--- id: "aV26V1UvkJw" title: "Dylan Patel：两家实验室将很快控制世界大部分劳动力" channel: "Dwarkesh Patel" host: ["Dwarkesh Patel"] guests: ["Dylan Patel"] date: "2026-08-25" updated: "2026-08-26" duration: "1:16:53" duration_seconds: 4613 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=aV26V1UvkJw" canonical: "https://pod-exp.pages.dev/aV26V1UvkJw/" transcript_jsonl: "https://pod-exp.pages.dev/aV26V1UvkJw/transcript.jsonl" language: "zh-CN" translation: true translated_from: "en" timestamp_precision: "block" topics: ["人工智能","AI 基础设施","半导体","宏观经济"] series: ["AI 基础设施"] --- # Dylan Patel：两家实验室将很快控制世界大部分劳动力 > 中文译文，由英文原音字幕翻译整理，不是官方逐字稿；引用原话请核对英文原视频。说话人标签由整理者依上下文标注，带「未确认 / 未标注 / 不确定」等字样的标签不可靠。时间戳一般为块级（所在时间块的起点），不是逐句时间；正文自带 [hh:mm:ss] 的段落除外。 **内容提要：** Dwarkesh Patel 与 SemiAnalysis 创始人 Dylan Patel 从一个极具体的问题出发：OpenAI 与 Anthropic 正以多快的速度吞下全球新增算力？Dylan 估算，两家实验室明年可能拿走 40%—50% 的新增算力，若趋势延续，到 2028 年甚至可能控制全球大部分“可用 FLOPs”。两人一路把这套逻辑推演到晶圆厂、EUV 镜片、数据中心、电力与融资：AI 每兆瓦收入的提升会抬高算力价格，也会把数万亿美元资本支出和债务挤进同一个金融体系。他们进一步讨论中国算力受限、研发与推理的算力分配、主权债务危机，以及更深的一层后果——如果 AI 劳动力的有效人口每年增长 10 倍，未来大部分工作产出是否会集中在极少数实验室里。 ## [0:00] 两家实验室将很快控制全球大部分算力 · YouTube **Dwarkesh Patel：** 好，我又和 SemiAnalysis 创始人 Dylan Patel 坐在一起了。我们版本的家庭感恩节晚餐，就是每年来录一次固定播客。不过我们其实并没有亲戚关系。 **Dylan Patel：** 别告诉大家这件事。 **Dwarkesh Patel：** 那会毁掉这个传说。现在世界经济往哪里走，越来越取决于实验室的经济模型往哪里走、算力市场往哪里走，等等。我想弄明白，未来几年里这个疯狂的未来究竟会落到什么地方。不过先从今天讲起：现在实验室的算力和收入是什么情况？再往后一两年大概会怎样？ **Dylan Patel：** 回到去年，甚至到去年年底，美国 GDP 增长的大部分几乎就是 AI 基础设施。今年上线的算力里，大约三分之一是给实验室的，也就是 OpenAI 和 Anthropic。它可能是别人建好以后租给它们，但最终客户就是它们。再往未来看，算力数字正在膨胀：今年资本开支已经略高于 1 万亿美元，到 2028 年会超过 2 万亿美元，而实验室拿走的比例也越来越高。 **Dylan Patel：** 所以最后会出现一个很有意思的局面：这些实验室从每年花几十亿美元的公司，变成每年花几千亿美元，再到按它们已经开始和合作伙伴签下的部分合同推算，甚至计划在本十年末每年花上数万亿美元。这会要求它们的经济结构发生巨大重塑。到目前为止，它们基本都是亏钱的公司。Anthropic 在第二季度开始盈利；人们认为 OpenAI 也可能在第三季度某个时候，随着 Codex、5.6 等产品的增长开始盈利。 **Dylan Patel：** 但往前一年，它们的钱全是风险资本给亏损买单；即便今年年初仍然如此。现在它们拐过了那个点，开始真正赚钱。当然这不意味着它们不再拿新资本——新资本仍会进来，只是为了加速增长。越来越多业务可以靠自己的收入，而不是靠外部注资来支撑。过去一年半里，它们的利润率上升得非常快。 **Dylan Patel：** 算力的基础成本通常大约是每兆瓦 1,000 万、1,300 万或 1,500 万美元。最有意思的是，以前 OpenAI 用 Nvidia Hopper GPU 提供 GPT-4 服务时，毛利率还是负的；现在 OpenAI 提供 GPT-5.6，或者 Anthropic 提供 Opus 5、Fable 5，单位算力产生的收入已经远远超过每兆瓦新增的 1,000 万—1,500 万美元成本。Anthropic 的收入甚至高到每兆瓦 5,000 万美元。 **Dylan Patel：** 这就让它们可以说：“嘿，我在推理容量上花 10 美元，实际上能产生 50 美元收入，然后我可以把这笔利润全部再增量投入训练。” **Dwarkesh Patel：** 我特别想理解的是，算力向实验室集中的过程会怎样发生，或者说，给全世界使用的算力和给实验室使用的算力，比例会怎样变化。如果你说现在边际新增算力有三分之一流向实验室，那么什么时候全球超过一半的新增算力会流向实验室？又到什么时候，实验室会基本拥有世界绝大多数算力？ **Dylan Patel：** 今年年初，OpenAI 大约 2 吉瓦，Anthropic 不到 2 吉瓦；到今年年底，两家都会超过 5 吉瓦。所以整体上，它们的算力已经增长了 3—4 倍。 ## [4:06] 新增算力的一半何时流向 OpenAI 与 Anthropic · YouTube **Dylan Patel：** 如果看今年新增的算力，它们大约拿走了其中 30%。再往明年走，光看已经签了、落笔了、盖章了的合同，情况会更夸张：Anthropic 和 OpenAI 明年会拿走多达 40%—50% 的新增算力。这种中心化看起来没有减速或停止，反而只是在加速。 **Dylan Patel：** 替它们建算力的人会变化。比如明年一个大型新进入者是 SpaceX，它正在建设大量算力，而且很可能会积极把其中相当一部分租给 Anthropic 和 OpenAI，因为它们在边际上最有能力支付最高价格。与此同时，OpenAI 和 Anthropic 也开始自己建设算力：OpenAI 有自己的芯片；Anthropic 则购买 Google 的 TPU，并通过 Fluidstack 部署。 **Dylan Patel：** 所以你问：“什么时候全球一半的新增算力只会去 OpenAI 和 Anthropic？”答案其实就是明年底左右——到那时，一半新增算力已经会流向这两家。 **Dwarkesh Patel：** 因为算力增长太快，新增算力很快就会近似等于“大部分现有算力”。所以非常快——按你的说法，也许一年半到两年——世界大部分算力就会由两家实验室拥有，或者至少是在满足这两家实验室的需求。 **Dwarkesh Patel：** 现在还有一个趋势：全球以吉瓦计的算力也许每年翻倍，但前沿实验室的算力每年却是三倍。如果把当前趋势直接往前推，今年年初从 2 吉瓦开始，到年底接近 6 吉瓦；再乘 3，2027 年底是 18 吉瓦，2028 年底是 54 吉瓦。你会不会到某个点说：“好，到这里它们不可能再三倍增长了，因为全球算力总量根本不够？”你怎么看未来几年全球算力的整体情况？ **Dylan Patel：** 如果今年新增 30 吉瓦，明年新增 50 吉瓦，再下一年大约 70 吉瓦，会出现一个很有意思的现象：今年新部署的每一瓦，效率都显著高于两年前部署的每一瓦。今年部署了全球算力里非常大的一部分。即便部署的瓦数没有翻倍，我部署的却是 GB300、TPUv7、Trainium3，它们的能效高得多——单位瓦的性能是上一代芯片的 3—5 倍。 **Dylan Patel：** 所以这里其实有一层巨大的性能阶梯。假设 Anthropic 和 OpenAI 明年拿走 45% 的算力，那么到 2027 年 12 月左右，它们已经拿走全球一半的新增算力；而这“一半新增算力”的性能，又高于此前所有旧算力。所以还要再乘一个倍率。到 2028 年末，如果这个趋势继续——而我现在看不到什么能阻止它——它们两家自己就会控制全球大部分真正可用的 FLOPs。 ## [7:01] 60 亿美元晶圆厂资本开支如何撬动万亿美元 AI 收入 · YouTube **Dwarkesh Patel：** 我困惑的是：如果我们进入一个算力价值高到这种程度的世界，你为什么觉得 2028 年只会新增 80 吉瓦？ **Dylan Patel：** 顺便说，那已经是上限了。那是“我他妈超级看多”的版本。 **Dwarkesh Patel：** 好，那我们做一点逐步推演。我几个月前采访你时，你说要制造 1 吉瓦——我记得是 Vera Rubin——大概需要 55,000 片 N3 晶圆、6,000 片 N5 晶圆，以及 170,000 片 DRAM 晶圆。我不知道这些数字现在有没有变。 **Dwarkesh Patel：** 我得调侃你一下，你当时说 wafers 的发音真的太印度了，像 “vafers”。顺便说，我们刚搬到美国时，我自己 v/w 也分得很糟，而且我还是素食者。 **Dylan Patel：** 我记得你跟我说过这个。 **Dwarkesh Patel：** 我当时在北达科他州上小学，会说—— **Dylan Patel：** “Can I get a wedgie?” **Dwarkesh Patel：** “Can I get some wedgies?” 好了，回到正题。那是生产 1 吉瓦所需的晶圆。我让一个 LLM 跑了你的晶圆厂设备模型，算了算要让工厂基本每年生产 1 吉瓦算力，设备工具要花多少钱。它给出的数字是 30 亿—40 亿美元。如果再加上洁净室、厂房外壳和晶圆厂里的其他东西，那就是大约 60 亿美元晶圆厂资本开支，可以每年生产 1 吉瓦。 **Dwarkesh Patel：** 而 1 吉瓦现在能产生大约 1,000 亿美元收入。更关键的是，那 60 亿美元资本开支不是只生产一次 1 吉瓦，它是每年都生产 1 吉瓦；每个吉瓦又每年产生 1,000 亿美元。五年下来，第一年生产的那 1 吉瓦已经赚了五年，第二年生产的赚了四年，以此类推。也就是说，在晶圆厂这一层，60 亿美元资本开支最终可以对应超过 1 万亿美元的 AI 终端收入。 **Dylan Patel：** 对，但一路上还有很多运营成本，也有很多别的资本开支，比如数据中心、电力；你还得付钱给 OpenAI 做研发。 **Dwarkesh Patel：** 还有安装。这里有很多不同的人都得拿钱。哪怕我们把一半都扣给这些“中间环节”，晶圆厂资本开支和最终产生的收入之间仍然有 100 倍的差距。其实还不止，但我们就极度保守地算。于是……这就是资本主义：你眼前有一个巨大错位，1 美元能变成 100 美元。 **Dwarkesh Patel：** 他们难道不会想办法多做一些镜片吗？ **Dylan Patel：** 会。只是这些镜片生产起来需要时间。 **Dwarkesh Patel：** 可问题已经紧急到 Anthropic 和 OpenAI 会说：“我们现在本来能赚 1 万亿美元，却被 ASML 机器里的镜片卡住了。如果我在这上面砸 1,000 亿美元，怎么才能造更多镜片？”我们很快就会进入这种局面。我们真的解决不了这种供应约束吗？这很难想象。 **Dylan Patel：** 市场里已经有人做一些很有意思的套利了：他们买燃气轮机，然后想办法转卖，因为一旦轮机成了数据中心的瓶颈，它的价值就远高于原来的价格。我觉得只要有人手上有 4 亿美元，而且能说服 ASML 卖给他一台 EUV 设备，他就应该直接买下来，放一放，然后以超过 10 亿美元的价格转手。 **Dylan Patel：** 所以最终资本主义当然会让这些东西扩产。但它像一根鞭子：信号从手柄传到鞭梢需要很长时间。供应链不会立刻反应。你现在去问 Carl Zeiss 的人，他们会说：“对对对，我们要在本十年末做到一年 100 台 EUV 设备。”可我们今年早些时候录那一期时，他们甚至还不觉得自己需要做那么多，连一年 100 台 EUV 所需的镜片都没准备。现在他们才说：“好，我们确实得做到。” ## [11:02] 供应链为什么不会立刻追上算力价值 · YouTube **Dylan Patel：** 但实际上，考虑到现在发生的这些经济变化，产量应该还要更高。只是让整个产业链真正“吃透”这种 AI 价值信号，需要很长时间。 **Dwarkesh Patel：** 假设整条产业链里的每一家公司都被私募股权接管，来了一个超级“AGI 上头”的人，说：“我们就要最大化产量。”那你觉得，真正限制我们制造更多东西的物理约束会是什么？我之所以问，是因为我们很快会进入一个实验室收入——或者更广义说 AI 现金流，因为加速器本身也产生巨额现金流——大到足以直接用自身现金流支持整条产业链极端扩张的世界。 **Dylan Patel：** 总体上我同意。当然会有物理约束。按照供应链当前扩张的方式来看，“100”大致仍然是对的数字。 **Dwarkesh Patel：** 你说 2030 年？一年 100 台 ASML？ **Dylan Patel：** 对，2030 年左右 100 台 ASML。但如果你对 Carl Zeiss 说：“给你 100 亿美元，求你他妈赶紧扩产”，那当然会改变情况。问题是，你得对供应链里的每一家公司都这么做。 **Dwarkesh Patel：** 但你不觉得明年就会发生？ **Dylan Patel：** 我不觉得今年会发生，也不觉得明年会发生，后年我也不觉得。因为整个世界仍然受资本约束。 **Dwarkesh Patel：** 可如果顶级实验室明年合计就能产生 1 万亿美元收入，它们难道不能拿出其中 100 亿美元—— **Dylan Patel：** 我不觉得它们会这么做，不过…… **Dwarkesh Patel：** 或者至少拿出几千亿美元？它们看起来已经明白世界往哪走了。我总觉得它们完全可以—— **Dylan Patel：** 实验室明年确实会产生数千亿美元收入，但明年的资本开支大约是 2 万亿美元。这里仍有一个巨大缺口。晶圆制造设备供应链大概会有 2,000 亿美元级别；数据中心供应链更大；加速器供应链更大；能源供应链也会是一个大数字。全部加在一起，资本开支会远超 2 万亿美元。所以实验室的现金流还没有大到能自己把这些东西全买单。 **Dwarkesh Patel：** 当然，从某种意义上说，它们永远也不该到“现金流完全覆盖资本开支”的状态，因为你就是希望资本开支持续高于当前回报。 **Dylan Patel：** 对，就是不断再投资。 ## [13:11] 实验室竞价会把算力价格推到哪里 · YouTube **Dwarkesh Patel：** 我真正最想理解的问题是：如果当前趋势继续，到 2028 年底，每家实验室都会超过 50 吉瓦，两家合计就是 100 吉瓦。而且正如你说的，到 2028 年这些吉瓦能提供的吞吐或性能会比今天高很多，因为硬件变好了；不只是每瓦 FLOPs 上升，硬件本身也更适配 AI 工作负载。好，那实验室到 2028 年底 100 吉瓦。全世界总算力是多少？ **Dylan Patel：** 这会变得有点困难，因为到 2028 年，它们也许已经拿走 70%—80% 的新增算力。我不确定那时市场会发生什么。为了真正买到 70%—80% 的算力，它们得把算力价格推高到什么程度？Google、Meta、Amazon 会愿意卖出那么多吗？ **Dylan Patel：** 还有一个口径上的说明：我们说这些“吉瓦”时，比如 Amazon 在 Bedrock 上提供 Anthropic 模型，我们也把这算作 Anthropic 的算力，因为最终它事实上会计入 Anthropic 的收入，尽管中间有收入分成、credit 返还之类的东西。总之，如果它们到 2028 年合计达到 100 吉瓦，那一定已经对市场做了非常剧烈的事情。 **Dylan Patel：** 因为以今天每兆瓦 1,000 万—1,500 万美元的价格，几乎任何人都能用算力赚钱。我不是开玩笑，真没那么难。拿一架 GB300 机柜，下载 Kimi 权重，下载 vLLM 或 SGLang，把它架起来；Codex 和 Fable 甚至能帮你做。很简单——不是说完全没有技术门槛，但绝对不是火箭科学。再把服务放到 OpenRouter 上，你产生的收入就会开始高于你付的算力成本。 **Dylan Patel：** 这已经让原本每兆瓦 1,000 万—1,500 万美元的算力价格开始拐头向上。如果要在 2028 年做到 100 吉瓦，你必须相信实验室能在竞价上压过别人，因为在 1,000 万—1,500 万美元这个价位，别人也都能赚钱。那算力会不会涨到每兆瓦 2,500 万美元？4,000 万美元？ **Dwarkesh Patel：** 正如你说的，现在实验室每兆瓦产生的收入已经远高于其他人。如果它们保持今天这种领先幅度，我们就该预期这会继续。如果出现某种递归自我改进，让 AI 实验室得到相对更大的能力增益——或者它们内部有不对外发布的模型，帮助自己做出下一代模型——那这种差距只会更大。 **Dwarkesh Patel：** 而且你不是已经看到这个机制了吗？SpaceX，或者任何稍微落后一层的公司，如果自己没法像实验室那样高效变现算力，就会把算力卖给最高出价者。于是实验室自然会不断竞价，拿走越来越大的算力份额。 **Dylan Patel：** 这基本就是我的世界观。它们会继续吞下更多算力。但按今天这个价格，它们不可能吞到那个程度，价格得明显上涨。要在 2028 年真正拿到全球 70% 的算力、做到 100 吉瓦这个非常激进的目标，它们确实得开始支付每兆瓦 2,500 万、3,000 万甚至 5,000 万美元。 **Dylan Patel：** 另一个非常棘手的方面是，我们已经看到 AI 实验室遭遇了显著减速。它们自己主张的安全监管，实际上对实验室的拖慢可能比对中国开源语言模型的拖慢更大。OpenAI 没有发布 Astra；OpenAI 停训两周；Anthropic 没有发布其安全评估里被称作“Model 2”的东西，人们普遍认为那就是下一版 Mythos。它们显然没有把最好的模型放出来。 **Dylan Patel：** 这样一来，每兆瓦收入会停滞，甚至重新下降，因为别的模型又变得有竞争力。这不等于它们技术上落后了，而只是它们不发布最强能力。如果监管影响阻止它们发布最好的模型，那么每兆瓦收入就不会增长得那么快，它们以更高价格抢买新增算力的能力也会下降，于是也许根本到不了 100 吉瓦。 **Dylan Patel：** 但在一个完全不考虑安全约束的世界里，我确实认为这就是会发生的事：它们可以做到每兆瓦 1 亿美元甚至更高的收入，也就可以支付每兆瓦 5,000 万美元。其他人没有任何理性理由再把算力留在自己手里，都会说：“Dario，求你把我手上的算力全拿走吧。”不过现实里确实存在一些我们无法完全描述的力量，会让这个过程慢下来。 ## [17:38] 用“一百万白领”理解每吉瓦算力的价值 · YouTube **Dwarkesh Patel：** 一个很好的直觉泵是：假设 AI 模型真的和一个完全自动化的软件工程师一样好。现在还没有，我觉得它们离完整自动化一个白领的整份工作还很远。但白领每年收入通常是六位数，甚至更高。如果 1 吉瓦算力能维持大约 100 万名白领级 AI 的“人口”—— **Dylan Patel：** 那乘出来就是 1,000 亿美元。 **Dwarkesh Patel：** 这竟然比我直觉里低。对，100 万人，每人 10 万美元。 **Dylan Patel：** 我也不知道精确数字。但如果到了完整 AGI，单位吉瓦对应的价值很可能是几千亿美元。另一个方面是—— ## [18:25] AI 价值链里谁会拿走最大剩余 · YouTube **Dylan Patel：** 另一个我们一直看到的现象是：绝大部分价值并没有被模型公司拿走。这些模型创造的大多数价值，并没有交给 OpenAI 和 Anthropic。谢天谢地，到目前为止，主要还是落到了用户手里。 **Dylan Patel：** 比如 Jane Street。它和 OpenAI 有 GPT-5.6 Ultrafast 模式的独家合同，同时也是 Anthropic 最大的客户之一。它从自己购买的 token 里产生的价值，远远、远远、远远高于 Anthropic 从这些 token 上赚到的利润，因为 Jane Street 可以直接在市场里赚钱。再比如 Meta，一度有传言说它占 Anthropic 业务的 10% 之多。Meta 用模型优化广告算法、提升参与度，让用户多停留 5%，等等，从而产生的效率和利润，也远高于 Anthropic 从卖模型本身拿到的钱。 **Dylan Patel：** 这其实是整个体系能运转的必要条件。当然，如果你突然有 100 万名新的软件工程师，软件工程师的市场价格也会下降。 **Dwarkesh Patel：** 我困惑的一件事是：这个市场最后会不会达到均衡？如果会达到均衡，那你是不是应该预期，算力价格最终就等于 Anthropic 或 OpenAI 能从算力上赚到的钱，或者至少非常接近，只给它们留下一个很小的加价空间？现在的状态很奇怪：算力的成交价和 Anthropic 能从同一份算力上赚的钱之间，差了 4 倍甚至更多。 **Dwarkesh Patel：** 如果未来每吉瓦收入继续增长，Anthropic 对 1 吉瓦的变现能力翻两倍、三倍，但两者之间的差距反而越拉越大，那就很奇怪。它只是因为手里有一套权重，就能把一个成本 10 美元的东西变成 100 美元。 **Dylan Patel：** 这是个一直都很好玩的题目：AI 创造了这么多价值，价值最后流到哪里？最末端是终端用户，我想我们都同意，用户获得的价值比任何一层都多，所以他们才愿意为这些模型付很多钱。再往上是应用层，到目前为止应用层真正捕获的价值很少。再往上是模型层：一年前它还是负毛利，现在却有巨大的正毛利，并且看起来正在走向每兆瓦 1 亿美元收入——也就是像你说的，把 1,000 万—1,500 万美元变成 1 亿美元。 **Dylan Patel：** 但如果回到一年前，当时是硬件供应链拿走了全部毛利，其他所有人几乎都在亏钱。OpenAI、Anthropic 和很多创业公司都在把 VC 的钱往里烧；很多 hyperscaler 也在建设基础设施，却不知道到底有没有回报。于是模型层在某种意义上是在创造“负价值”：它卖 token 的价格低于基础设施成本。价值都被芯片、晶圆厂这些上游环节拿走了。 **Dylan Patel：** 2023 年最早的时候，做 HBM 和 AI 内存的厂商其实也几乎赚不到钱，尽管理论上他们交付的价值巨大。现在价值捕获的位置又变了。实际上，TSMC 捕获的价值反而比内存厂商少很多。所以整个价值链里谁拿走利润，已经来回移动了很多次。对于追踪市场、或者像 Jane Street 这样直接参与市场的人来说，这当然很有意思。 **Dwarkesh Patel：** 这不是广告。 **Dylan Patel：** 这不是广告。 **Dwarkesh Patel：** 他们是赞助商没错，但你也不用这么拼命给他们打广告。 **Dylan Patel：** 那往后会怎样？Anthropic 和 OpenAI 的价值捕获已经开始慢慢膨胀。它们会不会一路膨胀，把所有价值都拿走？原本可以这么想，但 Elon 又证明：“不，我可以把我的算力按每兆瓦 2,500 万或 4,000 万美元卖给 Anthropic 和 Google。”哪怕只是短期，我已经按这个价格卖掉了，一年就能回收全部资本开支。 **Dwarkesh Patel：** 那你预测一下：相关这一档算力——比如 B300，或者 SpaceX 据说按每吉瓦 400 亿美元卖给 Google 的那类算力——到明年年底会卖多少钱？ ## [22:31] 算力市场、云厂商与实验室之间的议价 · YouTube **Dylan Patel：** 我觉得大多数算力仍然会以每吉瓦低于 200 亿美元的价格成交。 **Dwarkesh Patel：** 到明年年底也还是这样？ **Dylan Patel：** 因为这一切都必须融资。如果 Meta、Microsoft、Amazon、SpaceX 可以在还没有客户的时候就自己把算力建出来，直接说“去他的，我先把算力建了再说”，等东西真的建成后，它们就掌握了局势。但现实是，大多数算力在开工很久以前就已经签了合同。 **Dylan Patel：** Elon 利用的恰恰就是这一点：他手上已经真的有算力，于是可以对 Anthropic 说：“嘿，我知道你每吉瓦能赚 600 多亿美元，那你为什么不花一个疯狂的价格把我的东西买走？”当然，不是说 Elon 一个人决定价格，也不是 Anthropic 一个人决定价格，而是市场自己把价格算出来了。 **Dylan Patel：** 换成一家普通云厂商，逻辑完全不同。它会说：“好，我要建 1 吉瓦，或者 100 兆瓦算力，要先花资本开支；接下来我要找到客户。如果我要找到客户，也就要找到资本。谁会同时给我资本和客户？客户必须先签合同，然后我拿着客户的承诺去信贷市场融资。”所以这产生了一种完全不同的权力结构。 **Dylan Patel：** Meta 本质上是在囤算力。它和 SpaceX 是唯一有希望成为“第三极”的两个玩家，因为它们能用自己的资产负债表和建设能力，在没有一个已经能高强度变现的终端客户时就先把算力做出来。它们有真正的资产负债表，所以能直接进信贷市场。你建 1 吉瓦，可以赚到利润——不是疯狂的利润，但不错——然后你手上就有了算力资产。 **Dylan Patel：** 这样 Meta 和 SpaceX 就有了选择权：到底是内部用这批算力更赚钱，还是把它按极高利润率卖给 Anthropic 或 OpenAI？现在我们已经进入一个新状态：SpaceX 和 Meta 可以说，“我自己先把算力建出来，而且我不是只能按 1,300 万美元卖，我可以卖 2,500 万、5,000 万，甚至更高。” **Dwarkesh Patel：** 【广告】我最近一直在做视频 essay 和其他新形式，所以也在给播客找一个新的编辑。但主动找编辑非常耗时间，因为绝大多数候选人都不是我想找的类型。于是我在 Grok Bot 里做了一个 recruiter，想看看它能不能帮上忙。 **Dwarkesh Patel：** 我先给它塞了一个巨大的上下文，把自己所有要求几乎完整地口述了一遍。然后它又启动四个机器人，分别去搜不同来源：一个翻过去一年的邮件，找相关的主动来信；一个搜我的 X 动态和私信；一个去看我喜欢的各种纪录片片尾字幕；最后一个去找我关注的 YouTuber 都在和哪些剪辑师合作。 **Dwarkesh Patel：** Grok Bot 把这些子代理找到的候选人汇总起来，再按我的标准过滤，交给我一个最终 shortlist。说实话，第一批里有几个不错、我想见的人，但大部分都不行。后来我进一步告诉 Grok Bot 它漏掉了什么，它又给我一份新名单，这次我是真的非常兴奋。 **Dwarkesh Patel：** 最后我把整个工作流保存成一个 routine。所以现在每周 Grok Bot 都会自动检查我的来信和 X 私信，寻找值得面试的新候选人。如果你也想试试 Grok Bot，可以去 x.ai/bot。 ## [25:40] 数据中心监管会怎样拖慢 AI · YouTube **Dwarkesh Patel：** 你觉得 Anthropic 或 OpenAI 到 2027 年底，每吉瓦收入会到多少？ **Dylan Patel：** 这高度取决于谁有最好的模型，以及它们是否还被允许持续发布最好的模型。但我看不出为什么不能达到每兆瓦 5,000 万美元以上。 **Dwarkesh Patel：** 你说的是 2027 年底？ **Dylan Patel：** 哦，到 2027 年底？那会更难一些，不过我觉得混合整个公司的平均值，可能到每兆瓦 7,000 万、8,000 万美元，甚至更高。 **Dwarkesh Patel：** 听起来还是低。那如果真是这样，算力价格会怎样？ **Dylan Patel：** 如果我是 Anthropic，新增算力对我当然有价值。也许我会花每兆瓦 4,000 万美元买 SpaceX 的算力。如果我是 SpaceX，我会往供应链上游看：“我已经和 Jensen 做了这笔交易——他现在突然又开始用 Twitter 了。”Elon 说他们会独家使用 Nvidia，那 Jensen 为什么不涨价？接着 SK Hynix、Micron、Samsung 也会看着说：“那我们为什么不涨？” **Dylan Patel：** 所以在价值捕获这件事上，我觉得会有一个牛鞭效应。某一个人涨价，并不代表整条供应链会立刻重新平衡，但时间拉长后，上游一定会重新定价，东西会越来越贵。你要增加产能，实际上就必须这么做。TSMC 涨价很慢，但内存公司涨得很快，载板公司也涨得很快。 **Dylan Patel：** Elon 不会在每兆瓦 1,500 万美元时把算力卖出去；他之所以卖，是因为现在价格已经 2,500 万美元以上。所以显然他涨价非常快。 **Dwarkesh Patel：** 我反而很惊讶，你觉得明年年底的每吉瓦收入不会远远超过 1 亿美元。RSI 什么时候发生？takeoff 什么时候发生？就算没有 RSI，只是假设当前进步速度不变——看过去一年半我们已经进步了多少。那时最好的模型是什么，Claude 3.5 之类？ **Dylan Patel：** 我的问题在于，当前世界上最好的模型是二月份训练出来的。 **Dwarkesh Patel：** 所以你的意思是，也许我们根本不会被允许发布实验室最强的模型？ **Dylan Patel：** OpenAI 都说它们停训两周了，哥们。搞什么？而且这不只是“内部能不能充分使用，足以让它们继续竞价算力”的问题；还有另一层：监管会不会让整个 AI 进步速度都变慢。 **Dwarkesh Patel：** 对，但—— **Dylan Patel：** 它们甚至都不能在内部用这个新模型。Astra 在内部也没有广泛部署。 **Dwarkesh Patel：** 可即便如此，如果你有一个模型……去年年初发布的模型叫什么？GPT——4o？是 4o 吧？ **Dylan Patel：** 对。 **Dwarkesh Patel：** 那么到 2027 年底，你谈的是再来一次 GPT-4o 到 Mythos 2 规模的跃迁。 **Dylan Patel：** 可 Mythos 2 还没发布。 **Dwarkesh Patel：** 那就别说 Mythos 2，只说 Mythos。再来一次那样的跃迁。 **Dylan Patel：** 连 Mythos 都没有被允许完整放出来。它被阉割了。我们不能拿它优化推理性能，也不能拿它优化各种别的东西。 **Dwarkesh Patel：** 好，也许 AI 进步本身或者 AI 的部署确实会因为某种原因减速，从而让每吉瓦收入更低。但在我看来，这是到明年年底每兆瓦收入“只有”1 亿美元的唯一解释。只要模型继续变好，它产生的价值就会继续提高。 **Dylan Patel：** 谁能捕获这些价值当然仍然有争议，但最终每一层都会涨价，因为他们涨得动，而且这会极度通胀。尤其如果监管方式正在发生变化。到目前为止主要还是“不要发布模型”；但越来越多监管开始变成：纽约禁数据中心，Texas 搞暂停令，Ohio 则至少有人试图要求数据中心替一定半径内所有人的房产税买单。这些东西都会减少供给、增加成本，而成本最后也会向下游传导。 **Dylan Patel：** 你会逐渐进入一个状态：至少从外部看，进步速度确实会变慢，即便实验室内部模型还在越来越好。 **Dwarkesh Patel：** 在 takeoff 场景里，为什么 Anthropic 不会始终比外部可用的模型提前六个月拥有自己的最强模型？安全和监管是一层原因，但竞争优势本身也是原因。如果进步速度在加速，这六个月造成的能力差就会越来越大。 **Dylan Patel：** 对，而这正是会把每兆瓦收入增速压低到远低于今年上半年水平的东西。 ## [29:41] 监管与资本约束的过渡 · YouTube **Dwarkesh Patel：** 这里有一件我特别感兴趣的事：随着这些公司开始上市，而且它们—— ## [29:44] 实验室会把越来越多算力转向研发 · YouTube **Dwarkesh Patel：** ——随着这些公司上市、必须对投资者负责。假设到明年年底，它们各自接近 20 吉瓦，那么 10% 的算力就是 2 吉瓦。再假设它们原来把 60% 的算力用于训练，现在想把训练占比提高到 70%。投资者会说：“等等，如果你每吉瓦能创造 1,000 亿美元收入，那你为了增加训练算力，等于主动放弃 2,000 亿美元收入。”投资者会问：“搞什么？你们训练已经花这么多钱了，为什么还要花更多？”如果它们成为上市公司之后仍然说：“不，我们就是要不断提高训练占比，用来抵消每吉瓦算力带来的收入提升。”你觉得会发生什么？ **Dylan Patel：** 我个人就是这么判断的：随着时间推移，实验室会把越来越少的算力分给推理。我觉得这是一个非常非共识的判断。大多数人的标准看法是：“未来大多数算力都会用于推理。”但我认为，大部分算力会用于训练所需的 forward pass，而不一定是产生收入的推理。 **Dylan Patel：** 比如今天它们每兆瓦能创造 3,000 万—4,000 万美元收入，于是可能把 40% 的算力给推理。假如以后每兆瓦能创造 6,000 万—7,000 万美元，你还会维持 40% 推理、把巨额利润拿去分红和回购股票吗？还是拿去造 AGI？对 Anthropic 和 OpenAI 来说，我觉得答案显而易见，而且不只是高管这么想，董事会也会这么想：去造 AGI，因为那更有利润。所以最终你会看到，它们不断提高用于训练的算力比例。 **Dwarkesh Patel：** 即使与此同时，每一份新增算力如果拿去做推理，能产生的利润还越来越高。 **Dylan Patel：** 对。关键就在这。假设我卖 token——OpenAI 的 Ultrafast mode 只是对外发布，还是内部也在用？答案是内部也会用。因为超高速 AI、最强模型在内部产生的价值，可能远远高于给外部客户产生的价值。所以即使我对外做推理，每兆瓦可以创造 1 亿美元收入，如果我把这份算力转去 AI 研究，它能给我带来多少新增进步？又会怎样改变我未来的盈利能力、改变未来现金流的折现值？它们当然不会真的坐在那里算一张 DCF 表，但从逻辑上说，越来越多算力留在内部更合理。 **Dylan Patel：** 推理算力之所以一度需要这么大，一个主要理由就是：先用推理赚钱，再用这些钱扩张训练集群。 **Dwarkesh Patel：** 我觉得这其实是个很有意思的经济学问题，甚至可以让模型自己去推演：什么条件成立时，一家公司才会降低用于推理的算力比例？ **Dylan Patel：** 我觉得过去三个月它们实际上已经这么做了。今年某些阶段，推理占比还在提高——但我们按月看。你会同意，Anthropic 每个月新增的算力一般都比上个月多。签一笔 SpaceX 之类的大单时会有噪音，但总体上算力曲线一直向上。可与此同时，年初它们新增收入的速度曾经暴涨，后来已经趋于平台。现在它们可不是每个月都再增加 250 亿美元 ARR。 **Dylan Patel：** 这意味着它们得到的边际兆瓦里，越来越高的比例正在流向 R&D，而不是推理。所以从事实层面说，它们今天已经在把更多算力转向研发。我觉得只要足够仔细地看它们在做什么，这一点其实很明显。 ## [33:29] 中国新增算力占比不到 10%，但实验室也不需要同样多的算力 · YouTube **Dwarkesh Patel：** 如果我用你刚才说的全球算力增长数字来算，有几个问题想搞清楚。把那些数字加起来，到 2028 年底全球 AI 算力应该会超过 200 吉瓦，对吧？ **Dylan Patel：** 对，全球总量。 **Dwarkesh Patel：** 那 2028 年以后，全球 AI 算力还能以多快的速度继续增长？ **Dylan Patel：** 今年新增 30 吉瓦，明年 50 吉瓦，2028 年 70 吉瓦；2029 年大概 90—100 吉瓦。 **Dwarkesh Patel：** 然后以后每年就再加 100 吉瓦左右？ **Dylan Patel：** 我觉得斜率还可以继续往上。只是超过四年之后真的很难预测。谁知道那时是不是已经进入 RSI regime，或者什么时候世界经济开始每年增长 10%。如果你每年新增 100 多吉瓦，那对应的 GDP 增长会非常夸张。 **Dwarkesh Patel：** 如果 2028 年全球大约有 200 吉瓦，那中国到那时会有多少？在整个趋势里，中国的算力会怎样继续增长？因为如果西方在中国还没有大量算力之前就进入 RSI，那会和“中国先有了大量算力、之后 RSI 才发生”的世界非常不一样。 **Dylan Patel：** 先把基准拉回 2022 年。当时美国大约占全球新增算力的 45%—50%，中国大约 30%—35%，剩下的由其他国家和地区吸收。2022 年以后，一方面有针对中国的大规模限制，另一方面美国的部署量急剧上升。现在大约 70% 的新增瓦数都部署在美国。 **Dylan Patel：** 中国现在其实很小。用于数据中心 AI 算力的新增瓦数里，中国不到 10%。往前看，这个比例短期仍然很低。中国国内产量还很小，从 Nvidia 购买的量也仍然不大，而且其中不少最终还落在马来西亚等别的地方。所以国内新增 AI 算力里，中国依然不到全球的 10%。我觉得 2028 年这个比例可能开始向上拐。 **Dylan Patel：** 但到 2028 年，中国的 AI 算力很容易判断为 30 吉瓦或更少。 **Dwarkesh Patel：** 你说 2028 年？ **Dylan Patel：** 对，2028 年。 **Dwarkesh Patel：** 那之后它的 hockey stick 会有多陡？ **Dylan Patel：** 我确实认为 2028 年中国可部署的算力会有一次明显跃升。2026 年，它们还主要依赖大量走私芯片、TSMC 给一些“以为不是 Huawei、最后其实是 Huawei”的公司代工出来的芯片，以及 Samsung 运过去的很多 HBM。到 2027 年，中国的晶圆厂开始真正上量；尤其是 2028 年，SMIC、CXMT 等国内产能开始明显爬坡，年产量会达到几百万颗的规模。仅仅 2028 年，国产芯片就可能额外增加 5—10 吉瓦。 **Dylan Patel：** 当然，这些芯片肯定比 Nvidia 在 2028 年的芯片差，也会比 Google 或 OpenAI 在 2028 年使用的芯片差。 **Dwarkesh Patel：** 所以你是说，连“吉瓦”这个数字本身都高估了中国的实际算力。名义上可能是 30 吉瓦，但芯片差很多。 **Dylan Patel：** 对。 **Dwarkesh Patel：** 可如果你认为全球下一年会新增 100 吉瓦——我知道你说不能预测得太远——那中国再下一年能增加多少？我真正想知道的是：一旦它们开始能大规模出货算力，会不会立刻 hockey stick，还是即使那样，增量仍会低于美国加盟友？ **Dylan Patel：** 这很大程度取决于美国会不会通过 MATCH Act、设备出口管制会不会继续，以及中国把自己刚开始能国产的设备扩张得有多快。但归根结底，中国一定会 hockey stick。如果中国特别擅长什么，那就是把制造业扩张得非常、非常快。我也预计，中国会越来越有能力把外国芯片买回国内，或者至少缩小美国允许 Nvidia 对华销售产品与最先进产品之间的差距。 ## [37:32] 中国的制造扩张、出口管制与算力质量差距 · YouTube **Dwarkesh Patel：** 你觉得中国 2029 年有可能单年新增 50 吉瓦吗？ **Dylan Patel：** 我觉得完全合理。其中一部分也可能来自进口。总之，我认为 2029 年中国新增 50 吉瓦完全说得通。 **Dylan Patel：** 不过如果里面大多数是国产芯片，就要做一个质量折算。名义上的 50 吉瓦，真正提供的有效算力可能只相当于美国芯片的 20 吉瓦。 **Dwarkesh Patel：** 明白。所以你实际上在预测一种世界：如果按芯片质量加权，那么 2028 年某一家领先实验室的算力，可能会比中国在 2029 年、甚至 2030 年全国的算力还多。 **Dylan Patel：** 前提是没有采取任何措施放慢美国实验室。 **Dwarkesh Patel：** 对。 **Dylan Patel：** 但显然政府和政治人物已经开始这么做了。反过来，中国不会去放慢 AI；它们只会想办法把 AI 加速。 **Dwarkesh Patel：** 说真的，我之前采访 Jensen、问出口管制的时候，我本身是个 libertarian，当时我并不确定自己怎么看这个问题。我还特意替和他相反的立场做 steelman，因为我觉得把观点真正辩清楚很重要。我当时会想：“也许存在一种世界，我们和中国直接合作反而对美国更好，尤其是它们控制着供应链中这么多东西，而机器人时代还会需要这些东西。” **Dwarkesh Patel：** 但我没意识到你说的算力差距已经这么夸张。出口管制看起来确实已经产生了很大的影响。如果中国真的只能按你说的速度部署，那差别巨大。等我们进入自动 coder、开始接近自动 researcher 的阶段时，中国在算力存量上已经远远落后。如果最终真是这样，那这套政策确实奏效了。 **Dylan Patel：** 我觉得这确实是一个值得注意的成功。不过有个 caveat：这里面一部分是出口管制，一部分其实只是金融体系差异。美国金融体系比中国金融体系更愿意 YOLO 式地把钱砸进创业公司；但一旦中国金融体系决定集中支持一个产业，它给的补贴会比美国大得多。中国半导体产业得到的补贴，显著高于世界其他地区半导体产业补贴的总和。 **Dwarkesh Patel：** 如果 takeoff 没有你暗示得那么快，而是拖得更久，那最终中国会在半导体端大幅追上来，而半导体到某个时点就是算力。 **Dylan Patel：** 还有一个很值得注意的事实：至少从公众能感知到的模型表现看，中国公司今天相对于自己拥有的算力，其实并没有落后那么多。领先的中国实验室总算力最多也就 100—200 兆瓦；ByteDance Seed 是一个明显例外，算力比这个多得多。但 Kimi 并没有 1 吉瓦，离 1 吉瓦还很远。反过来，到今年年底 Anthropic 会超过 5 吉瓦。 **Dylan Patel：** 所以问题是：这真的重要吗？我觉得目前这份算力差距还没有那么重要。把一家实验室的算力预算拆开看，到目前大致是 60% 训练、40% 推理；但训练内部还要再拆。实际上大概 50% 的总算力在“研究”，10% 在“开发”，40% 在推理。 **Dylan Patel：** 我说的 research 和 development 是：研究员在不断产生想法、测试新架构、新数据配比、新超参数、新 attention 技术，等等等等。可当它们真正做一次训练 run，比如 Anthropic 训练 Mythos，单次 pre-train 的规模其实不到 200 兆瓦。 **Dwarkesh Patel：** 你说的是 pre-train，还是整个训练过程？ **Dylan Patel：** pre-train，不到 200 兆瓦—— ## [41:32] 为什么几吉瓦的实验室仍只用几百兆瓦做一次训练 · YouTube **Dylan Patel：** ——大概持续两个月。之后的 RL 甚至更小。 **Dwarkesh Patel：** 你认为 RL 用的算力比 pre-train 还少？ **Dylan Patel：** 至少从单个站点、某一次 pre-training 集群的规模来说，是。 **Dwarkesh Patel：** 但总算力可能更高，对吧？ **Dylan Patel：** 对，但它是顺序发生的。它们任何一个时点实际同时用在这次开发上的算力，最多大概就是 200 兆瓦。现实里实验室已经有数吉瓦，所以大多数算力其实在做 research，而不是直接用于开发某一个模型。 **Dylan Patel：** 这背后有很多现实原因：协调这么多集群很难，把它们放在同一地点很难，多站点训练很难，RL 本身也很难。RL 时生成更多 rollout 并不一定就能让模型更好。所以你明明拥有 2 吉瓦，可能真正能有效放到一次训练里的只有 200 兆瓦。 **Dylan Patel：** 但随着我们走向自动 coding、自动 researcher，我预计“research”和“training”的界线会越来越模糊，甚至更多算力会直接算作 training。continual learning 之类的技术也是一样：它们都会让越来越多算力真正用于训练模型本身。 **Dwarkesh Patel：** 如果世界走到每年新增 100 吉瓦，按现在的价格，仅这些算力每年就是 5 万亿美元 CapEx。然后还要叠加一件事：发电厂必须提前很久建，而且是 30 年资产；数据中心本身也是 15—20 年资产，也必须提前建。所以考虑未来几年的增长后，这个 5 万亿美元其实会变成 7 万亿、甚至 10 万亿美元 CapEx。 **Dwarkesh Patel：** 等等，我没理解。刚才这个数还没有包括数据中心本身缺少发电基础设施这件事？ **Dylan Patel：** 对，正是如此。人们平常说“AI CapEx”每吉瓦 400 亿、500 亿美元时，很多时候算的主要只是 critical IT：服务器、网络、光纤、收发器、光通信这些。它并不包括数据中心建筑本身，也不包括发电厂；而这些资产都要提前建设。 **Dylan Patel：** 假如我今年建 100 吉瓦、明年建 150 吉瓦，那么明年那 150 吉瓦需要的建筑，很多资本开支今年就要发生。如果后年要建 200 吉瓦，对应的发电厂也得更早花钱——涡轮机今年就得买。所以如果真要一年建 100 吉瓦，总资本开支实际上会远远超过 5 万亿美元。 **Dwarkesh Patel：** 对。到 2030 年底，每年的新增 CapEx 很可能接近 10 万亿美元，差不多是全球经济的十分之一。如果大部分都发生在美国……当然到那时美国经济也会更大，但按美国今天的经济规模算，相当于四分之一到三分之一的美国经济都只是在建设数据中心。 **Dwarkesh Patel：** 我把这句话说出来，反而开始觉得：“也许你是对的，我们就是不会允许它发生，这正是指数曲线断掉的原因。”因为要让这种指数继续下去，美国经济的四分之一都得拿来建数据中心。 **Dylan Patel：** 我相信资本主义，也相信资源会被重新分配到回报最高的地方。但政治存在，信贷市场存在，资本市场也存在。 **Dylan Patel：** 所以如果要支持 2030 年那种 100 吉瓦级别的新增规模——或者先保守一点，只看 2028 年——那一年大概就需要 3 万亿—4 万亿美元 CapEx：其中 2.5 万亿美元以上是 IT CapEx，另外 1 万亿—2 万亿美元是数据中心、能源，以及半导体等下游供应链。问题是，这 3 万亿—4 万亿美元现金到底从哪里来？今天没有任何一家业务本身已经能产生这么多现金。 ## [45:32] 当 AI 基建吞噬信贷市场，钱从哪里来 · YouTube **Dylan Patel：** 到目前为止，hyperscaler 承担了大部分增长：Google、Microsoft、Amazon、Meta。它们曾经占全球算力建设的一半以上。但现在它们自己也几乎不剩自由现金了——赚到的钱都投回 CapEx，还会额外发债再投 CapEx。Meta 已经这么做，Amazon、Google 也是，Microsoft 很快也会走到同一个位置。大家都在借债来支付资本开支。 **Dylan Patel：** 那么新的边际资金提供者是谁？过去 Google 或 Meta 只要减少股票回购，把钱转去买计算基础设施就行，对整个市场影响还不是特别大。但走到 2028 年，hyperscaler 本身可能要借几千亿美元，整个供应链也要再借几千亿美元——谁来买这些债、谁来提供钱？ **Dylan Patel：** 有几种来源。第一，Nvidia、Broadcom、内存公司这些半导体企业会拿自己的利润去资助部分 CapEx。第二，传统基础设施投资人会募集资金，只是过去买桥梁，现在买数据中心。第三，是整个经济里的资金重新做选择：“也许我不该买房，也不该投帮助别人买房的信贷，也不该买政府债；我应该去买 hyperscaler 的债、某座数据中心的债，或者 Anthropic 的债。” **Dylan Patel：** 因为 Anthropic 可能愿意为新增的 10 亿美元融资支付 20% 利率来扩容。它知道这批算力未来收入巨大，即使付 20% 也比按每吉瓦 500 亿美元去租 SpaceX 的算力划算。所以所有资金都开始互相争夺。一旦这样，整个世界经济的资金配置都会被重新改写。 **Dwarkesh Patel：** 【广告】Antithesis 是一个确定性软件测试平台，它可以做到完美复现，也由此解锁一些非常夸张的 debug 方法，比如“时间旅行”。在 Antithesis 里，你可以跳到一条执行轨迹里的任意时点，并从那里重新开始。 **Dwarkesh Patel：** 比如系统 crash 时，你可以倒回真正出错的那一刻，把整个系统冻结下来：应用、数据库，甚至环境本身都保持在同一状态。这让你能做正常情况下几乎不可能的事——在完全同一个瞬间观察分布式系统的每一部分。 **Dwarkesh Patel：** 时间旅行还意味着，你甚至可以在事件已经发生之后补加 telemetry 和 logging。比如 crash 发生后，倒回五秒钟，在那一刻决定“这次把所有网络流量都抓下来”。更强的是，Antithesis 会给你一个通向系统的实时终端，你可以随便扰动系统：杀掉一个 node、关掉某个 feature，然后点播放，看接下来发生什么；再倒回去，换另一种操作。 **Dwarkesh Patel：** 在生产环境里，这类破坏性分析往往只有一次机会。比如你重启一个死锁服务，原本想研究的那个精确 deadlock 就消失了。但在 Antithesis 里，原始时间线始终可以复现，所以你可以测试任意多个假设。如果你不想自己做这些“时间旅行”，也可以直接通过 Antithesis API 让 agent 帮你做。想了解更多，可以去 antithesis.com/dwarkesh。 ## [48:51] AI 会不会触发主权债务危机 · YouTube **Dwarkesh Patel：** 过去几天我们在线下一直争论：AI 最后会不会引发一场主权债务危机。逻辑是这样的。正如前面说的，现在会出现一种状态：投入很少的钱，就能变成非常多的钱，所以资本回报率会非常高—— **Dylan Patel：** 这算什么天大的问题啊，哥们。我的天，真不敢相信。 **Dwarkesh Patel：** 不，对所有那些“没办法把一点钱变成很多钱”的人来说，这真的是个大问题。回报率高得离谱。哪怕只到数据中心这一层，如果你建一座数据中心，然后能按折旧成本的 10 倍租给 Anthropic 或 OpenAI，这都已经疯狂得不行。你年初投入 1 美元，年底可能变成 2 美元、10 美元之类。 **Dwarkesh Patel：** 这会把利率推高。而且如果整个经济都发生这种事——大家借越来越多的钱——AI 基建融资就在和政府原本要借的钱、其他公司原本要借的钱、消费者买房按揭要借的钱争同一池资本。于是所有人的借钱成本都会变贵，影响会非常大。 **Dwarkesh Patel：** 抱歉，我要开始 monologue 一会儿了，不过这几天我们确实一直在一起琢磨这个。最终我觉得美国会没事，因为如果数据中心建在美国，你根本上可以直接对数据中心征税。但今天美国税制的结构不是这样：企业所得税占联邦收入不到 10%，80% 以上来自 payroll tax 和个人所得税；而随着自动化越来越多，这两块税基反而会缩小。 **Dwarkesh Patel：** 与此同时，在支出端，现在大约 20% 的税收支出拿去 service debt，也就是付国债利息。很多债务期限又不长，大约五年就会滚动再融资。你他妈笑什么？ **Dylan Patel：** 因为这些都是你过去一个月才学会的东西。 **Dwarkesh Patel：** 搞得好像你不一样似的。搞得好像你有个他妈的金融经济学学位。 **Dylan Patel：** 我没有。互联网还以为我是养蜂的呢。几个月，几个月而已。 **Dwarkesh Patel：** Dylan，这可是我们的工作。 **Dylan Patel：** 我知道，我知道。抱歉，抱歉。 **Dwarkesh Patel：** 现在我都开始自我怀疑了。靠。 **Dylan Patel：** 没事，你讲得很好。我只是觉得很好笑：一百万人在听一个这个月才刚学会“债务”是什么的人讲债务。 **Dwarkesh Patel：** 假设利率上升 1 个百分点。以五年为尺度，税收里用于付债务利息的比例可能从 20% 升到 25%。如果利率上升 5 个百分点，这个比例会超过 40%。但还要考虑政府每年本身又新增借 2 万亿美元，于是 40% 还会变成 60% 以上——也就是 60% 的税收只拿去付利息。 **Dwarkesh Patel：** 我还是觉得美国最后会没事，因为只要允许数据中心继续建在美国，税基也会跟着增长。但别的国家在我看来就真的麻烦了。我刚才还在看哪些国家债很多、税收收入又少，而且债务需要频繁再融资。像 Pakistan、Nigeria 这样的国家，在新的利率 regime 下会非常痛苦。 **Dylan Patel：** 这种 crowding-out effect，就是为什么现实不会变成“YOLO 10 亿吉瓦”。你有大量高度依赖债务的行业和国家；刚才说的那些贫穷国家可能会直接 default。消费品公司——比如你在 Trader Joe’s 货架上看到的各种东西背后的公司——也大量用债。 ## [52:52] 五万亿美元新增信贷怎样挤出整个经济 · YouTube **Dylan Patel：** 电信公司大量用债，银行也大量用债。所以当市场利率上升时——不一定是政府设定的政策利率，而是联邦利率和所有其他借款人实际要付的利率之间那个 spread 在扩大——比如 Amazon 明年想发 1,000 亿美元债，或者随便什么数字，可能没那么多，你马上就会碰到一个很难的问题：现金到底从哪里来？ **Dylan Patel：** 当然，有一部分建设可以靠现金流，而且现金流还在增长。但经济上最合理的做法又是：投资规模远远超过你今天的现金流，因为这样未来几年回报才最大。于是中间出现一个巨大的 gap。真正把这个 gap 往下压的，是其他所有约束：数据中心监管、消费者反感、政治人物反感、AI 监管、实验室因为安全原因不发布最新模型，以及利率上涨本身。 **Dylan Patel：** 所以，纯粹最简单的资本主义模型会想把建设曲线推到非常高；但现实是一个复杂系统，这些力量会把曲线一层层压下来，最终建出来的吉瓦数会少于“只看简单经济学”时本来应该建的量。 **Dwarkesh Patel：** 不过利率本身也是资本主义的一部分，对吧？ **Dylan Patel：** 对。我只是区分那个极简经济模型，和我们现实中拥有的复杂体系。 **Dwarkesh Patel：** 那你觉得明年 Amazon、Anthropic 之类如果要发债，实际会按什么利率发？假如大科技公司合计要发几千亿美元债，平均利率会是多少？ **Dylan Patel：** 我不觉得 Amazon 一家公司会发几千亿美元。 **Dwarkesh Patel：** 我是说总量。big tech、hyperscaler、所有云加起来。 **Dylan Patel：** 在我们的模型里，从 2024 到 2029 年，累计 CapEx 大约 11 万亿美元。 **Dwarkesh Patel：** 总额？ **Dylan Patel：** 总额。哪怕尽可能多地用现金流去付，11 万多亿美元的 build-out 里，最终仍然需要发行超过 5 万亿美元的信贷。 **Dwarkesh Patel：** 所以你不认为 AI 收入还能一直每年 3 倍增长？ **Dylan Patel：** AI 收入当然会上升。我只是不认为它可以永远这样增长而不撞到某些约束。实验室会有自己的激励，而且很多时候并不是实验室亲自建设全部算力，尽管它们越来越想这么做。 **Dwarkesh Patel：** 可它们会有这么多现金流。你刚才说收入会有多少？你是觉得它们不会有那么多收入吗？ **Dylan Patel：** 不是。我的意思是，到 2029 年之前大约会有 11 万亿美元 CapEx，其中 6 万亿美元由现金出资，5 万亿美元由债务出资。如果整个生态要新发 5 万亿美元债，利率当然会被推高。 **Dylan Patel：** 什么会阻止这种结果？有几个因素。第一，实验室会不会继续显著提高每兆瓦收入，同时把推理占比维持在较高水平？如果会，它们其实是在吸走整个 S&P 500 的利润，因为所有公司都在付钱用 AI 降成本。当然，那些公司的利润自己也可能提高，可现金终究得从某个地方来。所以实验室收入相对于它给整个世界创造的价值，不可能无限快地增长；技术扩散也会起作用。 **Dylan Patel：** 但总体上实验室收入仍会继续上涨，只是光靠现金流不可能把所有基础设施都付掉。最优策略其实是尽可能使用信贷，因为即使实验室现金流能覆盖很多建设，你还是希望建得比现金流允许的更多。我们的当前模型到 2029 年大致就是：5 万亿美元信贷融资，6 万亿美元现金融资的基础设施投资。 **Dylan Patel：** 即便这样，得到的算力相对于 AI 模型需求的增长仍然不够。所以自然的结果就是每兆瓦收入继续上涨。 **Dwarkesh Patel：** 这我理解。那你觉得到 2029 年，仅仅因为这一轮 AI 建设，利率会提高多少？ **Dylan Patel：** 哥们，这完全是在 vibe 一个数字。但如果一定要随便估一个——世界经济增长本身会高很多，那 Amazon 的借款利率为什么不会比今天更高？ ## [56:55] 利率冲击、资产重估与“第二次 Volcker shock” · YouTube **Dylan Patel：** 下面真的是非常 vibe 的估计。Meta 最近融资大概付 5%—6%，我看不出为什么以后不会付到 8%。它们会很乐意付 8%，因为新算力带来的回报巨大。市场当然不希望它们把利率抬到 8%，但它们自己会愿意。 **Dylan Patel：** 问题在于，如果它们从今天的 5%、5.5%、6% 提高到 8%，相当于大约多了 250 个基点，那么整个经济里的其他借款人也可能都要多付 250 个基点。接下来很多东西就会出问题。银行会尖叫，因为它们的 credit spread 一旦扩大，负债端重新定价会比资产端更快，最后会因为 spread 爆掉而亏掉巨量的钱。 **Dwarkesh Patel：** 还有另一个后果——这是你之前提过的——利率上升意味着 discount rate 上升，于是所有股票未来现金流的折现价值都会暴跌。整体股市也许还“没事”，比如 S&P 500 这个指数可能没事，但其中任何一只具体股票都可能已经大幅贬值。尤其是 Buffett、Berkshire 那种“未来 30 年稳定产生好现金流”的股票。 **Dylan Patel：** 对。到时候你会问：“我为什么还要为 Johnson & Johnson 付这么高的价格？”人们把它看成稳定股：现金流很好，未来会持续把现金返给你。铁路公司也一样。如果你的折现率不再是 3% 或 5%，而是 8% 或 10%，我为什么还要按今天的估值投这么多钱？ **Dwarkesh Patel：** 对发展中国家来说，经济学家 Basil Halperin——也是我的好朋友——提过一个观点：我们可能会看到第二次 Volcker shock。1980 年代为了打通胀，美联储主席 Paul Volcker 把利率大幅提高，实际利率一度大约到 8%。那一轮冲击在那十年里导致大约 40 个国家 default，大多数在拉丁美洲。我觉得类似的事情很可能再发生一次。 **Dwarkesh Patel：** 好，现在开始进入 singularity 讨论了。前面我们都在讲利率上升 2—3 个百分点之类会怎样—— **Dylan Patel：** 顺便说一句，我觉得刚才这些事情全都会发生在 singularity 之前。 **Dwarkesh Patel：** 对，我就是这个意思。刚才讨论的全是 singularity 之前。再往后，在某个时点，我觉得世界经济很可能会每年翻一倍。不是五年之内，但最终会发生。有个研究者 Damon Binder 在这方面做了很好的工作：看一个完全自动化经济的 input-output table，要怎样才能让整个经济中的“东西”每年都翻一倍？ **Dylan Patel：** 对。如果经济每年只增长 3%，按 rule of 70，大概二十多年翻一倍。 **Dwarkesh Patel：** 对。但他的问题是：“我们今天真正的瓶颈是人，人不可能每年翻一倍。”如果劳动力本身也能每年翻一倍，经济能增长多快？我认为它可能真的每年翻倍，至少也会是每年几十个百分点的增长。 **Dwarkesh Patel：** 那么利率应该会和经济增长率非常接近。因为消费等因素，两者不会完全相等，但应该相当类似。所以我觉得到了 2030 年代，我们会进入利率达到几十个百分点的世界。我脑子里甚至有一部分会想：“也许是几百个百分点。”先不这么夸张，至少假设是几十个百分点。 **Dwarkesh Patel：** 那我看到的画面就是：所有没有参与 AI 生产的国家都 default；所有不是 AI 股的股票基本都接近零，因为它们的折现现金流几乎不值钱。如果联邦政府又找不到向 AI 征税的办法，光 service debt 的成本就会超过今天全部税收。还有一大堆我们甚至还没开始计价的后果，比如普通人根本拿不到房贷，等等。 **Dwarkesh Patel：** 从根本上说，这个世界到底发生了什么？我们刚才讲的都很 nerd，对吧？ ## [1:00:56] 资本机会成本如何把整个经济挤向 AGI · YouTube **Dwarkesh Patel：** 但我们退一步看。到底发生了什么？ **Dylan Patel：** 所以直到刚才才开始 nerd speak，是吧？我们其实是在进入一个完全不同的增长 regime。整个经济像是在说：“嘿，政府借钱给人发养老金的 opportunity cost 现在高得离谱，因为同一笔钱也可以拿去建一个机器人厂，让这个机器人厂再建机器人厂，再让那个机器人厂继续建机器人厂。”资本的机会成本会大幅上升，这就是我们刚才说的所有现象最根本的原因。 **Dylan Patel：** 利率一上去，股票市场会被暴打，连 AI 公司也一样。真正非常 AI-pilled 的人会问：“为什么 Micron、SK Hynix、Kioxia 只按 2—3 倍 earnings 交易？”答案是，如果你真的 AI-pilled，那整个经济都应该按 2—3 倍 earnings 交易。如果你不信 AI，那当然可以说这些内存公司只是在超额赚钱。 **Dylan Patel：** 这也是为什么——虽然我认为 memory 会表现得很好——memory 股票并不应该再涨 10 倍。因为如果内存需求真的高到那个程度，就意味着 AI 已经把整个经济的增长和资本回报结构改掉了；那时所有东西都应该只值 2—3 倍 multiple，股票市场应该他妈的直接 crash。 **Dylan Patel：** 某种意义上，Meta 现在好像只有 1.5 万亿美元市值，这就很荒谬。从逻辑上讲它应该值多得多。你看它的现金流、囤下来的基础设施，以及未来能按极高“每瓦美元价值”出售的算力：要么自己的实验室成功，把算力变成 token 卖出去；要么直接卖给 Anthropic、OpenAI。 **Dylan Patel：** 最后问题会变成：你必须把所有资本重新分配给 AGI。实现方式就是把其他所有人都从资本市场里“定价出去”。所以 AGI 的真正限制因素，不是像我们室友 Sholto 这样的研究工程师把齿轮转得有多快，而是世界其他部分愿意让这种重新分配发生到什么程度。 **Dylan Patel：** 因为世界会反抗。政府会监管，利率会自然上升，人们会说“不准建数据中心”“停止建 fab”。公司会发现：“靠，我的 equity value 都在暴跌了，我还怎么花钱买 AI 来提高业务效率？” **Dwarkesh Patel：** 那 Anthropic 和 OpenAI 最后就只能自己开始造所有东西。 **Dylan Patel：** 它们已经在做自己的芯片了，至少已经在设计；接下来范围还会继续扩大。未来几年它们也会自己签数据中心、自己建 infra。真正的问题是，整个经济究竟以什么路径完成这种重新分配。 **Dylan Patel：** 即使模型能力已经足够，现实里也有很多力量在把“直接 straight takeoff”往下压。我觉得你我都相信模型可能会进入那种能力世界，但 slow takeoff 至少是我的希望，而且它确实可能因为经济和监管体系中的这些摩擦而发生。政府会说“不准发布你的模型”，很快甚至会说“你在公司内部也不许把模型用得这么狠”。它们现在已经在限制外部发布了。 **Dylan Patel：** 我最担心的反而是 singularity，而外部部署其实是在帮助避免一种封闭的 singularity。所以现在阻止外部部署在我看来很蠢。 **Dwarkesh Patel：** 它真的能阻止 singularity 吗？ **Dylan Patel：** 以今天来说，外部发布只会让实验室赚更多收入，因为模型还不会 RSI。但我担心 2030 年出现这样的世界：政府说，“你最新模型先别给公众，等六个月。”六个月，在 takeoff 里可能就是 100 倍。太好了。于是这六个月里，实验室在内部做 recursive self-improvement，公司里发生一堆疯狂的事，而我们其他人还卡在按今天速度算已经落后好几年的模型上。 **Dwarkesh Patel：** 我的想法是：假设全世界真的联合起来，搞一个试图放慢 AI 的“阴谋”—— **Dylan Patel：** 我不觉得这叫阴谋。每个政治人物都公开写在政策里了。 **Dwarkesh Patel：** 好。假设他们真的把 AI 放慢一年。若算力本来每年增长 2—3 倍，他们就让整整一年的 AI 部署消失，使得实际进度比无监管世界落后一整年。而进入 RSI 后，一年里也许本来会发生相当于 3—6 年的 AI 进步—— ## [1:05:00] 监管能否真的把 takeoff 拉长 · YouTube **Dwarkesh Patel：** ——也就是说，拖慢一年可能是非常大的差别。 **Dylan Patel：** 但监管不只是限制算力。它们还会限制实验室把模型在内部发布和使用。我们已经见到这种事了。 **Dwarkesh Patel：** 如果真能连内部都限制，那反而是最理想的结果。 **Dylan Patel：** Anthropic 有一阵子不得不给外国员工停用 Mythos。 **Dwarkesh Patel：** 我不知道连内部也这样。真的？ **Dylan Patel：** 这是它们自己声称的。 **Dwarkesh Patel：** 我原以为只是另一个 checkpoint，不叫 Mythos，但其实基本就是 Mythos。 **Dylan Patel：** 这种事情以后同样不会随便被允许。政府很蠢，但希望还没蠢到那个程度。至少美国政府手里有牌，它不会愿意让 Anthropic 在内部无约束地用 Mythos 4。它们会说：“先他妈停一下，慢下来。”原因就是前面那些监管和社会约束。 **Dylan Patel：** 所有当选的人最后都会讨厌 AI。其实现在当选的人已经有很多讨厌 AI 了，选民也会。某一天你爸妈可能会给你打电话说：“Dwarkesh beta，你干得太糟了，你在让 AI 进步得更快。” **Dwarkesh Patel：** 因为我做播客，我就在加速 AI 进步？ **Dylan Patel：** 也许啊。你教育别人。也许他们变聪明以后，就会把 AI 推得更快。总之，AI 的进步、开发和部署都会遇到真实世界约束。即使最终那个未来还是会到来，我们也可能在到达之前先把自己撕裂。 **Dwarkesh Patel：** 【广告】Jane Street 现在正在招两个不同方向的 ML 实习生：一个偏 ML engineering，一个偏 ML research。我和负责 research track 的 Alok 坐下来聊了聊这个项目。他说，这个领域根本上仍然研究不足。深度学习研究团队经常碰到一些没有答案的问题，比如某些市场参与者为什么有某种行为，或者某些交易动态到底怎样形成；这些问题很适合做实习项目，因为它们本来就是团队真正关心、只是还没来得及解决的问题。也就是说，即使是实习生，做的也是实际研究，不是人为设计的练习题。 **Dwarkesh Patel：** Jane Street 的团队也会非常紧密地跟踪 frontier LLM research。一个很常见的实习项目，是把最近的一篇论文适配到金融市场，而金融市场本身有一堆很棘手的问题：你要建模数千条彼此连接、又不规则的时间序列；signal-to-noise ratio 极低，因为有很多竞争者也在做同样的事；所以这是一个 adversarial、non-stationary、极高维的问题。 **Dwarkesh Patel：** 需要说明的是，你完全不需要懂金融才能适合这个岗位。只要你有 ML research 背景，Jane Street 可以教你其余东西。2027 年的实习申请已经开放，可以去 janestreet.com/dwarkesh 申请。 ## [1:07:54] 两家实验室会不会拥有比全人类更大的“劳动力人口” · YouTube **Dwarkesh Patel：** 这些场景里有一件事让我觉得特别疯狂：未来世界的劳动力供给，会有多大比例集中在极少数公司里，而且这个“劳动力供给”每年增长得有多快。如果 frontier 的 FLOP 算力每年增长 4—5 倍，同时达到同一种能力水平所需的算力又每年下降 3 倍，那么 frontier 实验室里的有效 AI population size 基本上每年扩大 10 倍。 **Dwarkesh Patel：** 今天这还没有那么重要，因为 AI 还不够好，不能完整做掉一份工作，也没有人类那种持续自主工作的能力，不能独立完成复杂计划之类。但如果当前趋势继续，OpenAI 可能从今年“相当于 1,000 万个 AI 劳工”，变成明年 1 亿，再下一年 10 亿。即使后面算力 scaling 放慢，也不用再过很多年，每家公司单独拥有的劳动等价量就会超过地球上的人口。 **Dwarkesh Patel：** 我觉得在这个十年结束前，一家实验室内部的 AI 劳动力、也就是它的“有效人口”，超过地球总人口，是非常 plausible 的。 **Dwarkesh Patel：** 我们经常因为 nationalization 之类讨论权力集中，却很少认真想另一件事：按 work output 来算，世界上大多数“人”可能很快就集中在两家实验室里，而它们还在吃掉全球越来越多的算力。如果这些 AI misaligned，那从某种意义上说，世界上大多数“心智”都 misaligned；即使它们完全 aligned，仍然是极少数公司拥有巨大的影响力和控制力。 **Dylan Patel：** 最近不是还有那场争论吗？我记得 Gavin Baker 说：“Dario 相信未来全世界只会剩一家公司。”然后 Sholto 和 Dario 都出来说：“不不不，我们没这么说。”可归根结底，如果你相信 RSI，相信实验室是最有效率的算力使用者、能从算力里产生最大的价值，那最终发生的就只能是算力越来越集中。如果你相信 AI researcher、RSI、AGI，这整套逻辑就是底座。 **Dwarkesh Patel：** 甚至没有 RSI，这个结论也成立。在“固定能力水平”下，frontier 的有效人口现在已经每年 10 倍增长。只要模型到达一个非常称职的 remote worker、software engineer 或 researcher 的水平，这种“称职劳动力”的人口按当前能力增长速度就会每年扩大 10 倍。 **Dylan Patel：** 明白，而且这还是没有 RSI。那一旦有 RSI，情况会更夸张。 **Dwarkesh Patel：** 到时可能每年增长 100 倍、1,000 倍；也可能人口不再增加，而单个心智的 intelligence 在增长；或者两者混在一起。 **Dylan Patel：** 那你告诉我，Dwarkesh，什么样的世界里最后不会全部集中？在我看来，每一股力量都在尖叫着把系统推向 centralization。这他妈的很可怕。我当然希望它不要彻底集中。但也许这就是所谓 “machine that loves grace” 的意义：它成为一切，而我们的生活因此变得很好。 **Dwarkesh Patel：** 想未来真的太难了。但我同意。根本问题之一是 AI training 有巨大的 economies of scale：你为了训练某个特定技能、某一组知识而投入的任何训练成本，都可以摊到几十亿次 session、几十亿个用户上。 **Dwarkesh Patel：** 这是第一股力量。第二，如果你在 AI race 里只领先一点点，而算力又短缺，你就能收取远高得多的 markup，因为你比别人更会利用这种稀缺资源。所以这两种机制都会让领先者得到越来越多。甚至还有更多机制：如果模型会从 deployment 中学习，而一个模型部署得远比另一个广，它就会得到更多真实世界数据。 ## [1:11:54] AGI 之后，怎样想象一个不完全中心化的未来 · YouTube **Dylan Patel：** 你这个结论我接受。无论是用户部署和 continual learning，还是训练本身的 economies of scale，或者“最好的 AI 模型帮助你做出下一代更好的 AI 模型”这种增量进步，也就是 RSI——这些东西全部指向 centralization。 **Dwarkesh Patel：** 我觉得接下来一个很大的 intellectual project，是我们应该认真花时间思考——至少我会去想——怎样构造一种“AGI 之后仍然去中心化、而且广泛赋能个体”的未来愿景，同时又不假装这些 economies of scale 不存在。另一个简单愿景当然是政府控制它。也许你会觉得政府不是私人公司，所以更值得信任。 **Dylan Patel：** 我不信政府，也不信 Dario，也不信 Sam。 **Dwarkesh Patel：** 这就是问题，对吧？当然，我们很容易把未来想错。可能漏掉某个关键效应，然后一切都变了。但 ex ante 看，真的很难想象我们怎样避免“必须在某一种 centralization source 里做选择”的场景。 **Dylan Patel：** 资本主义过去之所以有效，不就是因为它把决策和权力去中心化了吗？某种程度上，这也是为什么极度中心化的资本主义经济体，反而比高度分散的资本主义经济体增长更慢。当然你需要 rule of law 等等。但 AI 把这套逻辑整个翻了过来。最后你甚至会得到一个很怪的结论：“也许 private ownership 并不是最有效率的经济形态，因此它会比高度中心化的 AI economy 增长得更慢。” **Dwarkesh Patel：** 但它仍然可以是 private ownership。真正的问题是，到底有多少家公司参与了经济中这一大块？今天 AI 也许只是经济的 2% 左右——1 万亿美元除以 30 万亿美元之类——可 Nvidia 占很大一块，Anthropic、OpenAI 和几个 hyperscaler 又占很大一块。不是说没有其他公司，但很大比例的 AI 活动确实只发生在极少数企业里。所以产权依然可以是私有的，但参与的公司数量可能极少。 **Dylan Patel：** 对，这就是市场结构本身正在做的事。那什么能阻止它？我不知道。除非 AI 进步放慢，或者政府把它监管到他妈的动不了，否则这就是自然结果。 **Dylan Patel：** 于是我们可能走向两个极端之一：要么资源超级集中，然后所有人祈祷“那一家拿走一切的公司”什么都做对；要么政府和公众把一切都往慢里压，希望进步速度真的降下来，权力因此还能保留一些平衡。可即使我们一步步走向 AGI、ASI、RSI，沿途每一个阶段仍然会让某个参与者捕获更多资源。所以真的很难找出一套框架，让 AI 最终不导向 super concentration。 **Dylan Patel：** 这里唯一稍微积极的地方，是今天 Anthropic 还没有捕获大多数价值。我们可以一直说它每兆瓦收入从 2,000 万美元涨到 1 亿美元，但它买很多算力仍然只付每兆瓦 1,300 万美元。而它之所以能赚到每兆瓦 1 亿，是因为 Jane Street 可能在它之上捕获了每兆瓦 3 亿、5 亿美元的价值；或者 Dwarkesh 为播客做研究、刚学会 credit 这些东西，又从同一兆瓦里创造了多少价值。到底能用多少？很难说。 **Dylan Patel：** 所以我唯一的 saving grace 是：也许经济其他部分从 Anthropic 那里赚到的，反而比 Anthropic 自己多得多—— **Dwarkesh Patel：** 不，可你之前那整套“把推理算力重新分配给 AI R&D”的逻辑，恰恰说明实验室内部劳动力的回报远高于把 token 送到外部之后的回报。 **Dylan Patel：** 对。这就是我的 cope。我同意。想象 8 万个可能世界，也许只有其中一个世界 Anthropic 不会拥有整个世界。权力又集中回去了，因为我不想把 token 发到外面；token 留在内部价值更高。 ## [1:15:54] 如果内部 R&D 的回报永远更高，价值为什么还要流出去 · YouTube **Dylan Patel：** 所以还是同一件事：我为什么要让 Jane Street 靠那些 degenerate options trader 赚走这么多钱？ **Dwarkesh Patel：** 嘿，他们可是赞助商。收敛一点。Jesus Christ。 **Dylan Patel：** 不，我觉得挺好的。让市场变得有效率，本身就是给世界创造价值。Jane Street 因为 worldview 判断得对、或者因为从 degenerate options trader 身上赚到钱，不管具体是什么——为什么 Anthropic 要把算力分给这件事？ **Dylan Patel：** 如果 Jane Street 最终每兆瓦能变现 2 亿美元，于是愿意付 Anthropic 每兆瓦 1 亿美元，那又怎样？如果 Anthropic 把同一兆瓦留在内部，自己就能创造几亿美元价值，它为什么还要卖出去？这就是正在发生的事。 **Dwarkesh Patel：** 好吧，就以这个略显沉重的结论收尾。等 RSI 正式启动之后，我们再见。 **Dylan Patel：** 你不是两个月后又要叫我上播客吗？好吧，cool。谢了，哥们。