👤 同一博主

🎬 更智能的AI模型或致算力价格飙升10倍

（原标题：Why smarter AI models could drive up compute prices 10x） 📊 核心观点 随着 AI 模型能力增强，其货币化效率提升，导致对计算资源的需求增速远超供给增速。 在实验室算力仅以每年 3 倍速度增长，而收入以每年 10 倍速度增长的背景下，若维持高增长，计算资源价格必然大幅上涨。 这种供需失衡将导致算力成为极度稀缺资源，进而引发市场结构变化，包括头部实验室垄断优势扩大及低端应用被挤出市场。 📈 关键事实与论据 收入与算力增速差异：Anthropic 去年收入为 90 亿美元，预计今年达 100 亿至 150 亿美元；若趋势延续，明年需达 1 万亿美元。同期实验室算力仅以每年 3 倍速度增长。 成本结构变化：Anthropic 推理利润率从去年的 40% 升至 80% 以上；OpenAI 用于推理的算力占比从 2024 年的 25% 升至 50% 左右。 算力价格现状：当前算力现货价格比今年 2 月低谷期高出 40% 以上。Google 向 SpaceX 租用 11 万块 GPU（GB200/GB300 混合），月付 9 亿美元，单价为现货价的 2 倍。 供给瓶颈分析： 摩尔定律贡献约 1.4 倍增长，但未来可能停滞。 新建晶圆厂贡献约 1.2 倍增长，受限于 ASML EUV 光刻机产能，瓶颈将持续至 2030 年。 AI 挤占手机/PC 晶圆份额贡献约 1.8 倍增长，预计明年 TSMC N3 节点 AI 占比将从 60% 升至 86%，接近物理极限。 价值重估逻辑：若 AI 达到人类软件工程师水平，单块 H100 的年租金理论值应超 25 万美元，是现价的 15 倍以上。 ⚖️ 结论与影响 价格机制主导：由于算力供给弹性低且难以通过替代方案快速扩张，算力价格上升是解决收入与算力增速错配的主要途径。 市场分层加剧： 头部效应：能训练最高效模型的实验室将获得更高利润率（Alkin-Allen 效应），因为高效模型在昂贵算力下更具成本优势。 应用挤出：低价值 AI 应用（如生成低质内容）将因成本过高而被市场淘汰，高价值应用（如自动化 AI 研究）将占据主导。 长期展望：当前处于“前奇点”阶段，算力稀缺性将持续。虽然未来机器人自动化可能降低算力成本，但在当前技术范式下，算力价格飙升是必然趋势，这将加剧智能领域的权力集中。

🎬 AI 越强，其在经济中的份额可能越小——Alex Imas 和 Phil Trammell

（原标题：The better AI gets, the smaller its share of the economy might get – Alex Imas and Phil Trammell） 🎯 核心论点与宏观框架 经济预测存在巨大分歧，个体预测往往失效，应转向预测市场以利用群体智慧，从而更准确地捕捉市场共识。 劳动份额（Labor Share）长期稳定在60%以上，即便经历工业革命和自动化浪潮，这一比例未显著下降，挑战了“技术必然导致失业”的传统假设。 “关系型部门”（Relational Sector）指人类参与本身构成产品价值的一部分（如医生诊断、艺术家创作），这是稀缺性的关键来源，也是人类在AI时代保持经济地位的核心依据。 自动化可能使非关系型商品边际效用趋零，但若资本能持续创造新需求（如算力用途），劳动份额未必归零，关键在于需求弹性的变化。 政治经济因素常被模型忽略，失业率微小波动（如2%）即可引发政治风向剧变，因此经济分析必须纳入政治约束条件。 📊 历史参照与数据局限 大卫·李嘉图曾预测工业革命导致失业，但实际就业率达历史高位，归因于“劳动总量谬误”（Lump of Labor Fallacy）及新服务需求涌现，证明技术替代往往伴随新岗位创造。 缺乏消费者需求弹性数据，O-Net数据库更新滞后且质量低，阻碍了对自动化影响的精准预测，需通过情景分析反推所需数据。 摩尔定律可解读为“每18个月计算价值减半”，但AI时代算力租金上涨（如H100），表明计算机会成本上升，需求未被饱和，算力成为新的稀缺要素。 艺术印刷品实验中，人类制作版本因“连接感”溢价显著，而AI版本被视为商品；当数量增加时，人类作品溢价下降，显示稀缺性与内在偏好的交互作用。 美国计算机及电子产品网络调整资本份额约50%，表明供应链上游仍依赖劳动，但未来可能出现全自动化供应链，需警惕结构性变化。 📉 经济影响与分配困境 AI 自动化可能导致“滴漏式”失业，即白领工作被替代后，劳动力流向低薪部门，而非完全失业，造成收入结构恶化。 引用 1920-1940 年电话接线员自动化案例，技术存在但耗时 20 年才完成替代，导致从业者薪资下降且就业不足，显示转型期的长期痛苦。 若 AI 仅替代部分工作而未显著扩大经济总产出（“饼”未变大），则缺乏资金进行广泛再分配（如 UBI），引发政治经济危机。 Yale Budget Lab 数据显示，目前尚无大规模白领失业证据；初级开发者岗位增长放缓，但高级软件工程师需求反而上升，表明技能结构正在调整。 基于 O-ring 模型和需求弹性，若 AI 自动化 90% 任务，剩余 10% 的人类工作价值可能提升，导致总需求增加而非减少，反驳了自动化必然导致经济衰退的观点。 ⚖️ 政策工具与实施障碍 负所得税实施快，提供收入底线，但存在政治依赖风险，需确保财政可持续性。 UBI 易受执政者更替影响，可能导致权力集中，且缺乏退出机制，政治稳定性较差。 通用基本资本赋予公民股权，但面临资产选择难题（如特定公司归零风险）及指数化困难，需设计稳健的投资组合。 建议通过消费税或外部性税收筹集资金，由政府购买股票并分配给公众，类似社保私有化提案，避免直接征收财富税导致的投资扭曲。 发展中国家需立即行动，通过主权财富基金或补贴参与 AI 供应链，避免在自动化时代被完全排除在全球经济之外。 🤖 技术限制与未来演化 O-ring 理论指出，生产流程需极高可靠性，AI 目前无法完全替代人类环节，否则整体质量下降；法律、会计等行业受监管和问责制限制，需人类承担法律责任。 随着 AI 效率提升，人类可能因交易成本和速度劣势被排除在生产流程外；未来经济主体（AI 或含 AI 的企业）将基于生存和增长偏好演化，优先积累计算资源等稀缺要素。 递归改进、在线学习（Online Learning）等技术问题与收益捕获能力紧密相关；若 AI 发展缓慢，再培训仍有价值，但长期看指数化更优。 前沿 AI 模型的商品化（Commoditization）虽可能削弱安全缓冲，但能避免财富过度集中，并减少政府针对特定实验室的政治干预风险。 开放模型若仅落后前沿模型 6-9 个月，AGI 突破后资源将迅速普及，使得“指数化 AI”成为可能，投资者可通过指数基金获取广泛收益。 🧠 人类偏好与财富动力 人类对人际互动、信任及共情的偏好可能通过自然选择得以保留，因为具备此类偏好的个体在繁衍中更具优势，引用 Jonathan Haidt 的道德情感框架支持此观点。 财富积累的动力并非源于对物质消费的满足，而是源于对资本复利增长的内在偏好或工具性需求（如政治影响力、功利主义慈善）。 以 Mark Zuckerberg 为例，其财富主要体现为 Meta 股票而非直接消费，显示富人倾向于让财富在资本中复利增长以建设数据中心，而非个人享乐。 即使资本回报率极高，若资本品（如机器人）价格相对于消费品（如人类服务）快速下降，实际利率可能保持高位，从而维持较高的劳动份额。 将极度贪婪的资本积累者比作 Von Neumann 探针，指出其边际价值在于扩张而非消费，这可能主导经济偏好，导致资源向算力集中。 🌍 全球格局与发展中国家 发展中国家面临被边缘化的风险，因为缺乏硬件和模型训练资源，且难以通过传统指数基金有效捕捉AI带来的财富增长。 印度、尼日利亚等国若未参与 AI 硬件（如 HBM、芯片制造）或模型生产，可能因自动化导致传统出口市场消失而陷入贫困。 对于发展中国家，直接购买包含 AI 收益的指数基金比单纯进行劳动力再培训或自建数据中心更可行且高效，需优先采用“指数化 AI”策略。 美国非微型公司中私有化比例仍低于 20% 总市值；OpenAI 和 Anthropic 预计将很快上市，且 AI 本身可能降低上市合规摩擦，促进资本分散。 广泛分布的公共公司所有权可平衡安全与收益分配，减少地缘政治风险，推动 AI 实验室商品化或尽快上市有助于更公平地分配经济剩余。 ⚖️ 结论与战略建议 共识认为人类在“关系型”服务中具备不可替代性，但需更多数据验证其经济占比；AI 时代经济结构将发生根本变化，传统宏观模型中“产出”均质化的假设不再适用。 分歧在于偏好持久性：一方认为人类对人际互动的偏好是进化结果，难以被 AI 替代；另一方认为随着技术习惯养成，AI 可能被视为更优产品，人类偏好可能减弱。 财富分配机制上，一方认为少数“贪婪优化者”将主导经济，导致财富高度集中；另一方强调边际效用递减和社会地位需求会限制无限积累，且历史表明财富往往因代际传递或慈善而耗散。 建议优先采用“指数化 AI”策略以捕获广泛收益，同时保留再培训作为应对长期非 AGI 场景的补充手段，避免单一策略风险。 叙事上应强调 AI 带来的广泛繁荣可能性，而非仅聚焦于失业风险，因为构建积极愿景比描述损失更具挑战性，有助于争取政策支持。 尽管存在安全担忧，但推动 AI 实验室商品化或尽快上市，有助于更公平地分配经济剩余并降低地缘政治风险，实现安全与发展的平衡。

🎬 黄仁勋：英伟达的护城河能否持续？

（原标题：Jensen Huang – Will Nvidia’s moat persist?） 🧠 核心战略与护城河 NVIDIA 的核心竞争力并非单纯依赖硬件制程，而是建立在将“电子”转化为“Token”的复杂工程与科学过程之上，这一过程难以被完全商品化。 公司遵循“做必要之事，其余交给生态”的战略哲学，通过庞大的上下游合作伙伴网络（涵盖供应链、应用开发者、模型制作者）构建壁垒，拒绝直接成为云服务商或进入金融业务，保持商业模式简单。 CUDA 生态的高可编程性与丰富性是其核心护城河，支持所有主流框架（如 PyTorch, Triton, vLLM），且 Triton 后端包含大量 NVIDIA 专有技术，确保开发者首选基础。 拥有数亿块 GPU 装机量，覆盖所有主要云服务商及本地部署，这种庞大的基数确保了软件开发的通用性与兼容性，形成了极高的转换成本。 坚持“不选赢家”策略，拒绝押注单一 AI 公司，支持所有基础模型实验室以维持生态多样性，避免陷入零和博弈思维。 ⚡ 技术架构与性能优势 Blackwell 架构相比 Hopper 能效提升 30-50 倍，这一跃升超越了摩尔定律（约 25% 年增）的限制，主要依赖于 CUDA 灵活性及新算法（如 MoE、解耦架构、混合 SSM）的创新。 晶体管密度提升并非性能提升的唯一决定因素，Hopper 到 Blackwell 晶体管提升约 75%，但性能提升达 50 倍，证明架构、网络（Mellanox）及系统优化比单纯制程节点更具决定性。 通用加速计算架构支持算法创新，这是实现效率跃升的关键，而专用芯片（如 TPU）受限于摩尔定律的线性增长，难以适应频繁变化的前沿算法需求。 GPU 架构优化如同 F1 赛车，需极高专业度，NVIDIA 通过 AI 辅助内核优化，常能为合作伙伴带来 2-3 倍的性能提升，这是通用 CPU 或竞品难以复制的技术壁垒。 即使没有 AI 业务，NVIDIA 仍依赖加速计算（分子动力学、地震处理等）保持规模，通用计算扩展性已遇瓶颈，领域特定加速是其核心使命。 💰 商业策略与投资逻辑 承认早期未投资 Anthropic 和 OpenAI 是失误，因当时缺乏资金且未意识到 VC 无法支撑巨额算力需求，现已分别向 OpenAI 投资约 300 亿美元、Anthropic 投资约 100 亿美元，以绑定核心客户。 坚持固定报价原则，拒绝因需求激增而涨价，强调作为行业基础的可靠性，旨在最大化工厂吞吐量而非短期利润最大化。 引入 Grok 并优化推理市场，通过差异化响应时间（高 ASP 低吞吐量）满足高端需求，而非仅追求最大吞吐量，实现商业模式的精细化运营。 支持从单张显卡到 1000 亿美元工厂订单的全规模采购，强调其作为全球唯一能同时满足极小与极大订单的供应商地位，覆盖所有市场层级。 与台积电合作近 30 年，无正式法律合同，依靠信任与“粗略正义”维持关系，确保产能供应，这种非正式但稳固的合作模式是其供应链稳定的关键。 🏭 供应链与产能布局 拥有近 1000 亿美元（部分报告称 2500 亿美元）的采购承诺，锁定稀缺组件，AI 业务预计占台积电 N3 节点产能的 60%（明年 86%），显示其在供应链中的主导地位。 供应链瓶颈（如 CoWoS、HBM、EUV 光刻机）并非长期障碍，只要需求信号明确，2-3 年内即可通过行业“蜂拥”解决，真正的长期挑战在于能源政策。 承诺每年发布新架构，包括 Vera Rubin、Vera Rubin Ultra 及 Feynman，确保算力成本每年降低一个数量级，保持技术迭代节奏。 分配机制基于“先到先得”原则，前提是收到采购订单（PO）并具备数据中心就绪条件，旨在最大化工厂吞吐量，否认“碎片化市场”说法。 能源供应是制约 AI 工厂和制造业复兴的长期瓶颈，若下游需求信号减弱，上游供应链投资意愿将下降，能源政策成为比硬件更关键的变量。 🌏 中美竞争与地缘政治 美方认为美国拥有全球 100 倍于他国的算力，且美国实验室能率先获得最新芯片（如 Vera Rubin），从而在模型能力上保持领先。 中方拥有丰富能源、大量 AI 研究人员（占全球 50%）及成熟的芯片制造能力（占全球主流芯片 60%），即使使用 7nm 芯片，通过并行计算和算法优化（如 MoE）也能弥补硬件劣势。 反对将 AI 生态割裂为“美国封闭栈”与“中国开源栈”，主张保持开源生态活力，通过对话而非单纯对抗来管理风险，避免让中国形成独立且更优的技术生态。 批评将 AI 视为“核武器”的极端叙事，认为这种恐惧会阻碍美国在应用层、开源及全球标准制定上的优势扩散，放弃中国市场并非出于安全必要，而是政策失误。 担忧中方利用算力训练具备网络攻击能力的模型，发现并利用软件零日漏洞，但认为单纯限制出口无法解决根本的安全与竞争问题，反而损害国家科技领导力。 ⚖️ 竞争格局与风险应对 针对 TPU 等专用芯片的竞争，强调 NVIDIA 的通用性在前沿 AI 研发（需要频繁算法创新）中仍具不可替代性，ASIC 毛利（约 65%）与 NVIDIA（约 70%）差距不大，不足以抵消性能优势。 认为 Anthropic 使用 TPU 是个例而非趋势，NVIDIA 凭借通用性和生态丰富度，在算法快速迭代的场景中保持领先，自研 ASIC 通常需自行运维，灵活性不足。 反驳“AI 取代软件工程师”的观点，指出放射科医生短缺的反例，认为 AI 代理将指数级增长，反而推动 Cadence、Synopsys 等工具类软件需求激增，创造新的就业机会。 潜在风险包括能源供应不足、下游需求信号减弱导致上游投资下降，以及地缘政治冲突对全球供应链的冲击，需通过全球市场扩张和开源生态合作来巩固主导地位。 竞争优势源于“极端协同设计”（处理器、系统、网络、库、算法同步优化），其市场覆盖面远超单一 AI 用途的 ASIC，具备更强的抗风险能力和适应性。