如果有一個 AI 系統，推理能力超越而家最大型嘅模型，但耗電量仲細過屋企嘅一粒 LED 燈膽，我哋仲會唔會用數據中心嘅大細嚟衡量進步？過去十年，業界彷彿默認咗一個規則：越大越好。更大嘅運算集群、更多嘅參數、更高嘅能源預算，統統被視為追求智能嘅必然代價。大家瘋狂追逐「縮放定律」，覺得能力嘅躍進必定伴隨耗電量嘅直線上升，彷彿呢個係物理學上不可動搖嘅常數。不過，去到2026年，呢場遊戲嘅規則已經徹底改寫。前沿唔再單單係比拼規模，而係比拼效率。一場新嘅「AI運算革命」正喺度發生，重點唔係畀舊引擎加馬力，而係由底層重新設計部引擎，務求喺每一瓦特度榨取最多嘅智能。
回望過去，我哋對「大」嘅迷信去到咗一個臨界點。科技巨頭爭相興建超級數據中心，成個行業將堆砌硬件視為唯一路徑，導致訓練同運行模型嘅電力需求達到驚人地步。呢種粗放式增長的確帶嚟過突破，令到機器學會咗人類嘅語言同邏輯，但同時亦製造咗龐大嘅碳足跡同成本壓力。然而，今年嘅行業風向明顯轉咗舵。研究人員開始意識到，單純依賴蠻力嘅路線已經難以持續，真正嘅突破在於「精準」同「慳電」。
所謂嘅「AI運算革命」，核心在於顛覆傳統嘅運算邏輯。開發者唔再滿足於「大力出奇跡」，而係透過架構重組、演算法優化，甚至係硬件層面嘅創新，令到模型唔使再依賴龐大嘅算力堆疊。呢種由「狂食電」變「食少少但跑得快」嘅轉變，意義深遠。首先，高效能意味住 AI 可以真正落地到邊緣設備，手機、穿戴式裝置甚至係物聯網感應器，都可以喺本地進行複雜推理，大大降低咗延遲同私隱風險。其次，當運算成本大幅下降，中小企同獨立開發者亦有能力參與創新，打破咗巨頭嘅壟斷局面。
不過，我哋亦要小心唔好將「效率至上」變成另一種盲目崇拜。一方面，有學者指出，就算單次推理嘅耗電量大降，但當應用門檻降低，湧現出嚟嘅海量使用量，可能會引發「傑文斯悖論」——即係技術進步令到資源使用更有效率，但同時亦降低咗使用成本，導致總需求增加，最終總耗電量反而不跌反升。另一方面，面對極度複雜嘅通用人工智能（AGI）推理任務，現時嘅高效能模型係咪真係可以完全取代超大規模模型，依然存在疑問。有啲需要極深邏輯鏈嘅零樣本推理，可能暫時仍需要龐大嘅參數量作為知識載體。換言之，效率同規模唔係完全對立，而係需要喺兩者之間搵到最佳嘅平衡點。
重點摘要：
- 過去業界迷信「越大越好」，將龐大耗電量視為AI進步嘅必然代價。* 2026年嘅新趨勢轉向「效率革命」，著重由底層重新設計運算架構，提升每瓦特嘅智能產出。* 高效能令AI得以擴展至邊緣設備，降低運算成本之餘，亦打破咗科技巨頭嘅壟斷。* 需警惕「傑文斯悖論」帶嚟嘅總能耗反彈風險，以及超大規模模型喺複雜推理上仍具不可取代性。
總括而言，2026年呢場靜悄悄嘅範式轉移，證明咗「慳電」絕對唔係退而求其次，而係更高層次嘅技術展現。當 AI 唔使再依賴幾座核電站供電就能夠展現出超凡智慧，先至係真正嘅超能力。未來，邊個可以喺最有限嘅能源下解鎖最強嘅推理能力，邊個就係呢場智能競賽嘅最終贏家。少用電，先至係真正嘅大智慧。