2億枚AI晶片，要集體開機了！
目前，全球投入使用的AI晶片，總算力已經相當於約2000萬枚輝達H100晶片。
按照Epoch AI的估算，這個數字大約每9個月翻一倍。
到2028年年底，全球AI算力預計將相當於約2億枚。
不到3年，直接增長到今天的10倍。
但這2億枚晶片，並不只是為了訓練一個更大的模型。
它們要支撐的是一套不斷加速的循環：
- 晶片增加，模型變強；
- 模型變強，Agent開始承接更多工作；
- Agent開始參與寫程式碼、跑實驗，下一代模型的研發隨之提速；
- 新模型上線，又帶來更大的算力需求。
每轉一圈，需要的算力更多，AI迭代的速度也會更快。
而這，正是AI行業正在押注的ASI路徑。
01. AI資料中心，進入百萬級算力時代
要讓這套循環真正跑起來，第一步就是把更多晶片組成更大的計算叢集。
目前，Epoch AI追蹤的74座大型AI資料中心共有約1250萬枚等效晶片。
其中，最大的Colossus 2位於美國孟菲斯，算力約為111.2萬枚。
緊接著的幾座，也已經衝到幾十萬枚量級：
- 微軟Fairwater Atlanta：約76.9萬枚；
- Meta Prometheus：約76.3萬枚；
- 亞馬遜New Carlisle：約68.6萬枚；
- OpenAI Stargate Abilene：約50.9萬枚。
訓練前沿模型時，海量晶片需要通過高速網路持續交換資料。一次訓練可能運行數周甚至數月，晶片、網路、記憶體和軟體必須一起協作。
從某種角度來說，資料中心本身，已經變成了新一代電腦。
2022｜得梅因：OpenAI在愛荷華州得梅因附近的資料中心完成GPT-4訓練。
2024｜孟菲斯：xAI把一座舊家電工廠改造成Colossus，一次接入10萬枚輝達GPU。
2026｜印第安納：Anthropic接入亞馬遜建設的互聯資料中心叢集。
2026｜威斯康星：微軟首座Fairwater設施正式投運，性能達到全球最快超級電腦的10倍。
相應的，投入的資金也隨之起飛。
2026年，亞馬遜、Alphabet、Meta、微軟和甲骨文五家公司的資本開支預計合計約7500億美元，相當於它們全年總收入的38%。
IDC預計，AI基礎設施支出將從2025年的3180億美元，增長到2029年的1兆美元以上。
把晶片、伺服器、光纖、土地和電力全算進去，這場AI建設已經衝到了人類基礎設施史上從未有過的規模。
根據Google DeepMind聯合創始人兼CEO Demis Hassabis判斷，AI帶來的技術變革，不僅可能會達到工業革命的10倍，而且推進速度也會快10倍。
02. 晶片越堆，Agent越能幹
算力起來以後，最先變強的是模型。
律師考試、15天天氣預報、疾病機制研究、延續數十年的數學難題，AI能處理的事情一項項增加。
更明顯的變化，出現在Remote Labor Index裡。
這套測試包含240個真實項目，覆蓋23個領域，相當於超過6000小時的人類工作。
2025年10月，領先模型只能完成其中2.5%的任務。到了2026年7月，Claude Fable 5已經把完成率拉到16.1%。
8個月，能力漲了6倍多！
雖然AI還包辦不了所有工作，但已經開始承接可以交付、驗收和計價的任務。
模型越能幹，Agent接手的任務也越複雜。
你隨口說一句「幫我做一份市場調研」，Agent就要搜尋網頁、閱讀檔案、運行程式碼、製作表格、核對數字，再根據結果調整後續步驟。
Agent每向前走一步，後台就要再進行一輪計算。
這部分計算，就是推理。
Gartner預計，2026年面向AI的雲基礎設施支出中，55%將用於推理；到2029年，這一比例將超過65%！
當然，Agent能接手的不只是市場調研。
更難的科研任務，也開始進入同一套工作流。
7月，Claude Fable 5甩出一個反例，推翻了存在87年的廣義雅可比猜想。
另一邊，Claude Science不僅把接近兩年的科研工作壓縮到了幾周，還讓一套基因分析流程提速了近10倍。
而所有科研任務中，最特殊的一類，正是AI研發本身。
03. AI正在學會造自己
最直接的例子，來自GPT‑5.6 Sol。
就在最近，它把支撐整個GPT‑5.6系列運行的生產系統給最佳化了。
具體來說，工程師先定方向，然後Sol直接參與重寫GPU Kernel，一口氣跑了數百次實驗。
結果就是，端到端服務成本下降20%，Token生成效率提升超過15%。
OpenAI轉頭就把這輪效率提升寫進了價格表。
GPT‑5.6 Luna的輸入、輸出價格同時下調80%，直接降到原來的兩折。
AI一邊參與改進系統，一邊把自己的運行成本打下來。
這個循環，已經開始了。
在Google首席科學家Jeff Dean看來，未來可以讓成千上萬個小模型同時提出研究想法、設計實驗、分析結果，再把最好的線索交給更大的模型和人類研究者，然後一直迭代下去
至此，整條鏈路就真正地接上了：
算力變成模型，模型驅動Agent，Agent又回到研發流程，參與製造下一代AI。
2億枚AI晶片不是終點。它們要讓這個循環跑得更快。
而AI，已經開始給下一個AI打工了。 (新智元)