在未来几年，人工智能（AI）公司的收入增长速度（可能达到每年10倍）与算力供应的增长速度（每年约3倍）之间存在巨大差距。这种不平衡意味着，为了让市场逻辑成立，算力本身的成本必须急剧上升。随着AI模型变得越来越强大，能够执行像软件工程师这样的高价值任务，它们从硬件中创造收入的能力也会飙升，这可能导致算力价格在未来几年上涨超过10倍，最终将权力集中在拥有最高效模型的少数公司手中。
收入与算力的巨大鸿沟
AI公司的收入正在以惊人的速度增长，例如，像Anthropic这样的公司年收入可能增长10倍。然而，全球算力的总供应量每年大约只能增长3倍。为了弥合收入增长和算力增长之间的差距，必然会出现以下几种情况的组合：
- 利润率提高： AI公司从其服务中获得更高的利润。
- 算力价格上涨： 购买或租用GPU的成本增加。
- 更多算力用于推理： 公司将更大比例的算力用于运行现有模型（推理），而非开发新模型（训练）。
为什么价格上涨是必然选择
AI公司的最终目标不是简单地提供推理服务，这会使它们沦为普通的云服务商。他们的核心逻辑是：利用推理产生的收入，说服投资者投入更多资金，购买更多算力来训练更强大的模型。
如果大部分算力都用于推理，这无异于宣布AI的进步已经停滞，因为继续投入训练已不再值得。
因此，AI公司不愿意将大部分算力用于推理。同时，指望利润率在短时间内飙升至90%以上来解释巨大的收入增长也是不切实际的。排除这两个选项后，最合乎逻辑的推论就是：算力本身将变得极其昂贵。
价格上涨已经发生
这一趋势已经初现端倪。GPU的现货价格已经显著上涨，而对于需要大规模、安全稳定算力的顶尖AI公司来说，实际成本更高。
例如，谷歌据报道每月支付9亿美元，从SpaceX租用11万块GPU。这个价格大约是这些GPU现货市场价格的两倍。这清楚地表明，高端算力市场已经处于极度供不应求的状态。
AI的价值决定算力的价格
一个关键的结论是：随着AI模型变得更智能，它们从相同数量的算力中变现的能力也越强。
想象一下，如果一个H100 GPU上能运行一个达到人类水平的软件工程师AI。按照目前软件工程师的市场价值，这块H100的年租金应该超过25万美元，这大约是今天现货价格的15倍。
虽然增加数百万“AI软件工程师”可能会降低单个工程师的边际价值，但经济学原理通常认为，高技能劳动力的增加会通过专业化和创新来提升整体价值。如果这个逻辑成立，那么算力的边际价值和价格就应该会达到惊人的高度。
昂贵算力将如何改变世界？
如果算力价格真的上涨10-15倍，世界将会发生巨大变化：
- 强者愈强，追赶者更难： 领先的AI公司凭借更好的模型获得更高的收入和利润，从而有能力购买更昂贵的算力，进一步拉大与追赶者的差距。没有稳定收入的新公司将很难在算力竞争中立足。
- 优质模型将收取更高溢价： 这就是所谓的阿尔钦-艾伦效应。当基础成本（算力）变得非常昂贵时，消费者宁愿支付更高的价格来使用最高效、最优质的模型。因为使用一个低效模型来运行昂贵的算力，本身就是一种巨大的浪费。
- 大量低价值AI应用被淘汰： 今天许多看起来很酷但商业价值不高的AI应用，比如用AI生成大量短视频，在昂贵的算力成本面前将变得毫无意义，从而被市场淘汰。
算力供应的瓶颈难以突破
有人可能会用“市场和人类的创造力总能找到解决稀缺性的办法”来反驳。但算力供应与普通商品不同，它的弹性非常低，受制于几个难以改变的物理和工业瓶颈：
- 摩尔定律放缓： 芯片性能提升速度减慢。
- 晶圆厂建设： 新建工厂受限于极紫外光刻机（EUV）等关键设备的供应，瓶颈至少持续到2030年。
- 先进制程芯片分配： AI已经占用了先进制程芯片产能的绝大部分，进一步增长的空间有限。
这些因素共同决定了算力供应在短期内无法快速响应需求的爆炸性增长。
当然，这个预测主要适用于未来几年。从更长远来看，当机器人能够实现从沙子到计算机的全自动生产时，算力的成本最终会大幅下降。但在那之前，我们将处于一个AI能力增长远超算力供应增长的特殊时期，价格上涨似乎不可避免。