为什么更智能的 AI 模型可能会使算力价格上涨 10 倍

算力缺口：营收增长 vs. 算力规模扩张

AI 实验室正在经历营收增长与可用算力容量之间的巨大分歧。例如，据报道，Anthropic 的营收连续三年同比增长 10 倍，而实验室的总算力容量每年仅增加约 3 倍。

为了在算力扩张滞后的情况下维持这种营收增长，实验室必须依赖以下一种或多种机制：

增加利润率： 扩大推理阶段的利润率。
提高算力价格： 提高租赁或购买算力的成本。
转移算力分配： 增加分配给推理而非训练的算力总百分比。

虽然这三种情况都在发生——某些模型的推理利润率从 40% 上升到 80%，且 OpenAI 的推理支出从 25% 增加到可能超过 50%——但实验室并不愿意优先考虑推理。实验室将推理营收视为资助下一代模型训练的手段；将过多的算力转移到推理会向外界传递出 AI 进步停滞且实验室已转型为单纯云服务商的信号。

为什么算力价格很可能会上涨

如果实验室无法在不被竞争对手挤出市场的情况下维持 90% 以上的利润率，那么营收与算力缺口的主要“泄压阀”就是提高算力价格。这种趋势在市场中已经显现：

现货价格上涨： 算力现货价格比今年 2 月的低谷期高出 40% 以上。
规模化带来的溢价： 前沿实验室需要的是安全、大规模的集群，而非现货实例。例如，据报道，Google 正在每月为 110,000 个 GPU（GB200s 和 GB300s 的混合体）支付 9 亿美元，这比目前的每小时现货价格翻了一倍。

智能化的变现现化

随着 AI 模型变得更智能，它们可以更有效地利用相同的算力进行变现现化。如果一个 H100 等效的 GPU 可以运行一个真正的、人类水平的软件工程师，那么该硬件产生的经济价值将远超目前的租赁价格。根据目前的软件工程师薪资，理论上这样的 GPU 每年应租赁价格超过 250,000 美元——是目前现货价格的 15 倍以上。

虽然有人认为，大量 AI 工程师的涌入会降低劳动力边际价值（即“劳动力总量谬误”），但标准经济学表明，创新和专业化通常会保持高技能劳动力的高边际价值，这意味着随着能力的提升，算力的边际价值也将保持高位。

更高算力成本的经济影响

不断上涨的算力价格和不断提高的模型效率共同促成了 AI 生态系统中的几种战略转变：

Alchian-Allen 效应与模型效率

根据 Alchian-Allen 效应，当稀缺投入品（算力）的成本增加时，节省该投入品的动力就会增强。如果算力很昂贵，使用一个较弱、效率较低的模型是昂贵的，因为它为了达到相同的结果会消耗更多 token，因此实验室可以训练出最具算力效率的模型，能够收取显著的溢价，因为它们有效地通过减少对稀缺资源的使用浪费来“创造”了更多算力。

市场集中度与应用层被挤出市场

更高的算力成本构成了进入门槛。顶尖实验室可以比规模较小的竞争对手更有效地竞标算力资源，因为它们可以从相同的硬件上榨取更多价值。此外，低价值应用——例如生成“AI slop”——可能会因为前沿实验室优先考虑高价值自动化，例如 AI 驱动的 AI 研究，而被迫退出市场，因为实验室们愿意为后者支付更多。

算力供应规模扩张的约束

由于三个主要的瓶颈，算力容量的年增长 3 倍的年增长率很难加速：

摩尔定律 (1.4x)： 硬件效率增益正在放缓，且可能难以维持。
制造能力 (1.2x)： 新晶圆厂的建设受限于 ASML EUV 机器的供应。
晶圆分配 (1.8x)： AI 正在吸收原本用于智能手机和 PC 的晶圆容量。在 TSMC 的领先工艺 N3 节点，AI 分划分配比例已从 60% 提高到 86%，几乎没有通过重新分配来实现进一步增长的空间。

这些约束表明算力供应是缺乏弹性的，无法吸收巨大的需求冲击，这使得在机器人自动化能够从根本上降低原材料加工和芯片生产成本之前，在“奇点”前夕阶段，价格上涨的可能性更高。