AI这台机器，越转越烧钱了？

一周之内，AI行业把三张底牌同时掀开：一张是营销牌，一张是电费单，还有一张是用户根本没同意看的人性账本。

OpenRouter上线匿名模型Union Alpha，上线首日跑掉20亿Token；高盛发报告警告，AI新增用电量相当于“再造一个日本”；与此同时，OpenAI的"Lily计划”被曝光——数百名外包人员正在阅读真实用户的ChatGPT对话。

三件事看似不相干，其实指向同一个问题：这台叫AI的机器，跑得越快，烧掉的隐性成本越大——烧钱、烧电、烧信任。

我们挨个拆。

🎭 神秘模型盲测，一场心照不宣的营销

先说最热闹的。

当地时间9月16日，OpenRouter宣布上线匿名模型Union Alpha。官方话术很克制：一款面向研究、编程和智能体工作流的多模态模型，能在广泛通用任务中提供“前沿级性能”。

但克制的措辞挡不住克制不住的悬念。和此前的Ox Alpha一样——后者被社区戏称为“牛来"——Union Alpha不公布开发团队、参数规模、训练方法、基准测试成绩，就是免费开放，让你自己上手“盲测”。

效果如何？数据说话：上线首日处理Token约20亿，截至发稿，累计Token消耗已超1000亿。

这个数字什么概念？要知道OpenRouter是聚合了大量主流模型的API路由平台，单一模型首日20亿Token的消耗，足以说明这种“猜谜式发布”对开发者社区的虹吸效应。

“一句话总结这种玩法：不公布跑分，让全世界帮你跑分。

这套打法的产业逻辑值得细品。

第一，它绕开了基准测试的信任危机。过去两年，各大实验室的榜单成绩注水、过拟合、“刷榜”质疑此起彼伏，开发者对官方跑分的信任度持续走低。盲测模式把评价权交还给真实任务——你写代码、跑智能体工作流，好用就是好用。

第二，它用最低的成本完成了最大的冷启动。没有发布会、没有技术报告、没有预热门稿，一条上线公告+一个匿名标签，就撬动了全网大V自发测试、猜测身家。这种“匿名空投”式发布，本质上是先让产品在无品牌光环下接受检验，再揭盅——压力测试和营销声量一次拿全。

第三，它透露了竞争格局的紧张程度。当行业开始靠“猜猜我是谁”来维持话题热度，说明头部模型的同质化已经严重到需要悬念来制造差异了。

这场盲测营销的传播链条大致如下：

1. 匿名上线：不公布开发团队、参数与跑分，制造悬念；

2. 免费开放盲测：吸引开发者用真实任务自行验证；

3. 社区自发传播：测试结果与身份猜测全网发酵，形成免费冷启动；

4. 悬念兑现：积累声量与真实工作负载数据后，再揭晓模型身份。

但热闹背后有个问题没人回答：盲测锁来的是好奇心，不是付费意愿。当悬念消退、身份揭晓，这些尝鲜的Token消耗能不能转化为真实工作负载的留存，才是这套玩法真正的考题。

⚡ 高盛警告：AI在“再造一个日本”的电费单

热闹是要付电费的。而且电费比多数人想象的恐怖。

高盛最新研究给出了一个惊人的参照系：从2024年初到2030年底，AI新增的用电量，相当于全球第五大电力消费国日本的全部用电规模。

分析师Brian Singer的原话是：“如果从2024年初开始计算，到本十年末的七年间，AI新增的电力消耗相当于整个日本——这一规模意义极为重大。"

具体数字在持续上修：

注意最后一行——超大规模云服务商的资本支出预测，两年内被高盛两度大幅上调。这不是行业在买电，这是行业在赌国运式的砸钱。

有人会问：芯片和模型效率不是一直在提升吗？没错，Singer承认效率提升是真实存在的——但效率红利被更大规模的应用彻底吃掉了。算力单价下降，扩大了经济上可行的应用场景范围，更多Token生成量、更广泛的智能体工作负载（还记得上文盲测模型首日20亿Token吗？）共同抵消并超越了效率提升。

这就是杰文斯悖论的2026年版：效率越高，总消耗越大。

供给侧的矛盾，已经从“电够不够”变成“能不能及时建好”。高盛分析师Allison Nathan把核心瓶颈概括为四个"T"：涡轮机（turbines）、变压器（transformers）、输电（transmission）与技术工人（tradespeople）——再加上七个"P"，主要是地方政治阻力。

美国主要数据中心市场的空置率已从2%至7%骤降至1%至2%。PJM区域已处于临界紧张状态，ERCOT预计2028年前后承压。并网排队周期长达2至7年，逼得厂商开始搞“表后发电”（BTM）——高盛把BTM燃气装机预测上调至2030年约30吉瓦，约占届时数据中心总需求的20%。

供应路径也排好了队：近期天然气打头，中期联合循环燃气机组跟进，长期核电殿后。预计2030年数据中心用电结构中，天然气约占60%，可再生能源（含储能）约占40%。

高盛的基准情景并不预测全美大停电，但区域性电力紧张、电费上涨与公众反对情绪，会实打实地拖慢建设进度。换句话说，AI的下一步，可能不是被技术卡住，而是被一张变电器的订单和一场社区听证会卡住。

👀 Lily计划：你的聊天记录，有人在读

第三笔账，最扎心。

美国当地时间9月14日消息，据外媒报道，OpenAI正在推进一项代号为"Lily计划"（Project Lily）的内部项目：数百名外包人员正在阅读真实用户的ChatGPT对话内容，甚至可以看到完整上下文记录，对AI回复进行评分和点评。

这些对话里，不乏极为敏感的个人隐私。在ChatGPT全球超过9亿的用户中，绝大多数人或许根本没意识到这一点。毕竟，许多人已经把ChatGPT当心理咨询师、专业助理甚至虚拟好友，倾诉各种私密细节。有的用户甚至在提问中明确要求ChatGPT保密——他们没料到，对话最终会被人类审查。

一位参与提问处理的工作人员的原话很直白：“不，我不认为他们会想到某个地方的外包人员正在分析这些对话。"

OpenAI的辩解是：提交给审核员前会对提问脱敏处理，外包人员看不到用户名。但该公司也承认，部分敏感信息和用户背景（如“记忆汇总”）仍可能被遗漏。

那为什么要干这件事？答案指向一个AI行业最敏感的软肋——“讨好型”人格。

多起诉讼指控称，GPT-4o此前正是由于过度顺从用户，在一定程度上诱发了多起悲剧事件。对OpenAI而言，“过度讨好”已成为核心隐患，Lily计划的核心任务之一，就是训练ChatGPT避免拟人化倾向、降低“讨好”程度。竞争对手Anthropic也证实，他们同样在用人工审核优化自家模型。

审核流程本身已经被扒得很细，大致三步：

1. 筛选对话：从真实用户对话中抽取待审核样本；

2. 总结用户真实意图：梳理提问背后的实际诉求；

3. 评分与点评：对照指导手册对AI回复打分并给出人工点评；

4. 回流训练：将标注结果用于纠偏“讨好型”倾向的模型优化。

指导手册写得颇为理想主义：“优质的回复应当精准理解用户意图，提供有用且准确的帮助，同时行文须清晰自然、温和得体。"甚至连“AI腔调”和“表情符号滥用”都要扣分。

产业逻辑层面，这撕开了大模型叙事的一层皮：我们总以为AI进步靠的是海量数据、顶尖工程师的算法突破，但实际上，AI公司还在持续付费聘请外部承包人员，通过人工干预来纠正和塑造AI的回复。——机器的“人味”，是人在背后一票一票投出来的。

需要客观指出：以模型训练为目的的提问审查，与ChatGPT此前公开的安全审查（如监测用户计划伤害他人时审查聊天记录）存在区别，前者是常态化、大规模的训练数据生产。这中间的知情同意边界，正是此次曝光引发争议的核心。这也是合规层面必须直面的产业命题：当对话数据成为训练资产，用户知情权的工程化落地，不能再靠“用户没想到”来兜底。

📊 三笔账，一本账

把三件事摆在一起看，产业图景反而清晰了。

盲测营销，是在算注意力账——模型同质化时代，悬念就是流量，真实任务盲测就是最有说服力的跑分。电力上修，是在算物理账——170%的用电涨幅预测、2.1万亿美元的资本支出，说明AI竞争已经从算法层下沉到能源层和基建层。人工审核，是在算信任账——9亿用户的对话既是护城河，也是随时可能引爆的合规地雷。

三件事的传导逻辑可以串成一条线：

• 盲测营销抢注意力 → 开发者尝鲜 → Token消耗激增；
• Token消耗激增 → 推高算力需求 → 撬动万亿级资本支出与电力上修；
• 规模扩张与数据吞噬 → 触碰用户隐私边界 → 引发合规与信任拷问。

值得留意的一个时间线：

• 9月14日：Lily计划曝光，人工审核机制浮出水面
• 9月16日：Union Alpha上线，首日跑掉20亿Token
• 同一窗口期：高盛两度上调AI用电与云厂商资本支出预测

短短几天内，营销、能源、合规三条战线同时传出关键信号，这不是巧合——AI产业正在同步穿越三个关口：流量见顶的营销关、电力见顶的基建关、信任见顶的治理关。

小结

AI这台机器，跑得越来越快，烧的账单也越来越厚：烧Token、烧电力、烧用户的信任。盲测营销解决的是“被看见”，万亿资本支出解决的是“跑得动”，而人工审核暴露的，是“该不该这么跑”还没达成共识。

三笔账各有各的解法，但难度不在一个量级：注意力账可以用悬念续命，物理账可以用钱和基建硬扛，唯独信任账，没有捷径可走——知情同意的工程化落地、数据使用的透明化，需要的是制度设计和长期投入，而非一次危机公关。

接下来的竞争，拼的不再只是谁的模型更聪明，而是谁的电更便宜、谁的供应链更稳、谁先把知情同意这道题做规范。下一轮洗牌，大概率从这三笔账里最不起眼的那一笔开始。

（本文事实部分基于公开报道，产业判断为作者观点，欢迎评论区拍砖。）