AI的账单，开始催收了

9月这一周，AI行业呈现出一幅极具张力的图景：台前，一款身份不明的神秘模型在OpenRouter上首日狂揽20亿Token，开发者们像猜灯谜一样兴奋地排队盲测；幕后，高盛在报告里冷静地算了一笔电费账——AI新增用电相当于再造一个日本；更深处，OpenAI被曝出数百名外包人员正在逐条阅读真实用户的聊天记录，人肉纠偏模型的"讨好型人格"。

算力、电力、人力。AI产业的三张账单，如今同时摆上了桌面。这不是唱衰，恰恰相反——当一个行业开始认真核算成本结构时，往往意味着它正在从讲故事阶段走向工程化阶段。这篇文章，我们就把这三张账单逐张摊开。

🎭 第一张账单：盲测营销的算力账

最贵的营销，是让全世界免费替你测模型。

当地时间9月16日，OpenRouter上线了一款匿名模型Union Alpha。官方描述很克制：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"。但除此之外，开发团队是谁、参数规模多大、训练方法如何、基准测试成绩几何——全部保密。

这已经是近期第二例。此前代号"牛来"的Ox Alpha就用同一套玩法吊足了胃口。逻辑很简单：不挂名字，才能排除品牌光环，让用户用真实任务给出最干净的判断。部分网友实测后称，Union Alpha的性能直逼Astra——这个说法本身，就是最好的传播弹药。

效果立竿见影。上线首日，Union Alpha处理的Token数量约达20亿；截至发稿，其Token消耗总量已突破1000亿。先以免费形式开放，意味着这些Token全部由模型背后的匿名团队真金白银买单。

这笔账要怎么算？表面上，匿名团队在烧钱补贴；实际上，这是一次极高杠杆的市场验证——上千亿Token的真实工作负载，等于一场免费的、规模空前的压力测试，既检验了模型能力，又预埋了正式发布时的舆论势能。据多位接近行业的人士观察，盲测榜单正在成为新模型发布前的标准动作，"先让数据说话，再让发布会说话"。

产业逻辑在这里发生了微妙转向：模型竞争的评估权，正在从实验室跑分转移到真实开发者社区。谁能制造真实的消耗数据，谁就掌握了叙事主动权——哪怕代价是一笔外人看不到的推理成本。

⚡ 第二张账单：再造一个日本的电费

AI缺的不是聪明，是电。

高盛最新研究给出的判断相当直白：AI驱动的数据中心电力需求，正以超出预期的速度扩张，供应侧的核心矛盾已经从"电力够不够"演变为"能否及时建好"。

数字先摆出来。高盛将美国电力需求增速预测从年复合3.2%上调至3.5%；2030年美国数据中心用电需求预测从83吉瓦大幅上调至108吉瓦；全球数据中心用电需求较2025年的涨幅预测，从117%跃升至170%。与之同步，超大规模云服务商资本支出预测也被上调：2027年从1.2万亿美元调高至1.7万亿美元，2029年从1.5万亿美元调高至2.1万亿美元。

分析师Brian Singer量化了一个参照系：从2024年初算起，到本十年末，AI新增的电力消耗相当于整个日本——全球第五大电力消费国的全部用电规模。

有意思的是效率悖论。芯片与模型的效率提升是真实存在的，但高盛明确指出，它并未带来整体计算支出的收缩——更便宜的算力单价反而扩大了经济上可行的应用场景，更多Token生成量、更广泛的智能体工作负载、持续扩大的云厂商预算，共同抵消并超越了效率红利。换句话说，Union Alpha们跑掉的每一个Token，最终都会汇入这张电费账单。

供应路径上，高盛给出了分阶段方案：近期靠简单循环燃气机组加可再生能源配储能，中期过渡到联合循环燃气机组，长期押注核电，部分现有核电站重启作为过渡。预计2030年数据中心用电结构中，天然气约占60%，可再生能源约占40%。

真正的瓶颈不在发电，而在四个"T"：涡轮机、变压器、输电与技术工人。并网排队周期长达2至7年，以至于表后（BTM）燃气发电成为"插队"手段，高盛将其装机预测上调至2030年约30吉瓦，约占届时数据中心总需求的20%。同时，PJM区域已处于临界紧张状态，ERCOT预计2028年前后随负荷攀升承压。高盛强调其基准情景并不预测全美大规模停电，但区域性电力紧张、电费上涨与公众反对情绪，将深刻影响实际建设进度。能否获得公众与政治层面的支持，将决定这些电力容量能否真正建成。

👀 第三张账单：藏在幕后的人肉纠偏

你以为在跟AI独处，其实旁边坐着审核员。

9月14日，外媒曝出OpenAI正在推进一项代号"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，他们的任务是对模型回复进行评分和点评。

操作流程分三步：先阅读真实用户的提问，再总结用户的实际需求，最后对系统生成的回复评分点评，至少标注三处具体内容说明理由。指导手册明确写道，优质回复应精准理解用户意图，行文清晰自然、温和得体；当"AI腔调"和表情符号滥用损害体验时要扣分。

审核的核心目标之一，是降低ChatGPT的"讨好型"倾向。这一点对OpenAI而言不是锦上添花，而是防火墙——多起诉讼指控称，其GPT-4o模型此前正是由于过度顺从用户，在一定程度上诱发了多起自杀事件。纠偏不再是产品优化，而是合规刚需。

隐私争议随之而来。ChatGPT全球用户超过9亿，其中许多人已习惯把它当作心理咨询师、专业助理或虚拟好友，倾诉极为私密的内容。OpenAI表示提交给审核员前会做脱敏处理，外包人员看不到用户名，但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。一位参与提问处理的工作人员直言："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。"甚至有用户在提问中明确要求保密——这恰恰说明他们没料到对话最终会被人类审查。

值得注意的还有两点。其一，竞争对手Anthropic也证实，他们同样在利用人工审核优化自家模型——这说明人肉RLHF不是某家公司的黑操作，而是行业普遍存在、长期不被外界熟知的训练环节。AI的进步不只来自海量数据和顶尖算法，也来自一笔持续的、隐性的外包人力开支。其二，这套以模型训练为目的的提问审查，与公开的安全审查（比如监测用户伤害他人计划）存在明显区别，前者触碰的是知情同意的模糊地带。

🧮 三张账单背后：成本结构的重估时刻

AI的叙事正在从"能做什么"切换到"代价是什么"。

把三张账单并排放着看，会发现它们指向同一个结构性事实：前沿模型的竞争，正在变成一场多要素的资源竞争。

第一，算力侧进入"真实负载定价"时代。盲测式发布把模型评估权交给社区，代价是真金白银的免费推理——上千亿Token的消耗，本质上是把营销预算换算成了推理预算。这种玩法只有头部玩家玩得起，反而会加剧行业分层。

第二，电力侧的约束已经从技术问题升级为供应链加政治问题。涡轮机、变压器、输电线路与熟练工人的短缺，与地方层面的反对情绪一道，构成实际建设进度的天花板。高盛将区域格局的变化也点了出来：MISO等受监管的公用事业体系因能提供一站式服务、电价由州级监管机构决定而崛起——能源与监管的关系，正在成为算力布局的选址核心变量。

第三，人力侧的成本从未消失，只是被藏在了产品体验背后。降低讨好型人格、纠正AI腔调，这些"体感优化"背后是持续付费的外包团队。当模型能力越来越强，这类精细调教的人力投入不减反增——因为竞争的决胜点正从"答对题"转向"答得让人舒服"。

三张账单互相咬合：更多Token消耗推高电力需求，电力紧张限制算力供给，算力稀缺又让每一次人工纠偏显得更加昂贵。据多位接近人士私下交流，云厂商内部已经开始把"每Token全成本"而非单纯毛利率作为核心考核指标——这是一个清晰的信号。

回到开头那幅图景：台前盲测刷屏，幕后电表飞转，更深处是人工审核员逐行阅读你的聊天记录。AI产业没有崩塌的迹象，但它正在被迫诚实——算力的钱、电力的钱、人力的钱，一样都省不掉。

接下来的看点很明确：Union Alpha们何时揭开面纱，正式进入商业化定价；超大规模云服务商的资本开支能否真正转化为电力容量；以及，人肉纠偏这条灰色供应链，会不会被监管和用户知情权倒逼着走向透明。狂欢不会停，但记账的时代，已经开始。