Стоимость вычислительных ресурсов ИИ, вероятно, вырастет на фоне растущего спроса и ограничений предложения

Я хочу попробовать минимальный подход: выделить себе 2 часа и быстро написать одну статью. Многие важные подвопросы я не успеваю изучить глубоко, но если не делать этого, многие интересующие меня темы будут постоянно откладываться и не продвигаться.

Сегодня я хочу поговорить о ситуации с вычислительными мощностями в AI-лабораториях в ближайшие годы.

Доходы Anthropic увеличиваются в 10 раз ежегодно. При такой тенденции доходы Anthropic к концу этого года, скорее всего, составят от 100 до 150 миллиардов долларов. Если эта тенденция сохранится, к концу следующего года им придется достичь дохода в 1 триллион долларов. Конечно, нет жестких оснований полагать, что тенденция обязательно продолжится — в конечном счете, все зависит от возможностей ИИ. Но предположим, что она действительно продолжится: какие условия должны тогда выполняться в этом мире?

Вычислительная мощность лаборатории ежегодно увеличивается в 3 раза. Чтобы лаборатория достигла роста выручки в 10 раз при росте вычислительной мощности только в 3 раза, должны одновременно произойти несколько из следующих трех событий: 1) повышение маржи прибыли лаборатории; 2) рост цены на вычислительную мощность; 3) лаборатория направляет большую долю вычислительной мощности на вывод.

Мое понимание таково, что все три этих явления в основном происходят одновременно: во-первых, маржа прибыли Anthropic выросла с 40% в 2025 году до, возможно, более 80% в текущем году в сегменте Fable推理; (хотя маржа на предельные вычислительные мощности может отличаться — об этом позже); во-вторых, цена на спотовом рынке вычислительных мощностей выросла более чем на 40% с минимума в феврале этого года, а реальная стоимость, которую лаборатории фактически платят, может быть еще выше (подробнее позже); в-третьих, согласно данным Epoch, в 2024 году OpenAI примерно четверть своих расходов на вычислительные мощности тратила на推理, и сейчас эта доля, безусловно, приблизилась к 50% или даже превысила ее.

Лаборатории на самом деле не хотят идти третьим путем (направлять все больше вычислительных мощностей на вывод). Есть шутка, которая точно попадает в суть: смысл доходов от вывода — убедить инвесторов дать вам еще денег, чтобы вы могли купить больше вычислительных мощностей и обучить более крупные модели. Если вы направляете большую часть вычислительных мощностей на вывод, вы тем самым заявляете, что прогресс в ИИ остановился — потому что дальнейшие вложения в обучение уже невыгодны, и ваш бизнес превращается в облачного провайдера. Однако крупные лаборатории так не считают — они считают, что модели, которые сейчас развертывают, через год будут выглядеть крайне устаревшими, и сейчас занимаются этим бизнесом, чтобы накопить коммерческие кейсы, поддерживающие дальнейшее обучение более умных моделей.

Остаются два пути: один — повышение прибыльности лабораторий, два — рост стоимости вычислительных мощностей. Если ведущие одна-две лаборатории значительно опережают конкурентов, первый путь будет более заметным. На рынке конкуренции прибыльность зависит от того, насколько лучше ваше решение по сравнению со вторым лучшим вариантом. Чтобы первый эффект стал доминирующим, к концу следующего года прибыльность должна достичь более 90%. Это, на мой взгляд, довольно абсурдно. Однако я действительно считаю, что доходы AI-лабораторий могут продолжать расти с поразительной скоростью.

Таким образом, объяснение того, как мир может достичь безумного роста выручки до 1 триллиона долларов к концу следующего года, требует учета последнего эффекта: резкого роста цен на вычислительные мощности. Как я уже говорил, это уже началось. Если взглянуть на вычислительные мощности, действительно необходимые лабораториям, рост цен будет еще более впечатляющим — они явно не могут полагаться на спотовые инстансы; им необходимо обеспечить безопасность весов моделей и пользовательских данных, а также достаточный масштаб для достижения высокой эффективности использования и гибкости. Взгляните, насколько безумен этот рынок: Google и Anthropic арендуют вычислительные мощности у SpaceX. Сообщается, что Google тратит 900 миллионов долларов в месяц на аренду 110 000 GPU, представляющих собой смесь GB200 и GB300. Это примерно в два раза дороже спотовых цен на эти GPU. При этом текущие спотовые цены сами по себе уже на 40% выше, чем в феврале.

Я хочу подчеркнуть ключевой вывод: по мере того как модели ИИ становятся все мощнее, стоимость, генерируемая одним и тем же объемом вычислительных ресурсов, также возрастает. Если настоящий программист-инженер, обладающий уровнем человеческих способностей, сможет работать на устройстве уровня H100, то, исходя из текущего рыночного уровня заработной платы программистов-инженеров, годовая арендная плата за такую H100 должна превышать 250 000 долларов США — в 15 раз больше текущей цены на现货.

Конечно, если бы внезапно появилось 10 миллионов дополнительных инженеров-программистов, предельная стоимость инженеров естественно снизилась бы, поэтому H100, возможно, не сможет действительно генерировать выручку в 15 раз выше текущего уровня. Но я на самом деле не уверен, что эта логика верна. Если применить этот аргумент к людям, а не к ИИ, это будет классическая «ошибка общей массы труда». Экономисты считают, что высококвалифицированная иммиграция в долгосрочной перспективе не снижает заработную плату, поскольку специализация и инновации повышают ценность труда. Возможно, в этот раз шок предложения труда настолько велик и быстр, что эта экономическая закономерность перестала работать. Но если мы доверяем стандартной экономической теории труда, то предельная стоимость труда (а также предельная цена вычислительных мощностей) должна оставаться на удивительно высоком уровне.

Что произойдет в этом мире?

Крупнейшие модели всё больше извлекают ценность из вычислительных мощностей, и становится всё труднее их догнать. Если к 2028 году инженерия программного обеспечения будет автоматизирована, а стоимость вычислительных мощностей вырастет в 15 раз по сравнению с текущим уровнем, то конкурировать с ведущими лабораториями за вычислительные ресурсы без какого-либо дохода будет чрезвычайно сложно.

Если вы сможете обучить лучшую и наиболее эффективную модель, ваша прибыльность будет намного выше, чем сегодня. Это эффект Алчина-Аллена: когда фиксированная стоимость добавляется к двум товарам разного качества, более качественный товар становится относительно более выгодным, и спрос смещается в его сторону. Когда стоимость H100 за час поднимется до 20 долларов, использование более слабой и менее эффективной модели станет чрезвычайно дорогим и неразумным — ведь вам придется тратить больше токенов и запускать больше дорогостоящих вычислений, чтобы получить тот же результат. Таким образом, тот, кто сможет обучить топовую модель, требующую меньше вычислительных ресурсов, сможет взимать очень высокую надбавку. Раз уж базовые вычислительные ресурсы и так стоят столько денег, почему бы не потратить немного больше и использовать самую эффективную модель, которая работает при тех же вычислительных затратах?

Многие сегодня популярные приложения ИИ будут вытеснены из-за стоимости. ИИ сейчас относительно дешев, по крайней мере дешевле человеческого труда, частично потому, что он пока не способен выполнять многие задачи, которые делают лучшие люди. Однажды это перестанет быть верным. В тот момент стоимость создания коротких видеороликов-мусора с использованием GPU станет слишком высокой, чтобы это было выгодно.

Однако такие прогнозы схожи с историческими ошибочными суждениями о дефиците. Я имею в виду пари Саймона-Элиха: Пол Элих поставил, что за десять лет до 1990 года цена корзины сырьевых товаров вырастет, а не упадет. Это пари известно в популярных экономических дискуссиях, поскольку, как утверждается, оно опровергло мальтузианскую мировоззренческую позицию Элиха — он недооценил роль рыночных сигналов и человеческого разума в экономии дефицитных ресурсов (однако некоторые аналитики отмечают, что если бы это пари было заключено на другой десятилетний период, Элих выиграл бы).

Я полагаю, что сырьевой рынок не подходит в качестве эталона для вычислительной мощности, поскольку предложение вычислительной мощности значительно менее эластично, чем добыча металлов, и оно гораздо слабее справляется с крупными спросовыми шоками или поиском альтернативных решений. Годовой рост вычислительной мощности в 3 раза получен путем перемножения следующих коэффициентов: 1,4 раза за счет закона Мура, 1,2 раза за счет строительства новых заводов по производству полупроводников (ограничено поставками оборудования EUV по крайней мере до 2030 года) и 1,8 раза за счет перехвата AI передовых узлов производства кремниевых пластин из других устройств (этот фактор достигнет предела около 2027 года, когда доля AI в пластинах N3 вырастет с 60% до 86%). Ни один из этих трех коэффициентов сложно еще больше увеличить, а последний достигнет пика в течение одного-двух лет из-за насыщения квот на пластины.

Я хочу подчеркнуть, что в какой-то момент в будущем вычислительные мощности снова станут дешевле. Однажды роботы смогут напрямую превращать кремниевый песок на побережье и медные руды под землей в компьютеры, и тогда цена вычислительных мощностей, вероятно, вернется к уровню, близкому к стоимости сырья и инструментов. Сейчас я обсуждаю исключительно текущий этап — вычислительные мощности для ИИ растут всего в 3 раза в год, и эта скорость совершенно не успевает за ростом цен, обусловленным ежегодным увеличением ценности ИИ.

Кстати, выручка Anthropic растет в 10 раз в год, в то время как вычислительные мощности увеличиваются только в 3 раза — это свидетельствует о крайне сильной экономии от масштаба в бизнесе моделей. Логически это имеет смысл — обучая модель, вы несете одноразовые затраты на обучение, которые затем распределяются между всеми пользователями (в отличие от человеческой рабочей силы, где каждый экземпляр должен проходить обучение с нуля). Я не хочу жить в мире, где интеллект обладает такой сильной экономией от масштаба (поскольку я боюсь концентрации власти). Но реальность, похоже, именно такова.

Автор: Dwarkesh Patel, перевод: Shenchao TechFlow