据Dwarkesh，有一个有力的论点表明，到2028年，最大的AI实验室将控制世界上大部分的计算能力（FLOPS）。

# Dylan Patel – Anthropic与OpenAI将在2028年前控制全球大部分算力 来源：https://www.dwarkesh.com/p/dylan-patel-3?r=5eqgwg&triedRedirect=true 再次与我的双胞胎兄弟Dylan Patel畅聊非常愉快。 我们探讨了未来几年的实验室经济学——随着RSI（递归自我改进）临近，重心将从推理转向训练；以及Anthropic和OpenAI如何在未来几年内有望控制全球大部分可用的FLOPS（因为它们能更有效地将算力变现，从而超越所有竞标者）。 随后我们讨论：到本世纪末超过10万亿美元的AI总资本支出是否会引发主权债务危机——超大规模数据中心债务推高利率，导致未涉足AI的国家破产，并冲击非AI股票。 有一个问题我们未能解决：是否存在任何力量能够对抗这个行业走向集中化的所有趋势——训练的规模经济、算力稀缺，以及最终的持续学习和RSI？ 观看YouTube视频（https://youtu.be/aV26V1UvkJw）；在Apple Podcasts（https://podcasts.apple.com/us/podcast/dylan-patel-anthropic-openai-will-have-most-of/id1516093381?i=1000785793715）或Spotify（https://open.spotify.com/episode/1chA0sqLyHUL684tUEE3ek?si=Dgplc0zpTz-H6O642qY5mA）收听。 - Grok Bot（https://x.ai/bot）在协助我寻找新编辑方面很有帮助。我创建了一个招聘机器人，描述了我寻找的编辑类型。该机器人随即启动了多个子代理，遍历我的电子邮件和X私信，查阅我喜爱的纪录片片尾字幕，并找出为我喜爱的YouTuber做剪辑的人员。它汇总所有结果后，提供了一份符合我条件的候选人名单。请在https://x.ai/bot亲自尝试Grok Bot。 - Antithesis（https://antithesis.com/dwarkesh）让你在软件测试工具中加入时间旅行功能。由于Antithesis平台完全确定性，其中发生的一切都可完美复现。因此如果软件崩溃，你可以回溯到确切时刻，冻结时间进行调查。或者通过扰动系统测试不同假设：关闭某个节点或禁用某功能，观察结果，然后重置轨迹尝试其他方案。详情请访问https://antithesis.com/dwarkesh。 - Jane Street（https://janestreet.com/dwarkesh）目前招聘两个不同的机器学习实习岗位，一个侧重研究，一个侧重工程。两个岗位都要求实习生参与实际项目而非模拟练习：常见项目包括将前沿LLM论文应用于金融市场，这通常伴随大量复杂挑战。重要的是，申请无需金融背景。2027年招聘现已开放，请访问janestreet.com/dwarkesh。 **时间戳** （00:00:00）– 两家实验室即将控制全球大部分算力 （00:07:01）– 60亿美元晶圆厂资本支出可撬动超万亿美元最终收入 （00:13:08）– 若实验室出价最高，算力价格将上涨 （00:18:22）– 哪个层级将获取大部分剩余价值？ （00:25:40）– 什么可能减缓进展？ （00:29:43）– 实验室正将算力从推理转向研发 （00:33:27）– 中国获得的新算力不足10%，但其实验室需求较少 （00:48:48）– AI会引发主权债务危机吗？ （01:07:52）– 世界未来的劳动力是否会归属于少数几家公司？ **Dwarkesh Patel** 好的，我再次与SemiAnalysis（https://semianalysis.com/）创始人Dylan Patel对话。我们每年固定录制一期播客，这算是我们家庭版本的感恩节晚餐。但我们实际上没有血缘关系。 **Dylan Patel** 别告诉观众这个。 **Dwarkesh Patel** 这会破坏神话的。基本上，全球经济的发展方向正越来越取决于实验室经济学的走向、算力市场的发展等等。我想了解未来几年疯狂的发展会走向何方。但我们先从现状开始，请带我了解一下目前实验室的算力和收入情况，并对未来一两年做些预测。 **Dylan Patel** 回顾去年甚至年底时，美国大部分GDP增长其实来自AI基础设施（https://fortune.com/2025/10/07/data-centers-gdp-growth-zero-first-half-2025-jason-furman-harvard-economist/）。展望今年，大约三分之一的新上线算力是为OpenAI和Anthropic这些实验室准备的。这些算力可能由其他方建设后租赁给它们，但最终用户仍是它们。 展望未来，算力数据正急速膨胀（https://epoch.ai/data-insights/hyperscaler-capex-trend）。今年全球资本支出（CapEx）已略超万亿美元。到2028年将超过2万亿美元。实验室在其中的占比也在持续增加。最终会出现一个非常有趣的局面：实验室正从每年花费数百亿美元的公司，发展到预测在本世纪末每年将花费万亿美元的公司——这至少基于它们已开始与合作伙伴签订的部分合同。 这需要对其经济模式进行重大重塑。此前它们主要是亏损运营的公司。Anthropic在第二季度开始盈利。据信OpenAI可能在第三季度随着Codex（https://openai.com/index/introducing-the-codex-app/）和GPT-5.6（https://openai.com/index/previewing-gpt-5-6-sol/）等产品的推出开始盈利。但回顾一年前，它们的所有资金都来自风险投资的亏损支持。甚至在今年年初仍是如此。如今它们已迎来转折点，开始实际盈利。 但这并不意味着它们不再吸收新资本。新资本仍在流入以加速增长。但最终，其业务将更多依靠自身收入而非外部资本注入来支撑。过去一年半里，它们的利润率大幅飙升。算力的基础成本通常在每兆瓦1000万至1500万美元之间。 当前最有趣的方面在于：过去，如果它们运行模型——比如在Nvidia Hopper GPU上提供GPT-4服务——会产生负毛利率。但现在，当OpenAI运行GPT-5.6或Anthropic运行Opus 5（https://www.anthropic.com/news/claude-opus-5）或Fable 5（https://www.anthropic.com/claude/fable）时，其收入已远超每兆瓦1000-1500万美元的增量成本。以Anthropic为例，收入高达每兆瓦5000万美元。这使它们能够做到：“如果我在推理能力上花费10美元，实际能产生50美元收入，然后我可以将所有这些利润增量地投入到训练中。” **Dwarkesh Patel** 我非常想了解，你如何看待实验室算力的集中化，或者说世界与实验室之间的算力比例。如果说目前三分之一的增量算力流向实验室，那么何时会有超过一半的全球增量算力流向实验室？到何时实验室将基本上拥有全球绝大部分算力？ **Dylan Patel** 今年初，OpenAI的算力从2吉瓦起步，Anthropic不到2吉瓦。到年底，两者都超过5吉瓦。整体算力增长了3-4倍。当我们观察新增的算力时，这大约占今年新增算力的30%。 展望明年，根据已签署和即将落地的协议，情况将更为显著。Anthropic和OpenAI明年将占据40%到50%的算力。这种集中化趋势并未放缓或停止，事实上似乎还在加速。 为谁建设这些算力将会变化。明年一个重要的新进入者将是SpaceX（https://en.wikipedia.org/wiki/SpaceX），它正在建设大量算力，并很可能将大量算力租赁给Anthropic（https://www.wsj.com/livecoverage/stock-market-today-dow-sp-500-nasdaq-05-20-2026/card/anthropic-rents-1-25-billion-of-spacex-data-center-capacity-each-month-uNS0TiOKvaa8wo4GhxII）和OpenAI，因为他们是最有边际支付能力的一方。此外，OpenAI和Anthropic也开始自建算力——OpenAI使用其自研芯片（https://www.wsj.com/tech/ai/openai-broadcom-develop-custom-chip-for-ai-inference-beafd74a），Anthropic则从Google采购TPU（https://www.anthropic.com/news/google-broadcom-partnership-compute）并通过Fluidstack部署（https://www.anthropic.com/news/anthropic-invests-50-billion-in-american-ai-infrastructure）。 所以你问：“全球一半的新增算力何时会流向OpenAI和Anthropic？”实际上到明年年底，一半的新增算力就已流向Anthropic和OpenAI。 **Dwarkesh Patel** 因为算力增长如此迅猛，增量算力很快就会成为算力的主体。所以你说的可能就在一年半或两年内，全球大部分算力将由两家实验室拥有，或至少服务于两家实验室的需求。 有一种趋势是全球算力（以吉瓦计）可能每年翻倍，但前沿实验室的算力每年增长三倍。如果保持当前趋势，从今年初的2吉瓦到年底接近6吉瓦（按三倍计算）。到2027年底将是18吉瓦，2028年底54吉瓦。你会认为“以全球算力总量，它们不可能继续三倍增长”吗？你如何看待未来几年全球算力情况？ **Dylan Patel** 如果今年新增30吉瓦，明年50吉瓦，后年约70吉瓦，最终会出现一个非常有趣的现象。今年部署的新算力比两年前部署的效率高得多。全球算力的绝大部分是今年部署的。即使部署的总瓦数没有翻倍，但我们部署的是GB300（https://newsletter.semianalysis.com/p/nvidias-christmas-present-gb300-b300-reasoning-inference-amazon-memory-supply-chain）、TPUv7（https://newsletter.semianalysis.com/p/tpuv7-google-takes-a-swings-at-the）和Trainium3（https://newsletter.semianalysis.com/p/aws-trainium3-deep-dive-a-potential），它们的效率要高得多。每瓦性能是前代芯片的3-5倍。 因此最终形成了一个巨大的梯级效应。如果Anthropic和OpenAI明年占据45%的算力，到2027年12月，它们将占据全球一半的新增算力。但这半个全球新增算力实际上性能远超此前所有算力。所以这里还有另一个乘数效应。到2028年底——如果这一趋势持续，而我认为没有任何阻止它的迹象——它们将仅凭自身控制全球大部分可用浮点运算能力。 **Dwarkesh Patel** 我困惑的是，如果算力价值增长如此之大，为什么你认为2028年仅新增80吉瓦？ **Dylan Patel** 顺便说一下，这是上限。那是“我他妈超级看好”的情况。 **Dwarkesh Patel** 好的，让我们梳理一下思路。几个月前我采访你时（https://www.dwarkesh.com/p/dylan-patel），你说制造一吉瓦的Vera Rubin（https://nvidianews.nvidia.com/news/nvidia-vera-rubin-platform）需要55,000片N3（https://en.wikipedia.org/wiki/3_nm_process）晶圆、6000片N5（https://en.wikipedia.org/wiki/5_nm_process）晶圆和170,000片DRAM晶圆（https://en.wikipedia.org/wiki/Dynamic_random-access_memory）。我知道这些数字可能已经变化。 **Dylan Patel** 我要调侃你一下，但你读晶圆（wafers）的方式太印度了——读成了“vafers”。 **Dwarkesh Patel** 顺便说，我们刚搬到美国时，我的v/w发音问题很严重，而且我是素食者。 **Dylan Patel** 我记得你跟我说过这个。 **Dwarkesh Patel** 在北达科他州读小学时，我会说—— **Dylan Patel** “能给我一个wedgie（内裤）吗？” **Dwarkesh Patel** “能给我一些wedgies吗？” 总之，这是一吉瓦的情况。我让一个LLM运行你的晶圆厂设备模型，计算生产一吉瓦算力所需的工具成本（基本上每年）。它说30-40亿美元。现在假设加上洁净室、外壳和晶圆厂（https://en.wikipedia.org/wiki/Semiconductor_fabrication_plant）的其他一切。所以60亿美元的晶圆厂资本支出每年生产一吉瓦算力。目前一吉瓦能产生1000亿美元收入。 但这60亿美元资本支出每年生产一吉瓦算力，这一吉瓦每年产生1000亿美元收入。因此五年间，第一个一吉瓦已产生五年的利润，晶圆厂生产的第二个一吉瓦产生四年的利润，依此类推。在晶圆厂层面60亿美元的资本支出最终将产生超过万亿美元的最终AI收入。 **Dylan Patel** 是的。过程中还有很多运营支出。还有其他资本支出，比如数据中心、电力。 **Dwarkesh Patel** 你还得支付OpenAI的研发费用。 **Dylan Patel** 安装。这里有很多方面需要资金。 **Dwarkesh Patel** 就算砍掉一半给中间商。这仍然意味着晶圆厂资本支出与最终收入之间存在100倍差异。实际上更大，但我们非常保守。结果...这就是资本主义。你有如此巨大的差异，能把1美元变成100美元。他们难道想不出制造更多镜片（https://www.zeiss.com/semiconductor-manufacturing-technology/smt-magazine/so-does-euv-lithography-work.html）的方法？ **Dylan Patel** 他们在想办法。只是这些镜片需要时间制造。 **Dwarkesh Patel** 但情况如此紧急，Anthropic和OpenAI在说：“我们现在就能赚万亿美元，只是受限于ASML（https://en.wikipedia.org/wiki/ASML_Holding）机器里的镜片。”如果我们花1000亿美元投入这个，怎么制造更多镜片？我们很快就会面临这种情况。我们解决不了这种供应限制吗？这似乎难以想象。 **Dylan Patel** 你见过人们在这里做有趣的套利，购买涡轮机（https://en.wikipedia.org/wiki/Gas_turbine）然后转卖，因为涡轮机的价值更高，它是瓶颈所在。