算力饥渴：从亏损到盈利的资本跃迁

当前全球算力格局正被两大 AI 实验室——OpenAI 与 Anthropic ——剧烈重塑。2023 年底，美国大部分 GDP 增长仅来自 AI 基础设施；而 2024 年上线的新增算力中，约 三分之一已流向这两家实验室。尽管部分算力由第三方建设后租赁给它们，但作为终端客户，其需求直接驱动了整个产业链的扩张。2024 年全球资本支出（CapEx）已略超一萬亿美元，到 2028 年将突破两萬亿；其中实验室的占比持续攀升。它们正从“每年烧几百亿美元”转向“年支出数千亿”，甚至预计到本十年末将达数万亿美元级别——这一趋势已反映在其与合作伙伴签署的合同中。

财务结构也发生根本性转变：过去几年，它们几乎完全依赖风投资金维持运营；Anthropic 在 2024 年第二季度实现盈利，OpenAI 则有望于第三季度扭亏为盈。即便 Codex 和 GPT-5.6 等产品带来显著收入增长，其盈利仍处于早期阶段。关键变化在于：业务越来越由自身营收支撑，而非外部输血；利润率同步飙升。以算力基础成本（每兆瓦约一千万至一千五百万美元）为基准，OpenAI 部署 GPT-4 时曾是负毛利率；而部署 GPT-5.6 或 Anthropic 部署 B.S. 5 Mythos 已实现每兆瓦高达五千万美元的收入。这意味着：若在推理算力上投入十美元，可产出五十美元营收——利润再投资形成正向飞轮。

“现在，当 OpenAI 部署 GPT 五点六……所产生的收入已经远远超过了每兆瓦一千万到一千五百万美元这种增量成本。”

“如果你在推理算力上花十美元，实际上能产生五十美元的收入，然后我转过头来就能把这笔利润全部追加投入到训练当中。”

算力垄断：从 30% 到 80%，再到全球主导

实验室对算力的吞噬速度远超预期。2024 年初，OpenAI 与 Anthropic 的总算力分别为约 2 吉瓦和不足 2 吉瓦；到年底均已突破 5 吉瓦，增长三至四倍。若聚焦新增算力：2024 年它们合计占全球新增容量的 30%；而基于已签约合同，2025 年这一比例将跃升至 40%–50%。更值得注意的是，这种集中化趋势不仅未放缓，反而在加速。

基础设施供应方也在重构：除传统云厂商外，SpaceX 正大规模建设算力，并极可能优先租给 OpenAI 与 Anthropic——因二者具备最强边际支付能力。同时，实验室正垂直整合：OpenAI 自研芯片部署算力；Anthropic 则通过 FluidStack 部署谷歌 TPU。到 2025 年底，全球新增算力将有一半流向这两家；而由于新硬件（如 GB200、TPU v7）性能较前代提升 3–5 倍，其实际算力占比远超物理瓦数所显示的份额。

“到二零二八年年底，如果这个趋势继续下去……他们两家就会直接掌控全球大部分可用的 flops。”

算力价格拐点与实验室的垄断趋势

当前 AI 实验室（如 OpenAI 与 Anthropic）已能通过部署算力实现显著正向营收，每兆瓦定价已达一千万至一千五百万美元区间，并开始出现向上拐点。这一趋势的核心驱动力在于：这些实验室在模型能力上的领先，使其单位算力产出的商业价值远超其他使用者。若其保持当前技术领先并持续迭代（尤其是存在递归自我改进机制），这种算力溢价能力将不断强化。例如，SpaceX 等企业已明确采取“价高者得”的算力销售策略；而当实验室内部变现能力更强时，其持续竞标更大份额算力的行为便具备逻辑基础。

“你要在二零二八年达到一百吉瓦，你必须相信这些实验室能出得起更高的算力价格，因为在十到十五的价格上，任何人都能赚钱。”

“如果他们继续保持目前的领先优势，你就会预计这种情况会一直持续下去。”

然而，要实现 2028 年吞下全球约 70% 算力（即一百吉瓦） 的目标，意味着算力价格需跃升至每兆瓦 两千五百万乃至四千万美元 的水平——这已是极为激进的预测。更关键的是，当前算力交易高度依赖融资闭环：多数基础设施需在建成前锁定客户合同与资金支持，而 Meta、SpaceX 等具备强资产负债表的实体则拥有更强的选择权——可选择自用或高价外售，从而进一步推高市场定价预期。

监管滞后与模型发布冻结下的营收风险

尽管实验室具备强大的算力购买意愿，但近期多起“未发布最佳模型”的现象（如 OpenAI 暂停训练两周、 Anthropic 未推出广受期待的 Model 2 / Mythos）已引发营收增长放缓的风险。这些模型若被内部部署，本可显著提升单位算力产出效率；而监管限制使其无法充分释放潜力。一旦模型迭代受阻，每兆瓦营收增速可能停滞甚至回落——这将削弱其溢价购买算力的能力，进而威胁百吉瓦目标的实现。

“不是说他们落后了，只是他们没有把最好的东西发出来。”

值得注意的是，在一个不考虑安全监管的理想世界中，算力每兆瓦营收有望达到一亿美元甚至更高，届时其他实体将无合理理由拒绝高价出售算力。但现实中的监管力量正在形成“减速带”：纽约禁止新建数据中心、德州暂停审批、俄亥俄州强征房产税等政策，不仅抑制算力供给增长，还推高建设与运营成本。这种“非技术性摩擦”可能比模型本身的性能瓶颈更具系统性影响。

此外，价值捕获的错配现象持续存在：当前大部分由模型产生的经济价值并未落入 OpenAI 或 Anthropic 腰包，而是流向 Jane Street、Meta 等终端应用方——他们通过模型优化交易策略或广告算法，实现远超模型供应商的利润回报。这说明：算力价格是否能持续上涨，不仅取决于技术能力，更依赖于模型层能否真正掌握价值分配的话语权。

算力分配的结构性拐点：从推理转向研究

尽管外界可能观察到 AI 进展或部署出现短期放缓，导致每吉瓦营收增速下降（例如明年年底可能仅达每兆瓦一百万美元），但这并不意味着实验室内部模型进步停滞。恰恰相反，领先实验室（如 Anthropic、OpenAI）正系统性地将更多算力用于内部研究与训练，而非对外提供推理服务。这种策略源于一个根本性经济逻辑：当单位算力的边际收益持续上升时，将资源投入能带来指数级未来回报的研发活动（如 AGI 推进），远比用于当前可变现的推理服务更具长期价值。

尤其值得注意的是，训练算力内部占比正在悄然提升——即便每兆瓦能产生三四千万美元营收时，他们仍只分配约 40% 给推理；而当单位算力价值跃升至六七千万美元后，继续维持该比例显然不合理。更合理的做法是：将增量算力优先导向研究与训练，以加速模型迭代、抢占 AGI 先机。这解释了为何 OpenAI 推出的“极速模式”并非仅面向外部客户，而是内部与外部同步使用顶尖模型——因为其内部创造的价值远超外部用户所能贡献。

“我搞出来的不管什么鬼东西的折现现金流，对吧？所以他们不会去算那笔账，但归根结底，把越来越多算力留给内部是更合理的。”

“所以归根结底，你会看到他们不断调高用于训练的算力比例。即便每增加一份算力，如果拿去做推理，产生的利润其实越来越高。”

中美算力格局：质量鸿沟与追赶曲线

截至当前，美国已占据全球 AI 算力部署的约 70%（电力消耗口径），而中国仅占不到 10%，远低于其在新增算力中的历史占比（2022 年约为 30–35%）。这一逆转主要源于美国宽松的监管环境、资本市场的高风险承受能力，以及出口管制对中国的实质性限制——尽管中国通过“灰色渠道”（如台积电代工芯片、HBM 采购）维持部分算力输入，但本土晶圆制造能力仍严重滞后。

不过，随着中芯国际、长鑫存储等本土晶圆厂在 2027–2028 年逐步投产，中国有望于2028 年实现 5–10 吉瓦的国产新增算力。尽管这些芯片性能显著落后于英伟达、谷歌或 OpenAI 当年可用的顶级芯片（即“吉瓦数被高估”），但其规模效应仍可能带来曲棍球棒式增长曲线。预测显示，中国在 2029 年新增算力达 50 吉瓦是完全合理的；若其中大部分为国产芯片，则等效算力（按性能折算）可能仅相当于美国的 20–30 吉瓦。

“中国肯定会出现曲棍球棒式的拉升。如果说中国有什么是非常擅长的，那就是极快的扩大制造规模。”

“也许二零二八年领先的实验室拥有的算力，比中国在二零二九年甚至二零三零年全中国拥有的还要多。”

算力扩张的资本洪流与融资缺口

到2028年，全球AI实验室计划新增约100吉瓦的算力基础设施建设需求。若全部落地，其累计资本支出（CapEx）将高达3–4万亿美元——其中超2.5万亿美元用于IT设备（如GPU集群），其余1–2万亿覆盖数据中心、能源系统及半导体供应链。这一规模意味着，仅新增CapEx就可能接近每年1万亿美元量级，占当前全球经济总量的约十分之一；若集中于美国，则相当于其GDP的三分之一至四分之三被用于数据中心建设。这种指数级投入远超现有企业自由现金流的覆盖能力：尽管谷歌、微软、亚马逊和Meta等 hyperscaler 已主导了过去数年的算力投资，但它们自身也已进入净现金流为零甚至负值的状态。为此，各大科技巨头正大规模举债——Meta、亚马逊和谷歌已开始发债支撑CapEx，微软亦将跟进。问题随之浮现：当所有增量资金来源（包括 hyperscaler 自身、供应链企业及下游AI实验室）均需融资时，全球金融市场能否持续消化超过5万亿美元的新增信贷？

如果你展望到二零二八年，Hyper Scaler 那时都在举借数千亿美元的债务。然后他们整个供应链也都在举借数千亿美元的债务，这笔钱谁来出？

也许我不该买房……我就应该去买 Anthropic 的债券，因为Anthropic 愿意为建设算力所需的增量十亿美元支付百分之二十的利率，因为他们知道从中获得的收入会极其庞大。

利率上行：资本重配下的全球金融重构

算力投资的高回报特性正在重塑资金流向逻辑。数据中心若按折旧成本出租给Anthropic或OpenAI，租金回报率可达10倍以上；单项目年化IRR甚至可超20%。这种“以小博大”的机会将驱动资本从传统资产（如房地产、国债）大规模转向AI基础设施相关债券与股权。然而，信贷需求激增必然推高利率中枢——尤其当市场从当前5–6%的融资成本转向8%甚至更高时，将引发系统性连锁反应。银行首当其冲：资产端收益率调整滞后于负债端重定价，信用利差扩大将导致巨额亏损。股市亦受冲击：DCF模型中的折现率上升，直接压缩高确定性成长股（如强生、铁路公司）的估值——当折现率从3–5%升至8–10%，长期现金流的现值将断崖式下跌。

如果利率上涨五个百分点，那个比例就会涨到百分之四十以上……百分之六十的税收基本上全用来偿还债务利息了。

我觉得这种情况很可能会再次发生……我们可能会看到第二次沃尔克时刻，在一九八零年代，为了对抗通胀……导致了大约四十个不同的国家，主要是拉美国家，在那个年代发生了违约。

现实约束：监管、政治与技术扩散的制衡力量

尽管经济模型指向利率持续上行，但现实系统存在多重刹车机制。监管阻力（如数据中心用地审批、电力配额限制）、公众对能源消耗的不满、政客对产业空心化的警惕，以及AI实验室出于安全考量主动放缓模型发布节奏——这些因素共同压制了理论上的建设速度。此外，技术扩散与竞争加剧将逐步拉低单瓦营收增速：当更多企业自建算力（如Anthropic、Perplexity）、芯片厂商提供定制化方案，或开源模型降低训练成本时，算力价格弹性上升，利润空间被压缩。最终，全球AI CapEx的11万亿美元总量中（2024–2029），仅6万亿可由现金流覆盖，剩余5万亿必须依赖债务融资——这既解释了利率上行压力的必然性，也暗示其上限受制于金融系统的承压能力。若债务增速超过经济实际产出增长，系统可能提前进入“挤出效应”临界点：私人部门与新兴市场国家因融资成本飙升而被迫违约，形成新一轮债务危机。

算力爆炸与利率跃升：一个非线性增长的临界点

Dylan Patel 指出，当前经济模型正面临一个根本性转折：当 AI 劳动力的“有效人口”开始指数级扩张时，整个经济的增长路径将彻底脱离人类历史经验。David Binder 的研究提示我们，在全自动化经济下，若劳动力本身也能每年翻倍（而非当前受人口限制的 3% 增长），经济总量理论上可实现每年翻倍甚至更高——即年增速达 70%、100%，乃至数百个百分点。这直接推高资本的机会成本：每单位资金若不投入 AI 基础设施（如新建一座又一座机器人工厂），就意味巨大机会损失。因此，利率将逼近甚至趋近于经济增速本身——他预测 2030 年代将进入“利率高达百分之几十”的时代，极端情况下甚至可能达数百个百分点。

“如果联邦政府找不到向 AI 征税的办法，偿还债务的成本就会超过现有的税收收入……所有没有参与 AI 生产的国家都会违约，所有非 AI 的股票基本上都分文不值。”

“你看，这些都是极客黑化，对吧？但退一步看，到底在发生什么？……我们正处在一种完全不同的增长形态中。”

中心化加速：两家实验室吞下全球算力的必然逻辑

随着前沿 AI 的能力跃迁，有效“AI 劳动力”规模正以惊人速度集中于少数头部实验室。若算力每年增长 2–3 倍，而模型效率提升（同等能力所需 FLOPs 下降）每年达 3 倍，则前沿实验室的等效劳动力年增速可达 10 倍以上——OpenAI 或 Anthropic 的 AI 劳工数量可能从千万级（2024）跃升至亿级、十亿级，并在本年代末单家实验室的 AI 劳动力超过全球人类总人口。

这种集中并非偶然，而是由多重规模效应驱动：训练的边际成本随数据/参数量下降、部署范围扩大带来真实世界反馈优势（持续学习）、以及 RSI（递归自我改进）的指数加速。Gavin Baker 与 Dario Amodei 的争论背后，实则是对“最终是否只剩一家公司”的隐忧。即便没有 RSI，仅靠当前能力增长曲线（如达到高级软件工程师水平的 AI 人口每年翻十倍），中心化趋势已不可逆。

“我们其实正在飞快地进入一种局面，绝大多数人按工作产出之类的来算，全都被集中在两家消耗着世界上越来越多算力的实验室里。”

“如果模型会在部署中学习，而某个模型的部署范围远广于另一个，它就会获得多得多的现实世界数据……所有这一切都指向了中心化。”

监管与慢速起飞：人类能否为失控按下暂停键？

尽管技术潜力指向爆炸式增长，现实世界存在显著的下行阻力——尤其是政府与社会对失控风险的本能抵触。当前已有迹象：美国监管机构可能要求模型延迟公开发布（如“等六个月再上线”），或限制内部使用权限（如 Anthropic 暂停外籍员工访问 Mixos）。这些“慢速起飞”措施虽非阴谋，却是广泛共识：政客、选民（包括你的父母）都会因短期焦虑而推动减速政策。

然而，这种延迟可能适得其反：在“暂停期”内，实验室内部仍可进行递归自我改进（RSI），一年的外部延迟可能换来三至六年内部进展跃迁，反而拉大与外界的技术鸿沟。更严峻的是，若 AGI 实现后仅剩少数实体掌握核心算力与心智资源，则全球绝大多数“劳动力”将高度集中于一两家公司——无论是否失控，权力结构都已极端失衡。

“政府是挺笨的，但也没那么笨……他们不会想让 Anthropic 在内部使用 Mixos 的。”

“我真希望它不要完全中心化，但也许 Machines of Loving Grace 的核心主旨就是这样——包揽一切，让我们的生活变好。”

算力垄断的必然性

当前市场结构正不可逆地导向算力的高度集中——参与其中的公司极少，这是结构性演化的结果。除非 AI 技术进展显著放缓，或政府实施强力监管（“下死手监管”），否则这一趋势难以阻挡。若继续当前路径，世界将面临两种极端：要么资源极度集中于单一实验室手中，我们只能祈祷其决策无误；要么政府强行减速整个进程，以换取更多权力制衡。即便在 AGI/ACS（人工通用智能 / 人工智能认知系统）演进过程中，任何技术路径都难以避免资源向少数实体聚集的倾向。很难构想出一种不导向极端集权化的制度框架。

要么是资源极度集中，我们只能祈祷那一家公司把什么都做对；要么是政府把一切都放慢……

……很难想象出一种不会导致 AI 走向极度集中的框架。

价值捕获的内部化逻辑

尽管 Anthropic 当前尚未完全攫取全部经济剩余（例如其每兆瓦定价已从 2,000 万美元升至 1 亿美元），但其算力采购中仍有相当比例以远低于市场价的 13 美元/兆瓦 水平获得。真正推高其单位算力估值的，是像 Gen-Zery（应为 Cerberus 或其他笔误） 这类外部方——其每兆瓦可捕获 3–5 亿美元价值。相比之下，Dylan Patel 自身通过信贷博客调研所实现的每兆瓦变现能力仍难以量化，但显然远低于头部实验室内部转化效率。

核心驱动力在于：AI 实验室将算力用于自身研发的人力回报率，远高于将其授权给外部商业实体。这解释了为何 Anthropic 不愿将 token 或算力资源外流——例如让 Jainshri 这类期权交易员通过精准宏观判断套利数亿美元。若外部每兆瓦愿付 200 美元，而内部可创造“数亿美元”，则理性选择显而易见。

我为什么要让 Jainshri 从这帮无可救药的期权交易员身上赚走所有的钱？

……如果 Anthropic 直接在内部使用这些算力，每兆瓦能创造数亿美元呢？而这正是眼下在发生的事。