Ang $1 Trillion na kita ng Anthropic ay maaaring magdulot ng pagtaas ng presyo ng compute ng 10x

Paano dapat muling i-price ang compute power nang magmula ang AI agents na malapit o palitan ang human knowledge work?

Sa pinakabagong blog post, ang kilalang tech podcast host na si Dwarkesh Patel ay nagbigay ng isang malakas na pagtataya: kung patuloy na umuunlad ang kita ng AI labs (tulad ng Anthropic na makakamit ang $1 trilyon hanggang sa katapusan ng susunod na taon), samantalang ang supply ng computing power ay tumataas lang ng halos 3 beses bawat taon, maaaring tumaas ang presyo ng computing power ng higit sa 10 beses.

Sa mga nakalipas na dekada, ang computing power ay itinuturing na isang «kagamitan». Mas mabilis ang mga computer, mas marami ang mga server, at mas mura ang cloud computing.

Ngunit nangyayari ang isang pagbabago ng paradigma sa panahon ng AI: hindi na lamang ang GPU mga bahagi ng machine, kundi maaari itong maging daan para sa digital na puwersa ng paggawa.

Kung isang H100 ay kayang magdala ng isang AI Agent na malapit sa antas ng pinakamahusay na programmer, hindi na ito dapat isukat batay sa "presyo bawat oras ng server," kundi batay sa halaga ng taoing lakas na ito ay nagpapalit.

Isipin mo kung may isang digital software engineer na hindi nagtutulog, laging handa sumagot, at may teknikal na kakayahan na katumbas ng pinakamataas na antas ng tao—ilan ang iyong handang ibayad bilang taunang sahod?

Sa Silicon Valley, ang karaniwang taunang kita ng merkado para sa mga software engineer ay higit sa $250,000. Gayunpaman, ang pagpapatakbo ng isang agent na may katumbas na antas ng intelektwal na kakayahan ay maaaring magrequire lamang ng kapasidad na katumbas ng isang NVIDIA H100 GPU.

Ngayon, let’s kalkulahin ang isang bilang:

Kung ang H100 na ito ay maaaring palitan nang perpekto ang isang human programmer na may taunang sahod na $250,000, kung gayon, mula sa purong negosyo at ekonomikong lohika, ang teoretikal na taunang renta ng H100 ay dapat magiging higit sa $250,000.

Ngunit sa kasalukuyan, ang kasalukuyang presyo ng pag-rent ng H100 ay nasa halos $16,000 lamang taun-taon. May pagkakaiba ng 15 beses ang dalawa.

Ito ang pinakamalaking "black hole ng labor arbitrage" sa kasaysayan ng sangkatauhan na tatagpuan natin.

Kapag ang bilis ng pagpapalawak ng katalinuhan sa virtual world ay lubos na lumampas sa limitasyon ng paggawa sa pisikal na mundo, nagkakaroon ng kontradiksiyon:

Ang bilis ng paglago ng halaga ng digital intelligence ay umaabot nang malayo sa bilis ng paglago ng physical computing infrastructure.

Ang 15-fold valuation gap na ito ay magdudulot ng malakas na pagtutol: Sa mga susunod na taon, ang tunay na presyo ng computing power ay maaaring makaranas ng isang super inflation na 10-fold o higit pa.

Natural na may isang tanong: Baka ba mabawasan ang taunang kita ng software engineer sa hinaharap?

Ang tanong na ito, isinasaalang-alang din ni Dwarkesh Patel:

Ngunit kung paniniwalaan natin ang tradisyonal na ekonomiks tungkol sa puwersa ng paggawa, ang marginal value ng hashing power (at kaya naman ang marginal price nito) ay dapat maging napakataas.

Sa mga nakalipas na taon, ang industriya ng AI ay sumusunod sa isang simpleng lohika: mas malalaking modelo, mas maraming data, mas maraming GPU, mas malakas na kakayahan.

Ngayon, isang bagong kontradiksiyon ang lumalabas: ang bilis ng paglago ng AI ay lumalampas sa bilis ng paglago ng suplay ng computing power.

Kumuha ng halimbawa ang Anthropic. Sa nakaraang taon, tumubo ang kanilang kita sa negosyo ng halos 10 beses.

Sa ganitong bilis ng paglago, maaaring makamit nito ang taunang kita na $100 bilyon hanggang $150 bilyon sa dulo ng taon. Kung patuloy ang trend na ito, sa susunod na taon, kailangan niyang harapin ang isang kamangha-manghang tanong: paano masusustento ang isang potensyal na kita na nasa antas ng trilyon dolyar?

Isang sagot lamang: higit pang智能化. At ang higit pang智能化 ay nangangahulugan: higit pang pagtuturo, higit pang pag-iisip, higit pang GPU.

Gayunpaman, ang problema ay ang pagtataas ng computing power ay hindi tumataas sa parehong bilis.

Ang pagpapalawak ng physical computing power ng mga lider sa industriya ay maaaring magpanatili lamang ng paglago na halos 3 beses taon-taon.

Kaya umusbong ang isang malaking pagkakamali:

Gusto ng digital world na tumakbo ng 10 kilometer, ngunit ang physical world ay nag-aalok lamang ng 3-kilometrong daan. Ano ang gagawin sa natitirang distansya?

Tatlo lang ang pagpipilian: Una, pataasin ang margin ng kita. Ikalawa, pataasin ang presyo ng computing power. Ikatlo, ilagay ang higit pang computing power sa mga negosyo ng pagpapahalaga.

Ang ikatlong daan, sa katotohanan, ay ang pinakamaliit na nais ng maraming AI laboratoryo.

Dahil ang pagkakaroon ng kita sa pag-iisip ay pangunahing layunin lamang na patunayan: "Ang business model ng AI ay epektibo."

Sundin ang pagpapalawak ng pondo, patuloy na bumili ng higit pang GPU, at patuloy na pagsasanay sa susunod na henerasyon ng modelo.

Ang tunay na siklo ng Silicon Valley ay:

Hindi ang pagkakaroon ng pera ang hangad, kundi para lamang bumili ng higit pang computing power.

Sapagkat ang lahat ng mga laboratorio na talagang naniniwala ay: ang pinakamoderno ngayon ay maaaring maging parang cellphone ng kahapon isang taon mula ngayon—makapangyarihan, ngunit nakalipas.

Ito ay nagpapabalik sa dalawang unang opsyon: ang pagtaas ng margin ng kita, o ang pagtaas ng presyo ng hash rate bawat yunit.

Kung bubasahin ang pagkakaiba na ito nang buo sa pamamagitan ng margin ng kita, kailangang umabot ang margin ng kita ng Frontier Labs sa mid-to-high range ng halos 95% hanggang sa katapusan ng susunod na taon.

Sa kasaysayan ng negosyo, maliban sa ilang kaunting punto ng absolute technological monopoly, ito ay halos isang imahinasyon.

Kaya ang lahat ng mga patnubay at lohika ay nagtapos sa iisang labas: ang presyo bawat unit ng hashing power ay darating sa isang walang katulad na pagtaas.

Hindi pa rin napapansin ng marami: Ang pakikidigma sa AI ay pumasok na sa panahon ng imprastruktura.

Noong nakaraan, ang digmaan sa internet ay tungkol sa: mga user, trapiko, at entry points. Ngunit sa panahon ng AI, ang ipinaglalaban ay: kuryente, chip, data center, at mga super computing cluster.

Bakit? Dahil hindi makakasalig ang mga top AI laboratory sa karaniwang cloud server.

Kailangan nila: eksklusibong GPU cluster; matatag na network infrastructure; sobrang mataas na paggamit; seguridad ng data at model.

Hindi na ito pag-renta ng karaniwang server, ito ay pag-renta ng mga smart production line ng kinabukasan.

Isang klasikong halimbawa ay ang pag-rent ng malaking dami ng GPU resources mula sa SpaceX ng Google at Anthropic.

Ayon sa mga ulat, ang 110,000 na GPU cluster ng Google ay nagkakahalaga ng $900 milyon bawat buwan.

Sa pagkalkula, ang renta bawat oras bawat GPU ay halos dalawang beses ang halaga ng kasalukuyang spot rental rate sa merkado. At huwag kalimutan na ang kasalukuyang presyo sa spot ay nasa 40% na mas mataas kaysa sa lowest point sa simula ng taon.

Bakit?

Dahil ang pinakamataas na computing power ay nagsisimula nang maging tulad ng mga strategic resource tulad ng enerhiya at grid.

Isipin ang Industrial Revolution, mayroon isang pabrika na may steam engine, habang ang isa pang pabrika ay wala.

Hindi sila nagkakaiba ng 10%, kundi isang generasyon ng paggawa.

Ang GPU sa panahon ng AI ay nagsisilbing bagong “steam engine.”

Bakit nagkakaroon ng ganoong kalaking pagtaas sa presyo ng hash rate?

Ang sagot ay nasa pisikal na pormula ng supply side—ang pormulang ito, na nakakulong nang mahigpit sa pisikal na limitasyon ng TSMC at mga tagapag-likha ng lithography machine.

Ang mito na “lumalago ang computing power ng 3 beses bawat taon” na palaging pinag-uusapan sa industriya, kapag binigkas nang detalyado, ay walang iba kundi tatlong multiplier na pilit pinagsasama sa hangganan:

Taon-taong pagdami ng computing power (3x) ≈ 1.4x (iterasyon ng Moore’s Law) × 1.2x (pagtatayo ng bagong fab) × 1.8x (pagkuha ng kapasidad sa advanced process).

At ang tatlong multiplier na ito, bawat isa ay malapit na sa pader.

Moore's Law: Bawat hakbang ng pagpapaliit ay mas mahirap kaysa sa nakaraan, ang leakage at atomic limits ay gumagawa ng bawat iterasyon na parang naglalakad sa malalaking yelo.

Ang pagbuo ng bagong fab ay mahaba, at ang pagpapadala ng mataas-na-NA EUV lithography machines ay nagdudulot ng pagkabigo sa buong chain, at walang solusyon hanggang sa 2030.

Sa nakalipas na dalawang taon, ang tanging driverr ng pagdami ng computing power ay ang pag-aabot ng kapasidad—ang AI chips ay nagsisigaw para sa advanced process ng TSMC mula sa mga mobile phone at PC.

Ngunit ang multiplier na ito ay malapit nang maging zero. Hanggang sa dulo ng 2027, ang AI chips ay magkakaroon ng 86% ng kapasidad ng N3 ng TSMC, mula sa 60% hanggang sa 86%—hindi paglago, kundi pisikal na absolute saturation, walang takip na natitira.

Tatlong multiplier, dalawa ay nasa peak na, ang huli ay malapit nang makarating sa pader. Ang kuwento tungkol sa supply ng hash rate ay naitapos na.

At mas mahal ang computing power, mas maraming tao ang takot gamitin ang mas murang model.

Ang intuisyon ay sinasabi: kapag mahal ang computing power, gamitin ang lightweight na model at open-source na version, at mag-imbak.

Ngunit ang ekonomiks ng AI ay eksaktong kabaligtaran.

Ang pangunahang lohika ay ang Alchian-Allen effect: kapag lahat ng produkto ay may dagdag na fixed cost, mas mura ang mas mahal.

Sa AI, ang dagdag na gastos na ito ay ang pagkabawas ng kapasidad ng pagpapagana—kailangan mong bayaran kahit anong model gamitin mo.

Kalkulahin ang gastos: $20 kada oras para sa H100.

• Pinakamalakas na modelo: 1 oras lang, $25 (20 na kalakasan + 5 na premium).
• Karaniwang modelo: Walang bayad sa lisensya, ngunit kulang sa talino, nag-antay ng 2 oras sa pagsubok at pagkakamali, $40.

Konklusyon: Ang paggamit ng isang karaniwang modelo ay mas mahal. Ito ay magpapalabas ng computing power at mas mahalagang yaman—oras—sa mga walang kwentang pagsubok.

Kaya, mas mahal ang computing power, mas may katotohanan ang pinakamalakas na model na maghingi ng malaking premium. Kung kailangan mong bayaran ang computing power kahit paano, mas mabuti na mag-spent ka ng kaunti pa para gamitin ang pinakamatalino—iyan ang totoong pag-save.

Mediocre model, no way out.

Sa huli, ang lahat ng pera sa lipunan ay magiging parang isang black hole na iihiwalay sa kaunting ilang trilyon-dollar na oligopolyo na makakagawa ng pinakamalakas na modelo.

Oo, mayroon din mga sumasalungat.

Sa komentaryo, binigkas ni Eric Xu ang isang interesanteng pagtutol: ang lohika ng taunang renta na $250,000 ay nagiging wasto lamang sa purong digital na mundo. Kapag nakakasali sa pisikal na mundo, tulad ng panahon ng pagpapasya sa mga klinikal na pagsubok o proseso ng pagdedesisyon sa pamahalaang pagbili, ang hangganan ng pagkakaroon ng kita ng AI ay maaaring hindi makarating sa $250,000, kundi mas malapit sa $50,000.

Tumutukoy si Senior Software Engineer Trevor na ang mga mababang kalidad na nilalaman ay hindi kailangan ng mga pinakamataas na modelo; sila ay magiging mas paborito sa mas murang alternatibo kaysa sa pagkawala nang ganap. Sa ibang salita, ang aalisin ay maaaring ang presyo, hindi ang nilalaman mismo.

Hindi rin sumusuporta sa Dwarkesh ang kasaysayan. Noong 1980, nagtaya ang biyologo ng Stanford na si Paul Ehrlich at ang ekonomista na si Julian Simon tungkol sa kung magkakataas ba ang presyo ng limang metal sa loob ng sampung taon.

Sampung taon pagkakalipas, lahat ng lima ay bumaba, at nagbigay ng pera si Ehrlich. “Dadami ang mga yaman,” at sa kasaysayan, marami sa mga sumuway sa ganitong taya ay nagwagi.

Ang tugon ni Dwarkesh ay: Ang elastisidad ng suplay ng computing power ay mas maliit kaysa sa mga komodidad. Maaaring palakasin ang produksyon ng bakal sa pamamagitan ng mataas na presyo, ngunit hindi maaaring gawin iyon sa EUV lithography machine—hindi mayroon ang TSMC ng karagdagang kapasidad na maibibigay. Sa mga taong ito kung saan ang suplay ay tumataas lamang ng 3 beses bawat taon, walang alternatibo.

Kaugmaan, tinanggap din ni Dwarkesh: ang propesya na ito, halos lahat ng katulad nito sa kasaysayan ay mali.

Maaaring sa isang araw ay maging mura na ang hashing power tulad ng buhangin, ngunit bago dumating ang araw na iyon, kailangan nating harapin ang pinakamahirap na arms race at inflation ng hashing power.

Mga sanggunian:

https://www.dwarkesh.com/p/why-compute-might-get-10x-more-expensive

https://x.com/dwarkesh_sp/status/2082482530209411419

Nakuha mula sa WeChat public account na “Xin Zhi Yuan”, may-akda: ASI Revelation; editor: David