知名科技播客主持人及博主Dwarkesh Patel近日在影片中提出，隨著AI模型能力指數級提升，底層算力的價值正被重新定義，AI越智慧，其將算力變現的能力就越強，這將不可避免地推高算力價格，最終導致普通AI應用和普通使用者面臨被“價格擠出”的風險。

Patel指出，頂級AI實驗室正面臨極端的供需失衡。他以Anthropic為例，測算頭部企業營收正以每年10倍的速度爆炸性增長，但行業整體算力規模每年僅能擴張3倍。為填補這一巨大缺口，算力現貨價格自今年2月的低谷以來已飆升超過40%。巨頭們正以極高溢價鎖定資源，例如谷歌每月向SpaceX支付9億美元租賃11萬張GPU，其單價已達到現貨市場價格的兩倍。

算力供給的極度缺乏在短期內難以通過市場機制有效緩解。受制於晶片製造裝置交付週期以及晶圓代工產能的物理極限，算力供應鏈表現出極低的彈性。Patel認為，在達到技術奇點之前，整個AI產業將進入一個資源極度稀缺、權力高度集中的新週期。

算力增長滯後於營收，正在引發連鎖反應。如果頭部實驗室要維持營收每年10倍的增長，而算力僅增長3倍，市場必須通過提高實驗室利潤率、推高算力價格或增加推理算力佔比來尋求平衡。Patel指出，這三種現象目前已經同時發生。在利潤率方面，Anthropic的推理利潤率已從去年中期的40%飆升至目前的80%以上。在算力分配上，據Epoch的資料，OpenAI在2024年初僅將四分之一的算力用於推理，而現在這一比例可能已接近甚至超過50%。

然而，增加推理算力佔比是頭部實驗室最不願看到的局面。對於致力於開發通用人工智慧（AGI）的實驗室而言，推理業務的核心目的僅是為了向投資者證明商業價值，從而獲取更多資金去訓練下一代更強大的模型。將大量算力轉化為雲端計算服務，意味著宣告技術進展停滯。因此，大部分算力仍需被強制鎖定在模型訓練中，這使得算力價格的持續上漲成為消化供需矛盾的唯一排氣閥。

算力價格的上漲趨勢在頭部實驗室的採購策略中表現得更為激進。前沿實驗室無法簡單地依賴零散的現貨例項，他們需要建立極其龐大的叢集，以確保模型訓練的效率、靈活性，以及保護權重檔案和客戶資料所需的安全架構。這迫使科技巨頭願意為規模化算力支付極高的溢價。以谷歌租賃SpaceX的GB200和GB300混合算力叢集為例，其支付的每小時租金是當前現貨價格的兩倍。這種財大氣粗的採購行為，直接拔高了整個行業的底層成本基線。隨著頂級實驗室在變現算力方面變得越來越出色，且算力成本不斷上升，其他任何競爭對手都難以在資源競價中與他們抗衡。

算力價值的飆升直接與AI模型的智慧化程度掛鉤。Patel提出了一項核心推演：當AI模型具備人類軟體工程師的水平時，一張等效的H100晶片如果按當前工程師的薪酬水平出租，其年租金將超過25萬美元，這是目前H100現貨價格的15倍以上。基於標準經濟學理論，技術創新和專業化將極大提升勞動的價值，這意味著算力的邊際價值將保持在令人瞠目的高位。

這種高昂的成本將引發經濟學中的Alchian-Allen效應。如果租賃H100的成本高達每小時20美元，那麼在昂貴的算力上執行低效、弱小的模型將是極其荒謬的資源浪費。只有能用更少算力達成相同效果的最優模型，才能產生最高的溢價利潤。由此帶來的直接後果是，當前許多流行的平民化AI應用將被剝奪生存空間。當AI突破能力閾值後，谷歌、Anthropic或OpenAI等巨頭將更願意將有限的算力出售或應用於高價值的自動化AI研究，而不是廉價提供給普通使用者生成無意義的“AI廢話”。低利潤率的日常消費者需求將被高昂的底層成本徹底擠出市場。

針對市場對“價格訊號最終會解決稀缺問題”的樂觀預期，Patel引用了著名的Simon-Ehrlich賭局作為反面教材。與Paul Ehrlich當年對大宗商品短缺的錯誤悲觀預測不同，當前算力市場的供給缺乏彈性，無法像金屬開採那樣通過替代品或價格刺激在短期內吸收巨大的需求衝擊。支撐每年3倍算力增長的底層支柱已搖搖欲墜：由Moore定律貢獻的1.4倍增長已接近物理極限，未來幾年能夠維持已屬奇蹟；由新建晶圓廠貢獻的1.2倍增長，則被ASML EUV光刻機的產能嚴重掣肘，這一瓶頸至少會持續到2030年；此外，由智慧手機和PC端轉移至AI的晶圓配額（貢獻1.8倍增長）即將觸頂。到明年年底，在台積電最先進的N3節點上，AI的產能佔比將從60%暴增至86%。當所有前沿晶圓產能被AI完全吞噬後，行業將面臨無晶圓可用的硬著陸。

Patel認為，在機器人能夠直接將矽砂和銅礦轉化為晶片的“奇點”到來之前，行業必將長期處於資源受限的狀態。這種智慧訓練中呈現出的極強規模經濟效應，雖然避免了人類勞動需要從頭培訓的低效，但也必然導致令人擔憂的市場權力極度集中。