AI必然导致权力集中？125年算力效率史给出有力反例

一个流行论点及其隐蔽漏洞

近年来，随着大模型训练动辄消耗数千张GPU、数千万美元的算力成本，一种观点在科技圈广为流传：AI在结构上必然导致权力集中。其逻辑是，既然只有掌握海量算力的巨头才能训练出最强模型，那么AI的红利与控制权就会不可避免地集中到少数科技公司与国家手中。

这个论点看似顺理成章，却建立在一个隐蔽的前提之上——AI对算力的巨大需求是永恒不变的。而这恰恰是最经不起推敲的假设。这种论调忽视了125年来算力性价比的超指数级增长，把一个动态演进的技术阶段误认为静态的终局。

125年算力性价比的超指数增长意味着什么

算力性价比的提升并非从摩尔定律才开始。如果把计算追溯到机械计算、继电器、真空管、晶体管再到集成电路，人类在过去一个多世纪里，用同样成本能买到的计算能力增长了几十个数量级。这条曲线不仅是指数级的，某些研究者甚至认为它是超指数级的——增长速度本身还在加速。

从19世纪末的机械计算设备开始，人类计算能力经历了五个重叠的范式：机械计算（如巴贝奇差分机）、机电继电器（如哈佛Mark I）、真空管（如ENIAC）、晶体管、以及集成电路。每个范式都在前一个范式增长放缓时接棒，形成了跨越125年的连续增长曲线。未来学家Ray Kurzweil在《奇点临近》中系统梳理了这条曲线，发现每单位美元可购买的计算能力大约每隔几年翻一番，而这种翻番速度本身也在加快——这意味着增长不仅仅是指数级的（固定倍率翻番），而是超指数级的，翻番周期在缩短。

这意味着，今天需要一整座数据中心才能运行的AGI级能力，在可预见的未来完全可能被压缩到更小、更便宜的设备上。历史上一再重演的规律是：任何最初依赖庞大集中式基础设施的计算能力，最终都会走向普及和去中心化。20世纪60年代，IBM的System/360大型机需要整间房屋来安置，价格高达数百万美元，只有大型企业、政府和研究机构才能负担。当时的主流观点认为计算将永远是集中式服务。然而，微处理器的发明（1971年Intel 4004）在不到十五年内就催生了个人电脑革命。到2007年，iPhone将超越阿波罗登月计划全部计算能力的处理器放进了每个人的口袋。大型机时代的计算能力，如今躺在每个人的口袋里。

认为「AGI永远需要数据中心才能运行」的假设，与过去125年的技术演进方向完全相悖。

Scaling Law不是物理定律：经验曲线的局限性

支撑「算力集中论」的另一根支柱，是当下备受推崇的Scaling Law（缩放定律）。人们普遍相信，模型性能会随着参数量、数据量和算力的增加而可预测地提升，因此「更大即更强」成了行业共识。

但这里需要一个关键的澄清：Scaling Law并不是物理定律。

缩放定律的概念在AI领域主要由OpenAI的Jared Kaplan等人在2020年的论文《Scaling Laws for Neural Language Models》中系统化提出。该研究发现，在Transformer架构下，模型的交叉熵损失（cross-entropy loss）与模型参数量、训练数据量、训练算力之间存在近似幂律（power-law）关系，即loss ≈ C/N^α，其中N为参数量，C和α为常数。这一发现直接催生了「大力出奇迹」的行业信念。

然而，缩放定律只是针对特定架构、目标函数、数据集等观察到的经验关系。改变其中任何一个因素，就会得到不同的缩放曲线。幂律关系本身依赖于特定的实验条件：Transformer的自注意力机制、自回归的下一个token预测目标、以及以互联网文本为主的训练语料。DeepMind后续的Chinchilla研究就修正了最优的参数量与数据量比例关系，证明缩放曲线并非一成不变。此外，缩放定律描述的是训练损失的下降趋势，而非下游任务性能的线性提升，两者之间存在复杂的非线性映射。

换句话说，我们今天看到的缩放曲线，只是当前这一代机器学习方法的特征，而非智能本身的内在规律。它描述的是「用Transformer架构、用下一个token预测目标、用互联网文本数据」这一特定组合下的规律。一旦架构、训练目标或数据发生根本性变革，整条曲线都可能被改写。

把一条经验曲线误当成宇宙定律，正是「AI必然集中」论断的深层认知误区。

人脑20瓦的启示：高效智能的存在性证明

如果要为「高效智能」寻找一个存在性证明，人类大脑就是最有力的证据。

人脑仅消耗约20瓦的功率——大致相当于一盏节能灯泡——却能实现语言、推理、创造、规划等目前最先进的AI系统仍难以完全匹敌的通用智能。相比之下，训练和运行大模型所需的能耗高出若干个数量级。

人脑约有860亿个神经元，通过约100万亿个突触连接进行信息传递。与数字计算机的冯·诺依曼架构不同，大脑采用大规模并行、事件驱动、模拟-数字混合的计算范式。神经元的放电频率极低（通常每秒仅几十次），远低于现代CPU的GHz级时钟频率，但大脑通过极高的并行度和稀疏激活（任一时刻仅有约1%-5%的神经元活跃）来实现能效的极致优化。此外，大脑的突触可塑性（synaptic plasticity）使得「存储」与「计算」在同一物理基质上完成，避免了冯·诺依曼架构中数据搬运的巨大能耗瓶颈。神经形态计算（Neuromorphic Computing）领域正在尝试借鉴这些原理，如Intel的Loihi芯片和IBM的TrueNorth芯片，试图以接近大脑的能效水平进行类神经计算。

这带来一个颠覆性的推论：当前的Scaling Law或许不是「特性」（feature），而是「缺陷」（bug）。

如果以大脑为参照，真正的AGI很可能非常高效。当前的缩放定律暴露的是我们迄今发现的机器学习算法有多么低效，而非智能本身必须消耗多少算力。

也就是说，我们今天之所以需要如此庞大的算力，恰恰说明现有算法极度低效。真正的通用智能一旦实现，其计算需求很可能会远低于当前的预期。低效是暂时的技术阶段，而非终点。

对「AI权力集中论」的重新审视

综合来看，「AI在结构上必然导致权力集中」这一论断的脆弱性，源于它把当下的技术现状当成了永恒的结构性事实。这里有两条独立的下行力量正在同时作用：

• 硬件层面：算力性价比持续以超指数速度提升，昨天的超级计算机就是明天的边缘设备。
• 算法层面：现有算法的低效意味着巨大的优化空间，更高效的架构会大幅降低达到同等能力所需的算力门槛。

在算法层面，近年来的效率优化进展远比多数人想象的更为显著。知识蒸馏（Knowledge Distillation）可以将大模型的能力「压缩」到小模型中；混合专家模型（Mixture of Experts, MoE）通过稀疏激活大幅减少单次推理的计算量；FlashAttention等算法级优化将注意力机制的内存开销从二次方降低到近线性；量化技术（如GPTQ、AWQ）将模型权重从32位浮点压缩到4位整数，在几乎不损失性能的情况下将计算和存储需求降低数倍。2024年以来，DeepSeek等团队更是证明了通过更精巧的训练策略，可以用远低于领先模型的算力预算达到接近的性能水平。这些进展都表明，当前的算力需求中有大量「低效冗余」可被系统性地消除。

这两股力量叠加，指向的方向恰恰与「集中化」相反——它们共同推动AI能力向更小、更便宜、更分散的方向扩散。

当然，这并不意味着短期内不存在算力集中带来的竞争优势与治理挑战。在当前阶段，掌握大规模算力的机构确实拥有先发优势。但如果因此断言AI「结构上」必然集中权力，就是把一个动态演进的技术快照，固化成了不可改变的历史结论。

结语：从效率突破到制度建设

技术预测最常见的失误，就是用当下的约束条件去外推遥远的未来。算力饥渴是这一代AI的阶段性特征，而非智能的本质属性。以125年的算力演进史为镜，以20瓦的人脑为标尺，我们有充分理由相信：真正成熟的AGI将走向高效，而非无止境地依赖数据中心。

对于关心AI社会影响的人而言，与其担忧一个基于错误前提的「必然集中」，不如把注意力放在如何加速算法效率的突破，以及如何构建让高效AI真正惠及大众的制度与生态。