当AI智能体逼近甚至取代人类知识劳动时，算力价格该如何重估？知名科技播客Dwarkesh Patel在最新文章中提出了一个大胆的预测：若AI实验室营收保持高速增长（例如Anthropic明年底或达1万亿美元），而算力供应年增速仅约三倍，那么算力单价可能飙升10倍以上。
硅基劳动力的定价：一张H100能替代一名25万美元年薪的程序员
过去数十年，算力被视为一种“工具”，电脑更快、服务器更多、云计算更廉价。但在AI时代，这一范式正在发生转变：GPU不再仅仅是机器的零件，更可能成为数字劳动力的载体。
如果一颗H100能承载一个接近顶尖程序员水平的AI智能体，那么它的价值就不应再按“服务器小时”计算，而应按其替代的人类劳动价值来衡量。试想，一个不知疲倦、响应即时且技术达到人类顶尖水准的“数字软件工程师”，其年薪价值几何？
在硅谷，软件工程师的平均年薪通常超过25万美元。然而，支撑这样一个同等智力水平的智能体，可能仅需占用一张英伟达H100显卡的算力。算一笔账：若这颗H100能完美替代一名年薪25万美元的程序员，那么其理论年租金理应定为25万美元以上。但目前市场上H100的现货租赁年化价格仅约1.6万美元，两者相差15倍。
这就是我们将要面对的、人类历史上最大的“劳动力套利黑洞”。当虚拟世界的智力繁衍速度远超物理世界的制造极限，矛盾便由此爆发：数字智能的价值增长速度，正在远远超过物理计算基础设施的扩张速度。这15倍的估值落差，势必引来猛烈反扑：未来几年，算力的真实价格可能面临一轮10倍甚至更高的超级通胀。
AI赚钱速度已超算力制造速度
过去几年，AI行业遵循着“更大模型、更多数据、更多GPU、更强能力”的逻辑。但如今，一个新的矛盾浮现：AI的增长速度正在超越算力供应的增长速度。
以Anthropic为例，其商业收入在过去一年增长了约10倍。照此速度，年底其年化收入可能达到1000亿至1500亿美元。若趋势延续，下一年它将面临一个疯狂的问题：如何支撑万亿美元级别的“钱景”？
答案只有一个：更多智能。这意味着更多训练、更多推理、更多GPU。然而，算力供应并未以同等速度增长。目前行业领先实验室的物理算力扩张，大约只能维持每年3倍左右。
于是出现了巨大的错位：数字世界想跑10公里，物理世界只能提供3公里。剩下的距离怎么办？无非是三个选择：提高利润率、提高算力价格、将更多算力投入推理业务。第三条路是实验室最不愿看到的，因为推理赚钱本质上只是为了证明“AI商业模式成立”，从而继续融资、购买GPU、训练下一代模型。
硅谷的真正循环是：赚钱不是终点，而是为了买更多算力。因为实验室坚信，今天最先进的模型，一年后可能就像昨天的手机一样过时。这迫使解法回归前两个选项：利润率暴涨或算力单价攀升。若完全依赖利润率消化差额，利润率需达到95%，这在商业史上几乎是不可能的幻想。因此，算力单价即将迎来前所未有的暴涨。
GPU：从服务器到新时代的工厂
很多人尚未意识到，AI竞争已进入基础设施时代。过去互联网战争争夺的是用户、流量和入口，而AI时代争夺的是电力、芯片、数据中心和超级算力集群。
顶级AI实验室无法依赖普通云服务器，它们需要专属GPU集群、稳定网络结构、极高利用率以及数据模型安全。这不再是租赁普通服务器，而是租赁未来的智能生产线。
例如，Google和Anthropic向SpaceX租赁大规模GPU资源。据报道，谷歌约11万张GPU集群的月租金达9亿美元，单张GPU每小时租金几乎是现货租赁单价的两倍，且比今年年初高出40%。
顶级算力越来越像能源、电网等战略资源。想象一下工业革命，拥有蒸汽机的工厂与没有的工厂，差距不是10%，而是生产方式的代差。AI时代的GPU，正在成为这种新的“蒸汽机”。
物理极限锁死供给
算力价格为何会失控？答案在于供给侧的物理公式，这一公式已被台积电和光刻机巨头牢牢锁死。
行业内津津乐道的“算力每年增长3倍”的神话，拆解开来不过是三个乘数在极限边缘的勉强拼凑：算力年增长率（3x）≈ 1.4x（摩尔定律迭代）× 1.2x（新晶圆厂建设）× 1.8x（抢占先进制程产能）。
这三个乘数每一个都在逼近天花板。摩尔定律每一步微缩都更难，漏电和原子极限让迭代如履薄冰；新晶圆厂建设周期漫长，高NA EUV光刻机交付速度卡住链条，至少到2030年无解；过去两年算力增长的唯一引擎是抢产能，但这个乘数马上就要归零。到2027年底，AI芯片将吞掉台积电N3产能的86%，从60%到86%——不是增长，是物理意义上的绝对饱和，再无余地。三个乘数，两个已见顶，最后一个即将撞墙，算力供给的故事已经讲完了。
算力越贵，最强模型越有底气
算力越贵，难道不该用轻量级模型省钱吗？直觉是这么想的，但AI经济学恰恰相反。
核心逻辑是阿尔奇安-艾伦效应：当所有商品都被加上一笔固定附加成本时，贵的反而显得更划算。在AI里，这笔“附加成本”就是算力折旧费——不管用啥模型都得付。
算笔账：H100每小时20美元。最强模型：1小时搞定，25美元（20算力+5溢价）。平庸模型：授权费0，但智商不够，反复试错拖了2小时，40美元。结论：用平庸模型，反而更贵。它会在无效尝试中烧掉算力以及更珍贵的资源——时间。所以，算力越贵，最强模型越有底气收天价溢价。既然横竖都要付算力钱，多花一点用最聪明的，才是真省钱。平庸模型，没有活路。最终，全社会的资金会像黑洞一样，被吸向极少数能造出绝对最强模型的万亿级寡头。
反驳与历史的回响
当然，也有人反对。Eric Xu指出，25万美元的年租金逻辑仅在纯数字领域成立，一旦触及物理世界（如临床试验、政府采购），AI的变现天花板可能远低于此。Trevor则认为，低质内容会转向更便宜的替代方案，被清洗的可能是价格，而非内容本身。
历史也不站在Dwarkesh这边。1980年，生物学家Paul Ehrlich和经济学家Julian Simon打赌五种金属十年后会涨价，十年后五种全跌，埃尔利希认输。历史上赌资源必涨价的人大多输了。
Dwarkesh的回应是：算力供给的弹性远小于大宗商品。铜矿可以在高价下增产，但EUV光刻机不行，台积电也没有多余产能释放。在供给每年只涨3倍的这几年里，没有替代品。有意思的是，Dwarkesh自己也承认，这个预言历史上的同类几乎全错了。或许算力终有一天会像沙子一样廉价，但在那一天到来之前，我们将不得不经历一场最残酷的算力军备竞赛和算力通胀。