--- id: "oZBGAuANX6I" title: "更聪明的 AI 模型为什么可能让算力价格上涨 10 倍" channel: "Dwarkesh Patel" host: [] guests: ["Dwarkesh Patel"] date: "2026-08-03" updated: "2026-08-07" duration: "11:18" duration_seconds: 678 source_type: "youtube" youtube: "https://www.youtube.com/watch?v=oZBGAuANX6I" canonical: "https://pod-exp.pages.dev/oZBGAuANX6I/" transcript_jsonl: "https://pod-exp.pages.dev/oZBGAuANX6I/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"] series: ["AI 基础设施"] --- # 更聪明的 AI 模型为什么可能让算力价格上涨 10 倍 > 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 提出一个反直觉的算力价格推演：如果前沿 AI 实验室的收入继续以每年约 10 倍增长，而可用算力只能约 3 倍增长，差额最终只能通过更高利润率、更高算力价格，或把更多算力从训练转向推理来吸收。他认为第三条路会削弱实验室继续训练更强模型的目标，因此更可能出现利润率与算力价格同步抬升。更聪明的模型还能从同一单位算力中创造更高经济价值，使头部实验室在算力竞价中更占优势，也让高效模型获得更高溢价。与此同时，摩尔定律、晶圆厂扩产和先进制程晶圆重新分配，都可能使每年 3 倍的算力扩张本身难以持续，并强化智能产业的规模经济与权力集中。 ## [0:00] 收入增长、算力增长与三条出路 · YouTube **Dwarkesh Patel：** 今天我想聊聊，未来几年这些 AI 实验室面对的算力局面会是什么样。过去连续三年，Anthropic 的收入都实现了同比 10 倍增长，而且今年很可能还会再来一次。 **Dwarkesh Patel：** 他们去年结束时的收入是 90 亿美元。我认为今年结束时，很可能会达到 1000 亿到 1500 亿美元。 **Dwarkesh Patel：** 如果这个趋势继续下去，那么到明年年底，Anthropic 就得做到 1 万亿美元收入。当然，没有什么深层理由要求这件事一定成立。这是个非常激进的推论，最终还是取决于 AI 能力：到明年年底，AI 会不会真的变得那么有用？ **Dwarkesh Patel：** 但先假设这个趋势继续。我想推演一下那个世界会发生什么。AI 的另一个大趋势是：实验室的算力每年大约只增长 3 倍。 **Dwarkesh Patel：** 如果一家实验室想在算力每年只增长 3 倍的情况下，仍让收入每年增长 10 倍，就必须发生下面三件事中的至少一件，或者三者的某种组合。 **Dwarkesh Patel：** 第一，实验室的利润率必须提高；第二，算力价格必须上涨；第三，实验室用于推理而不是训练的算力占比必须提高。 **Dwarkesh Patel：** 据我了解，这三件事基本都已经在发生。就利润率而言，据报道，Anthropic 的推理利润率从去年年中的大约 40%，升到了现在 Fable 上的 80% 以上。 **Dwarkesh Patel：** 就算力而言，现货算力价格已经比今年 2 月的低点高出 40% 以上。 **Dwarkesh Patel：** 至于训练和推理之间的算力分配，据 Epoch 的数据，2024 年 OpenAI 只把大约四分之一的算力用于推理；现在这个比例很可能已经接近 50%，甚至更高。 **Dwarkesh Patel：** 不过，实验室其实不愿意走最后这条路，也就是不断提高推理所占的算力比例。在他们看来，推理收入的核心意义，是拿它去说服投资者继续给你更多钱，好训练下一个更大、更好的模型。 **Dwarkesh Patel：** 如果你把大多数算力都花在推理上，那基本等于宣布：AI 进步已经停滞，而你现在做的只是一门云服务生意。 **Dwarkesh Patel：** 与构建 AGI 相比，这是一门没那么有吸引力的生意，所以实验室既不想进入这个状态，也不认为自己已经处在这个状态。他们相信，一年之内自己会造出让今天这些模型看起来极其垃圾的新模型。 **Dwarkesh Patel：** 但要做到这一点，他们就必须把大量算力——实际上是大多数算力——投入训练和实验，去完成构建下一个模型所必需的工作。 **Dwarkesh Patel：** 于是，要弥合“实验室算力每年只增长 3 倍、收入却增长 10 倍”之间的差距，真正剩下的就只有两条路。 **Dwarkesh Patel：** 这意味着只有两个真正的出口：要么实验室利润率继续上升，让实验室拿走这部分剩余；要么算力价格上升，让实验室之下的整条产业链拿走这部分剩余。最终会落在哪一种世界，我并不确定。 **Dwarkesh Patel：** 如果利润率效应占主导，我们会不会看到一些顶尖模型的利润率从 80% 进一步升到 90% 以上？ **Dwarkesh Patel：** 那就要求领先模型相对竞争对手领先得非常夸张。因为在市场经济里，利润率之所以存在，本质上是因为你提供的东西比别人能在市场上找到的替代品好得多。 **Dwarkesh Patel：** 但一想到“智能”这种东西的利润率可能超过 90%，而且竞争还无法把它压下来，我就觉得非常不可思议。 **Dwarkesh Patel：** 这样一来，这两个趋势之间就只剩另一个“泄压阀”：算力价格必须上涨。正如我刚才说的，这已经开始发生，而且对前沿实验室真正需要囤积的那一类算力来说，效果还会更强。 **Dwarkesh Patel：** 这些实验室不能只是随手去买一个现货实例。它们必须拿到足够大的规模，才能获得很好的效率和灵活性。 **Dwarkesh Patel：** 同时，它们还得拿到一种足够安全的算力形态，以保护自己的模型权重以及客户的信息。我觉得一个相关案例，是看看 Google 和 Anthropic 从 SpaceX 租用的算力。 **Dwarkesh Patel：** 例如，Google 每个月要支付 9 亿美元，租用 11 万张 GPU，这批 GPU 混合了 GB200 和 GB300。 **Dwarkesh Patel：** Google 为这些 GPU 支付的每小时价格，是现货价格的 2 倍。 ## [4:00] 更聪明的模型如何抬高算力的边际价值 · YouTube **Dwarkesh Patel：** 而这个现货价格本身，又已经比今年 2 月时高出 40% 以上。 **Dwarkesh Patel：** 我想强调一个关键结论：随着 AI 模型变得更聪明，它们会更善于把同样数量的算力变现。如果一个真正达到人类水平的软件工程师，可以在相当于一张 H100 的算力上运行，那么按今天软件工程师的价格，这张 H100 一年的租金应该超过 25 万美元。这相当于 H100 当前现货价格的 15 倍以上，而且还没算上 AI 可以夜间和周末工作。 **Dwarkesh Patel：** 当然，你可能会说：如果经济里突然多出 1000 万名软件工程师，软件工程师的边际价值就会下降，于是这张 H100 能创造的收入不可能真比今天高 15 倍。但我其实不知道这一定成立。 **Dwarkesh Patel：** 如果把这个论证从 AI 换成人，它就是经典的“劳动总量谬误”（lump of labor fallacy）。例如，经济学家通常认为，高技能移民在长期内不会压低工资，因为创新和专业化会提高劳动的价值。 **Dwarkesh Patel：** 也许这次劳动力供给冲击会大到、快到足以让我们不能再依赖这条一般经验。但如果你相信标准经济学的判断，那么劳动的边际价值，以及由此对应的算力边际价值，都应该维持在惊人高的水平。 **Dwarkesh Patel：** 那么这样的世界会发生什么？首先，随着最顶尖实验室越来越善于把算力变现、算力成本又不断上升，其他人会越来越难和它们竞争，因为你必须和那些“能把同一资源利用得更好的人”竞价争夺算力。 **Dwarkesh Patel：** 另一个变化——我认为这其实是整个思想实验里最有意思的含义——是：如果你能训练出最好、最高效的模型，你就能收取比今天高得多的利润率。这就是经济学里的阿尔奇安—艾伦效应（Alchian-Allen effect）。 **Dwarkesh Patel：** 它大致是在说：如果租一张 H100 每小时要 20 美元，那么使用一个更弱、更低效的模型就非常愚蠢，因为为了得到同样结果，它会在昂贵的算力上烧掉更多 token。因此，谁能训练出更节省这种稀缺投入的模型，谁就能收取更高溢价。 **Dwarkesh Patel：** 如果一个模型能用更少的算力得到同样结果，那么从某种意义上说，你就等于“创造”了更多算力，而算力本身的价值会随之上升。 **Dwarkesh Patel：** 还有一件事：很多今天流行的 AI 应用，可能会被价格直接挤出市场。AI 现在之所以相对便宜，是因为它还做不了很多顶尖人类能做的事情，但总有一天这会改变。 **Dwarkesh Patel：** 到了那时，Google、Anthropic 或 OpenAI 会愿意为“自动化 AI 研究”的 token 支付更高价格，而你我为了生成更多 AI 垃圾闲聊，愿意支付的价格不会那么高。 **Dwarkesh Patel：** 我有点担心，这套分析在模式上很像历史上人们关于“稀缺性”的错误判断。比如著名的 Simon—Ehrlich 赌局：Paul Ehrlich 是著名的人口增长悲观派，他曾下注说，在截至 1990 年前的十年里，一篮子大宗商品的价格会上升而不是下降。 **Dwarkesh Patel：** 这场赌局之所以出名，是因为它被用来说明 Ehrlich 的马尔萨斯式世界观是错的：他没有预见到市场信号和人类创造力会找到更好的方法，去节约稀缺投入。 **Dwarkesh Patel：** 我猜这个类比放到算力上大概并不成立。其他分析指出，如果把那场赌局放在不同十年，Ehrlich 完全可能赢。但更一般地说，我认为算力供给的弹性要小得多，更难吸收巨大的需求冲击，也不像不同金属的开采那样容易靠替代品来缓冲。 **Dwarkesh Patel：** 要说明为什么我觉得“每年 3 倍算力增长”很难再加速，甚至连维持都不容易，可以把这 3 倍拆成三个组成部分来看；我看不出其中任何一个还能显著加速。 ## [8:01] 为什么每年 3 倍的算力扩张也可能难以维持 · YouTube **Dwarkesh Patel：** 其中大约 1.4 倍来自摩尔定律。别说提高它了，我觉得如果未来几年还能保持这个速度，都已经算奇迹。 **Dwarkesh Patel：** 另外大约 1.2 倍来自新建晶圆厂。但到 2030 年，甚至可能更久，这个过程最终都会被“能造出多少新的 ASML EUV 光刻机”卡住。Dylan 几个月前上播客时，已经非常详细地讲过这件事。 **Dwarkesh Patel：** 还有大约 1.8 倍，来自 AI 正在吸收原本分配给智能手机和 PC 的大量晶圆产能。但这条路大概到明年年底就会撞墙：在 TSMC 最先进的 N3 节点上，AI 所占份额会从 60% 升到 86%。到了某个点，你已经把最先进制程的晶圆产能几乎都吸收到 AI 里，就不可能继续靠提高这个比例来扩张。 **Dwarkesh Patel：** 所以，我甚至不知道未来几年还能不能继续保持每年 3 倍的算力扩张，更别说超过 3 倍。 **Dwarkesh Patel：** 每到月底，我都会做那件历史悠久的事：结账。我先打开我的银行平台 Mercury，确认所有交易都被正确分类。自动分类规则处理那些可预测的项目没什么问题，但我经常和新的承包商合作——导师、研究员、摄像师——也一直在尝试新工具。如果这些交易都要手工分类，每个月都会多花几个小时。 **Dwarkesh Patel：** 所以我不会一笔一笔处理，而是让 Mercury 内置的 AI 功能 Command 一次性先帮我判断。Command 会给每笔交易建议一个分类，并解释理由；我只需要审核、修正不对的地方，然后批准。Mercury 里的这些工作做完后，它会把结果同步到 QuickBooks。 **Dwarkesh Patel：** Command 的判断确实做得很好。它会做显而易见的事，比如查看供应商，也会进一步调查团队里是谁完成了购买，并查看备注和 memo，尽量建立更多上下文。这只是用 Command 自动化公司后台工作的其中一种方式。想了解更多，可以访问 mercury.com/command。 **Dwarkesh Patel：** Mercury 是一家金融科技公司，并不是受 FDIC 保险覆盖的银行。银行服务由 Choice Financial Group 和 Column N.A. 提供，这两家机构均为 FDIC 成员。AI 生成的回答和建议操作可能会有所不同，也不作保证。 **Dwarkesh Patel：** 我还想澄清：未来某个时候，算力会再次变便宜。到那时，我们可能会有机器人，能把海岸上的硅砂和矿山里的铜变成新的计算机芯片；那时算力价格基本就只取决于原材料和加工这些材料所需的工具。 **Dwarkesh Patel：** 我这里说的，只是当前这个“奇点之前”的阶段：AI 算力每年大约只增长 3 倍，而这个速度不足以抵消 AI 本身随着时间推移变得越来越有价值。 **Dwarkesh Patel：** 顺便说一句，Anthropic 的收入一直每年增长 10 倍，而它们的算力每年只增长 3 倍；我认为这很好地说明了模型业务有多强的规模经济。逻辑上也说得通：训练一个模型时，你只需支付一次性的训练成本，让它学会各种技能，然后这些技能就可以被所有用户共享。 **Dwarkesh Patel：** 这和人类劳动非常不同，因为每一个人类实例都必须从头重新训练。我不希望我们生活在一个“智能具有如此强规模经济”的世界，因为我担心权力会因此集中，但看起来我们确实生活在这样的世界里。 **Dwarkesh Patel：** 好，这就是我最近也发布在 dwarkesh.com 上的一篇博客文章的口述版。你可以去那里读其他文章，或者订阅以后发布的新文章。否则的话，我们下一期完整节目再见。