递归自我改进 (RSI) 、内部研发收益远超推理业务与无法阻挡的终极垄断

-- semianalysis创始人dylan patel今天接受知名博主Dwarkesh Patel最新访谈

要点如下：

一、 实验室经济学的根本转变：从风投输血到超级印钞机目前，美国的大部分GDP增长实际上是由AI基础设施的建设所驱动的。在这场计算革命中，最核心的转变发生在OpenAI和Anthropic等前沿AI实验室的财务与商业模型上。在过去，这些公司主要是依靠风险投资来填补巨额亏损的初创企业。例如，在早期使用Nvidia Hopper GPU提供GPT-4服务时，OpenAI甚至是在承受负毛利率。然而，随着模型能力的提升（如GPT-5.6、Claude Opus 5或Fable 5），这些实验室已经跨越了盈利拐点。目前，部署一兆瓦（Megawatt）基础算力的成本大约在1000万到1500万美元之间。但最令人震惊的是，由于新一代模型能产生巨大的商业价值，实验室从这每兆瓦算力中获取的收入已经飙升至5000万美元甚至更高。这就形成了一个极其夸张的高毛利闭环：“投入10美元的推理算力成本，能够产生50美元的收入”。这种超额利润使得实验室能够将赚取的所有资金迅速投入到下一代更大规模的模型训练中，从而完全摆脱了对外部资金注资的依赖，开始依靠自身的现金流进行指数级扩张。预计到2027年末，由于最顶尖模型的稀缺性，实验室每兆瓦的收入甚至可能进一步攀升至7000万到8000万美元以上。

二、 算力资源的极度中心化：两家公司吞噬全球产能由于算力能转化为巨大的利润，全球的计算资源正在以惊人的速度向这两家头部实验室集中。今年年初，OpenAI和Anthropic的算力规模仅为约2吉瓦（Gigawatts），但到今年年底，两者都将超过5吉瓦，整体算力规模翻了三到四倍。在今年全球新增的算力中，大约有30%流向了这两家实验室，而根据目前已经签署的合同，明年这一比例将激增至40%到50%。这意味着，最迟到明年年底，全球一半的新增算力都将由OpenAI和Anthropic独占。如果这种前沿实验室算力每年增加三倍的趋势持续下去，到2027年底它们的算力将达到18吉瓦，到2028年底甚至可能达到54吉瓦（两家合计约100吉瓦）。更可怕的是，这不仅仅是数量上的增长，新部署的芯片（如GB300、TPUv7、Trainium3）在能效和每瓦性能上比上一代高出3到5倍。因此，到2028年，这两家实验室不仅将占据全球大部分的新增算力，由于硬件代际的乘数效应，它们将实际上控制全球绝大部分的有效浮点运算能力（FLOPs）。

三、 供应链瓶颈与资本主义的算力套利尽管AI创造了惊人的价值，但物理世界的硬件供应链却无法瞬间满足这种需求。目前，投资60亿美元建设一座晶圆厂，每年可以生产1吉瓦的算力，而这1吉瓦的算力目前每年能产生高达1000亿美元的最终AI收入。这意味着资本支出与产生的最终收入之间存在着超过100倍的巨大差异。在资本主义逻辑下，能够将1美元变成100美元的机会必然会引发疯狂的产能扩张。然而，供应链扩张受制于物理规律和制造周期。例如，ASML极紫外光刻机（EUV）中极其复杂的反射镜需要极长的制造时间，供应商蔡司（Carl Zeiss）目前的目标仅仅是争取到2030年实现年产100台EUV设备。在巨大的算力缺口下，市场出现了严重的“算力套利”现象。任何拥有资金和硬件的人（哪怕只是组装机架并运行开源模型），都能以1000万至1500万美元的每兆瓦成本赚取利润。而像Meta或SpaceX（埃隆·马斯克）这样拥有庞大资产负债表的巨头，可以提前囤积并建设算力，然后利用实验室急需算力的心理，以每兆瓦2500万美元、4000万美元甚至5000万美元的极高溢价将其出售或租赁给Anthropic和OpenAI。尽管面临极高的加价，由于实验室每兆瓦能产生6000万美元以上的收益，它们依然是市场上唯一有能力支付最高边际价格的买家。

四、 内部研发（R&D）的收益远超外部推理业务一个极其违反直觉的趋势是，AI实验室未来将不断减少分配给外部用户的推理算力比例，转而将绝大部分算力用于内部模型训练和研发。目前，实验室的算力分配大概是60%用于训练（其中50%用于研究探索，10%用于最终的模型开发），40%用于外部推理。为什么实验室会放弃外部推理带来的巨额现金流？因为目前AI模型产生的大部分商业价值并没有被实验室捕获，而是被最终用户（如Jane Street或Meta）攫取了。Jane Street等公司利用大模型获取的利润，远远超过了它们支付给Anthropic的代币费用。实验室逐渐意识到，将最好的AI模型（如GPT-5.6 Ultrafast模式或尚未发布的Mythos）保留在内部用于加速AI研发、实现递归自我改进（RSI），所产生的未来贴现现金流（DCF）和技术护城河，远远大于把这些算力卖给外部用户赚取的差价。因此，实验室实际上在不断增加内部研发的算力比重，将最聪明的“AI劳动力”留在内部为自己工作。

五、 地缘政治博弈：中美算力对比在这场算力军备竞赛中，全球地缘政治格局已经被彻底重塑。自2022年以来，由于美国政府的出口管制以及美国金融体系更愿意为AI初创企业提供巨额资金，目前全球用于数据中心AI计算的新增瓦数中，有70%部署在美国。相比之下，中国所占的比例不到10%。尽管中国拥有极强的制造业扩展能力和巨额的半导体补贴，但目前其国内新增算力仍严重依赖走私芯片（如伪装成非华为订单的TSMC芯片）或三星的HBM内存。即便到了2028年，当中国本土的晶圆代工厂（如中芯国际SMIC、长鑫存储CXMT）实现大规模量产时，中国每年可能也只能新增5到10吉瓦的国内算力，到2028年总算力可能只有30吉瓦左右。更关键的是，这些使用国产芯片构建的算力，在性能上远远落后于美国当时的顶尖水平（如Nvidia或Google的2028年芯片）。如果不考虑美国政府主动放缓AI发展，到2028或2029年，美国单一一家领先实验室所拥有的有效算力，可能将超过中国整个国家算力的总和。这表明，从限制竞争对手获取先进算力的角度来看，美国的出口管制战略已经取得了效果。

六、 11万亿美元的基础设施账单与全球信贷挤压要支撑AI算力的指数级增长，需要耗费天文数字的资本。从2024年到2029年，全球仅AI关键IT基础设施（如服务器、网络、光纤）的资本支出就预计将高达11万亿美元。如果算上数据中心建筑主体和需要提前多年建设的配套发电厂，每年的增量资本支出到2030年可能会逼近10万亿美元，这将占据美国四分之一到三分之一的经济体量。单靠科技巨头（如Google、Meta、Amazon）的现金流根本无法支撑如此庞大的资金需求。在预测的11万亿美元中，大约有6万亿美元可以通过企业现金流覆盖，剩下的5万亿美元必须通过在信用市场发行债务来筹集。当亚马逊、Meta或Anthropic愿意支付8%甚至20%的极高利息来借款建设数据中心时（因为AI的超高回报率足以覆盖这些利息），它们将抽干整个社会的流动资金，大幅推高全球市场的实际借贷利率。这种极端的资本虹吸将引发一系列灾难性的宏观经济后果：

非AI行业的信贷崩溃： 银行的信用利差将会恶化，普通消费者将难以获得房贷，消费品公司、电信公司等依赖低息债务运转的传统行业将被挤出信贷市场。传统股市的重估与暴跌： 随着无风险利率和贴现率的大幅上升，所有依赖长期稳定现金流的传统蓝筹股（如强生公司或铁路公司）的贴现现金流（DCF）估值将大幅缩水。除非是与AI紧密相关的资产（如内存芯片），否则整个传统股市的市盈率将被严重压缩。

主权债务危机与国家破产： 全球资本成本的飙升将引发第二次“沃尔克冲击”（Volcker shock）。就像1980年代美联储大幅加息导致40多个拉美国家违约一样，对于巴基斯坦、尼日利亚等缺乏强大税基且债务沉重的发展中国家而言，它们将完全无法在这个高息环境中生存，必然走向违约。即便是美国政府，如果不通过向数据中心征收重税来增加收入，其用于支付国债利息的支出占税收收入的比例，也可能从目前的20%飙升至60%以上。

七、 智能爆发、递归自我改进 (RSI) 与无法阻挡的终极垄断随着算力的疯狂堆叠和模型能力的跃升，AI正在从根本上重塑全球劳动力的形态。由于算力成本效益每年下降3倍，而前沿算力每年增加4到5倍，前沿AI实验室内部的“有效劳动力规模”实际上每年都在以10倍的速度呈指数级增长。即使在没有实现完全递归自我改进（RSI）的情况下，很快，单个前沿实验室内蕴含的“智能数字劳动力”数量，将超过地球上的总人口（突破10亿级别）。面对这种前所未有的力量，社会面临的核心矛盾是：AI训练具有极端的规模经济效益，且由于算力极度稀缺，领先者可以收取极高的垄断溢价，这一切都在不可逆转地推动资源向一两家公司集中。尽管政客和各州政府（如德克萨斯州暂停新建数据中心、纽约州限制电力使用）试图通过监管和限制模型发布来放慢这种步伐，但这些外在的限制可能反而会弄巧成拙。如果政府要求实验室推迟六个月向公众发布最新模型，实验室刚好可以利用这段真空期，在内部利用新模型进行递归自我改进（RSI），在短短六个月内实现100倍的能力飞跃。总结

总而言之，我们正在快速进入一个由一两家AI实验室主导的全新经济范式。这种范式的核心在于：AI实验室通过高毛利的算力变现机制，将获取的每一分利润和外部世界的庞大信贷资源全部转化为算力资本。它们不仅将彻底抽干传统非AI行业的资金，引发全球性的利率飙升和主权债务危机，还将创造出一个工作能力超过全人类总和的数字劳动力大军。由于AI行业的特殊规模效应，传统的去中心化资本主义市场正在失效，未来极有可能会走向一种由极少数几家公司掌握全球算力和顶级智能的“超级中心化”格局。