴，成为人类历史上最沉重、最庞大、最吞金的重工业。

它要求入局者先掏出600亿美元建起堪比核电站的机房，每年承担150亿美元的折旧与电费，在成百上千次实验阶梯上烧掉双倍的算力，最后还要在产品诞生前三年，倾注全部资源去铺设对抗显存黑洞的推理电网。

正如Epoch AI在报告中所预言的那样：当门票涨到数百亿乃至上千亿美元，全球角力场上终将只剩下屈指可数的超级巨头。而在夏威夷海风中让CFO吓出冷汗的那张支票，不过是这场残酷工业战争的第一声发令枪。