當 AI 智能體開始接近甚至替代人類知識勞動時，算力的價格應如何重新定價？
在最新部落格文章中，知名科技播客 Dwarkesh Patel 提出了一個大膽推演：如果 AI 實驗室的收入持續高速增長（例如 Anthropic 到明年底達 1 萬億美元），而算力供應每年僅增加約 3 倍，那麼計算力價格可能上漲 10 倍以上。
矽基勞動力的價格，H100+AI=25萬美元 硅谷程式設計師
過去幾十年，算力被視為一種「工具」。電腦更快，伺服器更多，雲計算更便宜。
但 AI 時代正發生一次範式轉換：GPU 不再只是機器的零件，而可能成為數位勞動力的載體。
如果一顆 H100 可以承載一個接近頂尖程式設計師水平的 AI Agent，那麼它的價值就不應再按照「伺服器小時價格」計算，而應按照它替代的人類勞動價值計算。
想像一下，如果有一名不知疲倦、隨時響應、技術水平達人類頂尖的「數位軟體工程師」，你願意為此支付多少年薪？
在矽谷，軟體工程師的平均市場年薪超過25萬美元。然而，運行一個具有同等智力水平的智能體（Agent），可能僅需佔用單張英偉達H100顯卡的算力。
現在，讓我們算一筆賬：
如果這顆 H100 能夠完美替代一位年薪 25 萬美元的人類程式設計師，那麼從純粹的商業和經濟學邏輯來看，這顆 H100 理論上的年租金，就應該定在 25 萬美元以上。
但此時此刻，市面上 H100 的現貨租賃價格，年化下來僅僅只有大約 1.6 萬美元。兩者相差 15 倍。
這就是我們將要面對的人類歷史上最大的「勞動力套利黑洞」。
當虛擬世界的智力繁衍速度，遠遠超出了物理世界製造極限，矛盾就此爆發：
The value of digital intelligence is growing at a pace far exceeding that of physical computing infrastructure expansion.
這道15倍的估值落差，會引來猛烈反撲：在未來的幾年裡，算力的真實價格可能會面臨一輪10倍甚至更高的超級通脹。
當然，有一個疑問：軟體工程師的年薪將來會不會大幅縮水呢？
這個問題，Dwarkesh Patel 也考慮到了：
但如果我们相信標準經濟學關於勞動力的理論，那麼算力的邊際價值（從而是算力邊際價格）應該會變得極其高昂。
AI 賺錢的速度，已超過製造 AI 的速度
過去幾年，AI 行業遵循一個簡單邏輯：更大的模型、更多的數據、更多的 GPU、更強的能力。
但現在，一個新的矛盾正在浮現：AI 的增長速度，正超過算力供應的增長速度。
以 Anthropic 為例。過去一年，其商業收入增長約 10 倍。
按照這種增長速度，到年底其年化收入可能達到 1000 億至 1500 億美元規模。如果這個趨勢繼續，下一年，它需要面對一個瘋狂的問題：如何支撐萬億美元級別「錢景」？
只有一個答案：更多智慧。而更多智慧意味著：更多訓練、更多推理、更多 GPU。
然而，問題在於：算力供應並沒有以同樣速度增長。
目前行業領先實驗室的物理算力擴張，大約只能維持每年 3 倍左右增長。
於是出現一個巨大的錯位：
數字世界想跑10公里，但物理世界只能提供3公里的道路。剩下的距離怎麼辦？
只有三個選擇：第一，提高利潤率。第二，提高算力價格。第三，把更多算力投入推理業務。
第三條路，其實是很多 AI 實驗室最不願意看到的。
因為推理賺錢，本質上只是為了證明：「AI 商業模式成立。」
Then continue fundraising, continue purchasing more GPUs, and continue training the next-generation model.
矽谷真正的循環是：
賺錢不是終點，只是為了購買更多計算能力。
因為所有實驗室真正相信的是：今天最先進的模型，一年後可能就像昨天的手機，強大，但過時。
這就將解法逼回了前兩個選項：利潤率的暴漲，或者算力單價的攀升。
如果完全依賴利潤率來消化這筆差額，到明年年底，前沿實驗室的利潤率必須達到約95%的中高區間。
在商業史上，除了極少數絕對技術壟斷的節點，這幾乎就是幻想。
於是，所有的線索和邏輯最終匯聚到了同一個出口：算力的單價，即將迎來一輪前所未有的暴漲。
GPU 正在從伺服器，變成新時代的工廠
很多人還沒有意識到：AI 競爭正在進入基礎設施時代。
過去互聯網戰爭爭奪的是：用戶、流量、入口；而AI時代爭奪的是：電力、晶片、數據中心、超級算力集群。
為什麼？因為頂級 AI 實驗室無法依賴普通雲伺服器。
它們需要：專屬 GPU 集群；穩定網絡架構；極高利用率；數據和模型安全。
這已經不是租用普通伺服器，這是租賃未來的智能生產線。
一個典型案例是：Google 和 Anthropic 向 SpaceX 租賃大規模 GPU 資源。
據報導，谷歌約11萬張GPU集群，每月租金達9億美元。
折合下來，每張 GPU 每小時的租金幾乎是目前市場上現貨租賃單價的兩倍。而不要忘記，當前的現貨價格本身，已經比今年年初的低點高出 40%。
為什麼？
因為頂級算力越來越像能源、電網等戰略資源。
想像一下工業革命，一家工廠擁有蒸汽機，另一家工廠沒有。
他們的差距不是 10%，而是整個生產方式的代差。
AI 時代的 GPU，也正在成為這種新的「蒸汽機」。
為什麼算力價格會失控到這種程度？
答案藏在供給側的物理公式中——這個公式，已被台積電和光刻機巨頭的物理極限牢牢鎖死。
業內津津樂道的「算力每年增長3倍」的神話，拆解開來，不過是三個乘數在極限邊緣的勉強拼湊：
算力年增長率（3x）≈ 1.4x（摩爾定律迭代）× 1.2x（新晶圓廠建設）× 1.8x（搶佔先進製程產能）。
而這三個乘數，每一個都在逼近天花板。
Moore's Law: Each node shrink is harder than the last, with leakage and atomic limits making each iteration a delicate balancing act.
新建晶圓廠的建設週期漫長，高NA EUV光刻機的交付速度卡住整個鏈條，至少到2030年無解。
過去兩年，算力增長的唯一動力是搶產能——AI晶片從手機、PC手中強行搶奪台積電的先進製程。
但最後這個乘數馬上就要歸零。到2027年底，AI晶片將吞掉台積電N3產能的86%，從60%到86%——不是增長，是物理意義上的絕對飽和，再無餘地。
三個乘數，兩個已見頂，最後一個即將撞牆。算力供給的故事，已經講完了。
而算力越貴，反而沒人敢用便宜模型。
直覺說：算力貴了，就該用輕量級模型、開源裁剪版，省著點花。
但 AI 經濟學正好相反。
核心邏輯是阿爾奇安-艾倫效應：當所有商品都被加上一筆固定附加成本時，昂貴的反而顯得更划算。
在 AI 中，這筆「附加成本」就是算力折舊費——不管使用什麼模型都得支付。
計算一下：H100 每小時 20 美元。
- 最強模型：1 小時搞定，25 美元（20 算力 + 5 溢價）。
- 平庸模型：授權費 0，但智商不足，反覆試錯花了 2 小時，40 美元。
結論：使用平庸的模型，反而更昂貴。它會在無效的嘗試中，耗盡算力以及更珍貴的資源——時間。
因此，算力越貴，最強模型越有底氣收取天價溢價。既然橫豎都要付算力錢，多花一點用最聰明的，才是真省錢。
Mediocre model, no way out.
最終，全社會的資金會像黑洞一樣，被吸向極少數能造出絕對最強模型的萬億級寡頭。
算力也是資源，未必漲價？
Of course, some people also oppose it.
在評論區中，徐Eric 提出了一個有趣的反駁：25萬美元的年租金邏輯，僅在純數字領域成立。一旦觸及物理世界，例如臨床試驗的審批週期、政府採購的決策流程，AI 的變現天花板可能根本達不到 25 萬美元，而更接近 5 萬美元。
資深軟體工程師 Trevor 指出：低質內容根本不需要頂級模型，它們會轉向更便宜的替代方案，而不是直接消失。換句話說，被清洗的可能是價格，不是內容本身。
歷史也不站在 Dwarkesh 這邊。1980 年，史丹福生物學家 Paul Ehrlich 與經濟學家 Julian Simon 打賭，賭五種金屬十年後會漲價。
十年後，五種全跌了，埃爾利希認輸付錢。「資源必漲價」，歷史上這麼賭的人大多輸了。
Dwarkesh 的回應是：算力供給的彈性遠小於大宗商品。銅礦可在高價刺激下增產，但 EUV 光刻機不行——台積電自己也沒有剩餘產能可釋放。在過去幾年供給每年僅增長 3 倍的情況下，沒有替代品。
有意思的是，Dwarkesh 自己也承認：這個預言，歷史上的同類幾乎全錯了。
或許，算力終有一天會像沙子一樣廉價，但在那一天到來之前，我們將不得不經歷一場最殘酷的算力軍備競賽和算力通脹。
參考資料：
https://www.dwarkesh.com/p/why-compute-might-get-10x-more-expensive
https://x.com/dwarkesh_sp/status/2082482530209411419
本文來自微信公眾號「新智元」，作者：ASI 啟示錄；編輯：大衛