AI 领域正上演着一场奇特的反向“军备竞赛”：模型能力越强，其背后的算力成本非但没有被摊薄，反而以惊人的速度攀升。这背后不仅是技术的博弈，更是一场深刻的经济学推演。
本期内容整理自 Dwarkesh Patel 播客节目，以下为完整观点实录。
收入10倍，算力只涨3倍的魔咒
过去三年，Anthropic 的收入每年都以同比 10 倍的速度增长，今年大概率也不例外。它的年底收入很可能从去年的 90 亿美元，跃升至 1000 亿至 1500 亿美元区间。
若此趋势延续，明年 Anthropic 的收入将冲向 1 万亿美元。这当然是一个极其狂野的推演，最终取决于 AI 能否在明年变得足够“有用”。但如果我们暂且假设这个趋势成立，在那样的未来世界里，会发生什么？
这里存在一个根本性矛盾：AI 实验室的算力供给，每年仅能增长约 3 倍。当收入增速（10 倍）远超算力增速（3 倍）时，至少会有三件事同步发生，以填补这个巨大缺口：
- 利润率飙升：实验室的推理利润率必须大幅提高。Anthropic 的该项数据据说已从去年年中的 40%，涨至如今 Fable 模型上的 80% 以上。
- 算力价格上涨：现货算力价格已比今年 2 月份的低点高出 40% 以上。
- 推理占训练比例上升：根据 Epoch 的数据，2024 年 OpenAI 仅将四分之一算力用于推理，如今这个数字可能已接近甚至超过 50%。
实验室最不想沦为“云厂商”
对前沿 AI 实验室而言，第三条路是它们最不愿看到的。在它们看来，推理业务的全部意义，在于向投资人证明盈利能力，从而获得更多资金去训练下一代更强大的模型。
如果大部分算力最终都消耗在推理上，无异于宣告：前沿模型的迭代停滞了，我们不过是一家普通的云服务商。“建设 AGI”的宏大叙事远比这个有吸引力。实验室们坚信，一年之内它们能做出让现有模型相形见绌的新模型，为此必须将海量算力持续投入到训练与实验中。
因此，弥合“10 倍收入 vs. 3 倍算力”这个缺口的路径只剩下两条：要么实验室的利润率继续走高，将剩余价值留存在自己手中；要么算力价格上涨，让 GPU 与数据中心等供应链上的所有参与者，共同瓜分这些价值。
能否实现 90% 以上的利润率？这要求领先模型将竞争对手远远甩开。让人疯狂的是，“智能”这项服务，其利润率是否会真突破 90%，并且不被市场竞争所侵蚀？
算力：最后的“逃逸阀”
倘若利润率无法无限拔高，那么算力涨价便成为整个系统中唯一的“逃逸阀”——而且这件事正在发生。对于前沿实验室所需的那一档算力，这种效应更甚，因为它们不仅要大规模采购，还要确保效率、灵活性，以及保护模型权重与客户数据的安全合规能力。
一个典型案例是，Google 每月支付 9 亿美元，向 SpaceX 租用 11 万块 GB200 与 GB300 混合 GPU。其支付单价高达这些 GPU 现货市场价格的 2 倍，而此现货价本身又已比 2 月份高出 40% 以上。
一张 H100 的年租金为何能超 25 万美元？
这里引申出一个关键结论：随着 AI 模型变得更聪明，它们会愈发擅长将同等数量的算力变现。
想象一下：若一个达到人类水平的软件工程师，能完全运行在一块 H100 等效算力上。按今天顶尖软件工程师的工资折算，这块 H100 每年的租金理论上应超过 25 万美元，这是当前 H100 现货价的 15 倍以上——而且，这个 AI 工程师还能 7x24 小时工作。
你可能会反驳：如果经济中突然多出 1000 万个 AI 软件工程师，边际价值难道不会暴跌吗？这其实陷入了经典的“劳动总量谬误”。经济学家通常认为，高技能移民长期并不会压低本地工资，因为创新和专业分工会持续提高劳动的边际价值。即便这次的劳动力供给冲击空前巨大，但若标准经济学逻辑依然成立，算力的边际价值，就会高得惊人。
这将直接导致：顶级实验室越擅长将算力变现，其他玩家就越难与它们竞价同一种稀缺资源，算力市场的天平将进一步向强者倾斜。
最高效的模型，收取最高的溢价
这其中有一个最反直觉的推论：当 H100 的每小时租金极其昂贵时，使用低效模型就显得无比愚蠢——它会在昂贵的算力上浪费更多 token，产出相同结果。因此，最能节省算力投入的高效模型，反而能收取更高的溢价。
这在经济学上被称为“阿尔钦-艾伦效应”。如果你的模型用更少算力解决了相同问题，相当于你在无形中“创造”了更多算力，而算力本身的价值正在飙升。
与此同时，大量当下流行的 AI 应用可能会被高价挤出市场。当 Google、Anthropic 或 OpenAI 愿意为 token 支付高价，用来自动化其自身的 AI 研究时，普通人愿意为生成低价值内容支付的费用，将变得毫无竞争力。
“稀缺性预测”为何可能全错？
当然，这种“算力资源会越来越稀缺”的分析，历史上也曾被打脸。经典的“西蒙-埃利希赌局”中，人口末日论者埃利希预言大宗商品价格会因稀缺而上涨，结果却被市场信号与人类创造力找到的替代方案击败了。
对此，Dwarkesh 的反思是：算力供给的弹性远比金属矿产小得多，更难通过寻找替代品来缓冲巨大的需求冲击。
构成算力年增长 3 倍的三个要素，目前看来都很难继续加速：
- 摩尔定律贡献约 1.4 倍，能再维持几年已是奇迹。
- 新晶圆厂建设贡献约 1.2 倍，这个过程在 2030 年前都会被 ASML EUV 光刻机的产能卡住。
- 晶圆配额转移贡献约 1.8 倍，即 AI 吸走此前分给手机和 PC 的产能。当下这已接近极限——在台积电领先的 N3 节点上，AI 的产能占比将从 60% 提升至 86%。很快，我们就会面临全部领先制程皆被 AI 吸干的局面，无法继续增长。
因此，未来几年算力供给能否维持每年 3 倍的增速，本身就是一个巨大的问号。
长期便宜，短期昂贵
一个清晰的结论是：在未来某个节点，算力终将回归廉价。当我们拥有能将沙滩上的硅砂和铜矿直接转化为芯片的机器人时，算力的成本将无限趋近于原材料及加工成本。
但这一切都发生在这个“前奇点”阶段：AI 算力每年仅增长 3 倍，完全追不上 AI 自身价值的膨胀速度。
智能的规模经济与权力集中
Anthropic 收入 10 倍增长与算力 3 倍增长之间的差距，也揭示了模型生意的超强规模经济效应。逻辑上很好理解：训练模型是一次性的投入，习得的各种技能可以零成本地同步给所有用户。这和人类劳动截然不同——每个人类个体都必须从零开始重新训练。这种强大的规模经济解释了收入何以跑赢算力增长，但也引发了对于权力高度集中的担忧。
原始视频：https://www.youtube.com/watch?v=oZBGAuANX6I
发表于 1 小时前
|
查看: 2|
回复: 0
