Doanh thu 1 nghìn tỷ USD của Anthropic có thể khiến giá tính toán tăng lên 10 lần

Khi các tác nhân AI bắt đầu tiếp cận hoặc thay thế lao động tri thức con người, giá cả tính toán nên được định giá lại như thế nào?

Trong bài viết blog mới nhất, podcast công nghệ nổi tiếng Dwarkesh Patel đưa ra một dự đoán táo bạo: nếu doanh thu của các phòng thí nghiệm AI tiếp tục tăng trưởng mạnh mẽ (ví dụ: Anthropic đạt 1 nghìn tỷ USD vào cuối năm tới), trong khi nguồn cung năng lực tính toán chỉ tăng khoảng 3 lần mỗi năm, thì giá cả năng lực tính toán có thể tăng hơn 10 lần.

Trong vài thập kỷ qua, sức mạnh tính toán đã được coi là một “công cụ”. Máy tính nhanh hơn, máy chủ nhiều hơn, điện toán đám mây rẻ hơn.

Nhưng thời đại AI đang chứng kiến một sự chuyển đổi mô hình: GPU không còn chỉ là bộ phận của máy móc, mà có thể trở thành phương tiện của lực lượng lao động số.

Nếu một H100 có thể hỗ trợ một AI Agent có trình độ gần với lập trình viên hàng đầu, thì giá trị của nó không nên được tính theo "giá mỗi giờ máy chủ", mà nên được tính theo giá trị lao động con người mà nó thay thế.

Hãy tưởng tượng nếu có một “kỹ sư phần mềm kỹ thuật số” không bao giờ ngủ, luôn sẵn sàng phản hồi và có trình độ kỹ thuật ngang tầm chuyên gia hàng đầu con người, bạn sẵn sàng trả bao nhiêu lương hàng năm cho nó?

Tại Thung lũng Silicon, mức lương trung bình hàng năm của các kỹ sư phần mềm vượt quá 250.000 USD. Tuy nhiên, để vận hành một tác nhân (Agent) có trình độ trí tuệ tương đương, có thể chỉ cần sử dụng lượng tính toán tương đương với một card NVIDIA H100.

Bây giờ, hãy cùng tính một con số:

Nếu chip H100 này có thể thay thế hoàn hảo một lập trình viên con người với mức lương 250.000 USD/năm, thì về mặt logic thương mại và kinh tế thuần túy, mức thuê hàng năm lý thuyết của H100 này nên được đặt ở mức cao hơn 250.000 USD.

Nhưng hiện tại, giá thuê mặt bằng H100 trên thị trường, quy ra hàng năm, chỉ khoảng 16.000 USD. Hai con số này chênh lệch 15 lần.

Đây chính là "hố đen lợi dụng lao động" lớn nhất trong lịch sử nhân loại mà chúng ta sẽ phải đối mặt.

Khi tốc độ phát triển trí tuệ trong thế giới ảo vượt xa giới hạn sản xuất của thế giới vật lý, mâu thuẫn đã bùng nổ:

Giá trị của trí tuệ số đang tăng trưởng nhanh hơn nhiều so với tốc độ mở rộng của cơ sở hạ tầng tính toán vật lý.

Sự chênh lệch định giá 15 lần này sẽ gây ra phản ứng mạnh mẽ: trong vài năm tới, giá thực tế của công suất tính toán có thể đối mặt với một đợt lạm phát siêu cấp từ 10 lần trở lên.

Tất nhiên, có một câu hỏi: Liệu lương hàng năm của kỹ sư phần mềm có sẽ giảm mạnh trong tương lai không?

Vấn đề này, Dwarkesh Patel cũng đã cân nhắc:

Nhưng nếu chúng ta tin vào lý thuyết về lao động trong kinh tế học truyền thống, thì giá trị biên của công suất tính toán (từ đó là giá biên của công suất tính toán) nên trở nên cực kỳ cao.

Trong vài năm qua, ngành AI tuân theo một logic đơn giản: mô hình lớn hơn, nhiều dữ liệu hơn, nhiều GPU hơn, khả năng mạnh hơn.

Nhưng hiện tại, một mâu thuẫn mới đang nổi lên: tốc độ tăng trưởng của AI đang vượt quá tốc độ tăng trưởng của nguồn cung năng lực tính toán.

Lấy Anthropic làm ví dụ. Trong năm qua, doanh thu thương mại của họ đã tăng khoảng 10 lần.

Với tốc độ tăng trưởng này, đến cuối năm, doanh thu hàng năm của nó có thể đạt quy mô 100 đến 150 tỷ USD. Nếu xu hướng này tiếp tục, năm tới, nó sẽ phải đối mặt với một câu hỏi điên rồ: làm thế nào để hỗ trợ triển vọng tài chính ở cấp độ nghìn tỷ USD?

Chỉ có một câu trả lời: nhiều trí tuệ hơn. Và nhiều trí tuệ hơn có nghĩa là: nhiều đào tạo hơn, nhiều suy luận hơn, nhiều GPU hơn.

Tuy nhiên, vấn đề nằm ở chỗ: nguồn cung tính toán không tăng với tốc độ tương đương.

Sự mở rộng năng lực tính toán vật lý của các phòng thí nghiệm hàng đầu ngành hiện nay chỉ có thể duy trì mức tăng khoảng 3 lần mỗi năm.

Do đó xuất hiện một sự lệch lạc lớn:

Thế giới số muốn chạy 10 km, nhưng thế giới vật lý chỉ cung cấp được đường dài 3 km. Vậy khoảng cách còn lại phải làm sao?

Chỉ có ba lựa chọn: thứ nhất, tăng biên lợi nhuận. Thứ hai, tăng giá năng lực tính toán. Thứ ba, đầu tư thêm năng lực tính toán vào业务 suy luận.

Con đường thứ ba, thực ra là điều mà nhiều phòng thí nghiệm AI không muốn thấy nhất.

Vì kiếm tiền từ suy luận, về bản chất, chỉ nhằm chứng minh: “Mô hình kinh doanh AI là khả thi.”

Sau đó tiếp tục huy động vốn, mua thêm nhiều GPU hơn và tiếp tục huấn luyện mô hình thế hệ tiếp theo.

Vòng lặp thực sự của Thung lũng Silicon là:

Tiền không phải là đích đến, mà chỉ là để mua thêm khả năng tính toán.

Vì điều mà tất cả các phòng thí nghiệm thực sự tin tưởng là: các mô hình tiên tiến nhất ngày nay, một năm sau có thể giống như chiếc điện thoại ngày hôm qua – mạnh mẽ nhưng đã lỗi thời.

Điều này buộc giải pháp trở lại hai lựa chọn đầu tiên: sự bùng nổ của biên lợi nhuận hoặc sự gia tăng giá mỗi đơn vị công suất tính toán.

Nếu hoàn toàn dựa vào biên lợi nhuận để hấp thụ chênh lệch này, đến cuối năm tới, biên lợi nhuận của Frontier Labs phải đạt vào khoảng 95%, ở mức trung cao.

Trong lịch sử kinh doanh, ngoại trừ một vài điểm độc quyền công nghệ tuyệt đối, điều này gần như là ảo tưởng.

Vì vậy, tất cả các manh mối và logic đều dẫn đến một điểm chung: giá đơn vị tính toán sẽ chứng kiến một đợt tăng mạnh chưa từng có.

Nhiều người vẫn chưa nhận ra: Cuộc cạnh tranh AI đang bước vào thời kỳ hạ tầng.

Trước đây, cuộc chiến internet tập trung vào: người dùng, lưu lượng truy cập, điểm vào. Còn ở thời đại AI, cuộc cạnh tranh là về: điện năng, chip, trung tâm dữ liệu, cụm siêu tính toán.

Tại sao? Vì các phòng thí nghiệm AI hàng đầu không thể phụ thuộc vào máy chủ đám mây thông thường.

Chúng cần: cụm GPU riêng; cấu trúc mạng ổn định; mức độ sử dụng cực cao; bảo mật dữ liệu và mô hình.

Đây không còn là thuê máy chủ thông thường, mà là thuê dây chuyền sản xuất thông minh của tương lai.

Một ví dụ điển hình là: Google và Anthropic thuê tài nguyên GPU quy mô lớn từ SpaceX.

Theo báo cáo, chi phí thuê cụm GPU khoảng 110.000 chiếc của Google đạt 900 triệu USD mỗi tháng.

Tính ra, chi phí thuê mỗi GPU mỗi giờ gần như gấp đôi mức giá thuê hiện hành trên thị trường. Đừng quên rằng, ngay cả mức giá hiện tại này đã cao hơn 40% so với mức đáy đầu năm nay.

Tại sao?

Vì sức mạnh tính toán hàng đầu ngày càng giống các nguồn lực chiến lược như năng lượng, lưới điện.

Hãy tưởng tượng cuộc Cách mạng Công nghiệp, một nhà máy có động cơ hơi nước, trong khi nhà máy khác thì không.

Sự khác biệt của họ không phải là 10%, mà là sự chênh lệch thế hệ trong phương thức sản xuất.

GPU trong thời đại AI cũng đang trở thành loại “động cơ hơi nước” mới này.

Tại sao giá năng lực tính toán lại tăng失控 đến mức này?

Đáp án nằm trong công thức vật lý của phía cung — công thức này đã bị giới hạn vật lý của TSMC và các nhà sản xuất máy lithography khóa chặt.

Huyền thoại được giới trong ngành truyền tụng rằng “công suất tính toán tăng gấp 3 lần mỗi năm” khi được phân tích kỹ, chỉ là sự gượng ép ghép nối của ba hệ số ở ngưỡng giới hạn:

Tỷ lệ tăng trưởng công suất tính toán hàng năm (3x) ≈ 1,4x (lặp lại định luật Moore) × 1,2x (xây dựng nhà máy bán dẫn mới) × 1,8x (chiếm lĩnh năng lực sản xuất quy trình tiên tiến).

Và ba hệ số này, mỗi hệ số đều đang tiến gần đến trần.

Định luật Moore: Mỗi bước thu nhỏ đều khó hơn bước trước đó, rò rỉ điện và giới hạn nguyên tử khiến quá trình lặp lại như đi trên băng mỏng.

Việc xây dựng nhà máy bán dẫn mới mất nhiều thời gian, tốc độ giao hàng của máy quang khắc EUV NA cao đang làm chậm toàn bộ chuỗi, và không có giải pháp trước năm 2030.

Trong hai năm qua, động lực duy nhất tăng trưởng năng lực tính toán là cạnh tranh năng lực sản xuất – các chip AI giành lấy quy trình tiên tiến của TSMC từ điện thoại và PC.

Nhưng hệ số nhân cuối cùng này sắp về bằng không. Đến cuối năm 2027, chip AI sẽ chiếm 86% công suất sản xuất N3 của TSMC, tăng từ 60% lên 86%—không phải là tăng trưởng, mà là sự bão hòa tuyệt đối về mặt vật lý, không còn chút dư địa nào.

Ba hệ số nhân, hai cái đã đạt đỉnh, cái cuối cùng sắp đụng tường. Câu chuyện về nguồn cung tính toán đã kết thúc.

Và càng tốn chi phí tính toán, càng ít người dám sử dụng các mô hình rẻ hơn.

Trực giác nói: Khi sức mạnh tính toán đắt đỏ, hãy sử dụng các mô hình nhẹ, phiên bản mở nguồn đã được tối ưu, và tiêu dùng tiết kiệm hơn.

Nhưng kinh tế học AI lại ngược lại.

Logic cốt lõi là hiệu ứng Alchian-Allen: khi tất cả các hàng hóa đều bị thêm một khoản chi phí cố định, những mặt hàng đắt tiền lại trở nên hấp dẫn hơn về mặt giá trị.

Trong AI, chi phí bổ sung này chính là chi phí hao mòn năng lực tính toán—bất kể sử dụng mô hình nào cũng phải trả.

Tính toán: H100 là 20 đô la mỗi giờ.

• Mô hình mạnh nhất: Hoàn thành trong 1 giờ, 25 USD (20 sức mạnh tính toán + 5 phụ phí).
• Mô hình trung bình: Phí cấp phép 0, nhưng trí thông minh không đủ, thử sai liên tục kéo dài 2 giờ, 40 đô la.

Kết luận: Sử dụng mô hình trung bình lại tốn kém hơn. Nó sẽ tiêu tốn năng lực tính toán và các nguồn lực quý giá hơn—thời gian—trong những nỗ lực vô ích.

Vì vậy, càng tốn chi phí tính toán, các mô hình mạnh nhất càng có lý do để thu phí phụ thu cực cao.既然 phải trả tiền tính toán, chi thêm một chút để dùng mô hình thông minh nhất mới thực sự tiết kiệm.

Mô hình tầm thường, không có lối thoát.

Cuối cùng, toàn bộ nguồn vốn của xã hội sẽ bị hút như một lỗ đen về phía một vài tập đoàn tỷ đô duy nhất có thể tạo ra các mô hình mạnh nhất tuyệt đối.

Of course, some people also oppose it.

Trong phần bình luận, Eric Xu đưa ra một phản biện thú vị: logic về mức thuê hàng năm 250.000 USD chỉ đúng trong lĩnh vực thuần số. Khi chạm đến thế giới vật lý, chẳng hạn như chu kỳ phê duyệt thử nghiệm lâm sàng hay quy trình ra quyết định của mua sắm công, trần sinh lời của AI có thể không bao giờ đạt tới 250.000 USD, mà gần với 50.000 USD hơn.

Kỹ sư phần mềm cấp cao Trevor chỉ ra: nội dung chất lượng thấp hoàn toàn không cần đến các mô hình cao cấp; chúng sẽ chuyển sang các giải pháp thay thế rẻ hơn thay vì biến mất hoàn toàn. Nói cách khác, cái bị làm sạch có thể là giá cả, chứ không phải chính nội dung.

Lịch sử cũng không đứng về phía Dwarkesh. Năm 1980, nhà sinh học tại Stanford Paul Ehrlich và nhà kinh tế học Julian Simon đã đặt cược rằng năm loại kim loại sẽ tăng giá sau mười năm.

Mười năm sau, cả năm loại đều giảm giá, Ehrlich chấp nhận thua và trả tiền. “Tài nguyên chắc chắn sẽ tăng giá”, nhưng trong lịch sử, những người đặt cược như vậy phần lớn đều thua.

Phản hồi của Dwarkesh là: Độ co giãn của nguồn cung năng lực tính toán nhỏ hơn nhiều so với hàng hóa cơ bản. Mỏ đồng có thể tăng sản lượng dưới tác động của giá cao, nhưng máy quang khắc EUV thì không—TSMC cũng không có năng lực dư thừa để giải phóng. Trong những năm qua, khi nguồn cung chỉ tăng ba lần mỗi năm, không có sản phẩm thay thế.

Điều thú vị là Dwarkesh cũng tự thừa nhận: lời tiên tri này, những lời tiên tri tương tự trong lịch sử gần như đều sai.

Có lẽ, sức mạnh tính toán cuối cùng sẽ trở nên rẻ như cát, nhưng trước khi ngày đó đến, chúng ta sẽ phải trải qua một cuộc chạy đua vũ trang về sức mạnh tính toán và lạm phát sức mạnh tính toán khốc liệt nhất.

Tài liệu tham khảo:

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

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

Bài viết này đến từ tài khoản WeChat "New Intelligence Yuan", tác giả: Apocalypse of ASI; biên tập: David