首先明确几个关键判断：目前全球范围内投入实际运行的AI专用芯片，总算力已经相当于约2000万块英伟达H100处理器。这一算力指标大约每9个月就会翻一番。根据Epoch AI的预测数据，到2028年年底，全球AI算力规模预计将达到约2亿块等效H100——这意味着在不到3年时间里，直接增长到今天水平的10倍。
不过，这2亿块芯片并非仅仅用于训练一个更大的模型。它们要支撑的，是一套持续加速的循环机制：芯片数量增加，模型能力变强；模型能力变强，智能体（Agent）开始承接更多复杂任务；Agent开始参与编写代码、运行实验，从而加速下一代模型的研发进度；新模型上线后，又催生出更大的算力需求。每循环一圈，所需的算力就更多，AI迭代的速度也随之加快。而这，正是当前AI行业全力押注的超级人工智能（ASI）发展路径。
AI数据中心，进入百万级算力时代
要让这套循环真正运转起来，第一步就是把更多芯片组合成更大的计算集群。目前，Epoch AI追踪的74座大型AI数据中心，共计拥有约1250万块等效芯片。其中，规模最大的Colossus 2位于美国孟菲斯，算力相当于约111.2万块H100。
紧随其后的几座数据中心，也已达到数十万块量级：微软Fairwater Atlanta约76.9万块，Meta Prometheus约76.3万块，亚马逊New Carlisle约68.6万块，OpenAI Stargate Abilene约50.9万块。在训练前沿模型时，海量芯片需要通过高速网络持续交换数据。一次训练任务可能持续数周甚至数月，芯片、网络、存储和软件必须协同运作。从某种意义上看，数据中心本身已经演变为新一代计算机。
2024年，OpenAI在得梅因附近的数据中心完成了GPT-4的训练；同年，xAI将一座旧家电工厂改造为Colossus，一次性接入10万块英伟达GPU。2026年，Anthropic接入了亚马逊建设的互联数据中心集群；微软首座Fairwater设施在威斯康星正式投运，其性能达到全球最快超级计算机的10倍。与之对应，投入的资金规模也急剧攀升。2026年，亚马逊、Alphabet、Meta、微软和甲骨文五家公司的资本开支预计合计约7500亿美元，相当于它们全年总收入的38%。IDC预计，AI基础设施支出将从2025年的3180亿美元，增长到2029年的1万亿美元以上。将芯片、服务器、光纤、土地和电力全部计算在内，这场AI建设的规模已经达到人类基础设施史上从未有过的高度。根据Google DeepMind联合创始人兼CEO Demis Hassabis的判断，AI带来的技术变革，其影响不仅可能达到工业革命的10倍，而且推进速度也将快10倍。
芯片越堆，Agent越能干
算力提升之后，最先受益的是模型本身。律师资格考试、15天天气预报、疾病机制研究、延续数十年的数学难题——AI能够处理的任务范围正在逐一扩大。更明显的变化体现在Remote Labor Index中：这套测试包含240个真实项目，覆盖23个领域，相当于超过6000小时的人类工作量。2025年10月，领先模型只能完成其中2.5%的任务；到了2026年7月，Claude Fable 5已将完成率提升至16.1%。短短8个月，能力增长了6倍多！虽然AI还无法包办所有工作，但它已经开始承接那些可以交付、验收和计价的具体任务。
模型能力越强，Agent接手的工作也越复杂。你随口说一句“帮我做一份市场调研”，Agent就需要搜索网页、阅读文件、运行代码、制作表格、核对数字，再根据结果调整后续步骤。Agent每向前推进一步，后台就要再进行一轮计算。这部分计算，就是推理。Gartner预计，2026年面向AI的云基础设施支出中，55%将用于推理；到2029年，这一比例将超过65%。
当然，Agent能承接的不只是市场调研。更困难的研究任务，也开始进入同一套工作流程。2026年7月，Claude Fable 5提出了一个反例，推翻了存在87年的广义雅可比猜想。与此同时，Claude Science不仅将接近两年的科研工作压缩到了几周，还让一套基因分析流程提速了近10倍。而在所有科研任务中，最特殊的一类，正是AI研发本身。
AI正在学会造自己
最直接的例子来自GPT‑5.6 Sol。就在最近，它优化了支撑整个GPT‑5.6系列运行的生产系统。具体来说，工程师先确定方向，然后Sol直接参与重写GPU Kernel，一口气运行了数百次实验。结果就是，端到端服务成本下降20%，Token生成效率提升超过15%。OpenAI随即把这轮效率提升写进了价格表——GPT‑5.6 Luna的输入和输出价格同时下调80%，直接降至原来的两折。AI一边参与改进系统，一边把自己的运行成本压下来。这个循环，已经正式启动。
在Google首席科学家Jeff Dean看来，未来可以让成千上万个小模型同时提出研究想法、设计实验、分析结果，再把最好的线索交给更大的模型和人类研究者，然后持续迭代下去。至此，整条链路就真正地串联起来了：算力转化为模型，模型驱动Agent，Agent又回到研发流程，参与制造下一代AI。2亿块AI芯片不是终点——它们的目标是让这个循环跑得更快。而AI，已经开始为下一个AI打工了。
