Pendapatan $1 bilion Anthropic boleh mendorong harga komputasi naik 10 kali

Apabila agen AI mula mendekati atau menggantikan tenaga kerja pengetahuan manusia, bagaimanakah harga komputasi seharusnya ditetapkan semula?

Dalam artikel blog terbaru, podcast teknologi terkenal Dwarkesh Patel mengemukakan satu spekulasi berani: jika pendapatan makmal AI terus meningkat pesat (seperti Anthropic mencapai US$1 trilion pada akhir tahun depan), sementara bekalan kuasa pengiraan hanya meningkat sebanyak kira-kira 3 kali setiap tahun, maka harga kuasa pengiraan mungkin meningkat lebih daripada 10 kali.

Dalam beberapa dekad terakhir, kuasa pengiraan dianggap sebagai sebuah "alat". Komputer menjadi lebih pantas, pelayan lebih ramai, dan komputa awan lebih murah.

Namun, era AI sedang mengalami peralihan paradigma: GPU bukan lagi sekadar komponen mesin, tetapi boleh menjadi wadah tenaga kerja digital.

Jika satu H100 mampu menampung AI Agent yang hampir setara dengan tahap pengaturcara terkemuka, maka nilainya seharusnya tidak lagi dihitung berdasarkan "harga per jam pelayan", tetapi berdasarkan nilai tenaga kerja manusia yang ia gantikan.

Bayangkan jika ada seorang "jurutera perisian digital" yang tidak pernah tidur, sentiasa merespon, dan memiliki tahap teknikal setara dengan jurutera perisian terbaik manusia—berapa gaji tahunan yang anda bersedia bayar untuk ini?

Di Silicon Valley, gaji pasaran tahunan purata jurutera perisian melebihi 250,000 dolar AS. Namun, untuk menyokong agen dengan tahap kecerdasan yang setara mungkin hanya memerlukan kekuatan pengiraan yang setara dengan satu kad grafik NVIDIA H100.

Sekarang, mari kita hitung:

Jika H100 ini mampu menggantikan seorang juru program manusia dengan gaji tahunan 250,000 dolar AS dengan sempurna, maka dari segi logik perniagaan dan ekonomi semata-mata, sewa tahunan teori H100 ini seharusnya ditetapkan di atas 250,000 dolar AS.

Namun, pada masa ini, harga sewa tunai H100 di pasaran, apabila dihitung secara tahunan, hanya sekitar USD16,000 sahaja. Perbezaan antara keduanya ialah 15 kali ganda.

Ini adalah lubang hitam arbitrage tenaga kerja terbesar dalam sejarah manusia yang akan kita hadapi.

Apabila kelajuan pembiakan kecerdasan di dunia maya jauh melebihi had penghasilan dunia fizikal, konflik pun meletus:

Nilai pertumbuhan kecerdasan digital sedang meningkat jauh lebih pantas daripada kelajuan pengembangan infrastruktur pengiraan fizikal.

Perbezaan penilaian 15 kali ini akan menarik serangan balas yang hebat: Dalam beberapa tahun ke depan, harga sebenar pengiraan mungkin menghadapi inflasi super sebanyak 10 kali atau lebih.

Tentu, ada satu pertanyaan: Akankah gaji tahunan jurutera perisian menurun drastik di masa depan?

Masalah ini, Dwarkesh Patel juga mempertimbangkannya:

Namun, jika kita percaya teori ekonomi standard mengenai tenaga kerja, maka nilai marjinal pengiraan (dan dengan itu harga marjinal pengiraan) seharusnya menjadi sangat tinggi.

Dalam beberapa tahun terakhir, industri AI mengikuti logik mudah: model yang lebih besar, data yang lebih banyak, GPU yang lebih banyak, dan kemampuan yang lebih kuat.

Namun, kini satu kontradiksi baru sedang muncul: kelajuan pertumbuhan AI sedang melebihi kelajuan pertumbuhan bekalan kuasa pengiraan.

Ambil contoh Anthropic. Dalam setahun terakhir, pendapatan perniagaannya meningkat sebanyak kira-kira 10 kali ganda.

Dengan kadar pertumbuhan ini, pendapatan tahunannya pada akhir tahun mungkin mencapai skala antara US$100 bilion hingga US$150 bilion. Jika tren ini berterusan, pada tahun seterusnya, ia perlu menghadapi persoalan gila: bagaimana menyokong peluang kewangan berukuran trilion dolar?

Hanya satu jawapan: lebih banyak kecerdasan. Dan lebih banyak kecerdasan bermaksud: lebih banyak latihan, lebih banyak inferens, lebih banyak GPU.

Namun, masalahnya ialah: bekalan kuasa pengiraan tidak meningkat pada kadar yang sama.

Pengembangan kekuatan komputasi fizikal oleh laboratorium terkemuka industri kini hanya mampu mengekalkan pertumbuhan sekitar 3 kali setahun.

Maka muncul satu penyimpangan besar:

Dunia digital ingin berlari 10 kilometer, tetapi dunia fizikal hanya menyediakan jalan sejauh 3 kilometer. Apa yang perlu dilakukan terhadap jarak yang tinggal?

Hanya tiga pilihan: pertama, tingkatkan margin keuntungan. Kedua, tingkatkan harga daya pengiraan. Ketiga, arahkan lebih banyak daya pengiraan kepada perniagaan inferens.

Jalan ketiga sebenarnya adalah yang paling tidak diinginkan oleh banyak laboratorium AI.

Kerana membuat wang melalui inferens, pada dasarnya hanya untuk membuktikan: "Model perniagaan AI berkesan."

Seterusnya, teruskan pembiayaan, teruskan membeli lebih banyak GPU, dan teruskan melatih model generasi seterusnya.

Siklus sebenar Silicon Valley ialah:

Menghasilkan wang bukanlah tujuan akhir, hanya untuk membeli lebih banyak keupayaan pengiraan.

Kerana apa yang semua laboratorium benar-benar percaya ialah: model paling canggih hari ini, setahun kemudian mungkin akan seperti telefon selular semalam, kuat, tetapi usang.

Ini memaksa penyelesaian kembali kepada dua pilihan pertama: lonjakan margin keuntungan, atau kenaikan harga unit pengiraan.

Jika sepenuhnya bergantung pada margin keuntungan untuk menyerap perbezaan ini, margin keuntungan Frontier Labs mesti mencapai kisaran pertengahan-tinggi sekitar 95% pada akhir tahun depan.

Dalam sejarah perniagaan, selain beberapa titik monopoli teknikal mutlak, ini hampir merupakan khayalan.

Oleh itu, semua petunjuk dan logik akhirnya bermuara pada satu titik yang sama: harga unit kuasa pengiraan akan mengalami lonjakan tanpa preceden.

Banyak orang belum sedar: Persaingan AI sedang memasuki era infrastruktur.

Dalam perang internet sebelum ini, pertarungan adalah untuk pengguna, trafik, dan pintu masuk. Tetapi di era AI, pertarungan adalah untuk tenaga listrik, cip, pusat data, dan kumpulan kuasa komputasi super.

Mengapa? Kerana makmal AI terkemuka tidak boleh bergantung kepada pelayan awan biasa.

Mereka memerlukan: klauster GPU eksklusif; struktur rangkaian yang stabil; penggunaan yang sangat tinggi; keselamatan data dan model.

Ini bukan lagi menyewa server biasa, ini adalah menyewa lini pengeluaran pintar masa depan.

Contoh klasik ialah: Google dan Anthropic menyewa sumber GPU berskala besar daripada SpaceX.

Laporan menyatakan bahawa sewa cluster GPU sebanyak 110,000 unit milik Google mencapai US$900 juta sebulan.

Dalam istilah yang disetarakan, sewa setiap GPU per jam hampir dua kali ganda harga sewa tunai semasa di pasaran. Jangan lupa, harga tunai semasa sendiri sudah 40% lebih tinggi daripada titik rendah awal tahun ini.

Mengapa?

Kerana kekuatan pengiraan teratas semakin menyerupai sumber strategik seperti tenaga dan grid elektrik.

Bayangkan Revolusi Industri, sebuah kilang memiliki enjin stim, manakala kilang lain tidak memilikinya.

Perbezaan mereka bukan 10%, tetapi perbezaan generasi dalam cara pengeluaran.

GPU di era AI juga sedang menjadi "mesin stim" baru ini.

Mengapa harga pengiraan menjadi tidak terkawal hingga tahap ini?

Jawapannya terdapat dalam formula fizikal di sisi penawaran—formula ini telah dikekang ketat oleh had fizikal TSMC dan raksasa lithography.

Mitos "kuasa pengiraan meningkat tiga kali setiap tahun" yang menjadi perbincangan hangat dalam industri, apabila dianalisis, hanyalah tiga faktor pendarab yang dipaksakan hingga batasnya:

Kadar pertumbuhan tahunan kuasa pengiraan (3x) ≈ 1.4x (iterasi Hukum Moore) × 1.2x (pembinaan pabrik wafer baru) × 1.8x (menguasai kapasiti proses canggih).

Dan ketiga-tiga multiplier ini setiap satu mendekati hadnya.

Hukum Moore: Setiap langkah penskalaan lebih sukar daripada langkah sebelumnya, kebocoran arus dan had atom membuat iterasi seperti berjalan di atas ais nipis.

Masa pembinaan pabrik wafer baru adalah panjang, kelajuan penghantaran mesin litografi EUV NA tinggi menghambat keseluruhan rantai, dan tiada penyelesaian sehingga tahun 2030.

Dalam dua tahun terakhir, satu-satunya penggerak pertumbuhan kuasa pengiraan ialah persaingan kapasiti—chip AI merebut proses canggih TSMC daripada telefon dan PC.

Tetapi multiplier terakhir ini akan segera jatuh ke sifar. Pada akhir 2027, cip AI akan menyerap 86% kapasiti N3 TSMC, naik dari 60% ke 86%—bukan pertumbuhan, tetapi jenuh mutlak secara fizikal, tiada ruang lagi.

Tiga multiplier, dua sudah mencapai puncak, yang terakhir akan segera menabrak dinding. Cerita mengenai pasokan hashrate telah berakhir.

Semakin mahal kuasa pengiraan, semakin sedikit orang yang berani menggunakan model yang murah.

Intuisi berkata: apabila kuasa pengiraan mahal, gunakan model ringan dan versi open-source yang dipotong, gunakan dengan bijak.

Tetapi ekonomi AI justru sebaliknya.

Logik utama ialah kesan Alchian-Allen: apabila semua barangan dikenakan kos tambahan tetap, barang yang mahal kelihatan lebih bernilai.

Dalam AI, kos tambahan ini ialah susut nilai pengiraan—anda perlu membayar sama ada menggunakan model apa pun.

Kira belanja: H100 pada kadar $20 sejam.

• Model terkuat: Selesaikan dalam 1 jam, $25 (20 kekuatan pengiraan + 5 premium).
• Model bias: Tiada yuran lesen, tetapi kecerdasan rendah, mencuba dan membuat kesilapan berulang-ulang selama 2 jam, 40 dolar.

Kesimpulan: Menggunakan model biasa justru lebih mahal. Ia akan membakar kekuatan pengiraan dan sumber yang lebih berharga—masa—dalam cubaan yang tidak berkesan.

Oleh itu, semakin mahal kuasa pengiraan, semakin berani model terkuat menuntut premium harga tinggi. Oleh kerana anda pasti perlu membayar kos pengiraan, lebih baik mengeluarkan sedikit lebih banyak untuk menggunakan yang paling pintar—itulah cara sebenar untuk menjimatkan wang.

Model biasa, tiada jalan keluar.

Pada akhirnya, dana seluruh masyarakat akan ditarik seperti lubang hitam ke arah segelintir raksasa triliunan yang mampu menciptakan model paling kuat mutlak.

Tentu, ada juga yang menentang.

Di ruang komen, Eric Xu mengemukakan sanggahan yang menarik: logik sewa tahunan sebanyak US$250,000 hanya berlaku dalam dunia digital semata. Sekali ia menyentuh dunia fizikal, seperti tempoh pengesahan ujian klinikal atau proses pengambilan keputusan pembelian awam, had pendapatan AI mungkin tidak pernah mencapai US$250,000, tetapi lebih dekat kepada US$50,000.

Jurutera perisian tinggi Trevor menunjukkan: kandungan berkualiti rendah tidak memerlukan model teratas; ia akan beralih kepada alternatif yang lebih murah, bukan hilang sepenuhnya. Dengan kata lain, yang dibersihkan mungkin harganya, bukan kandungannya sendiri.

Sejarah juga tidak berpihak kepada Dwarkesh. Pada tahun 1980, ahli biologi Stanford Paul Ehrlich dan ekonom Julian Simon membuat taruhan mengenai lima logam yang akan naik harganya dalam sepuluh tahun.

Sepuluh tahun kemudian, kelima-lima nya turun, Ehrlich mengaku kalah dan membayar. "Sumber daya pasti akan naik harganya," tetapi sejarah menunjukkan kebanyakan orang yang bertaruh seperti ini kalah.

Tanggapan Dwarkesh adalah: Elastisiti bekalan kuasa pengiraan jauh lebih rendah berbanding komoditi. Tambang tembaga boleh meningkatkan pengeluaran di bawah dorongan harga tinggi, tetapi mesin EUV tidak boleh—TSMC sendiri tidak mempunyai kapasiti berlebihan yang boleh dilepaskan. Dalam beberapa tahun ini, di mana bekalan hanya meningkat tiga kali setiap tahun, tiada pengganti.

Yang menariknya, Dwarkesh sendiri mengakui: ramalan ini, sejarahnya hampir semuanya salah.

Mungkin, kuasa pengiraan akhirnya akan menjadi seharga pasir pada suatu hari nanti, tetapi sebelum hari itu tiba, kita akan terpaksa mengalami perlumbaan senjata kuasa pengiraan dan inflasi kuasa pengiraan yang paling kejam.

Rujukan:

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

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

Artikel ini berasal daripada akaun微信公众号 "Sinzhiyuan", penulis: ASI Revelation; editor: David