新智元报道
新智元报道
当AI智能体开始接近甚至替代人类知识劳动时，算力的价格应该如何重新定价？
在最新博客文章里，知名科技播客Dwarkesh Patel抛出一个大胆推演：如果AI实验室收入继续高速增长（如Anthropic到明年底达1万亿美元），而算力供应每年仅增约3倍，那么计算力价格可能上涨10倍以上。
过去几十年，算力被视为一种「工具」。电脑更快，服务器更多，云计算更便宜。
但AI时代正在发生一次范式转换：GPU不再只是机器的零件，而可能成为数字劳动力的载体。
如果一颗 H100可以承载一个接近顶尖程序员水平的AI Agent，那么它的价值就不应该再按照「服务器小时价格」计算，而应该按照它替代的人类劳动价值计算。
想象一下，如果有一个不眠不休、随时响应、技术水平达到人类顶尖水准的「数字软件工程师」，你愿意为此支付多少年薪？
在硅谷，软件工程师平均市场年薪在25万美元以上。然而，要承载这样一个同等智力水平的智能体（Agent），可能仅仅需要占用相当于单张英伟达H100显卡的算力。
现在，让我们算一笔账：
如果这颗H100能够完美替代一个年薪25万美元的人类程序员，那么从纯粹的商业和经济学逻辑来看，这颗 H100理论上的年租金，就应该定在25万美元以上。
但此时此刻，市面上H100的现货租赁价格，年化下来仅仅只有大约1.6万美元。两者相差15倍。
这就是我们将要面对的、人类历史上最大的「劳动力套利黑洞」。
当虚拟世界的智力繁衍速度，远远超出了物理世界制造极限，矛盾就此爆发：
数字智能的价值增长速度，正在远远超过物理计算基础设施的扩张速度。
这道15倍的估值落差，会引来猛烈反扑：在未来的几年里，算力的真实价格可能会面临一轮10倍甚至更高的超级通胀。
自然，有一个疑问：软件工程师年薪将来会不会大缩水呢？
这个问题，Dwarkesh Patel也考虑到了：
但如果我们相信标准经济学关于劳动力的理论，那么算力的边际价值（从而是算力边际价格）应该会变得极其高昂。
过去几年，AI行业遵循一个简单逻辑：更大的模型、更多的数据、更多的GPU、更强的能力。
但现在，一个新的矛盾正在浮现：AI增长速度，正超过算力供应增长速度。
以Anthropic为例。过去一年，其商业收入增长约10倍。
按照这种增长速度，到年底其年化收入可能达到1000亿至1500亿美元规模。如果这个趋势继续，下一年，它需要面对一个疯狂的问题：如何支撑万亿美元级别「钱景」？
答案只有一个：更多智能。而更多智能意味着：更多训练、更多推理、更多GPU。
然而，问题在于：算力供应并没有以同样速度增长。
目前行业领先实验室的物理算力扩张，大约只能维持每年3倍左右增长。
于是出现一个巨大的错位：
数字世界想跑10公里，但物理世界只能提供3公里的道路。剩下的距离怎么办？
只有三个选择：第一，提高利润率。第二，提高算力价格。第三，把更多算力投入推理业务。
第三条路，其实是很多AI实验室最不愿意看到的。
因为推理赚钱，本质上只是为了证明：「AI商业模式成立。」
然后继续融资，继续购买更多GPU，继续训练下一代模型。
硅谷真正的循环是：
赚钱不是终点，只是为了买更多计算能力。
因为所有实验室真正相信的是：今天最先进的模型，一年后可能就像昨天的手机，强大，但过时。
这就将解法逼回了前两个选项：利润率的暴涨，或者算力单价的攀升。
如果完全依靠利润率来消化这笔差额，到明年年底，前沿实验室的利润率必须达到95%左右的中高区间。
在商业史上，除了极少数绝对技术垄断的节点，这几乎就是幻想。
于是，所有的线索和逻辑最终汇聚到了同一个出口：算力的单价，即将迎来一轮前所未有的暴涨。
很多人还没有意识到：AI竞争正在进入基础设施时代。
过去互联网战争争夺：用户、流量、入口。而AI时代争夺的是：电力、芯片、数据中心、超级算力集群。
为什么？因为顶级AI实验室无法依赖普通云服务器。
它们需要： 专属GPU集群；稳定网络结构； 极高利用率； 数据和模型安全。
这已经不是租普通的服务器，这是租赁未来智能生产线。
一个典型案例是：Google和Anthropic向SpaceX租赁大规模GPU资源。
据报道，谷歌约11万张GPU集群，每月租金达到9亿美元。
折合下来，单张GPU每小时的租金，几乎是目前市面上现货租赁单价的两倍。而不要忘记，当前的现货价格本身，就已经比今年年初的低点高出40%。
为什么？
因为顶级算力越来越像能源、电网等战略资源。
想象一下工业革命，一家工厂拥有蒸汽机，另一家工厂没有。
他们的差距不是10%，而是整个生产方式的代差。
AI时代的GPU，也正在成为这种新的「蒸汽机」。
为什么算力价格会失控到这种程度？
答案在供给侧的物理公式里——这个公式，已经被台积电和光刻机巨头的物理极限牢牢锁死。
行业内津津乐道的「算力每年增长3倍」的神话，拆解开来，不过是三个乘数在极限边缘的勉强拼凑：
算力年增长率（3x）≈ 1.4x（摩尔定律迭代）× 1.2x（新晶圆厂建设）× 1.8x（抢占先进制程产能）。
而这三个乘数，每一个都在逼近天花板。
摩尔定律：每一步微缩都比上一步更难，漏电和原子极限让迭代如履薄冰。
新晶圆厂建设周期漫长，高NA EUV光刻机交付速度卡住整个链条，至少到2030年无解。
过去两年，算力增长的唯一引擎是抢产能——AI芯片从手机、PC手里生抢台积电先进制程。
但最后这个乘数，马上就要归零。到2027年底，AI芯片将吞掉台积电N3产能的86%，从60%到86%——不是增长，是物理意义上的绝对饱和，再无余地。
三个乘数，两个已见顶，最后一个即将撞墙。算力供给的故事，已经讲完了。
而算力越贵，反而没人敢用便宜模型。
直觉说：算力贵了，就该用轻量级模型、开源裁剪版，省着点花。
但AI经济学正好反过来。
核心逻辑是阿尔奇安-艾伦效应：当所有商品都被加上一笔固定附加成本时，贵的反而显得更划算。
在AI里，这笔「附加成本」就是算力折旧费——不管用啥模型都得付。
算算账：H100每小时20美元。
最强模型：1小时搞定，25美元（20算力+5溢价）。 平庸模型：授权费0，但智商不够，反复试错拖了2小时，40美元。
结论：用平庸模型，反而更贵。它会在无效尝试中，烧掉算力以及更珍贵的资源——时间。
所以，算力越贵，最强模型越有底气收天价溢价。既然横竖都要付算力钱，多花一点用最聪明的，才是真省钱。
平庸模型，没有活路。
最终，全社会的资金会像黑洞一样，被吸向极少数能造出绝对最强模型的万亿级寡头。
当然，也有人反对。
评论区里，Eric Xu提出了一个有意思的反驳：25万美元的年租金逻辑，只在纯数字领域成立。一旦触及物理世界，比如临床试验的审批周期、政府采购的决策流程，AI的变现天花板可能根本到不了25万美元，更接近5万美元。
高级软件工程师Trevor则指出：低质内容根本用不着顶级模型，它们会转向更便宜的替代方案，而不是直接消失。换句话说，被清洗的可能是价格，不是内容本身。
历史也不站在Dwarkesh这边。1980年，斯坦福生物学家Paul Ehrlich和经济学家Julian Simon打赌，赌五种金属十年后会涨价。
十年后，五种全跌了，埃尔利希认输付钱。「资源必涨价」，历史上这么赌的人大多输了。
Dwarkesh的回应是：算力供给的弹性，远小于大宗商品。铜矿可以在高价刺激下增产，EUV光刻机不行——台积电自己也没有多余的产能可以释放。在供给每年只涨3倍的这几年里，没有替代品。
有意思的是，Dwarkesh自己也承认：这个预言，历史上的同类几乎全错了。
或许，算力终有一天会像沙子一样廉价，但在那一天到来之前，我们将不得不经历一场最残酷的算力军备竞赛和算力通胀。
参考资料：
编辑：大卫
