对于任何希望深入了解AI岗位替代和算力限制的人: https://substack.com/@vraserx/note/p-199696208?r=62vagp&utm_medium=ios&utm_source=notes-share-action…

AI炒作与大规模自动化之间的算力壁垒

来源: https://vraserx.substack.com/p/the-compute-wall-between-ai-hype?r=62vagp&utm_medium=ios&utm_source=notes-share-action 当前关于AI劳动的争论忽略了一个最重要的约束条件：算力。

人们谈论AI智能体时，仿佛剩下的唯一问题就是智能程度。一旦模型足够聪明，这种论点认为，它们就会直接取代大部分劳动力。这个说法听起来很清爽，但它是不完整的。

全球劳动力大约有37亿人。即使取代其中一小部分有意义的比例，也需要远超惊艳演示、更优基准测试或少数公司用智能体加速编码和客户支持的范畴。这需要大规模工业建设：芯片、数据中心、电力、冷却、电网连接、企业软件集成、安全、监控、法律认可，以及足够高的可靠性，以便企业能够信任这些系统在规模上处理真实工作。[1]

这就是为什么AI的短期影响可能是不均衡且令人困惑的。一些岗位会很快感受到压力。一些入门级工作会萎缩。一些公司会放缓招聘。一些承包商和自由职业者会提前受到冲击。但认为未来几年内数十亿工人将被AI智能体取代的想法，忽视了必须先存在的物理规模系统。

瓶颈不再仅仅是模型能力。而是部署能力。

暴露不等于替代

关于AI与就业的最有力证据，并不像网络讨论那样戏剧化。

高盛研究估计，全球约有3亿个岗位面临被AI自动化的风险。这听起来很惊人，因为它确实如此。但“暴露“意味着一个岗位包含AI可能影响的任务。这并不意味着整个岗位明年就会消失。高盛自己的基准情景描述了大约十年的采用期，在此期间，替代率在个位数百分比范围内。[2]

国际劳工组织从另一个角度得出了类似结论。其2025年全球指数发现，大约四分之一的工人从事的岗位对生成式AI有一定暴露，但只有3.3%的全球就业属于最高暴露类别。文职工作仍然是最暴露的群体，并且在高收入经济体中暴露程度急剧上升。[3]

这种区分很重要。电子表格分析师、律师、教师、程序员、设计师、呼叫中心工作人员和办公室助理都可能使用AI。他们的任务可能会改变。他们工作的某些部分可能变得更快或更便宜。但将部分任务自动化转化为完全劳动替代，需要一系列大多数公司尚未具备的决策和系统。

MIT CSAIL在2024年一项关于计算机视觉自动化的研究中明确指出了这一点。研究人员发现，当时只有约23%的视觉任务工资在经济上适合自动化。关键词是“经济上“。技术可能性只是其中一层。企业仍然需要问：AI系统是否更便宜、是否足够可靠、是否足够集成、是否值得颠覆。[4]

这正是争论中被跳过的部分。AI每个月都能做得更多。但雇主不会仅仅因为能力而用AI替代工人。他们用可靠的系统替代工人，这些系统能降低成本、降低风险，并能承受混乱现实。

智能体放大了算力问题

聊天机器人是一回事。智能体是另一回事。

一次普通的AI请求可能涉及一个提示、一个回答，或许还有几次工具调用。一个严肃的工作智能体需要规划、搜索、阅读、写作、验证、重试、与其他系统协调、记住上下文、从错误中恢复，有时要运行数小时。这使一个任务变成多次模型调用。可靠性往往意味着更多的推理，而不是更少。模型必须自我检查、比较输出、运行测试、调用工具、使用检索，有时还需要让另一个模型评判结果。

这就是为什么智能体AI比随意的聊天机器人使用更消耗算力。你想要的自主性越强，系统必须做的隐藏工作就越多。便宜的答案很容易。可靠的自主工作流成本高昂。

一篇2025年关于AI智能体的基础设施论文正好描述了这个问题。从单轮推理转向多步动态推理提高了灵活性，但引入了对系统成本、延迟、能耗和数据中心电力需求的严重担忧。作者发现，更多算力可以提高准确性，但收益递减迅速，延迟方差扩大，基础设施成本变得难以维持。[5]

这就是关键点。智能体不仅消耗智能。它们消耗时间、重试、上下文、内存、带宽和验证。在小规模上这令人兴奋。在劳动规模上，它变成了一个基础设施问题。

替代一个工人不像回答一个提示。一个工人每年可用数千小时，处理异常情况，理解非正式上下文，与其他人类打交道，并在组织内承担责任。要用软件替代工人，AI系统必须在大规模任务上反复且可靠地运行。即使模型足够好，算力账单仍然重要。

真实成本从训练转向推理

公众往往关注训练运行，因为它们引人注目。前沿实验室花费巨资训练新模型，这些数字成为头条新闻。但大规模自动化主要涉及推理。

训练创造模型。推理运行模型。如果AI智能体成为经济中的真实工人，推理就成为数字劳动的经常性成本。

这就是规模变得残酷的地方。一个每天帮助1亿人一次的模型已经是一个大型基础设施问题。一个作为始终在线的智能体为数亿工人、客户、公司和个人设备运行的模型则属于不同类别。成本不会在模型训练后停止。它会在智能体思考、行动、检查、重试和报告时重复发生。

需要明确的是，推理成本正在快速下降。斯坦福2025年AI指数报告称，在2022年末至2024年末期间，性能大致与GPT-3.5水平相当的系统的推理成本下降了超过280倍。硬件成本持续下降，能源效率大幅提高。Epoch AI同样追踪到固定性能水平下推理价格的快速下降。[6]

这是对算力瓶颈论最强的反论，应该认真对待。AI成本在下降。模型变得更高效。小型模型的能力出奇地强。开放模型正在缩小性能差距。所有这些都将加速采用。

但更便宜的智能不会自动降低总算力需求。它往往会解锁更多使用量。如果一个AI智能体变得足够便宜以至于可以随处使用，公司就会到处用它。每次任务成本降低可以创造更高的总需求，因为任务数量爆炸式增长。这在各大AI公司竞相获取算力、而不是表现得好像效率已经解决问题时已经可见。

电网现在成为AI劳动力市场的一部分

国际能源署预计，到2030年，全球数据中心电力消耗将大致翻倍，基础情景下达到约945太瓦时。IEA还预计，主要由AI采用驱动的加速服务器电力消耗将以每年约30%的速度增长。[7]

2026年4月，IEA补充称，2025年数据中心电力需求增长了17%，AI聚焦的数据中心增长更快。它还指出，五家大型科技公司2025年的资本支出超过4000亿美元，2026年可能再增长75%。同一份报告指出了变压器、燃气轮机、先进芯片、IT组件、电网连接、规划和审批方面的瓶颈。[8]

这是AI智能体故事背后的物理现实。最大的实验室要求更多算力，不是因为它在投资者演示中听起来不错。他们要求它，是因为需求正在超过基础设施。

OpenAI的Stargate项目使规模清晰可见。OpenAI、Oracle和SoftBank宣布了一条通往5000亿美元、10吉瓦AI基础设施承诺的道路。在后来的一份基础设施更新中，OpenAI表示已经提前超过了其最初的10吉瓦目标，并认为更多的算力对于训练更好的模型、可靠地服务它们、提高性能、降低成本以及为更多人提供更强大的工具是必要的。[9]

这不是一个有着小型托管账单的软件公司的语言。这是一个新工业层的语言。

为什么严重的岗位替代可能是一个十年尺度的事件

未来几年不会平静。任何声称AI直到2030年代才会对劳动产生影响的人，都忽略了已经在编码、写作、翻译、支持、设计、营销、研究和后台工作中发生的事情。第一波已经到来：初级职位减少，每个员工产出增加，对通用性工作需求减弱，以及那些主要以生产标准文本、标准图像、标准代码或标准分析为价值的人承受更大压力。

但严肃的经济范围替代不仅仅需要让工人更高效。它需要公司围绕智能体重新设计工作流，将它们连接到内部系统，解决安全和隐私问题，管理故障模式，协商法规，改变采购，重新培训管理人员，并证明系统在数月而非演示中有效。

这需要时间。麦肯锡的采用情景估计，今天一半的工作活动可能在2030年至2060年之间被自动化，中点在2045年左右。即使激进采用模型也不意味着立即替代数十亿工人。它们意味着一个由工资、监管、基础设施、企业惯性和技术成本下降塑造的漫长扩散曲线。[10]

因此，正确的立场对辩论双方都令人不安。AI强大到足以现在产生影响。它同时也远未达到替代数十亿工人所需的物理部署规模。

第一次劳动冲击可能不是大规模失业。而是压缩。入门级职位减少。团队规模缩小。招聘放缓。每个员工被要求更高产出。更多承包商与软件竞争。更多公司推迟人员编制，因为他们预计智能体能力会提高。这很严重，但不等同于全球劳动力的立即替代。

真正的转变始于裁员之前

等待大规模裁员来证明AI正在影响劳动是一个错误。劳动市场在最终替代事件发生之前就会调整。雇主在解雇之前先停止招聘。工资在职位消失之前走弱。初级职位在高级职位被自动化之前消失。工作量在人员减少之前上升。AI首先改变工人与企业之间的议价能力。

这就是未来十年变得有趣的地方。

如果算力持续扩展，如果智能体变得更可靠，如果推理成本继续下降，如果数据中心电力建设持续加速，那么特定行业的劳动市场可以变化得非常快。危险不是十年内什么都不会发生。危险是，人们将渐进的宏观转型误解为安全，而微观转型已经痛苦。

算力壁垒并不意味着AI被过度炒作。这意味着炒作指向了错误的瓶颈。问题不仅仅在于AI能否执行一项任务。问题在于，社会能否建造并负担足够的机器智能，使其在整个实体经济中持续、可靠、安全且廉价地运行该任务。

这是一个难得多的问题。

这就是为什么我认为广泛、严重的岗位替代更像是2030年代的故事，而不是2026年的故事。狭窄替代已经发生。劳动压缩已经发生。但用AI智能体替代数十亿工人不仅仅是一次软件部署。这是一次算力建设、能源建设和组织重建。

认为AI不会改变任何事的人是错的。

认为数十亿工人一夜消失的人也是错的。

真实的故事更慢、更大、更物理，大多数人都不愿承认。

现在的问题很简单。哪个行业将成为第一个，其智能体算力变得足够便宜和可靠，从而替代整个团队，而不仅仅是让他们更快？

当然，Domi。我选择了一个冷静、有力的角度：算力是演示与劳动规模自动化之间的隐藏瓶颈。

AI炒作与大规模自动化之间的算力壁垒

AI已经可以自动化任务。替代数十亿工人是一个难得多的问题。

当前关于AI劳动的争论忽略了一个最重要的约束条件：算力。

人们谈论AI智能体时，仿佛剩下的唯一问题就是智能程度。一旦模型足够聪明，这种论点认为，它们就会直接取代大部分劳动力。这个说法听起来很清爽，但它是不完整的。

全球劳动力大约有37亿人。即使取代其中一小部分有意义的比例，也需要远超惊艳演示、更优基准测试或少数公司用智能体加速编码和客户支持的范畴。这需要大规模工业建设：芯片、数据中心、电力、冷却、电网连接、企业软件集成、安全、监控、法律认可，以及足够高的可靠性，以便企业能够信任这些系统在规模上处理真实工作。[1]

这就是为什么AI的短期影响可能是不均衡且令人困惑的。一些岗位会很快感受到压力。一些入门级工作会萎缩。一些公司会放缓招聘。一些承包商和自由职业者会提前受到冲击。但认为未来几年内数十亿工人将被AI智能体取代的想法，忽视了必须先存在的物理规模系统。

瓶颈不再仅仅是模型能力。而是部署能力。

暴露不等于替代

关于AI与就业的最有力证据，并不像网络讨论那样戏剧化。

高盛研究估计，全球约有3亿个岗位面临被AI自动化的风险。这听起来很惊人，因为它确实如此。但“暴露“意味着一个岗位包含AI可能影响的任务。这并不意味着整个岗位明年就会消失。高盛自己的基准情景描述了大约十年的采用期，在此期间，替代率在个位数百分比范围内。[2]

国际劳工组织从另一个角度得出了类似结论。其2025年全球指数发现，大约四分之一的工人从事的岗位对生成式AI有一定暴露，但只有3.3%的全球就业属于最高暴露类别。文职工作仍然是最暴露的群体，并且在高收入经济体中暴露程度急剧上升。[3]

这种区分很重要。电子表格分析师、律师、教师、程序员、设计师、呼叫中心工作人员和办公室助理都可能使用AI。他们的任务可能会改变。他们工作的某些部分可能变得更快或更便宜。但将部分任务自动化转化为完全劳动替代，需要一系列大多数公司尚未具备的决策和系统。

MIT CSAIL在2024年一项关于计算机视觉自动化的研究中明确指出了这一点。研究人员发现，当时只有约23%的视觉任务工资在经济上适合自动化。关键词是“经济上“。技术可能性只是其中一层。企业仍然需要问：AI系统是否更便宜、是否足够可靠、是否足够集成、是否值得颠覆。[4]

这正是争论中被跳过的部分。AI每个月都能做得更多。但雇主不会仅仅因为能力而用AI替代工人。他们用可靠的系统替代工人，这些系统能降低成本、降低风险，并能承受混乱现实。

智能体放大了算力问题

聊天机器人是一回事。智能体是另一回事。

一次普通的AI请求可能涉及一个提示、一个回答，或许还有几次工具调用。一个严肃的工作智能体需要规划、搜索、阅读、写作、验证、重试、与其他系统协调、记住上下文、从错误中恢复，有时要运行数小时。这使一个任务变成多次模型调用。可靠性往往意味着更多的推理，而不是更少。模型必须自我检查、比较输出、运行测试、调用工具、使用检索，有时还需要让另一个模型评判结果。

这就是为什么智能体AI比随意的聊天机器人使用更消耗算力。你想要的自主性越强，系统必须做的隐藏工作就越多。便宜的答案很容易。可靠的自主工作流成本高昂。

一篇2025年关于AI智能体的基础设施论文正好描述了这个问题。从单轮推理转向多步动态推理提高了灵活性，但引入了对系统成本、延迟、能耗和数据中心电力需求的严重担忧。作者发现，更多算力可以提高准确性，但收益递减迅速，延迟方差扩大，基础设施成本变得难以维持。[5]

这就是关键点。智能体不仅消耗智能。它们消耗时间、重试、上下文、内存、带宽和验证。在小规模上这令人兴奋。在劳动规模上，它变成了一个基础设施问题。

替代一个工人不像回答一个提示。一个工人每年可用数千小时，处理异常情况，理解非正式上下文，与其他人类打交道，并在组织内承担责任。要用软件替代工人，AI系统必须在大规模任务上反复且可靠地运行。即使模型足够好，算力账单仍然重要。

真实成本从训练转向推理

公众往往关注训练运行，因为它们引人注目。前沿实验室花费巨资训练新模型，这些数字成为头条新闻。但大规模自动化主要涉及推理。

训练创造模型。推理运行模型。如果AI智能体成为经济中的真实工人，推理就成为数字劳动的经常性成本。

这就是规模变得残酷的地方。一个每天帮助1亿人一次的模型已经是一个大型基础设施问题。一个作为始终在线的智能体为数亿工人、客户、公司和个人设备运行的模型则属于不同类别。成本不会在模型训练后停止。它会在智能体思考、行动、检查、重试和报告时重复发生。

需要明确的是，推理成本正在快速下降。斯坦福2025年AI指数报告称，在2022年末至2024年末期间，性能大致与GPT-3.5水平相当的系统的推理成本下降了超过280倍。硬件成本持续下降，能源效率大幅提高。Epoch AI同样追踪到固定性能水平下推理价格的快速下降。[6]

这是对算力瓶颈论最强的反论，应该认真对待。AI成本在下降。模型变得更高效。小型模型的能力出奇地强。开放模型正在缩小性能差距。所有这些都将加速采用。

但更便宜的智能不会自动降低总算力需求。它往往会解锁更多使用量。如果一个AI智能体变得足够便宜以至于可以随处使用，公司就会到处用它。每次任务成本降低可以创造更高的总需求，因为任务数量爆炸式增长。这在各大AI公司竞相获取算力、而不是表现得好像效率已经解决问题时已经可见。

电网现在成为AI劳动力市场的一部分

国际能源署预计，到2030年，全球数据中心电力消耗将大致翻倍，基础情景下达到约945太瓦时。IEA还预计，主要由AI采用驱动的加速服务器电力消耗将以每年约30%的速度增长。[7]

2026年4月，IEA补充称，2025年数据中心电力需求增长了17%，AI聚焦的数据中心增长更快。它还指出，五家大型科技公司2025年的资本支出超过4000亿美元，2026年可能再增长75%。同一份报告指出了变压器、燃气轮机、先进芯片、IT组件、电网连接、规划和审批方面的瓶颈。[8]

这是AI智能体故事背后的物理现实。最大的实验室要求更多算力，不是因为它在投资者演示中听起来不错。他们要求它，是因为需求正在超过基础设施。

OpenAI的Stargate项目使规模清晰可见。OpenAI、Oracle和SoftBank宣布了一条通往5000亿美元、10吉瓦AI基础设施承诺的道路。在后来的一份基础设施更新中，OpenAI表示已经提前超过了其最初的10吉瓦目标，并认为更多的算力对于训练更好的模型、可靠地服务它们、提高性能、降低成本以及为更多人提供更强大的工具是必要的。[9]

这不是一个有着小型托管账单的软件公司的语言。这是一个新工业层的语言。

为什么严重的岗位替代可能是一个十年尺度的事件

未来几年不会平静。任何声称AI直到2030年代才会对劳动产生影响的人，都忽略了已经在编码、写作、翻译、支持、设计、营销、研究和后台工作中发生的事情。第一波已经到来：初级职位减少，每个员工产出增加，对通用性工作需求减弱，以及那些主要以生产标准文本、标准图像、标准代码或标准分析为价值的人承受更大压力。

但严肃的经济范围替代不仅仅需要让工人更高效。它需要公司围绕智能体重新设计工作流，将它们连接到内部系统，解决安全和隐私问题，管理故障模式，协商法规，改变采购，重新培训管理人员，并证明系统在数月而非演示中有效。

这需要时间。麦肯锡的采用情景估计，今天一半的工作活动可能在2030年至2060年之间被自动化，中点在2045年左右。即使激进采用模型也不意味着立即替代数十亿工人。它们意味着一个由工资、监管、基础设施、企业惯性和技术成本下降塑造的漫长扩散曲线。[10]

因此，正确的立场对辩论双方都令人不安。AI强大到足以现在产生影响。它同时也远未达到替代数十亿工人所需的物理部署规模。

第一次劳动冲击可能不是大规模失业。而是压缩。入门级职位减少。团队规模缩小。招聘放缓。每个员工被要求更高产出。更多承包商与软件竞争。更多公司推迟人员编制，因为他们预计智能体能力会提高。这很严重，但不等同于全球劳动力的立即替代。

真正的转变始于裁员之前

等待大规模裁员来证明AI正在影响劳动是一个错误。劳动市场在最终替代事件发生之前就会调整。雇主在解雇之前先停止招聘。工资在职位消失之前走弱。初级职位在高级职位被自动化之前消失。工作量在人员减少之前上升。AI首先改变工人与企业之间的议价能力。

这就是未来十年变得有趣的地方。

如果算力持续扩展，如果智能体变得更可靠，如果推理成本继续下降，如果数据中心电力建设持续加速，那么特定行业的劳动市场可以变化得非常快。危险不是十年内什么都不会发生。危险是，人们将渐进的宏观转型误解为安全，而微观转型已经痛苦。

算力壁垒并不意味着AI被过度炒作。这意味着炒作指向了错误的瓶颈。问题不仅仅在于AI能否执行一项任务。问题在于，社会能否建造并负担足够的机器智能，使其在整个实体经济中持续、可靠、安全且廉价地运行该任务。

这是一个难得多的问题。

这就是为什么我认为广泛、严重的岗位替代更像是2030年代的故事，而不是2026年的故事。狭窄替代已经发生。劳动压缩已经发生。但用AI智能体替代数十亿工人不仅仅是一次软件部署。这是一次算力建设、能源建设和组织重建。

认为AI不会改变任何事的人是错的。

认为数十亿工人一夜消失的人也是错的。

真实的故事更慢、更大、更物理，大多数人都不愿承认。

现在的问题很简单。哪个行业将成为第一个，其智能体算力变得足够便宜和可靠，从而替代整个团队，而不仅仅是让他们更快？