算力正以每年數倍速度向兩家實驗室集中，2028 年它們將控制全球大部分算力
算力正以每年數倍速度向 Anthropic 和 OpenAI 集中，到 2028 年它們將控制全球大部分有效算力，並可能把算力價格推到每兆瓦 5000 萬美元，進而引發主權債務危機。
原視頻在 YouTube 上放不出來，用音頻聽：
核心論點 · 時間戳為按文稿位置估算
新增算力正被兩家實驗室買走
今年全球 AI CapEx 已略超 1 萬億美元，2028 年將超過 2 萬億。年初 OpenAI 和 Anthropic 各約 2 吉瓦，年底都將超過 5 吉瓦，今年新增算力約 30% 被兩家實驗室拿走；明年這一比例將升至 40%-50%。由於新芯片每瓦性能是上一代的 3-5 倍，新增算力質量更高，到 2028 年它們將控制全球大部分可用 FLOP。邏輯是它們能更好地變現算力，因此能出價搶走所有增量。
— Dylan Patel6 億美元建廠能撬起上萬億收入
Dwarkesh 用模型測算：每年 6 億美元的晶圓廠資本支出可穩定產出一個吉瓦算力，而每個吉瓦當下就能產生約 1000 億美元年收入。疊加五年滾動，6 億美元最終對應超過 1 萬億美元的終端 AI 收入。即便扣掉中間環節，仍有上百倍槓桿。這解釋了為什麼所有人都在瘋狂擴產，以及為什麼供應鏈（尤其是 EUV 光刻機）成了瓶頸——但物理產能擴張很慢，世界仍將面臨多年算力短缺。
— Dwarkesh Patel實驗室會把每兆瓦價格抬到 5 千萬
現在任何人用 1000-1500 萬美元/兆瓦的算力都能賺錢，因此價格已經開始上行。如果實驗室要在 2028 年吞下 70%-80% 的新增算力、合計達到 100 吉瓦，就必須支付每兆瓦 2500 萬、3000 萬甚至 5000 萬美元的價格。Elon Musk 已經示範了這種玩法：把 SpaceX 的算力以每吉瓦 400 億美元賣給 Google 或 Anthropic。只要實驗室的每兆瓦收入增長更快，它們就有動力繼續加價，直到別人無利可圖。
— Dylan Patel模型層賺的錢大部分被客戶拿走
雖然模型層的毛利率已由負轉正，但大多數價值並沒有被 OpenAI 和 Anthropic 拿走，而是流向了終端用戶。Jane Street 用 GPT-5.6 的交易收入遠超其支付的 token 費用；Meta 曾傳聞佔到 Anthropic 業務約 10%，靠優化廣告賺回更多。硬件鏈內部也在輪轉：2023 年內存廠商沒吃到 HBM 紅利，如今則賺得比 TSMC 多。未來模型商是否會像 Elon 那樣把算力高價出租，還是自己內部使用，是決定價值分配的關鍵。
— Dylan Patel算力會從對外推理撤回內部訓練
這是非共識觀點：實驗室將把越來越少的算力用於外部推理，更多轉向內部研究與訓練。理由是最強模型留在內部產生的價值遠高於對外賣 token。OpenAI 和 Anthropic 已經在這麼做：新增算力中投給 R&D 的比例在上升，而外部能用到的最佳模型可能停滯——OpenAI 停止訓練兩週、Anthropic 不發布安全審查未通過的模型。這會讓內部迭代優勢繼續拉大。
— Dylan Patel中國算力差幾十倍，模型卻沒差多少
中國目前部署的數據中心 AI 算力佔全球新增不足 10%，2028 年預計只有約 30 吉瓦，且國內芯片性能明顯落後。2029 年雖然可能再增 50 吉瓦，但質量上只相當於美國芯片的 20 吉瓦。然而，中國頭部實驗室最多只有 100-200 兆瓦，Anthropic 年底超過 5 吉瓦，模型差距卻沒那麼大。Dylan 指出這或許意味著當前算力差距影響有限，但若美國繼續出口管制，同時中國 2027-2028 年國產晶圓廠放量，追趕會啟動。
— Dylan PatelAI 舉債會先砸垮藍籌股和窮國
2024-2029 年 AI 總 CapEx 約 11 萬億美元，其中超過 5 萬億要靠借債。如此規模的借貸會推高利率：Meta 現在發債付 5%-6%，未來可能心甘情願付 8%。利率上升讓非 AI 公司的貼現現金流大幅縮水，長期穩定藍籌股（如 Johnson & Johnson）價格崩塌；欠債多、稅收少的國家（如巴基斯坦、尼日利亞）可能大面積違約。Dylan 認為這是對擴張的約束，而 Dwarkesh 認為美國可以靠徵稅度過，其他國家會出事。
— Dylan Patel幾年內一家實驗室的勞動力超過全球人口
前沿算力每 12 個月增長 4-5 倍，而達成同等能力所需算力每年下降 3 倍，因此前沿實驗室的有效 AI 勞動人口每年膨脹約 10 倍。按此速度，OpenAI 從今年約 1000 萬 AI 勞工變為明年 1 億、後年 10 億；即使算力增速放緩，也只需幾年，一家實驗室的勞動當量就會超過地球總人口。這意味著未來大多數“工作人口”可能集中在兩家公司手裡，無論它們是否對齊，權力結構都會徹底改變。
— Dwarkesh Patel原話 · 已逐字校驗
$6 billion of CapEx at the fab level will have generated over a trillion dollars of end AI revenue.
6 億美元的晶圓廠資本支出，最終將帶來超過 1 萬億美元的 AI 終端收入。
Dwarkesh Patel10:13
The only reason to have inference compute be so large is so you can grow your training fleet.
讓推理算力如此之大的唯一原因，是想壯大你的訓練艦隊。
Dylan Patel32:26
If it rises 5 percentage points, that would go north of 40%. But if you take into account the fact that the government is borrowing $2 trillion every single year, then that goes from 40% to north of 60%.
如果它上升 5 個百分點，佔比就會超過 40%。但如果你把政府每年借 2 萬億美元這個事實算進去，就會從 40% 漲到 60% 以上。
Dwarkesh Patel49:31
Well, if you’re really AI-pilled, everything in the economy should trade at 2 or 3 times earnings.
如果你真的信仰 AI，那麼經濟中所有東西都應該只值 2 到 3 倍市盈率。
Dylan Patel49:31
We talk often about centralization of power because of nationalization or whatever. But we don't think enough about the fact that we're actually moving very fast into a regime where most “people”, in terms of work output, are concentrated within two labs who are consuming more and more of the world's compute.
我們經常談論國有化之類的權力集中。但我們沒有足夠思考這一點：我們正非常快地進入這樣一個體制——按工作輸出來算，大多數“人”都集中在兩家實驗室裡，而它們正消耗越來越多全球算力。
Dwarkesh Patel1:07:01
It seems to me that every force is screeching towards centralization. And that's scary as hell.
在我看來，所有力量都在尖嘯著衝向中心化。這實在是太嚇人了。
Dylan Patel1:07:01
數字與實體
| OpenAI/Anthropic 算力規模 | 年初各約 2 吉瓦，年末均超 5 吉瓦 | 0:00 |
| 每兆瓦基礎算力成本 | 約 1000-1500 萬美元；Anthropic 每兆瓦收入最高 5000 萬美元 | 0:00 |
| 明年兩家實驗室佔新增算力比例 | 40%-50% | 7:01 |
| 2024-2029 年 AI 總 CapEx | 約 11 萬億美元，其中超 5 萬億靠債務融資 | 49:31 |
| 全球新增 AI 算力（節目口徑） | 今年 30 吉瓦 → 明年 50 → 2028 年 70 → 2029 年 90-100 | 36:11 |
| 中國 2028 年 AI 算力總量 | 約 30 吉瓦或更少 | 36:11 |
| 中國 2029 年新增算力與等效 | 可增 50 吉瓦，但約等於美國芯片的 20 吉瓦 | 36:11 |
| Meta 近期發債利率 | 5%-6%，未來可能願意付 8% | 49:31 |
術語
- FLOP浮點運算次數
- 衡量 AI 算力的基本單位，每秒浮點運算次數。
- RSI遞歸自我改進
- Recursive Self-Improvement，AI 自己改進自身能力，指數加速。
- hyperscaler超大規模雲廠商
- 指 Google、Meta、Amazon、Microsoft 等巨型雲計算公司。
- crowding-out effect擠出效應
- 鉅額借貸推高利率，擠佔其他經濟主體的借款需求。
- continual learning持續學習
- 模型在部署後隨使用不斷更新訓練，而非一次訓練完。
收聽指南
關注 AI 算力分配、數據中心資本開支與利率走勢的投資人；在雲廠商與實驗室博弈中做決策的創業者；研究中國芯片追趕路徑的工程師。
1:19-2:45 的贊助商廣告可跳過，其餘部分信息密度很高。