如果把过去两年的 AI 叙事拆开来看，一个趋势已经越来越清晰：真正的瓶颈，正在从“模型能力”转向“资源分配”。
一边是推理成本持续下降、调用门槛几乎被抹平，另一边却是算力、带宽乃至组织内部认知结构的全面紧张——供给看似在爆炸，约束却变得更加隐性而复杂。
也正是在这种“表面过剩、内里稀缺”的张力之下，越来越多一线从业者开始重新审视一个问题：AI 到底在重塑什么，又在抬高什么。
在这样的背景中，一些来自实践一线的信号，比任何宏观判断都更具解释力。
在一档播客栏目中，SemiAnalysis 创始人 Dylan Patel 与主持人展开了一场对话，共同探讨 AI 革命中爆发式的供需动态。Dylan 分享了其公司的 Token 开销如何飙升至每年 700 万美元，这彻底改变了他们的生产力，并凸显了一个新时代的到来：在这个时代，执行的成本很低，但高质量的想法却价值连城。
他们深入探讨了 Anthropic 尖端模型（如 Opus 4.7 和 “Mythos”）的影响、半导体供应链中隐藏的瓶颈（包括内存、台积电和 CPU），以及“幻影 GDP”这一经济现象。最后，Dylan 对 AI 快速扩张带来的社会影响分享了大胆预测，包括为什么大规模的反 AI 抗议活动可能就在眼前。
以下为完整访谈内容，经由 InfoQ 翻译 & 整理：
主持人：过去很长一段时间里，真正稀缺的是执行力——执行非常非常困难，而想法却很廉价。但现在情况完全反过来了：想法变得廉价而且泛滥，执行却变得极其容易。所以，真正有价值的，只剩下那些能够证明自己“值得投入”的好想法。
你之前跟我讲过一个很惊人的故事，说你们团队今年在 AI token 使用上的变化非常剧烈。能不能再讲一遍？这件事让你对整个世界发生的变化有什么新的理解？
Dylan Patel：去年我们还觉得自己已经算是 AI 的重度用户了。大家都在用 ChatGPT、用各种云服务，公司也基本是“谁需要什么订阅就给什么订阅”，整体开销也就是几万美元量级。
但今年完全不一样了。真正的转折点大概是从 12 月底开始，随着 Anthropic 的 Opus 模型发布。我们公司总裁 Doug 带头推动了一件事——让非技术人员也开始用 AI 写代码。
一开始是工程师在用，但到了 1 月份，使用量开始爆发式增长，一路飙升。后来我们直接和 Anthropic 签了企业协议。到你上次跟我聊的时候，我们的 AI 开销年化大概是 500 万美元，但现在已经涨到 700 万美元了——而且那是上周的数据。
很多开销其实来自“使用本身”。比如一些从来没写过代码的人，现在也在用 Claude 写代码，有的人一天就能花掉几千美元的 token。整体算下来，我们现在一年大概花 700 万美元在 AI 上，而公司的薪资成本大概是 2500 万美元。
也就是说，我们在 AI 上的支出已经超过了薪资的 25%。如果这个趋势继续下去，到今年年底甚至可能超过 100%。这听起来确实有点可怕。
不过幸运的是，我们公司在快速增长，所以还不用在“雇人还是用 AI”之间做取舍。更现实的情况是：我们可以少招很多人，同时把钱投入 AI，然后增长得更快。
但我觉得，很快其他公司就会面对一个现实：如果一个人借助 AI 能完成原本 5 到 15 个人的工作，那企业就会开始考虑裁员。
主持人：你能不能举一些具体的例子？这些投入到底带来了什么样的变化？
Dylan Patel：有一个特别典型的例子。我们在俄勒冈州建了一个芯片逆向工程实验室，已经投入了一年半。里面有各种高端设备，比如扫描电子显微镜。我们会拆解芯片，分析它的结构和材料，这些数据是我们卖给客户的核心产品。
但这个分析过程本来是非常慢的。
现在，一个团队成员用几千美元的 token，做了一个 GPU 加速的应用，部署在 CoreWeave 的服务器上。现在只要上传一张芯片图片，这个系统就能自动识别出不同材料——比如哪里是铜、哪里是钽、哪里是锗、哪里是钴——并完成整个结构的有限元分析，还带可视化界面。
这个人之前在英特尔工作过，他说：这在以前是一个完整团队的工作，而且还需要长期维护。但现在，一个人就做出来了。把这种效率放大到整个公司层面，影响是非常夸张的。
还有一个我特别喜欢的例子。我们有个同事 Malcolm，他之前是大型银行的经济学家。那种机构的经济学团队通常有一两百人。
他一个人，用 AI 做了一件非常疯狂的事：他把 FRED 数据、就业报告等各种经济数据，通过 API 全部接入，然后开始跑回归分析，研究不同经济变量对通胀和通缩的影响。
更夸张的是，他还分析了美国劳工统计局（BLS）的 2000 项任务，判断哪些可以被 AI 完成，哪些不行，并建立了一套评估体系。目前大概只有 3% 的任务是 AI 可以完成的。
基于这些，他提出了一个概念，叫“幻影 GDP”（Phantom GDP）：AI 会让产出增加，但由于成本下降得更快，理论上 GDP 反而可能下降。
他还顺手做了一整套语言模型评估体系，包含 2000 个评测任务。这些，全都是他一个人完成的。他自己也说，这在以前需要一个 200 人的团队干一年。
主持人：那作为公司经营者，你怎么看这种支出从接近 0 一路涨到 25%，甚至可能更高？你有没有想过什么时候该“踩刹车”？比如不用最顶级的模型，换便宜一点的？
Dylan Patel：从本质上讲，我们是在做信息生意——卖分析、做咨询、提供数据集。如果我不持续提升产品质量，这些东西很快就会被商品化（commoditized）。
比如我们最早做的数据产品，现在已经有很多人开始做类似的了。如果我们停在原地，很快就会失去竞争力。
AI 的确会让很多东西变成“商品”，就像它对软件行业做的那样。但关键在于：谁能更快迭代、谁能持续提升服务质量、谁能掌握客户，谁就能增长。
那些不行动的“既得利益者”，一定会输。所以这其实是一个生存问题：如果我不用 AI，别人会用，然后打败我。
再举一个能源领域的例子。
我们之前有几位分析师，花了一年时间想做一个能源模型，但一直没做出来。能源数据服务市场大概有 9 亿美元规模，是一个很大的机会。
后来，我们有个负责数据中心能源业务的同事 Jeremy，“AI 上头”了。他连续几周每天花大概 6000 美元的 token。
在短短 3 周内，他做了这些事：抓取了美国所有发电厂、所有高压输电线路的数据，构建了整个美国电网的映射，还整合了大量需求侧数据。
最后做出了一个可视化系统，可以看到美国各个区域的电力供需情况。我们拿去给一些做能源交易的客户看，他们的反应是：“这东西你们做了多久？太强了，比某某公司还好。”
而那家公司，有 100 人团队，做了 10 年。当然，我们的系统还不够完善，但在某些方面已经更强了。
主持人：听起来，你描述的不只是效率提升，而是整个生产函数都被改写了。
Dylan Patel：完全是这样。现在的问题已经不是“能不能做”，而是“这个想法值不值得做”。因为执行成本已经低到几乎可以忽略不计了。
从你的角度来看，本质上你是在“商品化”这些能源数据服务公司。如果你不加快速度，那谁会来商品化你？所以问题就变成：作为一个企业经营者，你确实在大笔花钱，但这些投入到底带来了什么？是否真的带来了更多收入？
Dylan Patel：是的，确实带来了更多收入。
主持人：那你有没有担心过一个极限情况：那些掌握资本、负责投资的人——他们本来就是你的客户——会不会有一天说，“我们自己也有很聪明的分析师，那我们干脆自己做，不再买你的服务了”？如果一切变得这么容易，最终会不会所有能力都内收进这些投资机构内部？
Dylan Patel：首先，任何信息服务业务都有一个基本逻辑：我从信息中创造的价值，永远小于我的客户从中获得的价值。
举个简单的例子，如果我以 1 美元卖给你一条信息，你之所以愿意买，是因为这条信息能帮你赚超过 1 美元。所以，本质上你从我这里“套利”了，你赚得比我多。
像一些顶级投资机构，比如 Jane Street、Citadel，它们内部本来就有非常强的数据和研究能力。但即便如此，它们仍然会持续购买我们的数据，而且合作规模还在扩大。
原因很简单：我们有某种“优势因子”。我们更快、更灵活，是一个小团队，专注在一个非常具体的方向——AI 基础设施、token 经济，以及这场技术革命的演进路径。
我们对趋势的判断更前置，执行速度更快，产品迭代也更快。
当然，投资机构也会尝试自己构建一部分能力，但更多时候，他们会发现：直接买我们的数据更便宜。因为他们可以在我们的数据之上再做自己的分析，而不是从零开始构建整套体系。
不过，确实会有一部分人尝试自建，这是不可避免的。
主持人：我感觉每次跟你聊天，最后都会回到一个核心问题：token 的供需关系。这似乎是现在整个世界最关键的变量。从你亲身经历的这些变化来看，你对“需求侧”的判断有没有发生变化？
Dylan Patel：变化非常大。
如果我们从宏观角度看，比如 Anthropic，它的收入从大约 90 亿美元增长到现在的 350 亿到 400 亿美元年化水平——等这期播客播出时，可能已经到 400 亿到 450 亿美元了。
但关键是：它的算力并没有按同样比例增长。
如果你做一个简单的推算，并假设它没有减少研发算力（而事实上它不可能减少，因为它还在发布像 “Mythos” 和 Opus 4.7 这样的模型），那么可以得出一个结论：即使把所有新增算力都用于推理（inference），它的毛利率底线也在 72% 左右。
而现实情况是，一部分新增算力还投入到了研发中，所以真实毛利率可能更高。
要知道，在今年年初，有人泄露过他们融资文件中的数据，当时的毛利率只有 30% 多。这意味着什么？意味着 token 的需求增长速度，远远超过了供给增长。整个系统正在被需求侧“拉爆”。
主持人：也就是说，你看到的是一个需求远超预期、而供给跟不上的市场？
Dylan Patel：没错，而且这种失衡还在加剧。从我自己的公司就能感受到：一旦你真正把 AI 深度嵌入工作流，token 消耗会呈指数级增长。而且这种增长，不是“可选项”，而是“竞争所必需”。
这才是最关键的变化。
主持人：像这样的公司，利润率是怎么能做到这么高的？这听起来几乎不现实。
Dylan Patel：本质原因很简单：需求太强了。
现在真正重要的，不是你用不用这些模型，而是你有没有“访问权”。比如，你有没有 Anthropic 的客户经理？有没有企业级合同？能不能提高你的 rate limit（调用速率限制）？
因为 token 本身已经变成一种高度稀缺资源。谁能付得起钱，谁就能用到更多。
这其实不是问题，而是资本主义的自然结果。Anthropic 现在一年大概有 400 亿美元的 token 收入，但关键是——这些 token 为客户创造的价值，远远超过 400 亿美元。
不同企业，每个 token 能创造的价值不同。但随着模型越来越智能，真正重要的是：你是否能获取这些“最聪明的 token”，以及你如何使用它们。
最终，决定胜负的不是模型本身，而是人——你能不能把这些 token 用在最有价值的地方。
因为会有很多人使用 token，但并不是所有人都在创造价值。比如一些做 SaaS 的初创公司，用 Claude 生成代码，但如果他们的产品本身不创造足够价值，那他们很快就会被“挤出”市场——因为他们用不起这些 token。
主持人：我今天刚好有个亲身体验：在飞机上我用模型的时候，被 rate limit 限制了。当我看到 4.7 发布后，我立刻就想用 4.7，甚至已经不想再用 4.6 了——尽管过去几周我一直用得很开心。你会不会觉得，大家对“最新、最贵模型”的执念，有点出乎意料？
Dylan Patel：完全不意外。我最近一个很好笑的经历是：我和朋友 Leopold，曾经“跪着求”一位 Anthropic 的联合创始人，让他给我们 Mythos 的访问权限——尽管他一直假装这个模型不存在。
但这恰恰说明了问题：大家都知道，更强的模型意味着更大的价值。
从目前流出的 benchmark 来看，Mythos 可能是过去两年里模型能力最大的一次跃迁。这一点非常关键。甚至可以说，它强到让 Anthropic 不敢完全公开发布。虽然他们已经给部分客户定了价格——大概是当前 token 成本的 5 到 10 倍——但他们仍然在犹豫，因为担心它对世界的影响。
现在对外发布的 Opus 4.7，其实是一个“刻意削弱”的版本，尤其是在某些敏感能力上。所以我的建议很直接：如果你有足够的资金，就应该尽早签一个 Anthropic 的企业级合同，按 token 付费，而不是用普通订阅。这样你才能避免被 rate limit 卡住。
然后，你必须解决一个核心问题：如何把这些 token 用在“最值钱”的任务上，并且从中赚钱。
从某种意义上讲，一两年之后，很多公司的本质，可能就是在“做 token 套利”：token 本身很强大，但关键在于你把它“指向哪里”。
再往后走三到四年，甚至连这个问题都不需要人来决定——模型自己就会知道，应该把算力用在哪些地方，来创造最大价值。
主持人：听起来像是一个完全不同的经济体系。
Dylan Patel：其实我们已经能从历史中看到这个趋势。
随便选一个能力基准来看：过去达到某个能力水平，可能需要非常高的成本；现在，成本可能已经降到原来的 1/100，甚至 1/1000。
比如一些新模型，在达到类似 GPT-4 能力时，成本已经下降了几个数量级。但有趣的是——没人真的在乎这些“旧一代能力”变便宜了。大家真正想要的，是最前沿的模型。因为只有前沿模型，才能创造真正有经济价值的东西。
Dylan Patel：所以，驱动需求的，从来不是“成本下降”，而是“能力上限的提升”。
一年之后，今天的 Opus 4.6 或 4.7，可能成本只剩下现在的 1/100——比如我现在 700 万美元的开销，可能只需要 7 万美元。
但这不重要。
因为到那时候，我用的会是更强大得多的模型，能做更多、更复杂、更有价值的事情。
主持人：虽然 Mythos 这个模型单个 token 更贵，但因为它完成任务所需的 token 数量更少，所以在很多任务上反而比 Opus 4.6 更便宜，对吧？
Dylan Patel：没错。本质上是“单位 token 更聪明”。虽然单价更高，但效率提升太明显了，所以整体成本反而下降。
主持人：我记得上次见你的时候，Mythos 刚出来，你说这个模型好到让你有点“害怕”。你当时是什么意思？
Dylan Patel：Anthropic 在 2024 到 2025 年的一个核心目标，是让模型达到“L4 软件工程师”的水平——也就是一个比较初级但已经能独立工作的工程师。
基本上，他们用 Opus 4.6 做到了这一点。
但他们没明说的是：如果你看 Mythos 的 benchmark，它更接近“L6 工程师”——也就是一个经验相当丰富的高级工程师。更夸张的是，这个能力跃迁只用了两个月时间。他们内部大概在 2 月就已经有这个模型了。
所以问题就来了：接下来会发生什么？模型进步不仅没有放缓，反而在加速。无论是 Anthropic 还是 OpenAI，模型发布节奏都在明显压缩。
原因其实很清楚：要做出更强的模型，需要三样东西——算力、研究人员、以及“实现能力”。
算力很贵，而且短期内基本是“锁定”的；顶级研究人员也极其稀缺，薪酬动辄上千万美元。但“实现能力”（implementation）这件事，过去一直是瓶颈，现在却被 AI 极大地降低了门槛。
以前你有一个好想法，但实现它很难；现在你有想法，实现变得很容易——虽然仍然需要花钱，但技术门槛已经大幅下降。
主持人：这会带来什么变化？
Dylan Patel：这会彻底改变“创新的节奏”。因为实现变容易了，你可以同时尝试更多想法，然后快速迭代。无论是在做模型研发，还是在做应用——都一样。
比如过去模型可能 6 个月发布一次，现在可能 2 个月就发布一次。再比如，你想建一个美国电网的供需模型——以前很难，现在也可以快速做出来。
问题变成了：你有那么多想法，但哪些想法值得投入 token 成本去实现？
这其实是一个核心转变：过去，想法廉价，执行昂贵；现在，想法廉价且泛滥，执行变得便宜而容易。
所以，真正有价值的，只剩下“好想法”——那些能够证明自己值得被执行的想法。
主持人：那你说的“害怕”，更多是技术不确定性，还是别的？
Dylan Patel：不确定性肯定存在，但确实也带来了一种更深层的担忧——社会层面的。
我们正在进入一个世界：“你能不能执行”不再重要，真正重要的是——你能不能选对要做的事情。你的价值，变成了三件事：
1）选择正确的问题让 AI 去解决
2）把 AI 的产出转化为产品或价值
3）获取资源（资本、算力、token）来放大这一切
这也解释了为什么“最新模型的访问权”变得如此关键。
谁能用到最先进的模型？不再是所有人。
Anthropic 已经在做选择性开放，比如 Mythos 只提供给少数客户（目前主要用于网络安全场景）。未来这种趋势只会加强——模型不会全面开放，而是越来越“定向分发”。原因很现实：AI 太贵了。谁来为万亿美元级别的基础设施买单？一定是那些能用 AI 赚到钱的公司。同时，模型公司也不希望被“蒸馏”或复制，所以不会大规模开放最先进能力。
主持人：这听起来像是资源会越来越集中。是这样吗？
Dylan Patel：是的，这正是我在思考的问题：随着 token 的价值越来越高，这些资源和由此产生的收益，会不会集中在越来越少的公司手里？
比如我现在还拿不到 Mythos，但一些顶级银行已经在用了（虽然目前主要用于网络安全）。未来可能会出现这样一种情况：因为我有企业级合同、关系不错，我能稍微更早拿到新模型，或者获得更高的调用额度。我希望是这样——因为这本身就会成为新的竞争优势。
主持人：如果你的竞争对手拿不到这些最先进模型的访问权，而你能拿到，那基本上你就可以直接碾压他们，对吧？
Dylan Patel：完全可能。你可以想象一个极端但现实的场景：像 Ken Griffin 这样的人——既有钱又有关系——直接去跟模型公司谈一个协议，比如和 OpenAI 或 Anthropic 签约，说“我每年先买 100 亿美元的 token，你们的新模型优先给我用，等我用完第一批，其他人才可以用”。
如果这种事情发生，会怎样？
那他在市场上基本就是“降维打击”。这种优势可以体现在很多领域：可能是网络安全（Anthropic 目前就对这类场景高度敏感），也可能是信息服务（像我这样的业务），本质上都是一样的——谁先用上最强的模型，谁就能碾压别人。
更关键的是：我们其实并不知道这些模型真正的能力边界在哪里。
Anthropic 不知道，OpenAI 不知道，任何人都不知道。
真正去探索这些能力的，是“使用者”。是他们在不断尝试：这些 token 能用来做什么？能构建什么？
这件事本身，对人类生产力是极大的提升。但同时，也带来一个问题：资源和能力，会不会越来越集中到少数人手里？这些都需要时间来回答。
主持人：那如果把视角拉远一点，比如机器人领域？现在机器人几乎不消耗 token，但未来会不会成为一个新的需求爆发点？
Dylan Patel：我认为会，而且非常快。现在有一个概念叫“软件奇点”（software-only singularity）——也就是说，AI 的爆发主要发生在软件世界。但现实是，绝大多数经济活动发生在物理世界。
所以，软件奇点只是一个阶段，而不是终点。一旦软件变得极其容易构建，下一步自然就是：把这些能力扩展到物理世界，也就是机器人。
现在机器人难在哪里？主要难在控制系统——比如微控制器、执行器、复杂的动作控制。
而当前主流的机器人模型（比如 vision-language-action 模型）在数据效率上其实很低，没法像语言模型那样规模化。
但未来一定会出现新的路径：类似于“大规模预训练”的机器人模型，就像人类一样，通过大量经验学习，同时具备“样本高效性”（few-shot learning）。
主持人：你觉得这个突破大概什么时候会发生？
Dylan Patel：我认为在未来 6 到 18 个月内，会出现真正有意义的突破。
比如你买一个机器人，只需要给它几个示例，它就能学会任务：让它叠衣服、搬东西、保持平衡，它都能很快掌握。到那个时候，机器人会变得高度专业化：可能会有专门擦黑板的机器人、叠衣服的机器人，甚至是一种“软件包”——你下载一个模型，它就让通用机器人具备某种能力。
这会带来两个结果：一是物理世界的生产效率大幅提升；二是通缩效应（deflation）进一步加强。同时，这也会让 token 的需求继续爆炸式增长。
我个人不认为 token 需求会放缓。
主持人：那回到模型本身，比如 Mythos，它的出现有没有让你对“规模法则”（scaling laws）有新的看法？
Dylan Patel：反而更确认了一点：规模法则仍然有效。Mythos 本质上是一个更大的模型——规模显著提升。这说明一件事：投入更多算力，模型就会变得更强。
当然，不只是“堆算力”。整个过程中，还有大量“效率提升”——也就是说，达到同样能力的成本在持续下降。你可以这样理解：一方面，如果你不断扩大规模，会得到能力的巨大跃迁；另一方面，如果你维持同样能力水平，成本却在指数级下降。
主持人：那从竞争格局来看，现在是不是 Anthropic 已经领先了？
Dylan Patel：表面上看是这样。他们在 2 月就有 Mythos，但甚至没有完全发布，因为需求已经爆满；现在又发布了 Opus 4.7。
很多人会说，那 OpenAI 是不是已经落后了？但事情没那么简单。Anthropic 的问题在于：算力受限。他们增长得很快，但扩张能力有限。
而 OpenAI 的策略完全不同——他们在算力上是“极端激进”的，大规模采购资源，从 Microsoft、Oracle，到 SoftBank，再到 Amazon 的 Trainium 芯片，全都在押注。
简单说：Anthropic 更克制，但现在也开始意识到算力不够；OpenAI 则是一开始就疯狂堆算力，现在反而有更大的扩展空间。
还有一个容易被忽视的点：技术的扩散是有“时间滞后”的。
你我可能第一时间用上新模型，但大多数企业需要时间去学习、适应、重构流程。
所以即使不考虑模型继续进步，仅仅是“现有能力的扩散”，到今年年底，一个类似 Opus 4.6 水平的模型，可能就能支撑起整个经济体数百亿美元的支出规模。
现在是 400 亿美元，这个数字继续增长，并不夸张。
主持人：所以你的意思是，现在的增长更像是“线性外推”，而不是指数增长？真正的指数级爆发，需要更强的模型？
Dylan Patel：没错。现在只是线性增长——真正的指数增长，取决于下一代模型能力的跃迁。
问题在于，Anthropic 可能没有足够的算力去推动那个跃迁。接下来更有可能是 OpenAI 或 Google 先达到那个层级。
一旦有人先做到，就算他们的毛利率只有 50%，而不是 70%+，他们依然会吃掉几乎所有新增需求——而且很可能他们自己也没有足够算力去满足全部用户。
你可以想象一个极端情况：如果算力完全充足，像 Mythos 这样的模型，理论上可以支撑 5000 亿美元级别的收入。
但现实是，算力严重受限。
我们已经看到，比如 NVIDIA H100 的价格在飙升，而且这些 GPU 的“使用寿命”也在被不断拉长。
这意味着什么？意味着不仅一线实验室（Anthropic、OpenAI）会“供不应求”，连二线、三线实验室也一样——大家都会把 token 卖光。
本质上，现在出现了一个越来越大的“剪刀差”：模型所能创造的经济价值，在飞速增长；但我们能提供的算力供给，增长得没那么快。这个差距会持续扩大。
而结果就是：模型公司的利润率会不断上升——直到硬件供应链开始“反向收割”，提高自己的利润。
主持人：听起来你对需求侧的判断是：几乎爆炸式增长，而且这种增长还在加速。
Dylan Patel：是的，而且我觉得很多人还低估了这一点。我有一个比较极端的说法：如果你不使用更多 token，你会被困在一个“永久底层”（permanent underclass）。
主持人：这个说法挺激进的，展开讲讲。
Dylan Patel：这里其实有三个层次的问题：
第一，你要不要用更多 token；
第二，你能不能用这些 token 创造经济价值；
第三，你能不能把这些价值“抓在自己手里”。
很多人现在只做了第一步，甚至是以一种“偷懒”的方式——比如用 AI 把 8 小时工作压缩到 1 小时。但那只是最低级的用法。
更高级的方式是：你仍然工作 8 小时，但产出变成原来的 8 倍，收入可能变成 5 倍。
这在传统“打工模式”下不一定成立，但对于创业者、自由职业者、多项目操盘的人来说，这是完全可能的。
关键是：现在还不是“标配阶段”（table stakes）。你还有窗口期，可以利用 AI 提前放大自己的产出。但一旦所有人都这么做，这种优势就会消失。如果你在这个阶段没有做到这三件事——
用 token、创造价值、捕获价值——那随着模型能力继续提升、资源进一步集中，你很可能会被甩在后面。
主持人：那我们聊聊供给侧。为了支撑这种需求爆发，整个技术栈在发生什么变化？
Dylan Patel：一句话总结：整个供应链都在“涨价 + 延长周期 + 预付款”。
首先是 GPU。像 NVIDIA 的产品，不仅价格在上涨，而且使用寿命也在延长。
过去很多人说 GPU 用 5 年就淘汰，现在看完全不成立——很多 3-4 年前的集群还在续约使用，甚至可能用到 7-8 年。这意味着云厂商的真实利润率，其实比表面看起来更高。
再往下看整个供应链：
硬件层：像 NVIDIA，毛利率依然非常高
内存：利润率已经大幅上升
光学、逻辑芯片：通过“预付款”提升资本回报率
光刻机：ASML 已经完全卖空，还依赖 Carl Zeiss 扩产
甚至更底层，比如 PCB 所需的铜箔，也开始供不应求，需要提前锁定产能。
你会看到一个非常一致的模式：整个链条上的每一个环节，要么已经售罄、在提价，要么在收预付款、提高资本效率。换句话说：只要是“有实体、有产能”的环节，现在都在被抢。这就是供给侧的现实。
主持人：从历史来看，需求爆发之后，供给通常会很快跟上，甚至出现过剩。但现在看起来，供给几乎不可能追上。你觉得当前最关键的瓶颈在哪里？
Dylan Patel：问题在于：这一次的供应链，比以往任何时候都更复杂。而且我们正在构建的系统，本身复杂度也极高，这直接拉长了交付周期（lead time）。
过去某些行业也有 18 个月的交付周期，但“扩产”本身不需要几年时间；而现在，即使你决定扩产，真正的新增供给也要等很久才会出现。
一个典型例子是内存。内存产能每年大概只能增长 20% 到 30%，这是物理极限。即使 2025 年底需求信号已经非常明确，厂商也开始扩产，但这些新增产能，真正落地可能要到 2027 年末甚至 2028 年。
这意味着什么？
意味着价格会持续上涨，而且还没结束。尤其是 DRAM，很可能还会再翻倍甚至翻三倍。很多人觉得“内存瓶颈已经被充分讨论了”，但实际上完全没有。真正的紧缺才刚开始。而在市场机制下，唯一的调节方式就是——涨价，通过“需求破坏”（demand destruction）来重新分配资源。
主持人：那除了内存，逻辑芯片这边呢？
Dylan Patel：逻辑芯片同样面临严重瓶颈。台积电（TSMC）一直在提高资本开支（capex），今年大概在 500 多亿美元，而且还在上调。
但问题是：建晶圆厂是需要时间的。
他们已经在尽可能压榨现有产能，但短期内不可能大幅提升供给。而且他们目前的涨价策略其实相对“温和”，只是个位数涨幅——不像内存那样激进。
这就带来一个问题：台积电当然是优质公司，但它未必能“吃掉”整个价值链的最大收益。
真正被低估的，是更上游的设备和材料供应链。比如：
ASML：已经完全卖空
Lam Research、Applied Materials：需求持续爆发
更下游的供应商，比如 MKSI 等：同样受益于“订单外溢”
还有很多更细分的环节：铜箔、玻纤（PCB 材料）、激光器……这些都是“小而关键”的供应链，但现在全部处于极度紧张状态。
如果台积电在 2028 年真的做到 1000 亿美元资本开支（这不是幻想，而是现实可能），那整个供应链会被“鞭子效应”（bullwhip effect）不断放大冲击。
换句话说：越往上游，波动越剧烈，瓶颈越严重。
主持人：那除了 GPU，这一波 AI 还有哪些被忽视的瓶颈？
Dylan Patel：CPU 是一个被严重低估的瓶颈。现在大家都在讨论 GPU，但实际上 CPU 也已经“卖断货”了。
原因有两个：第一，强化学习（reinforcement learning）。模型训练现在不只是“喂数据”，而是要在环境中反复试错、评估结果。这些“环境”——无论是简单的文本校验，还是复杂的 CAD 仿真——都是运行在 CPU 上的。
第二，推理后的执行层。模型生成的代码、内容，并不会直接变成最终结果，而是要在各种应用环境中运行——这些环境，大量依赖 CPU。
换句话说：
GPU / ASIC：负责“思考”（模型推理）
CPU：负责“执行”（环境运行、应用落地）
随着 AI 生成的内容越来越多，CPU 需求也在同步爆发。
主持人：那从你的角度来看，最难判断的变量是什么？
Dylan Patel：不是供给，也不是成本，而是——“token 的经济学”。我们其实很清楚：
训练成本是多少
推理成本是多少
模型公司大概赚多少钱
但最难的是：这些 token 被用来做什么？创造了多少真实价值？这些价值如何在经济中扩散？
比如我用 AI 提升了信息分析能力，然后把这些信息卖给客户，价格还比以前更便宜。这会带来什么结果？
客户做出更好的投资决策
企业做出更优的竞争策略
整个经济效率提升
但这些价值，并不会完整体现在 GDP 统计里。这就是我说的“幻影 GDP”（Phantom GDP）问题：真实创造的价值，远远大于统计数据所反映的。但我们现在还没有一个很好的方法去衡量它。
主持人：最后一个问题。如果我们三个月后再聊，你觉得会发生什么？
Dylan Patel：我认为，会出现大规模的反 AI 抗议。
主持人：这么快？
Dylan Patel：是的。现在很多人其实是“反 AI”的，而且这种情绪在上升。随着 AI 收入快速增长、企业结构发生变化，人们会开始把各种问题归因于 AI。
再加上一些政治人物或社交媒体的推动，这种情绪很容易被放大。甚至已经有一些极端案例，比如针对 Sam Altman 的攻击事件，网上还有人表示支持。
这只是开始。
主持人：那 AI 行业应该怎么应对？
Dylan Patel：我觉得有三个关键点：第一，沟通方式需要彻底改变。像 Sam Altman 和 Dario Amodei 的对外表达，其实并没有很好地建立公众信任；第二，多展示“正面价值”，让普通人看到 AI 如何改善生活，而不是只谈“颠覆世界”；第三，少谈未来，多讲当下，如果一直强调“AI 将改变一切”，只会加剧恐惧感。
现在的问题是，大多数人既不了解这些公司，也不了解这些技术。他们看到的，是一个“神秘的小圈子”，在打造一个可能改变世界、甚至取代人类工作的系统。
如果这种认知不改变，反弹是必然的。
参考链接：
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。