盈利模式逆转与资本集中趋势

一年前，OpenAI和Anthropic还依赖风投资金维持运营，但如今其商业模式发生了根本性逆转。根据SemiAnalysis创始人迪伦·帕特尔（Dylan Patel）的分析，这两家公司目前每兆瓦算力能产生5000万美元的收入，投入产出比极高。这种从亏损到盈利的转变使得它们不再单纯依赖外部注资，而是能够利用自身收入驱动增长。尽管新资金仍在涌入，但业务驱动力已转向内部造血。

“现在每兆瓦算力能产生5000万美元的收入，每花10块钱就能变出100块来。”

这种极高的边际收益导致了算力的极端集中。去年年底，美国大部分GDP增长实际上由AI基础设施驱动，全行业新增算力中约三分之一最终流向OpenAI和Anthropic。今年全行业资本支出刚过1万亿美元，预计到2028年将超过2万亿，而实验室在其中的占比不断攀升。从每年几百亿支出变为几千亿甚至上万亿，这两家公司正在做一件反直觉的事：宁可少赚外部服务收入，也要将算力抽回内部搞研发。年初两家算力分别约为2吉瓦和不到2吉瓦，年底预计均超过5吉瓦，明年将占据新增算力的40%到50%，集中化趋势正在加速。

供应链瓶颈与价值捕获迁移

尽管算力需求激增，但全球物理算力的扩张受到严格限制。帕特尔指出一个惊人的数字关系：60亿美元的晶圆厂资本支出每年只能生产一吉瓦算力，而这一吉瓦目前能产生1000亿美元收入。这意味着晶圆厂层面的投入与终端AI收入之间存在巨大的套利空间，但供应链反应滞后。制造EUV光刻机反射镜的蔡司（Carl Zeiss）和ASML产能扩张需要数年传导，目前每年制造100台EUV设备可能是本十年末的正确上限。

“60亿美元的晶圆厂资本支出，每年能生产一吉瓦算力...五年下来，晶圆厂生产的第一吉瓦已经赚了五年的钱。”

与此同时，价值捕获正在从硬件供应链向模型层和终端用户迁移。一年前硬件赚走所有毛利，现在模型层开始产生巨大的正毛利。然而，大部分价值并未留在实验室内部。例如，Jane Street通过GPT-5.6超快模式独家合同在市场上赚钱的价值远超Anthropic的利润；Meta通过优化广告算法提升用户参与度产生的效率，也远高于支付给Anthropic的费用。这种价值外溢导致算力价格开始上行，为了在2028年达到100吉瓦上限，实验室必须支付每兆瓦2500万至5000万美元的高价才能吞下全球70%的算力。

内部研发优先与监管风险

随着每兆瓦收入潜力的提升，实验室面临一个反共识的抉择：将算力用于对外推理服务以获取短期利润，还是保留在内部训练AGI？帕特尔认为，随着每兆瓦收入从3000万美元飙升至1亿美元以上，将算力分配给内部研发是更优选择。因为AGI带来的长期价值远超外部推理服务，且最好的模型在内部产生的价值远高于外部。事实上，OpenAI已在1月减少算力增加量但收入飙升的情况下，将边际兆瓦更多流向研发而非推理。

然而，这一进程面临监管风险。目前世界最好模型（如OpenAI的Astra和Anthropic的Model 2）并未发布，甚至被阉割或停止训练。纽约禁止数据中心、德州暂停审批等监管收紧迹象表明，如果政府要求实验室等待六个月才能发布模型，或限制内部使用新模型，每兆瓦收入攀升速度将放缓。帕特尔推测，若安全不构成阻碍，实验室甚至能实现每兆瓦1亿美元以上的收入。这种内部封闭性可能导致外部世界看到的AI进展变慢，形成“内卷式”的技术壁垒。

中美算力差距与金融体系差异

在中美对比方面，2028年中国AI算力预计不超过30吉瓦，而全球可能超过200吉瓦。尽管中芯国际和长鑫存储将在2028年上线国产芯片，增添5-10吉瓦算力，但其性能远逊于英伟达和谷歌产品。帕特尔推测中国2029年可能新增50吉瓦，但价值仅相当于美国芯片的20吉瓦。从质量加权计算来看，领先实验室拥有的算力可能比整个中国在2030年的总算力还要多。

“部分原因是出口管制，但是另一部分原因是金融体系的差异...中国半导体行业的补贴远远超过世界其他半导体行业补贴的总和。”

造成这一差距的原因不仅是出口管制，更是金融体系的差异。美国金融体系更愿意在初创公司身上冒险，而中国一旦选定重点行业则补贴力度巨大。如果智能起飞缓慢，中国可能在半导体领域大幅赶上并转化为算力优势。但目前来看，中国领先AI实验室总算力仅100-200兆瓦（字节跳动Seed例外），而Anthropic年底将超5吉瓦。不过，由于训练模型仅占算力预算的极小部分（预训练不到200兆瓦），中国公司在模型能力上并未落后太多，大部分算力流向了研究和推理。

宏观债务危机与利率冲击

若进入每年新增100吉算力的世界，需5万亿美元资本支出，加上提前建设的发电厂和数据中心，实际投资将达7-10万亿美元。到2030年底，增量资本支出可能接近10万亿美元。超大规模云厂商（谷歌、微软等）已停止产生现金，转而大量借债支付资本支出。从2024到2029年，即使利用现有现金流仍需发行超5万亿美元信贷。

“这笔钱有几个来源...最后是经济体中的每个人都意识到，也许不该买国债，而该去买超大规模云厂商的债。”

这种巨额借贷将推高利率。帕特尔估计Meta可能愿意支付8%的利率，比当前5-6%高出250个基点。这将导致银行信用利差爆发、传统价值股估值暴跌（如强生、伯克希尔吸引力下降），并可能引发“第二次沃尔克时刻”，导致巴基斯坦等债务沉重国家违约。利率上升将成为抑制算力过度扩张的刹车，但同时也重塑了全球资产定价逻辑。所有传统行业都将面临更高的融资成本和更低的估值倍数。

算力垄断的终局推演

前沿算力以FLOPS计算每年增长4-5倍，而达到特定能力所需算力每年减少3倍。这意味着前沿实验室的有效AI劳动力规模每年增长10倍，从OpenAI今年的1000万增至明年的1亿、后年的10亿。一旦递归式自我改进（RSI）启动，增长倍数可能达百倍甚至千倍。训练具有巨大规模经济效应，在AI竞赛中稍微领先就能收取更高加价并获取更多现实世界数据用于持续学习。所有这些因素都指向算力中心化。

“所有的力量都在尖叫着走向中心化...除非AI进展放缓，除非政府严格监管，否则算力集中化是唯一会发生的事。”

尽管达里奥·阿莫代伊曾否认“只有一家公司”的观点，但帕特尔认为，若相信RSI和实验室是算力最有效用户，算力集中化是唯一会发生的事。这导致了一个两难局面：要么接受资源超级集中的世界，祈祷少数公司做对一切；要么通过政府干预放慢进程以平衡权力。但目前来看，Anthropic尚未捕获大部分价值，经济体的其他部分仍从中获利较多。然而随着实验室将算力内部化，这扇窗户正在关闭。谁掌握算力，谁就掌握了未来的劳动力、经济增长乃至利率走向。

结论

本视频通过SemiAnalysis创始人迪伦·帕特尔的深度推演，揭示了全球AI算力正加速向OpenAI和Anthropic两家头部实验室集中。核心逻辑在于每兆瓦算力收入从负毛利飙升至5000万美元甚至更高，使得内部研发AGI的边际收益远超外部推理服务。尽管供应链瓶颈限制了物理算力扩张至每年约100吉瓦，但极高的投入产出比驱动实验室以高价垄断资源。这一过程伴随着价值从硬件向模型层及终端用户的迁移，并因巨额资本支出推高全球利率，引发债务危机风险。中美算力差距虽受金融体系和出口管制影响显著，但中国模型能力并未大幅落后。最终结论是：除非受到严格监管或技术进展放缓，否则算力垄断和中心化是不可逆转的趋势，这将彻底重塑全球经济结构、利率走向及地缘政治格局。