DeepMind CEO：AI瓶頸在實驗算力，不在訓練大模型
Google DeepMind首席執行官Demis Hassabis指出，AI真正的瓶頸並不是一次性的訓練跑分，而是研究階段持續消耗的實驗算力。研究人員每提出一個新算法、新架構或新訓練方法，都必須在足夠大的規模上反覆驗證，很多看似可行的想法一放大就會失效。
他強調，這意味着AI實驗需求是連續的，而不是一年一兩次的大訓練任務。與此同時，英文資料顯示GPU交付週期仍長達36到52周，全球AI數據中心功耗已達29.6吉瓦，供應端即便願意出更高價格也往往只能排隊等待。
Hassabis此前也多次提到，芯片、內存和電力短缺正在同時壓制AI部署與研究推進。隨着研究與產品化之間的距離被算力重新定義，誰能更快完成實驗驗證，誰就更可能抓住下一輪模型突破。
來源：公開信息
ABAB AI 解讀
這條信息揭開了AI競賽裏最容易被誤解的一層：外界盯着“誰訓練了更大的模型”，但真正決定速度的，是誰能讓研究循環跑得更密。訓練大模型是少數幾次的重事件，實驗驗證卻是每天都在發生的消耗戰，後者纔是科研吞吐量的核心。
這意味着AI競爭的主戰場正在從“資本密集型訓練”轉向“實驗密度”。一個實驗室真正的優勢，不只是擁有更強的模型，而是能否把更多假設快速送上真實規模去檢驗。換句話說，創新不是靈感問題，而是算力調度問題；不是誰更聰明，而是誰能讓更多想法不被資源卡死。
Hassabis的判斷也說明，AI基礎設施已經從“配套資源”變成“科研前提”。過去，算法團隊可以先在小機器上試錯，再逐步放大；現在，模型複雜度和系統耦合度太高，很多方法不在真實規模上驗證就沒有意義。這會把實驗算力、HBM、網絡和電力一起推成科研的共同約束，形成比單純GPU短缺更深的瓶頸。
更長期看，這種結構會放大頭部實驗室和大平臺的優勢。因爲只有它們能同時承受高頻試錯、資源排隊和基礎設施投資，最後留下來的不是“最會寫論文的人”，而是“最能持續把研究變成可驗證系統的人”。這也是爲什麼AI產業越來越像一場基礎設施主導的競賽，而不是單純的模型競賽。