涌现能力的出现确实需要极大的算力规模，但真正的技术壁垒在于高质量数据、模型架构创新和工程化能力的综合门槛，绝非单纯堆叠算力。
从研究数据来看，当模型训练算力达到1.0e+23 FLOPs时，某些任务的准确率会出现显著跃升（例如从约50%提升至63%）。这一量级的算力需求意味着需要大规模GPU集群和长时间稳定训练，对硬件采购、集群运维和能源成本都提出了极高要求。但算力仅仅是入场券，真正的壁垒体现在以下三个层面。
算力：显性的硬门槛
达到涌现所需的算力规模，需要部署成千上万颗高端GPU（如H100级别），并维持数周甚至数月的稳定训练。这不仅涉及巨额资本投入，更考验并行计算、分布式存储和网络通信等系统工程能力。任何环节的故障都可能导致训练中断，造成时间和成本的双重浪费。
数据：稀缺的“燃料”
高质量训练数据的稀缺性是另一大隐性壁垒。模型需要海量、多样、标注精准的数据才能学习到通用特征。公开可用的优质数据（如书籍、学术论文、高质量网页）正被快速消耗，清洗、去重、标注的成本极高。合成数据技术虽在探索，但其质量和有效性仍需验证，无法完全替代真实数据。
架构与算法：决定效率的关键
模型架构（如MoE、注意力机制）和训练算法的创新，直接影响算力转化为涌现能力的效率。更高效的架构能在相同算力下获得更强性能，或降低涌现所需的算力阈值。这需要顶尖的AI研究人才和对底层原理的深刻理解，正是中国与美国在AI技术上存在1-3年差距的核心原因之一——中国在原创模型和算法见解方面仍有提升空间。
常见问题
达到1.0e+23 FLOPs的算力，具体需要多少GPU？
官方资料未公布具体硬件数量或训练时长。但可以明确的是，这需要部署规模庞大的GPU集群，其成本和管理难度构成了极高的进入壁垒。
中国与美国在AI大模型上的差距具体体现在哪里？
根据行业统计，在全球超千亿参数大模型中，中国企业贡献了约1/3，美国贡献了1/2。在模型参数量上，中国模型（如百度文心大模型参数达2600亿）甚至超过部分美国模型。主要差距在于：一是原创算法和模型架构的创新能力；二是自2022年8月后，高端GPU出口限制在一定程度上影响了训练速度。
除了算力和数据，还有哪些因素构成技术壁垒？
工程化能力、人才储备和生态建设同样关键。稳定训练超大规模模型需要顶尖的软件栈和运维团队；而顶尖AI人才在全球都属于稀缺资源。此外，围绕大模型的应用生态、工具链和开发者社区，也是后来者难以短期复制的长期优势。