标签
《福布斯》分析了 OpenAI 和 Anthropic 在迈向公开上市过程中截然不同的财务轨迹，突显了 Anthropic 以企业客户驱动的盈利能力，而 OpenAI 则面临消费者规模带来的亏损。
Every首席执行官Dan Shipper认为，AI通过提供“廉价能力”增加了对人类专家的需求，而这种能力只有人类才能转化为有价值、差异化的工作。他将AI比作三明治，人类负责框架搭建和输出评估。
文章认为，对于大多数公司而言，人工智能过于昂贵，在经济上不可行。超大规模云服务商在数据中心上花费了数万亿美元，但却未能产生相应的人工智能收入。文章指出，只有像NVIDIA这样的硬件供应商才能从当前的人工智能泡沫中受益。
本文提出了一种经济模型，结合缩放定律与微观经济学理论，分析大语言模型在利润最优情况下的训练策略，权衡模型质量、训练成本与硬件效率等因素。
Matt Shumer认为，即使是AI领域中最乐观的观察者也低估了未来推理市场的规模。
Dario Amodei 在 WSJ 采访中警告：AI 虽可能大幅提升 GDP，但也可能加剧失业和社会不平等。
本文分析了AI的经济学，聚焦于GPU资源的争夺战，将人类推理的尖峰负载与智能体连续工作负载进行对比，并认为当前基础设施是为人类使用而优化的，而非要求更高的智能体推理。
文章认为，高额的资本支出、电力基础设施和GPU成本使得AI开发对所有除了谷歌、微软、亚马逊和Meta这类最大超大规模云服务商之外的企业在经济上不可持续。
作者提出，使用AI扫描来自电网、数据中心等来源的信号，提取权力动态变化，并生成关于AI经济的更好问题，而不仅仅是回答现有问题。
作者提出将AI作为研究筛选和综合工具，而非内容生成器，以对抗“AI内容垃圾”。通过构建一个比较并排名专家来源的自动化流程，作者认为未来人类在AI时代的主要角色将是策展人、筛选者和判断者。
文章分析了 Gemini 和 Amazon Q 等 AI 编程工具目前激进的免费层级策略，质疑这究竟是可持续的市场特性，还是类似于价格整合前泡沫阶段的临时补贴。
作者分析了 GitHub Copilot 转向按用量计费的策略，认为这是为了建立用户依赖，并分享了自身转向高内存硬件进行本地 AI 推理的经验，以此降低成本并保持工作流的独立性。
David Sacks 提供了对 1 千兆瓦数据中心的粗略财务估算，强调了约 500 亿美元的资本支出、250-300 亿美元的年收入以及大约 2 年的回本周期，以此说明 AI 基础设施热潮的规模。
文章指出LLM智能价格在18个月内下跌了100倍，并分析认为成本的降低将推动需求向外扩张，反驳了单纯的悲观看法。
本观点论文认为，AI 智能体是一种生产技术，而非劳动投入，并提出“计算锚定工资”界限，即人类工资由计算资本成本决定，而非由劳动供给弹性决定。
OpenAI 发布经济分析报告，展示 ChatGPT 对工作者生产力的影响，并宣布与哈佛大学和美国企业研究所（AEI）的经济学家开展为期 12 个月的研究合作，以评估 AI 对就业和劳动力的影响，同时在华盛顿特区建立新的 OpenAI 工作坊。
Anthropic发布了一项针对81,000名Claude用户的调查结果，显示高AI暴露度的劳动者既报告了显著的生产力提升，也增加了对失业风险的担忧。该研究将这些主观的经济恐惧与特定职业中AI使用情况的量化数据进行了关联分析。