收入爆发与算力瓶颈的矛盾
Anthropic 的营收在过去三年连续每年增长十倍，去年达到九十亿美元，预计今年将在一千亿至一千五百亿美元之间。若要维持这一趋势，明年营收需达到一万亿，这取决于 AI 能力的实际效用。核心矛盾在于：实验室的算力年增长率仅为三倍，而收入增长十倍，这种巨大的剪刀差必须通过三种方式填补：提高利润率、提高算力价格，或增加推理在算力支出中的占比。
"For a lab to keep 10x'ing revenue year over year while compute only 3x's, one of the following three things needs to happen..."
目前这三种现象正在同时发生。Anthropic 的推理利润率已从去年的 40% 飙升至 80% 以上。算力现货价格较今年二月的低谷上涨超过 40%。OpenAI 用于推理的算力占比从 2024 年的 25% 上升至接近 50%。然而，实验室并不希望过度依赖推理，因为推理收入只是为训练下一代模型筹集资金的工具，若算力主要用于推理，则意味着 AI 进步停滞，实验室沦为云服务商，这不符合其构建 AGI 的愿景。
利润率极限与算力成本的必然上涨
在排除了大幅增加推理占比的可能性后，解决收入与算力增长差距的路径仅剩两条：要么实验室利润率突破现有极限，要么算力价格大幅上涨。若利润率主导，顶级模型的利润率需从 80% 提升至 90% 以上。这在经济学上要求模型具备极高的不可替代性，但超过 90% 的智力服务利润率在竞争市场中极难维持。因此，更可能的结果是算力价格上升，将剩余价值转移给上游供应商。
前沿实验室无法仅靠现货市场获取算力，他们需要大规模、高效率且具备安全性的专用算力。Google 向 SpaceX 租赁算力的案例极具代表性：每月支付九亿美元租赁十万一千张 GB200/GB300 混合 GPU，该价格相当于现货价格的 2 倍，且现货价格本身已比二月高出 40%。这表明，随着模型变强，其货币化相同算力的能力增强，直接推高了算力需求价格。
人力价值类比与长期经济影响
若 AI 能达到人类软件工程师水平，按当前人力成本，一张 H100 的年租金应超过 25 万美元，是现有现货价格的 15 倍以上。尽管有人担心大量 AI 工程师涌入会降低边际人力价值（即“劳动总量谬误”），但经济学观点认为，创新和专业化通常会提升高技能劳动力的长期价值。算力作为生产要素，其边际价值将保持惊人高位。
这种趋势将导致竞争格局固化：顶级实验室因能更高效地货币化算力，能在资源竞价中胜出，挤压竞争对手。同时，Alchian-Allen 效应将发挥作用：若训练最高效模型的成本固定，但推理成本因算力涨价而上升，那么高质量模型的相对吸引力将增加，允许训练出最佳模型的实验室收取更高溢价。这种结构性变化将重塑 AI 行业的经济版图，使算力成本成为决定胜负的关键变量。
高效模型将重塑算力定价权
当高端算力如H100的租赁成本高达每小时20美元时，使用低效模型在经济上变得极不理性。因为为了获得相同的结果，低效模型需要消耗更多的Token，从而在昂贵的算力上燃烧更多资源。因此，AI实验室若能训练出能更节约稀缺输入的模型，就能对算力价值进行重新定义。本质上，通过减少算力消耗实现同等结果，等同于创造了更多的有效算力，这将直接推高算力的整体价值。实验室有能力为此收取更高的溢价，因为用户愿意为这种效率买单。
"Basically, if you have a model that can get the same result by using less compute, then you've, in some sense, created more compute, and the value of compute is gonna increase."
随着AI能力的提升，当前许多相对便宜的AI应用可能会因成本上升而被挤出市场。目前AI之所以显得便宜，是因为它尚无法完成顶级人类能做的许多任务。但当AI能够自动化AI研究等高价值活动时，Google、Anthropic或OpenAI等巨头愿意支付的Token费用将远超普通用户用于生成低质量内容（"AI slop"）的意愿。这种价值层级的转移将导致算力需求的结构性变化，进而推高价格。
算力供给缺乏弹性与历史类比
作者对这种稀缺性分析持谨慎态度，认为其可能重蹈Simon-Ehrlich赌注的覆辙。Paul Ehrlich曾预测1990年前大宗商品价格会上涨，结果证明其马尔萨斯式的世界观错误，市场信号和人类智慧总能找到节约稀缺资源的方法。然而，作者指出，算力供给的弹性远低于金属开采。算力难以通过替代方案吸收巨大的需求冲击，其供给曲线远不如金属那样具有弹性。
目前算力容量每年增长约3倍，但这三个组成部分都难以加速： 1. 摩尔定律：贡献了1.4倍的增长，但维持这一增速已是奇迹，不可能加速。 2. 新晶圆厂建设：贡献了1.2倍的增长，受限于ASML EUV机器的产能，瓶颈将持续到2030年甚至更久。 3. 晶圆分配转移：贡献了1.8倍的增长，源于AI吸收了原本用于智能手机和PC的晶圆份额。
| 增长来源 | 贡献倍数 | 现状与瓶颈 |
|---|---|---|
| 摩尔定律 (Moore's Law) | 1.4x | 维持现状已属不易，无法加速 |
| 新晶圆厂建设 (New Fabs) | 1.2x | 受ASML EUV机器产能限制，瓶颈至2030+ |
| 晶圆分配转移 (Wafer Allocation) | 1.8x | AI已吸收大量原本用于消费电子的晶圆 |
先进制程晶圆分配触及天花板
AI对先进制程晶圆的吞噬正在接近极限。以台积电（TSMC）的N3节点为例，AI所占用的晶圆比例已从60%上升至86%。预计到明年年底，这一比例将触及天花板，因为所有先进制程的晶圆产能都已被AI吸收，无法继续通过转移份额来增加算力供给。这意味着，未来几年内维持每年3倍的算力增长都极为困难，更不用说超越这一增速。
这种供给刚性意味着，尽管AI模型的能力在指数级增长，但支撑其运行的物理基础（算力）却在线性甚至减速增长。这种供需错配是算力价格长期上涨的核心逻辑。作者提到，Anthropic的收入每年增长10倍，而算力仅增长3倍，这充分说明了模型业务中存在的强大规模经济效应。训练模型是一次性成本，随后所有用户共享这些技能，这与需要重新训练的人类劳动截然不同。
"Anthropic's revenue has been 10x'ing year over year, whereas their compute has only been 3x'ing year over year, I think illustrates how strong the economies of scale are in the model business."
长期展望：前奇点时代的算力困境
作者澄清，在遥远的未来，当机器人能够自动将硅沙和铜矿转化为芯片时，算力成本将回落至原材料和工具成本水平。但在当前的前奇点时代（pre-singularity regime），算力每年仅增长3倍，远远不足以抵消AI价值随时间增长的幅度。这种强大的规模经济虽然提高了效率，但也引发了对权力集中的担忧。智能的规模化效应使得少数掌握算力和模型的实体拥有不成比例的影响力，而这种趋势在可预见的未来难以逆转。
"I wish we didn't live in a world with such strong economies of scale for intelligence, because I'm worried about power concentration, but it seems we do."
综上所述，AI模型效率的提升虽然能局部优化算力使用，但无法改变宏观上算力供给缺乏弹性的事实。随着AI向更高价值任务迁移，以及先进制程晶圆分配的饱和，算力价格的长期上涨趋势难以避免。这一分析不仅关乎技术演进，更深刻影响了AI产业的商业逻辑和社会权力结构。