训练一个大模型烧多少钱？大头你八成想不到

朋友圈又刷屏了：某某大模型发布，性能炸裂。评论区总有个灵魂拷问跟着冒出来——"这玩意儿训一次，得烧多少钱啊？"

打住，先把话说明白：训练一个头部大模型，花的不是"几台服务器"的钱，是"一座工厂"的钱。 而且这笔账里最贵的那一项，多半不是你以为的"请一堆天才程序员"，而是那批昼夜不息、闷声吃电的显卡。今天不吹参数、不比谁更强，就把这张账单摊开，看看钱都花哪儿去了。

最大的那口锅：算力，也就是显卡

一句话，训练大模型最烧钱的，是算力——说白了就是 GPU（高性能显卡）。

它凭什么最贵？两条。一是单卡就死贵：主流训练卡一张的价格，够买辆不错的家用车，而且这几年被抢到水涨船高。二是得成千上万张一起上：训一个前沿模型，动不动就是"万卡集群"起步，一堆卡并排连着，昼夜连轴转上好几周甚至几个月。

自己买，是一笔以千万计的硬件投入；租云上的算力，按卡按小时计费，跑一整轮下来同样是天文数字。所以你看到的那些惊人成本，六七成都压在算力这一项上，其余的加起来才是零头。

第二口锅：电费，电表转得你心慌

几千上万张卡 7×24 小时连轴跑，本身就是一台巨型"电老虎"。GPU 满载发热，还得配一整套散热制冷——这又是一份电。

一次前沿模型的完整训练，耗电量能顶得上成千上万户家庭一个月的用电。电费本身是硬成本，散热、机房、供电改造还得再叠一层。这也是为什么大厂建智算中心，第一件事往往是先去找"电便宜、能供得上"的地方——电，在这门生意里是实打实的原料。

第三口锅：数据和人，喂进去的也是钱

模型不是凭空变聪明的，得拿海量数据喂。早期互联网上的免费文本，好薅的基本被薅光了，如今高质量、干净、合规的数据越来越稀缺，采购、清洗、合规审查，每一步都在花钱。

人力也不便宜，但花法和你想的不太一样。顶尖研究员的薪资固然高，可还有一块常被忽略的开销：人工标注。让模型"说人话、懂分寸"的那道对齐工序（业内叫 RLHF），背后是大量人力一条条打分、比对、纠偏。这块的开销，能占到早期训练总成本的一成多。

到底多少钱？区间大到离谱，还年年在变

那一张总账单，究竟是多少？

老实说——没有标准答案，因为区间大得离谱。 头部前沿模型训一次，业内公认已经是数千万到上亿美元的量级，个别估算还要更高。但同一句话得配个前提：这数字变得飞快。

一方面，模型越做越大，成本水涨船高；另一方面，架构和训练方法一优化，成本又能被硬生生打下去——某些新模型靠算法革新，把单次训练的花销砍到同级别的零头。所以任何一个"某模型花了 X 亿"的说法，都只是某个时间点、某种算法、某种口径下的快照，换个月份可能就不作数了。记住量级和构成就好，别死磕某个具体数字。

别以为训完就完事：推理才是长期的碎钞机

最容易被忽略的一点：训练是一次性投入，用起来才是无底洞。

模型训好后，每一次你跟它对话、让它写东西，都要消耗算力——这叫"推理"。单次不贵，架不住用户海量、天天在用。当一个模型有了上亿用户，光是"回答问题"这件事，日积月累烧掉的钱，长期看甚至能盖过当初训练的花费。

所以行业里有句话越来越响：训练决定你"能不能造出来"，推理决定你"用不用得起"。 前者是造车，后者是这车一辈子的油费——而且这油箱永远填不满。

顺便说个更大的事

看到这你大概品出味儿了：算力、电力、数据、人力、推理——这几笔账拆开看是技术问题，合起来其实是一道成本与回报的生意题。

而这道题最难的考场，不在聊天框里，在工业和能源这类重资产行业：那里既是用电大户、又是算力买家，既要模型落地、又得把每一分算力和电费都算到骨头里。谁能把这本成本账真正算平、算出正回报，谁就摸到了商业化的拐点。

想看大模型在工业能源里怎么把成本账算平、拐点到底在哪？ 我们做了份《AI 大模型工业能源落地全景与商业化拐点研究》——公众号后台回「AI」，拿去看。

注：本文数据与关键论断均经多源联网核查，完整来源档案备索——关注公众号「经纬智汇」可获取。