头部 AI 播客『Dwarkesh Podcast』主理人 Dwarkesh Patel 提出了一个颇具争议的观点：未来几年算力成本可能会飙升 10 倍以上。

该观点在 AI 行业引发了激烈讨论，以下是他对此的完整论述：

首先谈谈未来几年各大 AI 实验室的算力状况：

Anthropic 的营收同比暴增了十倍。到今年年底，这家公司的营收可能会落在 1000 亿到 1500 亿美元之间。如果保持这个势头，到明年年底，它的营收得冲到 1 万亿美元。

这种增长并没有什么非延续不可的底层逻辑，甚至很可能会中断，毕竟这终究取决于 AI 的能力边界。

但假设奇迹真的发生，那将是一个怎样的世界？我们需要哪些前置条件？

实验室的算力规模每年呈 3 倍增长。如果一家实验室想靠着 3 倍的算力增量撬动 10 倍营收，以下三种情况至少要发生一个或多个：

1. 实验室的利润率大幅提升；

2. 算力价格上涨；

3. 实验室把更大比例的算力划拨给推理。

据我观察，这三种情况基本都在发生：

1. Anthropic Fable 模型的推理毛利率，从 2025 年的 40% 飙升到了今年预计的 80% 以上（尽管边际算力的毛利率未必如此，详见下文）；

2. Spot 价格较 2 月的低谷期上涨了 40% 以上，而且这很可能还低估了实验室实际承担的溢价；

注：Spot 价格是云服务商对闲置算力资源提供的一种折扣定价机制。其价格通常仅为按需付费的 20%–30%，但当云服务商需要临时回收这些资源时，会提前发出通知并强制终止运行中的任务。

3. 根据 Epoch 的数据，OpenAI 在 2024 年约有四分之一的算力支出砸在了推理上，眼下这个比例即便没突破 50%，也绝对相差无几了。

实验室其实极度抗拒第三条路（把越来越大比例的算力耗在推理上）。业内有句玩笑话说得好：赚取推理收入的唯一目的，就是画饼让投资人掏钱买算力，好去训练更大的模型。

一旦你把大部分算力都拿去做推理，无异于对外宣告 AI 的演进已经停滞，因为继续往训练里砸钱已经不划算了，而你的公司本质上退化成了一家云厂商。

实验室绝不接受这种叙事，在他们眼里，现在端给客户的模型一年后都会变成不堪入目的垃圾，眼下提供这些服务，纯粹是为了跑通商业模式，为后续训练更聪明的模型筹集弹药。

于是，摆在桌面的只剩两个选项：要么实验室利润率飙升，要么算力变得更贵。如果头部的一两家实验室能对竞品形成断层领先，那第一种情况就会占据主导。

毕竟在商业世界里，你的利润率完全取决于你比市面上的第二选择强多少。但要想让第一种效应挑起大梁，到明年年底，实验室的利润率必须逼近 95%。

这个利润率听起来简直天方夜谭。不过，如果说 AI 实验室的营收会继续保持这种惊人的狂飙势头，我倒觉得在情理之中。

因此，要解释明年年底实现 1 万亿美元营收这种疯狂的愿景如何落地，只剩下最后一种可能：算力变得极其昂贵。

正如前文所述，这个齿轮已经开始慢慢转动。

如果我们聚焦到实验室真正需要的那类算力资源，会发现价格涨得更凶，因为他们显然不能指望零打碎敲的 Spot 实例。他们必须确保模型权重和客户数据的绝对安全，同时还需要足够庞大的集群规模，来保证算力利用率和灵活性。

想知道这个级别的算力市场现在有多疯狂，不妨看看谷歌和 Anthropic 从 SpaceX 租算力的报价。

据报道，谷歌为了租用 11 万张 GB200 和 GB300 组成的混合集群，每个月要砸下 9 亿美元。折算下来，单卡每小时的租金几乎是 Spot 价格的两倍，而当前的 Spot 价格本身就已经比 2 月份暴涨了 40%。

我想强调这里的核心结论：模型越聪明，同等算力带来的变现能力就越强。

假设一个真正达到人类水平的 AI 软件工程师能跑在一张等效的 H100 芯片上，按现在软件工程师的市价来算，这张 H100 的年租金理应超过 25 万美元，这是目前 Spot 价格的 15 倍。

当然，你可能会想：凭空多出 1000 万名软件工程师，其边际价值必然缩水，那这张 H100 也就未必能撬动 15 倍的营收了。但我并不确定事实是否如此。

如果把这个逻辑套用在人身上，就是经典的劳动总量固定谬误。

经济学家普遍认为，长期来看，高技能移民并不会拉低工资，因为专业化分工和创新反而会推高劳动力价值。

也许这次 AI 带来的劳动力供给冲击太大、太快，导致常规经验失效。但只要我们还相信标准经济学的劳工理论，算力的边际价值（以及边际价格）就必将高得令人咋舌。

那么，在这样一个世界里会发生什么？

随着头部模型的算力变现能力越来越强，后来者想追赶会越发艰难。如果在 2028 年软件工程已经被自动化，且算力价格是现在的 15 倍，那么一家毫无营收的公司想要和前沿实验室去抢算力，无异于天方夜谭。

如果你能训练出最顶尖、最高效的模型，就能获得远超今天的利润率。这就是阿尔钦-艾伦效应：当两种不同品质的商品被加上相同的固定成本时，优质商品反而显得相对便宜，从而吸引更多需求。

想象一下，当 H100 的租金涨到每小时 20 美元时，再去用一个能力平庸、效率低下的模型将是极其昂贵且愚蠢的，因为为了得到同样的结果，它会在你昂贵的算力上白白空耗更多 token。

因此，只要实验室训练出的模型能更极致地压榨这些稀缺算力，他们就有底气收取极高的溢价。

既然你横竖都要为底层算力掏一大笔钱，倒不如索性再多付一点，直接用同等算力下最强大、最高效的模型。

许多当下热门的 AI 应用将被高昂的成本挤出市场。眼下 AI 之所以相对便宜（至少比人工便宜），部分原因是它还做不了顶尖人类能做的事。

但这个天花板迟早会被打破。到那时，用 GPU 批量生成低质短视频垃圾的生意，将直接因为用不起算力而惨遭淘汰。

不过，这种预测确实很容易让人联想到，人类过去在面对资源稀缺时常犯的错误。

比如著名的西蒙-埃尔利希赌局：保罗·埃尔利希曾押注，在 1990 年前的十年间，一揽子大宗商品的价格不仅不会下降，反而会攀升。

这个赌局在通俗经济学界广为人知，常被用来证明埃尔利希的马尔萨斯式悲观有多么站不住脚，因为他低估了市场信号与人类智慧，没料到人类总能找到更优的办法来节约稀缺资源。（虽然后续也有分析指出，如果换个十年打赌，赢的可能就是埃尔利希了）。

但我认为，不能直接拿西蒙-埃尔利希的大宗商品来类比算力。因为相比于开采各种金属，算力供给的弹性极低，面对庞大的需求冲击时，几乎没有多少缓冲余地。

所谓算力产能每年 3 倍的增长，其实是以下三个变量相乘的结果：

摩尔定律带来的 1.4 倍，新建晶圆厂带来的 1.2 倍（至少在 2030 年前，新建进度都会被 EUV 光刻机的产能卡脖子），以及 AI 从其他设备那里抢下先进制程晶圆配额，带来的 1.8 倍增长（这一红利将在 2027 年底见顶，届时 AI 芯片在 N3 中的产能占比将从 60% 飙升至 86%）。

短期内，我们很难指望这三大要素中的任何一个能进一步大幅推高算力规模，尤其是最后一个，随着晶圆配额被瓜分殆尽，一两年内就会碰壁。

需要澄清的是，算力在未来某一天终究会再次变得廉价。终有一日，机器人能直接把海滩上的石英砂和矿山里的铜矿石变成计算机。到那时，算力价格自然会回落到接近原材料和制造工具的成本价。

但我现在讨论的仅仅是眼下这个特定周期：算力每年 3 倍的扩张速度，根本赶不上 AI 实用性跃升带来的溢价效应。

顺带一提，Anthropic 的营收能每年翻 10 倍，而算力只增长 3 倍，这说明大模型业务具备极强的规模经济效应。

这在逻辑上完全说得通：训练模型时，你为让它掌握海量技能支付了一次性成本，随后就能把这笔开销摊销到所有用户头上。（这完全不同于人类劳动力，每招一个人，你都得从头开始培训）。

我倒希望，我们没有生活在一个智能具有如此强规模经济效应的世界里（因为我担忧权力的过度集中）。

但事与愿违，我们似乎已经身在其中了。