DEV Community

cognitalk
cognitalk

Posted on

两家实验室的算力垄断之路：Dylan Patel 详解 AI 经济学

#ai #llm #openai


https://www.youtube.com/watch?v=aV26V1UvkJw

Two Labs Will Control Most of the World's Compute: Dylan Patel on AI Economics

两家实验室的算力垄断之路：Dylan Patel 详解 AI 经济学与 2028 年的世界重构

第一部分 开场与全球算力/营收现状盘点

（0% - 9%）

  1. 播客背景与本期主题：主持人 Dwarkesh Patel 与 SemiAnalysis 创始人 Dylan Patel 以"年度家庭感恩节"形式再次对谈，核心议题是世界经济走向正越来越多地成为 AI 实验室经济学与算力市场的函数，目标是理解未来几年"疯狂未来"的落点。
  2. 当前算力分配格局：2025 年美国大部分 GDP 增长实际上就是 AI 基础设施；2026 年全球新上线算力中约三分之一最终服务于 OpenAI 和 Anthropic（即便物理设施由其他方建设再租赁给它们，最终客户仍是这两家）。
  3. 资本开支的膨胀曲线：2026 年全球 AI 基础设施 CapEx 略超 1 万亿美元，到 2028 年将超过 2 万亿美元；AI 实验室自身则从每年烧几十亿、几百亿美元，走向每年烧数千亿、乃至本十年末上万亿美元的合同承诺。
  4. 盈利拐点已至：Anthropic 在 2026 年 Q2 开始转为盈利；OpenAI 市场预期在 Q3 随着 Codex 与 GPT-5.6 等产品的放量也开始盈利。这与一年前、甚至 2026 年年初仍靠风险投资输血亏损的状态形成根本转折。
  5. 单位算力收入的跨越式提升：过去在 Nvidia Hopper 上服务 GPT-4 对 OpenAI 是负毛利率；如今 OpenAI 服务 GPT-5.6、Anthropic 服务 Opus 5 时，每兆瓦算力所产生的收入已远超 10-15 百万美元/兆瓦的基础成本，Anthropic 峰值达到 5000 万美元/兆瓦——这意味着"花 10 美元推理容量、产生 50 美元收入、再把利润全部投入下一轮训练"的自循环飞轮已经启动。

第二部分 算力向两家实验室集中的量化推演

（9% - 18%）

  1. 各实验室算力规模的爆发：2026 年初 OpenAI 约 2 吉瓦、Anthropic 不到 2 吉瓦；到 2026 年底两家都将突破 5 吉瓦，整体实现 3-4 倍增长。2026 年全年新增算力中两家约占 30%。
  2. 2027 年集中度进一步跳升：基于已签约合同，2027 年 Anthropic 与 OpenAI 将拿走全球新增算力的 40%-50%。
  3. "半数临界点"的到来时刻：Dylan 明确判断——到 2027 年末，全球一半的新增算力将归属 Anthropic 和 OpenAI；由于全球算力总量本身每年翻倍的背景下，新增算力很快构成全球算力的大部分，因此"一年内到两年内，全球大部分算力由两家实验室拥有或服务其需求"将成为现实。
  4. 芯片代际效率放大集中度：2026 年部署的 GB300、TPUv7、Trainium3 等新一代芯片，每瓦性能为上一代的 3-5 倍。因此即便只拿物理算力的一半，两家实验室实际控制的"可用 FLOPs"占比还会再乘上一个性能系数。
  5. 2028 年 70%-80% 的预测：若趋势延续（Dylan 称目前看不到阻止它的力量），到 2028 年两家将吸收全球新增算力的 70%-80%，自行控制全球大部分真正可用的浮点算力；合计物理算力达到约 100 吉瓦。
  6. 新建算力方的角色转变：SpaceX 等新建算力方进入市场，由于两家实验室边际支付能力最强，SpaceX 大概率将大量算力租赁给 Anthropic 和 OpenAI；同时两家也开始自建——OpenAI 用自己的芯片，Anthropic 从 Google 采购 TPU 并与 Fluidstack 部署。

第三部分 晶圆厂到终端收入的百倍杠杆与供应链瓶颈

（18% - 25%）

  1. $6 亿晶圆厂 CapEx → $1 万亿终端收入：通过 LLM 运行的设备模型估算，每吉瓦算力每年需约 $30-40 亿工具投资，加上洁净室等整体晶圆厂 CapEx 约 $60 亿/年/吉瓦；而 1 吉瓦算力当前可产生约 $1000 亿/年 的收入。5 年累计下，$60 亿晶圆厂 CapEx 可撬动超 $1 万亿 终端 AI 收入，即便扣除中间各环节后仍存在 近 100 倍 的 discrepancy。
  2. 资本主义的"鞭子效应"（Bullwhip Effect）：产业链上游对终端需求的放大与延迟反应——从 ASML 的光刻机、Carl Zeiss 的反射镜，到内存、基板、数据中心的涡轮机，每一层都在成为瓶颈并索要更高价格。
  3. ASML 与 Carl Zeiss 的物理上限：2026 年早些时候产业链原本认为到 2030 年每年 100 台 EUV 工具就够了；如今被迫上调预期，但即便给 Carl Zeiss 投 100 亿美元让其扩产，也需要贯穿整个供应链同步扩张，而这在 2026、2027、2028 年都难以实现——世界是资本受限的。
  4. 算力的"转售套利"现象：市场上已经出现买入涡轮机再转售的套利行为，因为作为数据中心瓶颈的涡轮机的价值被极度抬高；理论上任何能说服 ASML 出售一台 EUV 工具的人，都可以等待后以超 10 亿美元转售。

第四部分 算力定价机制与价值捕获层的迁移

（25% - 33%）

💡 本段插入了 Grok Bot 招聘编辑的广告插播，以下内容为广告后的核心讨论。

  1. 算力单价的必然上涨：当前任何人都能以 $10-15 百万/兆瓦的成本轻松部署开源权重（如 Kimi + vLLM/SGLang）并通过 OpenRouter 等产生正向收入，因此基础算力定价已开始抬头。要让两家实验室在 2028 年拿到 100 吉瓦，单价必须从 $15 百万/兆瓦上升到 $25、$30 甚至 $50 百万/兆瓦——只有这样才能"出价击败"其他所有买家。
  2. 价值捕获层的历时演变：
    • 2023 年：HBM 与内存厂商并未从 AI 价值中获取匹配利润；
    • 2024-2025 年：硬件供应链（芯片、晶圆厂）获取了几乎所有毛利，模型层为负毛利；
    • 2026 年：模型层跨越拐点，Anthropic 达到 $50 百万/兆瓦，路径指向 $100 百万/兆瓦；
    • 未来：若监管不阻止最佳模型发布，实验室可达 $100 百万/兆瓦以上，并能支付 $50 百万/兆瓦采购算力。
  3. Meta 与 SpaceX 的"期权性"角色：Meta 与 SpaceX 凭借资产负债表成为除两家实验室外唯一可能的"第三极"，它们可以无终端客户而先行建设算力，随后在"自用"与"以 $25-$50 百万/兆瓦高价转售给 Anthropic/OpenAI"之间做选择，从而重塑了算力市场的权力结构。Elon 卖给 Google 的 B300 算力达 $40 亿/吉瓦即是明证。
  4. 终端用户的巨大价值捕获：Jane Street 等机构通过独家合同使用 GPT-5.6 Ultrafast，从 tokens 中创造的价值远超 Anthropic 所获利润；Meta 使用 Anthropic 模型优化广告算法所获得效率提升也远超其支付给 Anthropic 的费用——这意味着大部分 AI 创造的社会价值目前仍留在最终用户侧，而非被模型层捕获。

第五部分 监管、模型发布限制与单位算力收入的天花板风险

（33% - 40%）

  1. "释放最佳模型"的监管阻力：OpenAI 未发布 Astra、停止训练两周；Anthropic 未发布安全评估中广泛被认为是 Mythos 下一代的 Model 2——最佳模型被主动雪藏，导致实验室每兆瓦收入可能停滞甚至回落。
  2. RSI（递归自我改进）与内部使用的不对称性：如果实验室内部有比外部领先 6 个月、且在 RSI 状态下相当于外部 100 倍进度的模型，但监管禁止其内部广泛使用，那么"每兆瓦收入"的外生指标就无法反映真实的边际价值。
  3. Dylan 的基准情形：在没有监管阻断的前提下，到 2027 年末 Anthropic/OpenAI 的单位算力收入可达 $70-80 百万/兆瓦（混合全公司口径）；若模型持续进步，突破 $100 百万/兆瓦并不夸张。
  4. 监管反向推高成本的另一条路径：纽约州禁建数据中心、德州暂停审批、俄亥俄州要求数据中心缴纳周边房产税等——供给减少将进一步推高算力价格，形成"监管→供给收缩→涨价→通胀"的链条。

第六部分 训练与推理的算力分配逆转

（40% - 48%）

  1. 非共识判断：推理占比将下降：主流观点认为"大部分算力将走向推理"，Dylan 则明确提出反共识看法——实验室将随时间推移把越来越少的算力分配给推理，越来越多的算力分配给训练与内部 R&D。
  2. 当前的预算拆分：实验室总算力预算中约 60% 用于训练、40% 用于推理；而 60% 的训练中又细分——约 50% 用于研究（新架构、数据混合、超参、注意力机制测试等），10% 用于开发（一次预训练运行本身其实不到 200 兆瓦、约两个月；RL 阶段更小）。
  3. "研究"吃掉算力的现实原因：多集群协调、跨站点训练、RL 阶段 rollout 数量与效果的边际递减等限制，使得即便手握数吉瓦，单次训练运行最多只能 leverage 约 200 兆瓦，其余算力沉淀在研究实验中。
  4. 2026 年已发生的边际转向：尽管每月算力绝对量持续上升，但从 2026 年中开始，新增算力的边际收入增长已趋于平台——意味着边际兆瓦更多地流向了 R&D 而非推理。
  5. AGI 目标下的理性选择：对 Anthropic 与 OpenAI 的董事会与高管而言，把每兆瓦推理利润用于分红/回购，还是用于训练以构建 AGI 这一"更盈利"的目标？答案显然是后者。一旦自动化研究者成熟，研究预算与训练预算的界限将模糊，更多算力涌入训练。
  6. 长远 CapEx 量级的重估：若 2028 年建设 100 吉瓦/年，按照当前单价就是每年 $5 万亿 CapEx；叠加发电厂（30 年资产）与数据中心（15-20 年资产）需提前建设，实际年度增量 CapEx 到 2030 年末将接近 $10 万亿，约当今世界经济总量的十分之一。

第七部分 全球算力地理分布与中国曲线

（48% - 57%）

  1. 中美算力份额的历史与现状：2022 年美国部署全球算力的 45-50%、中国 30-35%；而到 2026 年，由于对华严格管制与美国本土激增，美国占 70%、中国下降到不到 10%。
  2. 中国 2028 年预测：到 2028 年中国将有不超过 30 吉瓦 AI 算力；由于其中多为国产芯片（SMIC、CXMT 等 2027-2028 年才起量），实际等效算力可能只相当于美国芯片的 20 吉瓦。
  3. 中国 2029 年"曲棍球棒"：Dylan 认为中国在 2029 年增加 50 吉瓦完全合理——中国的优势本就在于制造业的快速规模化；即便其中多为国产芯片，等效算力仍可能相当于美国芯片的 20 吉瓦量级。
  4. 出口管制的实际效果评估：如果按 Dylan 给出的数据延续，到 2028 年单个美国领先实验室的加权算力可能超过中国 2029 甚至 2030 年的全国总量——出口管制的确起到了显著的拖延作用。
  5. 中美金融结构的差异：美国金融体系更愿意"YOLO"式押注初创；中国一旦选定行业则补贴力度远超全球半导体业总和。若 AGI 到来较慢，中国将在半导体侧大幅追赶；若较快，则算力存量差距将造成决定性鸿沟。
  6. 中国模型与算力的错位：领先的中国实验室总算力仅 100-200 兆瓦（字节 Seed 除外），Kimi 远未达 1 吉瓦；而 Anthropic 到 2026 年底超 5 吉瓦。当前中国模型在公开感知上并未落后太多，但这一"算力差不重要"的状态将在自动化研究者出现后被彻底颠覆。

第八部分 AI CapEx 与主权债务危机、利率冲击

（57% - 76%）

💡 本段中间插入了 Antithesis 确定性软件测试平台的广告插播。

  1. $11 万亿 CapEx 与 $5 万亿信贷缺口：SemiAnalysis 建模显示 2024-2029 年 AI 基础设施总 CapEx 约 $11 万亿，其中 $6 万亿由现金流覆盖，$5 万亿需通过信贷市场募集。
  2. 谁为 CapEx 买单的演进：2026 年及之前由 hyperscalers（Google、Microsoft、Amazon、Meta）以现金流+债务覆盖；到 2028 年 hyperscalers 自身债务已达数百亿级别，需要新的资金方进场——包括 Nvidia/Broadcom/内存厂的直接注资、传统基建投资者（用数据中心替代桥梁）、以及全体经济主体将资金从房贷/国债转向 hyperscaler 债务。
  3. 利率的必然上行：Meta 近期债务发行利率已达 5-6%，Dylan 预测 Amazon 等 hyperscalers 2026 年后为争夺算力将** willingly 支付 8% 甚至更高**的利率，因为它们从算力获得的回报远超此成本。
  4. 利率上行的连锁反应：
    • 主权债务危机：美国因能在境内征税尚可应对；但巴基斯坦、尼日利亚等"高债务+低税基+短债为主"的国家将面临第二次沃尔克冲击——1980 年代超过 40 个国家违约的剧本可能重演。
    • 股市重置：折现率从 3-5% 跃升至 8-10%，所有长周期现金流股票的估值将崩塌（铁路、消费必需品、Johnson & Johnson 类）；即便是 AI 公司本身，除少数极致 AI-pilled 的逻辑外，整体股市将面临重估。
    • 内存等"AI 受益股"的反直觉定价：若 AI 真的重构了经济，理论上所有资产都应按 2-3 倍市盈率交易，这意味着即便 Micron、SK Hynix、Kioxia 等也应大涨，但同时整个股市会崩盘——这是一个内部矛盾的信号。
  5. 政府角色的悖论：若联邦政府不能找到对 AI 征税的方式，当利率升至 tens of percent 时，债务付息将超过当前税收总收入；资本的机会成本将极为高昂——"把钱用于支付养老金"vs"把钱用于建机器人工厂"的对比将极端尖锐。
  6. 缓刹车变量的汇总：监管限制数据中心建设、消费者与政治反弹、模型发布禁令、利率上行本身——这些因素共同把曲线从"纯粹资本主义最优解"压低到"复杂系统实际可行解"，使最终建设的吉瓦数低于理论值。

第九部分 奇点临近、AI 劳动力集中化与去中心化的无解困境

（76% - 100%）

  1. 经济体量的指数增长：在 fully automated economy 中，若每年可让经济存量翻倍，2030 年代利率将达到 tens of percent（甚至上百%），所有未参与 AI 生产的国家违约、所有非 AI 股票归零。
  2. "有效 AI 人口"的 10 倍年增：前沿算力以 FLOP 计每年 4-5 倍增长，而达到某能力水平所需算力每年 3 倍下降，两者相乘导致"有效 AI 劳动力"每年 10 倍扩张——即便没有 RSI，OpenAI 也将从 2026 年约 1000 万 AI 劳动者，到次年 1 亿、再次年 10 亿；到 2030 年前，单一实验室内的有效人口将超过地球人类总和。
  3. 集中化的三重引擎：
    • 训练的规模经济：训练投入被摊销到数十亿次会话/用户；
    • 算力稀缺下的溢价：略微领先的玩家可对稀缺资源收取极高 markup；
    • 部署学习闭环：更广泛部署的模型获得更多真实数据，进一步领先。
  4. RSI 后的极端情形：一旦发生递归自我改进，有效人口增长率将从 10 倍/年跃升至 100-1000 倍/年，或智能水平爆炸式提升。
  5. "去中心化未来"的思想实验：Dwarkesh 提出的核心命题——是否存在一种在 AGI 之后仍能保持去中心化、广泛赋能的愿景？Dylan 承认这是亟需智识投入的项目，但目前所有力量（训练规模经济、算力稀缺、持续学习、RSI）都指向集中化。
  6. 两种集中化的二选一：要么是私人企业（Anthropic/OpenAI）的极端集中，要么是政府控制的集中——Dylan 表示对二者都不信任。资本主义历史上因去中心化决策而胜出，但 AI 翻转了这一逻辑：私人产权仍在，但仅由极少数公司分享。
  7. 唯一的刹车是监管：Dylan 坦言，除非 AI 进度放缓、除非政府强力监管，否则集中化不可避免；但他也承认"把希望寄托于放缓"可能只是一厢情愿。
  8. 结尾基调：在黯淡的集中化预言中，Dylan 与 Dwarkesh 相约在 RSI 正式启动后再度对谈，留下一个开放而沉重的问题——人类文明是否正不可逆地走向由两家私人实验室定义"大多数心智"的未来。

Top comments (0)