置身AI内|当一座数据中心抵得上一百万人:两家 AI 实验室的算力竞赛

如果一座数据中心能够承担上百万白领的工作，它还是一项普通的科技基础设施吗？SemiAnalysis 创始人 Dylan Patel 看到的未来是：算力、资金和“数字劳动力”正同时向 OpenAI 与 Anthropic 集中。但真正限制这场扩张的，可能不是技术，而是电力、债务、监管和整个社会的承受能力。

想象一座一吉瓦的数据中心。里面没有办公桌，只有成排的服务器。如果其中运行的 AI 能够独立完成软件开发、研究和其他白领工作，那么按照访谈中的粗略换算，它可能承载约一百万名白领的工作能力。

这还不是现实。今天的 AI 尚不能完整替代一个成熟的远程员工。但 Dylan Patel 认为，商业世界已经在为这个未来提前下注。关键不只是模型变得多聪明，而是谁能拿到足够多的芯片、电力和数据中心，把这种能力大规模复制出来。

目前最有能力这样做的，是 OpenAI 和 Anthropic。

一年多以前，领先 AI 实验室仍主要依靠投资人的资金承担亏损。模型每回答一次问题，都可能消耗比收入更多的算力成本。Patel 称，这一局面在 2026 年发生了变化：Anthropic 已开始盈利，OpenAI 也可能很快跨过盈亏线。

转折来自每兆瓦算力创造的收入。访谈估算，算力成本大约为每兆瓦 1000 万至 1500 万美元，而 Anthropic 的收入一度达到每兆瓦 5000 万美元。过去花钱越多、亏损越大；现在增加推理算力，反而可能产生更多现金。

领先实验室的新飞轮由此形成：用模型服务赚取收入，再把利润投入训练，让下一代模型继续扩大收入。

这解释了为什么它们仍在融资。新资本不再只是填补亏损，而是在抢时间：更早拿到算力，就有机会更早推出更强的模型，再用更高的收入购买下一批算力。

按 Patel 的估算，2026 年初，OpenAI 拥有约两吉瓦算力，Anthropic 不到两吉瓦；到年底，两者都可能超过五吉瓦。它们吸收了当年约三成的新增算力。到 2027 年，这一比例可能升至四成至五成。

这并不意味着所有数据中心都由两家公司亲自建设。Amazon 等云服务商提供的机器，只要最终用于运行 Anthropic 模型，在这套计算中仍被视为 Anthropic 所支配的算力。SpaceX 等新参与者也可能先建设数据中心，再把容量租给出价最高的实验室。

普通云计算公司通常要先找到客户，拿着长期合同去融资，才能动工。Meta 和 SpaceX 则拥有更强的资产负债表，可以在没有最终客户时先建起来。等算力到手后，它们再决定用于自身业务，还是高价租给 OpenAI、Anthropic。

当算力供不应求时，决定资源归属的不是谁建了数据中心，而是谁能从每兆瓦中赚到最多的钱。

高回报会吸引资本，却无法让供应链瞬间扩张。

先进 AI 芯片需要晶圆厂、存储器、封装、网络设备和光刻设备。光刻机中的精密镜片、数据中心使用的燃气轮机，都是需要多年扩产的关键部件。价格信号可以很快传遍市场，但新工厂和新设备无法同样迅速落地。

Patel 预计，全球新增 AI 算力可能从 2026 年的约 30 吉瓦，增至 2027 年的 50 吉瓦和 2028 年的 70 吉瓦。与此同时，新一代芯片每瓦性能可能达到旧产品的三至五倍。因此，两家实验室即使只获得一半新增电力，也可能控制更高比例的有效计算能力。

资本还必须提前支付。服务器可以较晚采购，但数据中心建筑和电厂需要更早开工。若每年新增 100 吉瓦，仅服务器和网络等设备就可能需要约 5 万亿美元；加上电力和建筑，完整投入可能升至 7 万亿至 10 万亿美元。

更反常识的问题是：模型越赚钱，实验室未必越愿意把它开放给客户。

访谈给出的当前粗略结构是，实验室约四成算力用于向客户提供服务，六成用于训练和研究。随着模型创造的收入增加，常见判断是推理占比会继续扩大。但 Patel 认为，实验室可能选择相反方向。

原因很简单。把算力卖给客户，可以立刻产生收入；把它交给内部研究团队，则可能加快下一代模型诞生。若更强的模型能够帮助研究人员改进代码、设计实验甚至参与 AI 研究，内部回报就可能超过外部售价。

客户目前仍获得了大量价值。访谈以 Jane Street 和 Meta 为例：前者可能用模型提升交易研究效率，后者可以改进广告算法和用户体验，它们获得的收益可能远高于支付给实验室的费用。然而，这种差距也会诱使实验室提高价格，甚至把更多能力留在内部。

训练还有明显的规模效应。一家公司花钱教会模型一项技能后，可以把成果分摊到数十亿次使用中。领先模型又能赚取更多收入、获得更多真实使用数据，并帮助训练下一代模型。每一个环节都在奖励领先者。

如此庞大的扩张无法只靠利润完成。SemiAnalysis 的模型估算，2024 年至 2029 年，AI 基础设施累计资本开支可能达到约 11 万亿美元，其中约 6 万亿美元来自现金，另有超过 5 万亿美元需要借债。

这会把 AI 的竞争传导到整个金融体系。科技公司愿意为数据中心支付更高利率，因为算力回报仍然足够可观。Patel 粗略设想，大型科技公司的融资成本可能从目前约 5% 至 6%升至 8%左右。

但资金会流向回报最高的地方。如果投资者更愿意购买数据中心和科技公司的债券，住房、传统企业和政府借钱就会变贵。依赖债务、税收能力较弱的国家将承受更大压力。访谈特别提到，巴基斯坦和尼日利亚等国家可能更容易受到新利率环境冲击。

这场竞赛因此不只是芯片行业的繁荣。它可能重新决定全球资本用于什么：建住宅、修公共设施，还是建设下一座能够训练 AI 的数据中心。

纯粹从回报看，资本应该不断涌向 AI。但社会并不是一张只计算利润的表格。

电力供应、信用市场和零部件限制会拖慢建设。地方政府也可能暂停数据中心项目，要求企业承担更多税费。模型本身还要面对安全评估和发布限制。访谈提到，领先实验室已经出现暂停训练或暂缓发布最佳模型的情况。

这些限制可能降低模型创造收入的速度，从而削弱实验室争夺算力的能力。但监管也可能带来另一种集中：如果最强模型不能对外发布，却能在公司内部继续改进，实验室与外部世界之间的能力差距反而会扩大。

国家之间同样存在差距。Patel 估算，美国目前占全球新增 AI 数据中心电力的约七成，中国不到一成。到 2028 年，中国可能拥有不超过 30 吉瓦 AI 算力，而且国产芯片效率仍低于美国领先产品。不过，如果技术跃迁没有迅速发生，中国强大的制造扩张能力仍可能帮助它在随后几年追赶。

Patel 将前沿算力的增长和算法效率的提升放在一起计算，得出一个惊人的趋势：同等能力的“AI 劳动力数量”可能每年增长约十倍。

这并不意味着今天已经出现数以千万计的完整数字员工。AI 目前仍缺乏承担整份工作的可靠性和自主性。但如果它达到优秀程序员、研究员或远程白领的水平，这种复制速度将迅速改变劳动力的含义。到本世纪末，单个实验室内部的有效 AI 劳动力，理论上可能超过地球上的人口。

真正的风险不只是工作被自动化，而是未来大部分工作能力可能集中在极少数公司的服务器里。

如果 AI 能进一步帮助研发更强的 AI，这种集中还会加速。更强的模型带来更高收入，更高收入买到更多算力，更多算力再训练出更强的模型。即使没有这种“递归式自我改进”，现有的规模经济也在推动同一个结果。

于是，开头那座相当于百万人的数据中心留下了一个更难回答的问题：当它最终能够工作、研究并继续改进自己时，谁有权决定它为谁服务？

数据与实验资源