2018 年 5 月 16 日，OpenAI 发布题为“AI and compute”的分析，指出自 2012 年以来，最大规模 AI 训练任务所使用的算力呈指数级增长，估算翻倍周期约为 3.4 个月。来源摘要称，相比之下，摩尔定律对应的翻倍周期约为 2 年；按该分析口径，自 2012 年以来这一训练算力指标已增长超过 300,000 倍，而若按 2 年翻倍计算同期仅约 7 倍。OpenAI 认为，算力提升一直是 AI 进展的关键组成部分，因此只要该趋势延续，业界就需要为远超当时能力水平的系统影响提前做准备。
核心信息：训练算力增长速度显著超出传统芯片节奏
这份分析的重点并不是单一模型或单次训练成本，而是观察“最大 AI 训练运行”背后的计算投入趋势。来源显示，2012 年之后，头部 AI 系统训练所消耗的计算资源增长极快，速度远高于以往用来描述芯片性能进步的摩尔定律节奏。
这一判断对理解大模型发展很关键：AI 能力跃迁并不只来自算法改进，也来自更大规模的数据处理、更长训练、更复杂模型结构以及更多加速硬件的组合。换言之，训练算力已经成为 AI 竞争中的基础变量，并会影响模型能力、研发门槛、基础设施布局和商业化节奏。
从今天的开发者视角回看，这类趋势解释了为什么先进模型往往由少数具备大规模计算资源、工程团队和资金投入的机构率先推出。对普通开发者和企业来说，直接参与最前沿基础模型训练的难度上升，而通过 API 调用成熟模型，成为更现实的路径。
对 API 使用者的影响：能力提升背后是成本、额度与稳定性问题
OpenAI 在摘要中强调，如果训练算力指数增长趋势持续，就应提前准备系统能力大幅超出现有水平所带来的影响。对于 API 使用者而言，这种影响不仅是“模型更聪明”，还会传导到调用成本、吞吐能力、限速规则、上下文长度、响应延迟以及可用区域等方面。
当模型背后的训练和推理基础设施持续扩张时，API 生态通常会出现几个变化：
- 模型能力迭代更快：新模型可能在推理、代码、长文本、多模态等场景中表现更强，应用需要保持可替换架构。
- 成本结构更复杂：不同模型、输入输出长度、并发需求会带来不同计费压力，企业需要做路由和预算控制。
- 额度与并发更重要：高峰期稳定调用不只取决于模型能力，还取决于账号额度、限流策略和中转链路质量。
- 接入层价值上升：统一封装 OpenAI、Claude、Gemini 等模型，有助于降低迁移成本并提升容灾能力。
站在中转与模型调用生态看：算力集中会推动服务分层
这份 2018 年分析虽然发布较早，但它提出的逻辑仍具有参考意义：当前沿模型训练越来越依赖巨量算力时，产业链会自然分层。上游负责基础模型训练和底层算力调度；中游提供 API、额度、计费、监控和稳定性保障；下游开发者则围绕业务场景构建应用。
对使用 OpenAI、Claude、Gemini 等模型 API 的团队来说，重点不一定是追逐每一次底层训练规模变化，而是建立可持续的调用体系。例如：在不同模型之间做能力和价格评估；将高价值任务交给更强模型，将批量任务交给更经济模型；在网络、鉴权、限流、重试、日志和告警层面做好工程化。
算力增长带来的不是单纯的“更大模型”，而是整个 API 使用方式的变化。未来模型能力如果继续快速提升，开发者需要更关注抽象层设计：避免业务代码与单一模型深度绑定，预留模型切换、降级、缓存和多供应商路由能力。
解读：提前准备比被动迁移更重要
OpenAI 的结论是，算力提升是 AI 进步的关键因素之一，趋势若延续，应准备迎接远超当时水平的系统。对企业用户而言，这意味着 AI 接入不宜只作为一次性功能开发，而应作为长期基础设施建设。
实际落地时，建议关注三件事：第一，建立统一 API 网关，便于接入多模型；第二，持续记录 token 消耗、延迟和失败率，形成成本与稳定性画像；第三，为关键业务设置备用模型和备用通道。这样即便上游模型、价格、额度或策略发生变化，也能更平滑地调整。
总体来看，这份分析从算力角度解释了 AI 能力快速进步的底层动力。对开发者和 API 使用者而言，真正的机会在于把不断增强的模型能力转化为稳定、可控、可计费、可扩展的应用服务。