Dylan Patel——深入解析 AI 算力扩张的三大瓶颈

对话开场就指出了一个落差：企业的总支出规模很大，但能立即投入使用的算力有限。四大科技公司的资本支出预计达到 6000 亿美元；如果把它换算成一年的算力租金，约相当于 50 吉瓦。然而，美国今年预计只有约 20 吉瓦的新容量能够上线。大量支出其实是在为提前量买单：涡轮机定金、未来的数据中心建设、电力采购协议，以及其他在容量就绪前就要做的承诺。把这些上游投资也计算在内，整个供应链的投入可能接近一万亿美元。

这一区别对 AI 实验室很重要，因为收入增长会立即带来推理算力需求。Patel 估计，即使 Anthropic 的研发和训练算力不再增长，它也可能需要额外约 4 吉瓦，才能满足预计的收入增长。Dwarkesh 因此把问题归结为时间差：如果新设施建成前就需要这些容量，算力从哪里来？Patel 的回答包括通过云合作伙伴间接获得算力，也包括接受过去可能不会选择的供应商或合同条件。

两位嘉宾对比了 Anthropic 谨慎签约与 OpenAI 激进承诺的做法。Patel 认为，OpenAI 拥有范围更广的供应商，因此到年底可获得更多算力；Anthropic 的保守策略则迫使它去寻找较新或不太成熟的供应商。节目也回顾了市场曾担心 OpenAI 无力支付已签合同的情况。实验室获得大量融资后，交易对手才更愿意与它签约。这并不意味着风险消失了，而是说融资可信度会影响谁能拿到稀缺容量，以及需要接受什么条件。

稀缺让提前锁定容量变得有价值。随着旧合同到期，短期 Hopper 算力可以按较高的小时价格出售，资金充足的买家也可能挤掉其他客户。云服务商还能通过 Bedrock、Vertex 或 Foundry 等产品提供模型服务，与客户分成收入，而不是直接转交全部算力。Dwarkesh 将这种溢价描述为现货容量加价，或收入分成。无论采用哪种形式，即使模型领先只持续几个月，提前预留算力的公司也可能获得成本优势。

接下来，对话转向 GPU 折旧。常见的总拥有成本模型会把芯片、服务器、数据中心、网络、人员、备件和融资成本都算进去。按一种五年折旧模型，一张 H100 的部署成本约为每小时 1.40 美元；如果合同价格是每小时 2 美元，毛利率约为 35%。较短的会计折旧年限会抬高每年的折旧支出，让云服务投资看起来不那么划算。但 Patel 反驳说，GPU 的经济效用取决于它仍能完成的工作价值，而不只是新一代芯片推出的速度。

芯片价格面临两股相反的力量。新芯片性能大幅提升，可能压低旧 GPU 的市场价值。Patel 举例说，随着 Rubin 普及，Hopper 的价格可能从 2024 年每小时约 2 美元，降到 2026 年的 1 美元，再降至 0.70 美元。但新模型也能让同一张旧 GPU 产出更多有用结果。节目提到，GPT-5.4 的服务成本低于 GPT-4，却能让每张 H100 处理更多 token；这些 token 对应的市场机会也可能大得多。算力受限时，芯片价值取决于它能运行的最佳高价值工作负载，而不只是它在硬件代际中的位置。

直接的战略含义是：即使模型领先只是暂时的，只要它能帮助实验室提前签约、预留容量并拿到更好的价格，就仍然有价值。两位嘉宾把这与折旧问题联系起来：如果旧 GPU 的实用寿命比悲观的会计假设更长，提前承诺算力可能是锁定供应的理性做法。但这个结论取决于需求能否持续、旧 GPU 是否仍有可用工作负载，并不能为所有芯片和云计算合同规定一个统一的折旧年限。

Patel 还提出另一种衡量 GPU 价值的方法：看芯片现在能创造多少效用。如果 Rubin 等最新芯片可以无限量供应，随着新硬件提高性价比，旧 Hopper GPU 的价格可能会下跌。但半导体供应和部署进度都受到限制，因此价格更取决于现有芯片当下能创造的价值，而不是买家理论上可以购买什么替代品。