OpenAI 在今年 8 月 7 日推出新一代生成式 AI 模型 GPT-5，执行长 Sam Altman 形容其效能「史上最聪明的模型，犹如和专家对话」。根据媒体报导，OpenAI 的新一代模型 GPT-5 在训练时使用了多达20 万张 GPU，其规模是两年前发布的 GPT-4 的8倍。没想到，这款斥巨资打造的新模型，却在发布后迎来「滑铁卢」，负评如潮。 GPT-5 不仅频繁出现基本错误，例如提供不正确的科学解释，在编程基准测试的准确率仅为 52.8%，甚至低于今年 1 月推出的 Open AI o3 的 69%。
一直以来，AI 模型的发展遵循着一个核心逻辑：「投入的运算资源越多，产生的效能越好」。这个逻辑让 GPU 龙头辉达 ( Nvidia ) 的市值在 3 年内暴增 10 倍，并在今年 7 月 9 日成为全球首家市值突破 4 兆美元的公司。另一家专攻资料中心软硬体的科技巨头甲骨文（ Oracle ）近期也因一笔与 OpenAI 价值高达 3,000 亿美元的 5 年期订单，尽管其今年 9 月 9 日公布的第二季财报表现不如预期，盘后股价仍飙涨 36%，让创办人兼董事长赖瑞．艾利森（ Larry Ellison ）的身价暴增，一度超过特斯拉（ Tesla ）执行长伊隆．马斯克（ Elon Musk ）成为全球首富。
这些案例都反映出市场对于「算力等于效能」的坚定信仰，再加上科技公司担忧落后的焦虑（ Fear of Missing Out ），全球 AI 投资持续快速攀升。根据《华尔街日报》报导，2025 年美国大型科技公司在 AI 基础建设与应用上的总投资额将超过 4,000 亿美元，比前一年翻了1 倍。 辉达更乐观预测，到了 2030 年，全球 AI 投资每年将达到 3 兆至 4 兆美元。然而，GPT-5 的风波让市场开始质疑，目前 AI 产业奉行的「模型越大，算力越多，效能越好」的发展模式，是否已经触及瓶颈？这波 AI 投资热潮，还能持续多久？
收益递减的定律： 模型越大，成本越高，效能提升却越少
随着人工智慧模型的规模扩大，其 GPU 晶片和模型训练成本正呈几何级数增长。以 OpenAI 为例，2020 年问世的 GPT-3，GPU 晶片和模型训练成本总计约略 2,000 万至 3,000 万美元，到了 GPT-4 成本暴增至 6 亿美元左右；而 GPT-5 更飙破 60 亿美元。不仅如此，资料中心建置成本极高且非常耗能。一座功率介于 100MW 至 500MW的中型AI 资料中心， 通常使用数万张 GPU，建置成本约在 40 亿至100 亿美元之间，每年营运成本约 4 亿至 8 亿美元。而 Meta 和 OpenAI 正在打造的超大型资料中心，功率 1GW 以上，使用数十万张以上 GPU，建置成本高达 500 亿至 700 亿美元，一年用电量至少 90 亿度电，相当于半个台北市一年用电量，营运成本上看每年 15 亿至 25 亿美元，令人咋舌。
然而，这些天文数字般的投资换来的却是越来越小的效能提升。 GPT-4 的神经网路约有 1.76 兆个参数， 是 GPT-3 的近 10 倍，而 GPT-5 的参数数量约 5 兆个，仅为 GPT-4 的 2.8 倍。这种效能增幅递减现象不只发生在 OpenAI 身上，其他 AI 模型也出现类似情况这种效能增幅递减的现象。这意味着，AI 模型的发展或许正遭遇技术瓶颈。单纯依靠扩大模型规模来提升效能的策略，已逐渐接近极限，无法再像过去那样带来指数级的突破。
技术瓶颈逐渐浮现
AI 模型的效能增长正在放缓，背后的一大关键因素在于：高品质的训练资料已近枯竭。根据非营利机构 Epoch AI 的研究，去除重复和不良内容，网际网路内容每年大约以 10% 速度成长，而 AI 模型的数据用量每年却成长一倍。照此趋势，预计到 2028 年，AI 模型将面临训练资料枯竭的窘境。为了解决此问题，OpenAI 和 Alphabet等开发商正积极寻求与出版商、学术机构、甚至政府部门合作，以获取更多非公开数据来训练模型。然而，这也面临版权和隐私权的双重挑战。 2023 年纽约时报就起诉 OpenAI 和微软（ Microso! ），指控其侵犯版权。之后几年陆续有类似诉讼。尽管企业尝试利用现有数据合成新资料，但合成数据的品质通常不如真实数据，这也暴露了 AI 模型在根本上的技术缺陷。
ChatGPT 这类生成式 AI 模型透过收集海量网路内容进行训练，再利用统计规律和机率分布来组合词句，模仿人类语言输出结论。然而，模型本身并不理解内容的深层含义和因果关系，也无法判断资料的真伪、时效性或潜在偏见，导致时常产生不准确的结果，甚至捏造一些不存在的事实，即所谓的「 AI 幻觉」。根据新创软体公司 Vectara 在 2024 年的研究显示，ChatGPT4.0 出现幻觉的比例达 3%，Gemini Pro 为 4.8％ , 而 Claude 2 则高达 8.5%。
Meta 首席 AI 科学家杨． 安德烈． 勒坎（ Yann André Le Cun, 中文名: 杨立昆）直言，现今的 AI 系统的问题不在于规模，而在于其所基于的大型语言模型（ Large Language Model，LLM ）存在根本性的逻辑和设计缺陷。他认为，无论科技巨头投入多少 GPU 进行运算，都不会凭借现有技术诞生像人类一样具备理解、学习和思考能力的通用人工智慧（ Artificial General Intelligence，AGI ）。
AI 导入速度不如预期： 如何把「百科全书」普及化、货币化？
尽管 AI 模型在消费者端使用量极高，但技术缺陷和局限却使其难以转化为可持续性的收入，在企业端的成长速度更是低于预期。主要原因在于用户对 AI 模型提供的资讯和服务仍存在疑虑，因模型提供的错误资讯而发生意外的事情也时有耳闻。全球约有 18 亿人使用生成式 AI 模型，每日活跃使用者约 5 亿至 6 亿人。使用率最高的是 ChatGPT， 每天活跃用户约 2 亿人，每天的访问量约在 1.5 亿次，是全球流量排名第五高的网站，但付费订阅用户仅约 2,000 万。换言之，90% 的用户只使用免费服务，若以每月订阅费最低 20 美元估算，一年的订阅收入仅 48 亿美元。即使加上企业版产品和应用程式介面 ( API ) 的销售收，市场预期 OpenAI 2025 年营收约 127 亿美元，亏损接近 100 亿美元，最快要到 2029 年才能损益平衡。订阅率低不仅显示免费版已满足多数用户需求，也反映消费者对生成式 AI 的信任度不高。根据研调机 Euromonitor 的数据， 仅 43% 的消费者信任 AI 提供的答案，且只有 19% 认为 AI 能处理复杂问题。
在企业端，虽然有意导入 AI 的公司不少，但实际采用的比例却很低，且效益有限。在美国，仅有约 9% 的企业导入 AI 模型，而且多属于知识密集型行业，例如制药、IT 等。麻省理工学院针对 300 家导入 AI 模型的企业进行分析，发现仅 5% 的公司成功将其整合到工作流程中，其余都未见到结构性变革和投资回报。
主要原因在于导入成本高昂，而员工却不知如何有效利用。一台 AI 伺服器动辄 30 万至 300 万美元，是传统型的 30 倍以上，加上人才培训和流程改造，让许多企业望而却步。而且，企业往往只是盲目跟风，缺乏明确的导入目的，人员也不懂如何使用，导致投资效益不彰。其次，AI 系统的准确性仍待改善，特别是医疗业这类需要高精准度的产业，一点偏差都可能导致生命危险，再加上资安隐忧、法规的不确定性以及监管机制的缺乏，都让企业在大规模导入 AI 时面临重重阻碍。
狂欢终有结束时： 千禧年 Y2K 之虫引发 " DISCO " Dell, Intel, Sun-Micro, Cisco, Oracle⋯
历史经验显示，技术革命往往伴随着投资泡沫，2000 年的网路泡沫就是一个经典案例。当时，市场普遍认为以网路为基础的商业模式会迅速改变各行各业，数以千计的网路新创公司如雨后春笋般涌现，一举让网路设备巨头思科（ Cisco ） 在 2000 年 3 月 27 日以高达 5,550 亿美元成为当时全球市值最高的公司，本益比飙升至 152 倍。戴尔（ Dell ）、英特尔（ Intel ）、甲骨文（ Oracle ）、和升阳电脑（ Sun Microsystems，于 2009 年被甲骨文收购）等企业的本益比也同样介于 100 倍至 200 倍之间。然而，当时网路技术与商业模式仍在起步阶段，商业模式还不成熟，终端需求成长速度远不及资本投资的规模，企业的巨额投入无法迅速回本，最终导致泡沫破裂。
当前 AI 产业的发展逻辑，正遭遇类似的困境。单纯透过扩大模型规模来提升性能的策略，已经触及瓶颈，而演算法与数据方面的根本性局限，也直接影响了需求面的成长速度。这些问题对整个产业的长远发展构成了不容忽视的挑战。如果资本市场持续以失衡的速度投入 AI 基础设施的建置，过度追捧相关企业，那么这场由 AI 带来的投资狂欢，或许最终也难逃泡沫破裂的命运。