模型越聰明，算力就越貴

論其有餘不足，則知貴賤。
貴上極則反賤，賤下極則反貴。
—— 《史記・貨殖列傳》

司馬遷寫這兩句的時候，講的是穀物和布帛。他說的其實只有一件事：看清楚一樣東西是多還是少，價格自己會告訴你答案。這集從頭到尾就在做這件事，只是他手上那樣東西叫算力。

這集在講什麼

《Dwarkesh Podcast》平常是長訪談，這集不是——是主持人 Dwarkesh Patel 自己把一篇發在個人網站上的短文唸出來，二十分鐘不到，沒有來賓。這種「一個人把一條推論從頭走到尾」的形式，反而比訪談好聽，因為每一步都看得見。

他的起點是一道很小的算術題。

過去三年，Anthropic 的營收每年成長十倍。去年年底做到 90 億美元，他猜今年年底會落在 1,000 到 1,500 億美元之間。如果這個趨勢要再延續一年，那就是明年底 1 兆美元。他自己馬上補一句：沒有任何深層理由說這一定會發生，這個結論非常瘋狂，最後還是回到「AI 的能力到底會變多有用」。

但他要問的不是這個會不會發生，而是——假設它發生了，世界會長什麼樣。

因為同一時間還有另一條線：實驗室握有的算力，每年只成長三倍。

十倍對三倍，中間有一個缺口。

原集：Dwarkesh Podcast〈Why smarter AI models could drive up compute prices 10x〉，2026-08-03，約 20 分鐘，同文也發表在他的個人網站。

摘要重點

缺口只有三條出路，而且三條同時都已經在發生。 要讓營收漲十倍、算力只漲三倍還說得通，只有三種可能：實驗室的毛利率上升、算力價格上升、或者算力裡拿去做推論（而非訓練）的比例上升。他的理解是三條都已經在跑：推論毛利率據報從去年年中的四成，漲到現在頂規模型的八成以上；算力的現貨價格比今年二月的谷底高了四成以上；而根據 Epoch 的資料，2024 年 OpenAI 只把四分之一的算力放在推論上，現在這個數字大概到五成、甚至更高。

但第三條路，實驗室自己非常不想走。 這段是我覺得最有意思的心理描寫。在實驗室的世界觀裡，推論收入的意義是拿去說服投資人再給你錢，好訓練下一個更大更好的模型。如果你把大部分算力都花在推論上，等於自己宣告 AI 的進展停了，你現在只是一家雲端服務商——這是一個遠比「打造通用人工智慧」無聊的生意，他們不想幹，也不認為自己活在那個世界裡。他們相信一年之內就會做出讓現在的模型顯得很爛的東西，而那需要把大多數算力投進訓練與實驗。

所以第三條路被劃掉，剩下兩條。 要嘛毛利率繼續往上，surplus 留在實驗室；要嘛算力價格往上，surplus 流到實驗室以下的每一層。他說他不確定我們會走進哪一個世界。

但他對「毛利率繼續衝」這條路很懷疑。 從八成再往上，代表領先的模型必須遙遙領先到對手根本替代不了——因為毛利率在市場經濟裡存在的理由，就是你提供的東西比別人能拿到的替代品好太多。他說，要他相信「智慧」這種東西的毛利率能超過九成而且不被競爭掉，實在太瘋狂了。

於是只剩下一條：算力得漲價。而且他認為前沿實驗室要的那一批算力，漲得比表面數字更兇。 因為他們不能去買現貨實例——他們需要夠大的規模才有好的效率和彈性，還需要那種能滿足自家模型權重與客戶資料安全要求的機器。他舉的案例是 Google 和 Anthropic 向 SpaceX 租算力：Google 每月付 9 億美元，租 11 萬張 GB200 與 GB300 混編的顯示卡，單位時間價格是那批卡現貨價的兩倍——而現貨價本身已經比二月高了四成以上。

整集的核心結論在這一句：模型越聰明，同樣一份算力就能被變現得越好。 他給了一個很粗暴但很有效的算法：如果一個真正人類水準的軟體工程師可以跑在一張 H100 等級的卡上，那按今天軟體工程師的薪資，那張卡一年應該租得到 25 萬美元以上——超過現在 H100 現貨價的十五倍。而且這還沒算進去 AI 可以做整夜和整個週末。

他自己先幫你講出反駁，再拆掉它。 你當然會說：如果經濟體裡突然多出一千萬個軟體工程師，工程師的邊際價值會下降，那張卡就變不出十五倍的收入。但他說他不確定這是真的——如果把同一套論證套在人身上，那就是經典的「勞動總量謬誤」。經濟學家普遍認為高技能移民長期不會壓低薪資，因為創新與分工會提高勞動的價值。也許這次的勞動供給衝擊太大太快，舊的直覺不管用；但如果你相信標準經濟學，那勞動的邊際價值、以及因此推導出的算力邊際價值，會維持在高得驚人的水準。

接著是三個推論。 第一，頂尖實驗室變現算力的能力越強、算力越貴，別人就越難跟他們競爭——因為你得跟一個「比你更會用這個資源」的人搶標同一份資源。

第二，這點他自己說是整段思想實驗裡最有意思的：如果你能訓練出最好、最有效率的模型，你能收的毛利會比今天高很多。這是經濟學裡的阿爾欽－艾倫效應。白話講：如果租一張 H100 要每小時 20 美元，那用一個比較弱、比較不有效率的模型是極蠢的，因為它會在你昂貴的算力上燒掉更多的 token 才得到同樣的結果。所以能用更少算力達到同樣結果的模型，等於憑空創造了算力，而算力的價值會因此上升。

第三，現在很多流行的 AI 應用會被價格擠出去。AI 現在之所以便宜，是因為它還做不到頂尖人類做得到的很多事；但總有一天不是這樣。到那天，Google、Anthropic 或 OpenAI 願意為「自動化 AI 研究」付的 token 價格，會高過你我為了多產一點 AI 垃圾內容願意付的價格。

他停下來懷疑自己一次，我覺得這是全集最值得學的一段。 他說這種分析在他看來，模式上很像過去那些「關於稀缺性最後被證明錯了」的論證——例如著名的賽門—埃利希賭局：埃利希是人口成長的末日論者，他賭一籃子金屬在 1990 年之前的那十年會漲價，結果輸了，成為「市場訊號與人類巧思會找到更省的辦法」的經典教材。但他判斷這個類比大概不成立，理由有二：其一，別的研究指出如果那場賭局押在不同的十年，埃利希很可能會贏；其二，也更重要——算力的供給彈性遠低於金屬開採，吸收需求衝擊的能力更差，也更難用替代品頂上。

然後他把「三倍」拆開，這是我整集最想留下來的東西。 每年三倍是三個來源乘出來的：

• 1.4 倍來自摩爾定律——他說不要說加速了，能再撐幾年就算奇蹟。
• 1.2 倍來自新蓋的晶圓廠——這條到 2030 年、甚至更之後，都會卡在「能造出多少台 ASML 的極紫外光機台」上。
• 1.8 倍來自 AI 正在吃掉原本配給智慧型手機和個人電腦的晶圓配額——而這條大概明年底就撞牆：在台積電最先進的 N3 節點上，AI 佔的比重會從六成走到 86%。當你已經把最先進製程的產能整碗端走，這個數字就沒得再漲了。

他的結論很直白：我甚至不知道未來幾年要怎麼繼續維持每年三倍，更別說超過三倍。

最後他留了兩個附註。 一個是時間邊界：總有一天算力會再度變便宜——當我們有機器人能把矽砂與銅礦直接變成晶片，算力的價格就回到原料加工具的成本。他講的只是現在這個「奇點之前」的階段，這個階段的算力年增三倍，不足以抵銷 AI 變得多有價值。

另一個附註帶著明顯的不安：營收十倍、算力三倍這件事本身，說明模型生意的規模經濟強得驚人。訓練一次是一次性成本，學到的所有技能可以被所有使用者共享——這和人類勞動完全不同，人類的每一個個體都得從頭再訓練一次。他說：我希望我們不是活在一個「智慧」具有如此強規模經濟的世界，因為我擔心權力集中；但看起來我們就是。

延伸想法

一、把「三倍」拆成 1.4 × 1.2 × 1.8，這件事本身就是一堂瓶頸分析課。

大多數人講產業成長，講的是一個總數字。他做的事是把那個總數字拆回三個各自有物理天花板的來源，然後一個一個問：這條還能不能再快？

拆完之後，結論的性質就變了。「算力每年三倍」聽起來是一個穩定的背景假設；拆開之後你會看到，其中最大的一塊（1.8 倍）是一次性的存量搬運——把手機和個人電腦的晶圓配額搬給 AI。存量搬完就沒有了，而他給出了搬完的時點：明年底，最先進製程的 AI 佔比從六成到 86%。

這是我看過最乾淨的「瓶頸層」示範：不要問一個產業能不能繼續成長，要問它成長的每一塊分別靠什麼，以及那個東西還剩多少。這個問法可以直接搬到任何有實體限制的產業去。

二、整條推論掛在一個前提上，而他自己第一句話就把那個前提標出來了。

「營收十倍」不是事實，是假設。他開場就說了：沒有任何深層理由說這必須成真，這最終是一個關於 AI 能力的問題。

我把這當成估值紀律的示範。一條漂亮的推論鏈，價值等於它最脆弱那一節的強度——如果十倍變成四倍，缺口本身就縮小很多，「算力必須漲價」的壓力也跟著鬆掉。這不表示他錯，而是說你必須知道要盯的是哪一個變數。

實務上我最常犯的錯，就是把別人推論的結論記下來，卻沒把前提一起記下來。半年後前提早就變了，結論還留在腦子裡當事實用。這集提醒我：筆記要記到前提那一層，否則等於沒記。

三、哪些數字是雜音，哪些是結構？這集給了很好的分辨練習。

現貨價比二月漲四成、每月 9 億美元的租金、兩倍於現貨的溢價——這些都是價格水準，會隨供需、隨一輪資本開支週期上下跳。它們是這集的證據，但不是這集的骨架。

真正的骨架是兩件關係：一是「算力供給的彈性遠低於金屬開採」，二是阿爾欽－艾倫效應說的「當共同成本上升，需求會被推向更高階的品項」。關係比水準耐久——現貨價下個月跌回去，這兩件事都還成立。

我的判準是問一句：這個數字如果反轉，故事會不會垮？ 現貨價反轉，故事不垮；算力供給突然變得很有彈性，故事就垮了。前者是雜音，後者是結構。分不清楚的時候，我通常是在對雜音做決策。

四、規模經濟強到讓他不安的那一段，其實也是一個組合風險的問題。

他擔心的是權力集中。但同一個力量換到組合的角度看，是另一件事：當贏家的優勢來自規模經濟，那麼「分散持有一堆受益者」很可能只是持有同一個風險因子的很多份。

因為它們的命運不是各自獨立的——它們共同依賴同一件事成立：AI 能力持續進步、變現能力持續提高。這個前提要是鬆了，不會只有一家鬆。名字很多、產業標籤不同、報表長得不一樣，但底下是同一根柱子。

這集沒有講組合，但它把那根柱子畫得很清楚。分散的意義不在於持有幾個名字，而在於你的每一份持有是不是靠不同的事情成立。

五、他拿賽門—埃利希賭局來打自己，這是我這集最想學起來的動作。

他大可以不提。這段完全是他自己主動找出「歷史上和我現在講的話長得最像、而且錯了」的那個案例，然後說明為什麼他認為這次不一樣——理由還很具體：那場賭局換一個十年，埃利希會贏；而且算力的供給彈性和金屬開採不能類比。

這比結論本身有價值。先找到「和我這套說法同構、但被證偽了」的前例，再說明差異在哪——這是紅隊該有的樣子，而且他是自己對自己做的。

而且他留下了可以回頭對答案的東西：最先進製程的 AI 佔比從六成到 86%、明年底撞牆。這是一個有數字、有時間、可查證的說法。相較之下「算力會很貴」這種話，怎麼樣都不會錯。

這半年我越來越只想留下前一種話。 一句能被將來的事實打臉的話，比十句永遠正確的話有用。

可以參考的資料

• 原集：Dwarkesh Podcast〈Why smarter AI models could drive up compute prices 10x〉（2026-08-03，約 20 分鐘）；同一篇文字版發表在主持人的個人網站 dwarkesh.com
• Epoch AI 對前沿實驗室訓練與推論算力配置的統計是公開的，文中「2024 年約四分之一算力用於推論」出自該處
• 極紫外光機台的產能限制，主持人自己指向他幾個月前和 Dylan Patel 的那集訪談，那集談得非常細
• 阿爾欽－艾倫效應（Alchian–Allen effect）是公開的經濟學概念，可自行查證；賽門—埃利希賭局（Simon–Ehrlich bet）的始末也是公開歷史
• 文中《史記・貨殖列傳》那兩句，是我讀這集時想到的註腳，不是節目內容

---

免責聲明：本文為個人聽後心得與學習筆記，屬教育性內容，不構成任何投資建議、要約或招攬。文中提及之公司、數據與價格均來自公開節目內容與公開資訊，本文不推薦任何特定標的，也不提供目標價或買賣時點。投資有風險，請依自身財務狀況與風險承受度獨立判斷，必要時諮詢合格專業人士。引用內容版權屬原節目所有，鼓勵收聽原節目、支持創作者。

Markdown 原文

本文為投資方法論的教育性分享，不構成任何個股買賣建議、不提供目標價、不針對當期標的。投資有風險，任何決策請自行判斷或諮詢合格的專業人士。