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。
硅基劳动力的价格,H100+AI=25万美元硅谷程序员
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。
AI赚钱的速度,已经超过制造AI的速度
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。
GPU正在从服务器,变成新时代的工厂
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。
算力也是资源,未必涨价?
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:
https://www.dwarkesh.com/p/why-compute-might-get-10x-more-expensive
https://x.com/dwarkesh_sp/status/2082482530209411419
本文来自微信公众号“新智元”,作者:ASI启示录;编辑:大卫
