随着AI智能体日益逼近并可能取代人类知识劳动，算力的定价逻辑正在发生根本性逆转。在知名科技播客Dwarkesh Patel的最新推演中，一个大胆的预测浮出水面：如果AI实验室的收入继续高速增长，而算力供应仅能维持每年约三倍的增长，那么计算力的价格可能会迎来十倍以上的暴涨。
**硅基劳动力的价格：H100 + AI = 25万美元（硅谷程序员）**
过去几十年，算力被视为一种“工具”。电脑更快，服务器更多，云计算更便宜。但在AI时代，范式正在发生转换：GPU不再仅仅是机器的零件，而可能成为数字劳动力的载体。如果一颗H100能够承载一个接近顶尖程序员水平的AI Agent，那么它的价值就不应该再按照“服务器小时价格”计算，而应该按照它替代的人类劳动价值来计算。
试想一下，如果有一个不眠不休、随时响应、技术水平达到人类顶尖水准的“数字软件工程师”，你愿意为此支付多少年薪？在硅谷，软件工程师的平均市场年薪在25万美元以上。然而，承载这样一个同等智力水平的智能体，可能仅仅需要占用相当于单张英伟达H100显卡的算力。
现在，我们来算一笔账：如果这颗H100能够完美替代一个年薪25万美元的人类程序员，那么从纯粹的商业和经济学逻辑来看，这颗H100理论上的年租金，就应该定在25万美元以上。但此时此刻，市面上H100的现货租赁价格，年化下来仅仅只有大约1.6万美元。两者相差15倍。这就是人类历史上最大的“劳动力套利黑洞”。
**数字世界的狂奔 vs 物理世界的极限**
当虚拟世界的智力繁衍速度远远超出了物理世界制造极限，矛盾就此爆发：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。这道15倍的估值落差，会引来猛烈反扑：在未来的几年里，算力的真实价格可能会面临一轮10倍甚至更高的超级通胀。
自然，有人会问：软件工程师的年薪将来会不会大缩水呢？Dwarkesh Patel认为，如果我们相信标准经济学关于劳动力的理论，那么算力的边际价值（从而是算力边际价格）应该会变得极其高昂。
**AI赚钱的速度，已经超过制造AI的速度**
过去几年，AI行业遵循的逻辑是：更大的模型、更多的数据、更多的GPU、更强的能力。但现在，一个新的矛盾正在浮现：AI增长速度，正超过算力供应增长速度。
以Anthropic为例。过去一年，其商业收入增长约10倍。按照这种增长速度，到年底其年化收入可能达到1000亿至1500亿美元规模。如果这个趋势继续，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。而更多智能意味着：更多训练、更多推理、更多GPU。然而，问题在于：算力供应并没有以同样速度增长。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倍左右增长。于是出现一个巨大的错位：数字世界想跑10公里，但物理世界只能提供3公里的道路。
剩下的距离怎么办？只有三个选择：第一，提高利润率；第二，提高算力价格；第三，把更多算力投入推理业务。第三条路其实是很多AI实验室最不愿意看到的。因为推理赚钱，本质上只是为了证明“AI商业模式成立”，然后继续融资，继续购买更多GPU，继续训练下一代模型。硅谷真正的循环是：赚钱不是终点，只是为了买更多计算能力。
这就将解法逼回了前两个选项：利润率的暴涨，或者算力单价的攀升。如果完全依靠利润率来消化这笔差额，到明年年底，前沿实验室的利润率必须达到95%左右。在商业史上，除了极少数技术垄断的节点，这几乎就是幻想。于是，所有的线索和逻辑最终汇聚到了同一个出口：算力的单价，即将迎来一轮前所未有的暴涨。
**GPU正在从服务器，变成新时代的工厂**
很多人还没有意识到：AI竞争正在进入基础设施时代。过去互联网战争争夺的是用户、流量、入口。而AI时代争夺的是：电力、芯片、数据中心、超级算力集群。为什么？因为顶级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；数据和模型安全。这已经不是租普通的服务器，这是租赁未来智能生产线。
一个典型案例是：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，每月租金达到9亿美元。折合下来，单张GPU每小时的租金，几乎是目前市面上现货租赁单价的两倍。而不要忘记，当前的现货价格本身，就已经比今年年初的低点高出40%。
为什么？因为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，一家工厂拥有蒸汽机，另一家工厂没有。他们的差距不是10%，而是整个生产方式的代差。AI时代的GPU，也正在成为这种新的“蒸汽机”。
**供给的物理天花板**
为什么算力价格会失控到这种程度？答案在供给侧的物理公式里——这个公式，已经被台积电和光刻机巨头的物理极限牢牢锁死。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）
而这三个乘数，每一个都在逼近天花板。摩尔定律：每一步微缩都比上一步更难，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整个链条，至少到2030年无解。过去两年，算力增长的唯一引擎是抢产能——AI芯片从手机、PC手里生抢台积电先进制程。但最后这个乘数，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。
**阿尔奇安-艾伦效应：贵的反而更划算**
算力越贵，反而没人敢用便宜模型。直觉说：算力贵了，就该用轻量级模型、开源裁剪版，省着点花。但AI经济学正好反过来。
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。
算算账：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。
**反驳与宿命**
当然，也有人反对。评论区里，Eric Xu提出了一个有意思的反驳：25万美元的年租金逻辑，只在纯数字领域成立。一旦触及物理世界，比如临床试验的审批周期、政府采购的决策流程，AI的变现天花板可能根本到不了25万美元，更接近5万美元。高级软件工程师Trevor则指出：低质内容根本用不着顶级模型，它们会转向更便宜的替代方案，而不是直接消失。换句话说，被清洗的可能是价格，不是内容本身。
历史也不站在Dwarkesh这边。1980年，斯坦福生物学家Paul Ehrlich和经济学家Julian Simon打赌，赌五种金属十年后会涨价。十年后，五种全跌了，埃尔利希认输付钱。“资源必涨价”，历史上这么赌的人大多输了。
Dwarkesh的回应是：算力供给的弹性，远小于大宗商品。铜矿可以在高价刺激下增产，EUV光刻机不行——台积电自己也没有多余的产能可以释放。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。