AI 的钱都去了哪里？以及我们还没学会的安全课

Epoch AI 的一份数据报告揭示了一个不容忽视的结构性转变：在 AI 芯片的组件成本中，内存（主要是 HBM 和 DRAM）的占比已经飙升至接近三分之二。这不仅仅是供应链账本上的数字游戏——它意味着过去几年我们津津乐道的"算力军备竞赛"正在被"存储瓶颈"所反噬。当训练和推理大模型时，数据传输速度跟不上计算速度的问题越来越尖锐，以至于芯片设计者不得不把大量预算砸在昂贵的堆叠式高带宽内存上。英伟达的 B200 和 AMD 的 MI300 系列，封装里的内存部分几乎成了最贵的单一组件。

这让我想起一个老笑话：你的模型跑得慢，不是因为 GPU 不够快，而是数据从内存到核心的路上堵车了。现在这个堵车成本已经占了总成本的大头。而更深层的影响是，谁能掌握内存技术（或者类似 CXL 这样的互联标准），谁就能卡住 AI 的脖子。芯片厂焦虑，云厂商更焦虑——他们正在重新考虑整个数据中心架构，试图把内存从"外挂"变成"内嵌"。

但硬件上的成本天花板至少是看得见、算得出的，而软件层面的安全问题就像在浓雾里开车。TechCrunch 今天发了一篇文章，标题就很直白："所有人都在实时摸索 AI 安全——包括谷歌。"这话说得挺重，但确实是现状。谷歌作为 AI 领域的绝对巨头，内部安全团队也在不断调整策略，因为他们面对的威胁模型每几个月就变一次脸。对抗性攻击、提示注入、模型越狱……这些技术去年还是实验室里的 demo，今年已经成了安全团队的常态化工作。

更麻烦的是，随着 AI agent 的崛起——模型能自主调用工具、执行多步操作——安全边界几乎不存在了。一个模型在被注入恶意指令后，可能不是泄露数据，而是直接操控外部 API 去转账、发邮件、删数据库。谷歌内部最近关于"trusted execution environment"和"模型沙箱"的讨论明显增多，但他们自己也承认，没有成熟方案。All of us are learning by doing，只不过这个课堂的学费可能是数据泄露和声誉崩塌。

这种不确定性同样弥漫在自动驾驶领域。TechCrunch Mobility 的专栏做了一期 "Robotaxi 现实检查"：虽然 Waymo 和 Cruise 在旧金山、凤凰城等地已经运营了商业服务，行业整体远未达到几年前承诺的"全无人驾驶普及"。监管审批每进一小步都要用几年的运营数据来换，极端天气下传感器的可靠性依然是硬伤，而端到端神经网络虽然能应对 95% 的场景，剩下 5% 的长尾事件——一个塑料袋、一封从卡车上掉下来的报纸——依然要靠传统的规则和人工远程接管来处理。安全不是一句"AI 来了"就能解决的问题，它是一整套工程伦理的渐进妥协。

在一片混沌中，AI 电影制作工具却依然在吸引热钱。Y Combinator 投资的 Flick（YC F25）正在招聘前端工程师，目标直指 "Figma for AI Filmmaking"。他们想把电影制作的全流程——从剧本、分镜、角色设计到场景生成——全部搬到 AI 协作平台上。听起来像科幻，但不是没道理：如果你能用自然语言告诉 AI "给我一个诺兰式的逆光镜头"，它立刻生成预览，你还可以像调色一样调整风格和灯光——这对独立电影人和广告创意团队来说，简直是生产力核弹。当然，前提是别让 AI 把剧本改得面目全非（笑）。

回到开头那个问题和结论：AI 的钱正在从 GPU 流向 HBM，但更大的钱——也就是信任和风险——还没有找到去处。硬件够不够贵可以算清楚，安全漏洞带来的代价却无法预知。这个行业一边在解决最硬的工程问题，一边在和自己创造的智能赛跑。我们都还是新手，谷歌也不例外。而正是这种"没人知道正确答案"的状态，让 AI 依然像个还在冒烟的化学反应——迷人，又危险。