Dylan Patel：两大实验室将很快掌控全球大部分劳动力

（原标题：Dylan Patel – Two labs will soon control most of the world's workforce）

📝 一句话概述

全球算力资源正以前所未有的速度向 OpenAI 与 Anthropic 等头部实验室集中，这种由规模经济、递归自我改进及供应链瓶颈共同驱动的寡头垄断格局，正在重塑宏观经济结构、引发债务风险，并可能导致有效 AI 劳动力规模在十年内超越人类总人口，从而形成不可逆转的权力集中态势。

📊 算力集中化趋势与市场结构

• 头部实验室主导权增强：2024 年约三分之一的新增算力流向 OpenAI 与 Anthropic，预计 2025 年这一占比将升至 40%-50%。若趋势延续，到 2028 年底这两家实验室将控制全球大部分可用算力（FLOPS），主要得益于新部署芯片能效比提升 3-5 倍带来的效率优势。
• 寡头垄断与定价权：算力供应呈现明显的寡头垄断趋势。Meta 与 SpaceX 等巨头通过资产负债表自建算力并囤积，拥有向头部实验室高价出售算力的选择权。这种市场结构使得算力价格预期大幅上涨，预计 2027 年底每兆瓦收入可达 5000 万至 8000 万美元，甚至更高，远超当前 1000-1500 万美元的基础成本。
• 供应链“鞭梢效应”：上游设备如光刻机镜片存在物理限制，ASML 年产能仅约 100 台且扩产周期长。NVIDIA、SK 海力士、三星等上游厂商因需求激增快速提价，导致整体成本通胀。算力价格可能从每兆瓦 1000-1500 万美元涨至 2500-5000 万美元，以支撑实验室的高额采购需求。
• 全球算力增长预测：全球算力预计从 2026 年的 30 吉瓦增长至 2028 年的 70 吉瓦，2029 年达 90-100 吉瓦。然而，中国受出口管制及金融体系差异影响，2028 年前新增算力占比低于 10%，总量预计不超过 30 吉瓦。尽管预计 2029 年中国新增算力可达 50 吉瓦，但因芯片质量低于美国同类产品，同等吉瓦数下实际算力效能较低，折损后相当于美国 20 吉瓦。

💰 经济模型转变与资本支出

• 从亏损到自我造血：实验室商业模式正从依赖风险投资亏损转向自我造血。Anthropic 已于第二季度盈利，OpenAI 预计第三季度盈利。单位算力营收激增，Anthropic 每兆瓦营收达 5000 万美元，远超基础算力成本。利润再投入训练形成正循环，但当前现金流尚不足以覆盖全行业超 2 万亿美元的资本支出需求。
• 巨额资本支出压力：2024 年 AI 基础设施资本支出超 1 万亿美元，预计 2028 年超 2 万亿美元。若每年新增 100 吉瓦算力，仅 IT 设备资本支出即达 5 万亿美元，加上电力基础设施，总资本支出可能接近 1 万亿美元。2024 至 2029 年预计产生 11 万亿美元资本支出，其中 6 万亿由现金流覆盖，5 万亿需通过债务融资。
• 研发策略调整：主流实验室正将更大比例的算力从推理转向训练与研发，以追求 AGI 带来的长期收益。尽管推理算力能产生即时收入，但内部研发产生的模型进步对长期现金流折现价值更高。数据显示，随着每月新增算力增加，其用于研发的比例正在上升，而非用于直接创收的推理。
• 价值捕获内部化：Anthropic 将算力用于内部推理而非外部销售，因为内部回报远高于外部客户（如 Jane Street）的支付意愿。目前 AI 相关经济活动仅占美国 GDP 约 2%，但主要由 NVIDIA、OpenAI 及超大规模云服务商等极少数公司主导。

🏦 债务风险与宏观经济影响

• 债务融资与市场挤压：超大规模云厂商（如 Meta、Amazon）停止股票回购并大量举债，导致市场利率上升，挤压其他行业融资空间。若利率上升 250 个基点，银行信用利差扩大将导致资产重定价滞后于负债，引发亏损；高利率还会压低股票估值，特别是依赖长期现金流的防御性板块。
• 主权债务危机风险：美国联邦收入中 20% 用于偿债，若利率上升 1% 且政府年借债 2 万亿美元，偿债占比可能升至 60% 以上。巴基斯坦、尼日利亚等低税收、高债务且债务滚动频繁的国家，面临极高的违约风险。预计出现类似 80 年代“沃尔克冲击”的局面，导致约 40 个国家（主要是拉美）发生债务危机。
• GDP 占比与政治阻力：到 2030 年，数据中心建设可能占美国 GDP 的 25%-33%，引发政治与信贷市场阻力。电力设施需提前建设，导致资本支出前置，进一步加剧短期经济压力。

🚀 技术奇点、劳动力增长与监管博弈

• 有效 AI 劳动力爆发式增长：算力前沿的有效 AI 劳动力规模正以每年 10 倍的速度增长。算力前沿每年增长 4-5 倍，实现同等能力所需算力每年下降 3 倍，综合导致有效 AI 人口年增 10 倍。假设某实验室今年拥有 1000 万 AI 劳动力，明年可能达 1 亿，后年达 10 亿。若当前趋势持续，单个实验室内的有效 AI 人口将在本十年末超过地球总人口。
• 完全自动化经济情景：在完全自动化经济中，若劳动力可每年翻倍，经济增速可能达到每年翻倍，利率将随之升至数十甚至数百个百分点。非 AI 相关资产在极高折现率下估值趋近于零，资本将强制向 AGI 领域重新分配。
• 监管与安全评估影响：监管与安全评估导致模型发布放缓，可能抑制单位算力营收增长，削弱其高价收购算力的能力。政府可能通过限制模型发布、禁止内部使用高级模型来延缓 AI 进度，导致实验室在受限环境下进行递归自我改进，加剧技术脱节风险。

⚖️ 核心结论与系统性风险

• 权力集中不可逆转：算力集中化是必然结果，因为 AI 训练具有巨大的规模经济效应，且领先者能更高效地利用稀缺算力。去中心化的未来愿景难以实现，因为市场结构、递归自我改进（RSI）及部署数据优势均指向权力集中。无论是否发生 RSI，算力与 AI 劳动力的集中化趋势不可逆转，最终可能导致全球大部分工作产出由两家实验室控制。
• 系统性风险警示：若 AI 未对齐，由于全球大部分“心智”集中于少数公司，世界将面临系统性风险。替代方案困境在于，政府监管可能减缓进步，而私有制集中化则依赖单一公司做出正确决策，两者均存在显著风险。
• 现状观察：目前 Anthropic 尚未捕获大部分价值，外部经济主体（如交易公司）仍从 AI 中获利，但内部化趋势正在加速。算力集中化不仅是一个技术问题，更是一个深刻的经济与政治问题，其影响将远超科技行业本身，重塑全球权力格局。