专栏 · AI 投资与产业观察 › 第 168 期 · 投资 · 收录于 2026 年 8 月 15 日
为什么更聪明的 AI 模型反而会把算力价格推高 10 倍
D
Dwarkesh · Dwarkesh Podcast
TL;DR · 三句话
- 一一道简单的减法逼出全部结论：实验室收入每年 10 倍、可拿到的算力每年只有 3 倍——这个缺口只能由「实验室利润率上升」或「算力价格上涨」来填，而 Dwarkesh 认为利润率超过 90% 还不被竞争抹平不现实，所以只剩算力涨价这一个出口。→ 详细
- 二模型越聪明，同一块卡越值钱：如果一个真正达到人类水平的软件工程师能跑在一块 H100 上，按今天工程师的薪资，这块卡一年就该租出 25 万美元以上——是当前现货价的 15 倍还多，而且还没算 AI 通宵和周末连轴转。→ 详细
- 三供给端顶不上来：那 3 倍拆开是 1.4×（摩尔定律）× 1.2×（新建晶圆厂，卡在 ASML EUV 光刻机）× 1.8×（抢走手机/PC 的晶圆），第三项明年就撞墙——台积电 N3 上 AI 占比会从 60% 涨到 86%，吸干之后无处可吸。→ 详细
01
论证起点：一个 10 倍 vs 3 倍的缺口（核心）
- Anthropic 已连续三年收入同比 10 倍，去年年底做到 90 亿美元；Dwarkesh 估计今年年底会落在 1000 亿到 1500 亿美元之间。要让这条线继续，明年年底就得做到 1 万亿美元。他自己先打了预防针：「没有任何深层理由说这件事非成立不可，这是个非常疯狂的结论」，最终取决于 AI 能力到明年年底能不能真的那么有用。→ 详细
- 但假设它成立，就撞上另一条硬趋势：实验室手里的算力每年只增长 3 倍。这个差额必须由某处填上，全文其余部分就是在找这个「某处」。→ 详细
- 只有三条填法（或组合）：① 实验室利润率提高；② 算力价格上涨；③ 花在推理（inference，模型对外服务、回答请求所耗的算力）而非训练上的算力占比提高。关键是三条都已经在发生，他逐条给了数字。→ 详细
02
三条阀门的实测读数（核心）
- 利润率：据报道 Anthropic 的推理利润率从去年年中的 40% 涨到现在 80% 以上。→ 详细
- 算力价格：算力现货价（spot price，随买随用的即时市场价）比今年 2 月那个低谷高出 40% 以上——注意这是「已经发生」，不是预测。→ 详细
- 推理占比：2024 年据 Epoch AI 数据，OpenAI 只把四分之一算力花在推理上；现在这个数字很可能接近 50%，甚至更高。→ 详细
03
第三条阀门被实验室自己关死了——这是身份问题，不是算术问题
- 在实验室的世界观里，推理收入的意义是「说服投资人再给钱去训下一个更大的模型」。一旦把大部分算力花在推理上，等于公开宣告 AI 进展停滞、自己沦为云服务商——「这门生意可比造出 AGI 没吸引力多了」。他们相信一年内就能造出让现在这批模型「显得烂得不行」的新模型，所以大部分算力必须留给训练和实验。→ 详细
04
排除法：为什么剩下两条里，利润率那条走不通（核心）
- 缺口只剩两个出口：要么盈余落进实验室口袋（利润率上升），要么落进实验室下面那整条链条（算力涨价）。这道二选一决定了这波钱最终归谁。→ 详细
- 他倾向排除利润率那条：市场经济里利润率之所以存在，本质是「你提供的东西比别人能另找的替代品好太多」；要让智能维持 90% 以上利润率还不被竞争抹平，得是领先模型远远甩开对手——「实在太离谱了」。→ 详细
- 于是只剩算力涨价当泄压阀。而且对前沿实验室真正需要的那批算力，涨幅还要更狠：他们不能买现货实例（spot instance，按小时随买随用的云资源）了事，必须一次拿到足够规模才换得来效率和灵活性，还必须是能满足安全要求、护得住自家模型权重和客户信息的那种算力——供给更窄、替代品更少的细分市场。→ 详细
05
实证锚点：Google 从 SpaceX 租算力的价签（核心）
- Google 每月为 11 万块 GPU 支付 9 亿美元（GB200 和 GB300 混合），Anthropic 也在同一渠道租。→ 详细
- 这个价钱是同款 GPU 每小时现货价的 2 倍；而那个现货价本身又比 2 月高出 40% 以上。两层溢价叠起来，就是「前沿算力比公开市场更贵」的活证据。→ 详细
06
全文最硬的那句断言：模型越聪明，同一块卡越能变现（核心）
- 「随着 AI 模型变得更聪明，它们把同样一份算力变现的能力也会更强。」这是整条论证的支点。定价法给得很直白：若人类水平的软件工程师能跑在一块 H100 等效芯片上，按今天工程师薪资，这块卡一年该租出 25 万美元以上——当前 H100 现货价的 15 倍还多；而且还没算 AI 能通宵干、周末也干。→ 详细
- 对「凭空多出 1000 万个软件工程师，边际价值不就崩了吗」这个反驳，他的回应是：套到人身上这正是经典的劳动总量谬误（lump of labor fallacy，误以为社会上的活是固定的一块饼，多一个人干就少一个人有活）——经济学家普遍认为（高技能）移民长期不压低工资，因为创新和专业化分工会把劳动的价值抬上去。→ 详细
- 但他没把话说死：「也许这一次的劳动力供给冲击会来得太大、太快，让我们没法再指望这条通用经验法则。」若信标准经济学，劳动的边际价值、因而算力的边际价值，会保持在高得惊人的水平。→ 详细
07
推论 A：算力涨价本身就是护城河
- 顶尖实验室变现算力的本事越强、算力越贵，别人越难跟他们竞争——你得跟一个「本来就能把这份资源用得更好」的人争抢同一份资源的出价权。涨价不是打击领先者，而是加固领先者。→ 详细
08
推论 B：阿尔奇安–艾伦效应——最省算力的模型能收最高溢价（他自认最有意思的一条，核心）
- 这是全文他自己标注「整个思想推演里最有意思的推论」：如果你能训出效率最高的模型，你能收的溢价比今天高得多。→ 详细
- 机制就是经济学里的阿尔奇安–艾伦效应（Alchian–Allen effect）：当每一份使用都要背一笔昂贵的固定成本时，人们会自动转向高质量选项。他的例子——「如果租一块 H100 要 20 美元一小时，那么去用一个更弱、效率更低的模型就是极其愚蠢的，因为为了得到完全相同的结果，它会在你这块昂贵的算力上烧掉更多 token」。→ 详细
- 顺着推下去有个漂亮的等价：「如果你有一个模型能用更少算力得到同样结果，那你在某种意义上就创造出了更多算力」——而算力的价值也随之上升。效率进步在这个框架里不会压低算力价格，反而抬高它。→ 详细
09
推论 C：今天便宜的 AI 玩法会被价格挤出局
- AI 现在便宜，只是因为很多顶尖人类能做的事它还做不了。一旦不再如此，Google / Anthropic / OpenAI 为自动化 AI 研究愿意为 token 出的价，会盖过你我为多产一点「AI 垃圾内容」（AI slop）愿意出的价。低价值用途会被同一池 token 的高价值用途赶走。→ 详细
10
自我审视：这会不会又是一次「低估人类巧思」的稀缺论？
- 他坦承这套分析「跟历史上人们在稀缺问题上犯错的那些套路很像」，点名西蒙–埃利希赌局（Simon–Ehrlich bet）：末日论者保罗·埃利希赌一篮子大宗商品在通往 1990 年的十年里涨价，结果输了，成了「市场信号 + 人类巧思会化解稀缺」的经典教材。→ 详细
- 两条反驳：一是那个赌局换一个十年来打，埃利希很可能会赢（结论没那么稳）；二是算力的供给弹性比金属开采小得多，吸收需求冲击的能力差得多，可替代的余地也小得多。→ 详细
11
供给端逐项拆解：3 倍这个数字连维持都难（核心）
- 他把每年 3 倍拆成三个乘数（1.4 × 1.2 × 1.8 ≈ 3），逐个论证都加不动。1.4× 来自摩尔定律——「别说往上加了，能把它再撑几年就已经是奇迹」。→ 详细
- 1.2× 来自新建晶圆厂——到 2030 年甚至更久，最终都卡在「造新的 ASML EUV 光刻机」这一环；他提到 Dylan（Dylan Patel）几个月前上节目详细讲过。→ 详细
- 1.8× 来自 AI 抢走原本给智能手机和 PC 的晶圆产能——这一项明年年底就撞墙：台积电最先进的 N3 制程上，AI 占比会从 60% 涨到 86%。「到某个时点，你已经把最先进制程的晶圆产能全都吸干了，这个数字就再也涨不上去了。」结论：连维持 3 倍都难，遑论超过。→ 详细
12
边界条件：这只是「奇点前」阶段的结论
- 他明确划界：未来某个时点算力会重新变便宜——等有了机器人能把成片的硅砂海岸和铜矿直接变成芯片，算力价格就基本等于原材料加加工工具。他讲的只是当下这个「奇点前（pre-singularity）」阶段：AI 算力仅仅每年 3 倍，不足以抵消 AI 本身正变得越来越值钱。→ 详细
13
收尾：10 倍 / 3 倍这个比值本身就是规模经济的证据（核心）
- 「收入每年 10 倍、算力每年只有 3 倍」这件事本身，就说明模型生意的规模经济（economies of scale）有多强。逻辑很干净：训练一个模型只需付一次性成本去学会所有技能，之后这些技能被所有用户共享；「这跟人类劳动非常不一样——人类的每一个个体都得从零开始重新培训一遍」。这就是为什么单位收入所需的算力能持续下降。→ 详细
- 他以一句价值判断收尾：「我倒宁愿我们不是活在一个『智能的规模经济如此之强』的世界里，因为我担心权力集中的问题。但看起来我们就是活在这样的世界里。」→ 详细
15
联系方式
- Dwarkesh Patel 的博客：dwarkesh.com（本期即该站一篇博文的朗读版，可去订阅更新通知）。→ 详细