AI 的軍備競賽：為什麼停不下來
二、技術層面的推力：規模法則的誘惑
如果說軍備競賽的結構是「為什麼不敢停」，那麼技術本身則提供了「為什麼不想停」的強大理由。過去幾年主導整個 AI 產業的核心信念，可以用四個字概括：規模法則。
規模法則（Scaling Law）的誘惑
2020 年，OpenAI 的研究團隊發表了一組影響深遠的實驗結果：在給定足夠大的資料與算力下，語言模型的效能會隨著參數規模、資料量與訓練算力的增加，呈現出可預測的冪律式提升。換句話說，不需要什麼革命性的新架構，只要把同樣的架構放大，模型就會變得更聰明。
這個發現的意義極其重大。它把 AI 研究從「發明」部分轉變成了「工程與資本投入」的競賽。過去，突破需要靈光一閃；現在，突破可以用錢、用晶片、用電力換來。對於手握資本的企業來說，這簡直是天大的好消息——它意味著投入與產出之間存在相對可預期的映射關係。
但這也埋下了停不下來的種子。因為規模法則暗示了一個殘酷的邏輯：只要對手投入的算力是你的十倍，他的模型就可能系統性地比你強。在這種邏輯下，「不加大投入」等同於「主動認輸」。沒有任何一個處於領先或接近領先位置的團隊，願意在還有錢、還有晶片的時候選擇收手。
算力、資料與演算法的三重螺旋
更麻煩的是，推動模型進步的三個要素——算力、資料與演算法——彼此會形成正回饋循環。
算力增加，讓團隊可以嘗試更激進的架構與更大的資料集；資料增加，讓模型在更多任務上表現更好，從而吸引更多使用者產生更多資料；演算法改進，讓同樣的算力能訓練出更强的模型，反過來又刺激更大的算力需求。這三者螺旋上升，每一圈的轉速都比上一圈更快。
而且這個螺旋有明顯的「路徑依賴」特徵。一旦整個產業的基礎設施、人才結構、工具鏈都圍繞著「更大規模的 Transformer」建立起來，要轉向一條完全不同的技術路線，成本會高到令人卻步。這就形成了一種技術層面的鎖定效應：不是因為這條路一定最好，而是因為已經投入太多，停不下來。
摩爾定律之外的「加速陷阱」
傳統的半導體摩爾定律說的是每十八個月效能翻倍，那是一種相對溫和的節奏。但 AI 訓練算力的成長速度，在過去十年間遠遠超過摩爾定律——業界普遍觀察到，大型模型的訓練算力大約每三到四個月就翻一倍。
這種加速帶來一個隱蔽的陷阱：競爭週期縮短了。當一代模型的優勢只能維持半年，企業就沒有餘裕去慢慢思考安全、倫理與治理問題。所有資源都被壓縮到「如何在下一季推出更强的模型」這件事情上。加速本身變成了一種常態，而常態是不會被質疑的。
三、商業與資本的邏輯：停不下來的經濟引擎
技術提供了可能性，但真正把 AI 競賽推向白熱化的，是商業與資本的邏輯。在這裡，「停下來」不只是技術上落後，更是財務上的災難。
贏者全拿的市場結構
AI 產業具有非常明顯的規模經濟與網路效應。訓練一個前沿模型的固定成本極高，但多服務一個使用者的邊際成本極低。這意味著市佔率領先者可以攤薄成本、壓低價格，進而擴大市佔率。再加上開發者生態、API 相容性、企業導入的轉換成本，市場會自然向少數幾個玩家集中。
在贏者全拿的結構下，第二名的處境極其尷尬。它不能靠「便宜一點」生存，因為領先者隨時可以降價；它也不能靠「差異化」生存，因為通用能力上的差距會直接反映在使用者體驗上。於是每個玩家都被迫在「加大投入搶第一」與「被邊緣化」之間做選擇，而理性的選擇永遠是前者。
資本市場的期待與估值壓力
還有一層更隱蔽的壓力：資本市場的預期管理。當一家公司對外宣稱 AI 是未來十年的核心戰略，它的估值就已經某種程度上「預支」了未來的成長。在這種情況下，如果它宣布放慢研發節奏，市場會立刻解讀為「競爭力下滑」，股價應聲下跌，融資成本上升，人才流失——然後真的開始下滑。
這形成了一個自我實現的預言：你必須持續加速，才能維持「你會持續加速」的市場信心；而維持這個信心，又是你繼續加速的資源來源。停下來，等於承認自己講的故事是假的。
雲端巨頭的「軍火商」角色
在這場競賽中，還有一群特別有意思的參與者：提供算力的雲端服務商與晶片設計公司。它們不對最終勝負下注，而是對「競賽本身」下注。競賽越激烈、模型越大、訓練越頻繁，它們的營收越高。
這意味著整個生態系中存在一股强大的、結構性的力量，會持續鼓勵所有玩家「再訓練一個更大的模型」。軍火商不會希望戰爭結束，這是軍備競賽最經典的動力學之一。而當這門生意同時也是國家戰略產業時，這股力量就更難被制衡。
四、地緣政治與國家安全：沒有退路的競爭
如果說商業競爭還有可能在監管壓力下稍微緩和，那麼國家層級的競爭幾乎沒有任何減速的空間。AI 已經被主要大國明確定位為戰略技術，而戰略技術的競爭邏輯，本質上就是「不能輸」。
晶片禁令與供應鏈重組
過去幾年，先進 AI 晶片的出口管制成為國際關係中的核心議題。這些政策背後的邏輯很直接：誰掌握了頂尖算力，誰就掌握了訓練前沿模型的能力；而訓練能力被視為軍事、情報與經濟優勢的基礎。
出口管制的效果是雙面的。一方面它確實限制了某些國家的短期算力供給；另一方面，它也在被限制的一方催生了强烈的「自主可控」動機，促使他們投入巨額資源發展本土晶片與替代技術。結果是，全球 AI 供應鏈從「效率優先」轉向「安全優先」，重複建設與資源浪費成為常態，但沒有任何一方敢回頭。
主權 AI 與國家級算力競賽
近兩年，「主權 AI」成為各國政策文件中的高頻詞。它的核心主張是：一個國家不能完全依賴外國模型來處理本國的語言、文化、法律與敏感資料，必須建立自己的模型能力與算力基礎。
這個主張有其合理性，但它同時也把 AI 競賽從企業層級提升到了國家層級。當各國政府開始補貼本土算力中心、要求本土資料訓練本土模型、將 AI 能力納入國防預算，競賽的參與者就從幾十家公司變成了上百個政府機構。參與者越多，協調停下來就越困難。
更關鍵的是，國家安全領域的競爭有一個特質：資訊不透明。各方都傾向於高估對手的進展、低估自己的安全邊際，這種「最壞情況思維」正是軍備競賽的典型心理機制。
五、心理與制度層面：集體焦慮的自我實現
前面談的都是外在的推力，但 AI 競賽之所以如此頑固，還有一個內在的原因：它已經內化成一種集體心理狀態，並且被制度設計所強化。
囚徒困境與安全困境
用賽局理論的語言來說，AI 競賽是一個典型的囚徒困境。對每一方而言，「加速」都是嚴格優勢策略：如果對手加速，你不加速就落後；如果對手不加速，你加速就能取得領先。無論對手怎麼選，加速都是理性的。
但當所有人都選擇加速，整體結果卻比所有人都選擇克制更糟——資源浪費、風險累積、信任崩解。這就是為什麼我們常常看到一種奇怪的現象：每個參與者私下都承認應該放慢，但公開場合沒有人敢先放慢。
國際關係學者常用的「安全困境」概念也適用：一國為了自保而增強 AI 能力，卻被鄰國解讀為威脅，鄰國於是也增強 AI 能力，最終所有國家的安全感都下降了。這個循環沒有天然的出口。
恐懼錯失與組織內部的競賽
除了外部競爭，組織內部也存在强大的加速壓力。大型科技公司裡，不同團隊之間競爭資源、競爭主管關注、競爭晉升機會。在這種內部賽局中，提出「我們應該更謹慎」的人往往被視為拖後腿，而提出「我們可以再快一點」的人則被視為有企圖心。
這種內部誘因結構會系統性地篩選出樂觀主義者，並且邊緣化風險意識較强的聲音。久而久之，組織的決策文化會偏向加速，即使高層主觀上想要謹慎，也很難對抗這種微觀層級的壓力。
六、停不下來的代價：我們正在支付什麼？
如果這場競賽真的停不下來，那麼至少我們應該清楚它正在讓我們付出什麼。這些代價有些是已實現的，有些是正在累積的，還有一些是尚未被充分討論的。
能源與環境成本
大型模型的訓練與推論需要海量電力。訓練一個前沿模型的耗電量可以達到數千兆瓦時，而推論階段由於要服務數億使用者，長期能耗往往更高。隨著各國資料中心快速擴建，電網壓力、用水冷卻需求、碳排放問題都開始浮現。
當然，科技公司也在積極採購綠電、改善晶片能效。但這裡有一個容易被忽略的結構性問題：能效提升往往會引發「反彈效應」——單位運算更省電，於是人們用更多運算，總能耗未必下降。在競賽邏輯下，節能省下來的成本幾乎一定會被投入下一輪更大的訓練。
資訊生態與社會信任
生成式 AI 大幅降低了製造內容的成本，也大幅降低了辨識內容真偽的難度門檻。深偽、合成新聞、自動化輿論操作、詐騙規模化——這些問題不是未來式，而是現在進行式。
更深層的影響是對「信任」這種社會基礎設施的侵蝕。當人們無法確定一段影音、一張照片、一則評論是否出自真人，公共討論的品質會整體下滑，而重建信任的成本遠高於破壞它的成本。
人才虹吸與產業失衡
AI 競賽還在全球範圍內造成人才的大規模重新配置。頂尖研究者與工程師被少數公司以極高薪資吸納，大學與公共研究機構面臨人才流失，其他產業則面臨數位人才短缺。
這種資源集中短期內提升了前沿技術的推進速度，長期卻可能削弱整個創新生態的多樣性。當一個領域最聰明的大腦都集中在少數幾個目標函數上，其他同樣重要但商業回報較慢的問題，就會被系統性地忽略。
七、有沒有可能「踩煞車」？
談到這裡，問題自然浮現：如果真的停不下來，我們還能做什麼？我認為，與其尋找一個「全面暫停」的按鈕（那在結構上幾乎不可能），不如思考幾條更務實的減速與導向路徑。
監管的困境與可能空間
監管是最直覺的答案，但它面臨兩個難題。第一是速度不對稱：立法週期以年計，模型迭代以月計，等法規落地，監管對象已經換了一代。第二是管轄範圍：AI 研發是全球性的，任何單一國家的嚴格監管都可能只是把研發推向監管較鬆的地方。
務實的空間在於「針對特定應用的監管」而非「針對模型本身的監管」。例如對深度偽造標註、對高風險領域（醫療、金融、司法）的模型使用設下強制要求、對大規模自動化輿論操作課以法律責任。這些措施不試圖阻止競賽，但能限制競賽的傷害範圍。
開源與閉源的拉鋸
開源與閉源之爭，本質上是「能力擴散」與「能力集中」兩種治理哲學的碰撞。閉源支持者認為，强大模型若被任意部署，風險無法控制；開源支持者則認為，能力集中於少數企業手中，本身就是更大的風險，透明與可審計性才是安全的基礎。
這場拉鋸沒有簡單答案，但它有一個被低估的好處：它讓「誰該擁有 AI 能力」這個問題持續被公開討論，而不是被默認為「当然是巨頭」。持續的公共辯論本身，就是一種社會層面的減速機制。
從競賽到共治：另一種可能
真正有機會改變結構的，是讓參與者從「互相競爭」轉向「共同承擔」。歷史上確實有成功的例子，例如冷戰後期的核武管制條約、南極條約、臭氧層保護的蒙特婁議定書——它們的共同點是：建立了可驗證的相互約束機制，讓「不加速」變成可被監督的承諾，而不是單方面的善意。
在 AI 領域，這可能意味著國際間的算力申報機制、前沿模型的安全評測標準互認、針對特定能力的紅線共識。這些機制目前都還在很早期的階段，進展緩慢，但它們是唯一有機會對抗囚徒困境的制度工具。
八、結語：在停不下來之中，尋找可駕馭的方向
回到最初的問題：AI 的軍備競賽為什麼停不下來？
因為它同時被五股力量推動：技術上的規模法則讓「更大」持續有效；商業上的贏者全拿與資本預期讓「放慢」等於「自殺」；地緣政治上的國家安全邏輯讓「落後」等於「危險」；心理上的囚徒困境讓每個人都理性地選擇加速；制度上的協調失靈讓集體克制難以執行。
這五股力量彼此強化，構成了我們看到的困局。任何單一的解方——無論是道德呼籲、企業自律、還是單一國家的立法——都無法單獨鬆動這個結構。
但這不代表我們只能被動接受。理解結構的意義在於：我們可以從「期待全面煞車」轉向「設計可控的減速帶」。針對高風險應用的監管、可驗證的國際申報機制、對開源與閉源生態的平衡治理、對能源與環境外部性的定價——這些都是不要求競賽停止、但能改變競賽方向的介入點。
軍備競賽的歷史告訴我們，人類很少能成功「取消」競賽，但確實曾經成功「管理」競賽。冷戰最終沒有演變成全面核戰，靠的不是某一方突然良心發現，而是一連串不完美、緩慢、充滿博弈的制度安排。
AI 的競賽大概也會走上類似的路徑。它不會因為一篇公開信而停下，但它可能因為足夠多的制度護欄而變得不那麼危險。問題是，我們能不能在付出太大代價之前，把那些護欄建起來。
這是一場與時間的競賽，而諷刺的是，它也是我們唯一還握有的一點主動權。
```