【AI大模型训练成本的"摩尔定律"】

过去三年，训练一个千亿参数大模型的成本从数千万美元降至百万美元级别——降幅超过90%。这背后是三股力量的共振：

1⃣ 算力效率革命：H100/B200等芯片的单卡算力较A100提升4-8倍，而光互连技术将集群利用率从60%推向85%+。NVIDIA Blackwell架构的FP4精度甚至让推理成本再降一个数量级。

2⃣ 算法效率跃迁：从Flash Attention到MoE架构（DeepSeek-V3仅激活37B参数却达到671B模型的性能），再到蒸馏与量化，同等能力的模型所需FLOPS每年下降约3-4倍。

3⃣ 数据工程成熟：合成数据、课程学习、RLHF对齐的工业化，让"数据质量"替代"数据数量"成为核心变量。

深层影响：当训练成本逼近"白菜价"，竞争壁垒将从"谁能训练"转向"谁能定义有价值的任务"。GPU不再是护城河，问题定义能力和数据飞轮才是。

定价权正在从供给侧（算力寡头）向需求侧（应用层）转移。未来18个月，我们会看到一批不依赖大算力的"小而美"模型公司崛起。