- Giovanni Cattani@giovannicatt3没有人认真讨论AI需求10分钟阅读2028年的AI资本支出预计将超过法国的预算。前沿AI实验室的收入增长曲线几乎可以证明任何数字都合理。AI需求中的反身性是一把双刃剑,现在是时候开始讨论它了。在最新一期的播客中,@dwarkesh_sp 提出疑问:鉴于前沿智能预计每吉瓦能带来1000亿美元的收入,为什么前沿实验室没有在算力上投入更多?按照这样的速率,如果Anthropic将其所有预期产能变现,到2026年底其ARR可能达到5000亿美元——足以按收入计成为全球第三大公司。没有人认真讨论AI需求。如今,分析师们为任意供给水平下的AI建模出无限需求,却没有真正拆解这些需求来自哪里。但需求极其重要,它决定了前沿实验室能投入多少资本、会使用哪些模型,以及价值将在何处累积。以下是我思考AI需求的框架、前沿token的论证,以及几个相关话题。我对AI的未来需求极为乐观。但我的框架表明,对前沿token的需求可能部分具有反身性,由AI繁荣本身所驱动。这很好,能加速增长,但也可能向相反方向螺旋下滑。所有数字均为估算。Token作为时间单位METR的长时程图表可能是当今世界上最重要的一张图。“不同LLM能够80%概率完成的软件任务长度”(METR)。基于这张图,我常说可以把token视为时间单位。每个模型的token代表一定的任务时程,而前沿模型拥有最长的持续时间。在图上,o3约为30分钟,而Mythos约为3小时。使用o3的软件工程师可以委派最长30分钟的任务,而使用Mythos的工程师则显著提速——可委派长达3小时的任务。这张图还提供了一个对人类活动进行结构化的框架。让我们定义:长时程任务与短时程任务。“长时程”任务是指目前没有任何模型能成功完成的任务——即位于从GPT-2到Mythos的曲线之上。曲线以下的其他一切都属于“短时程”——实际上,已经被AI解决了。有界任务与无界任务。“有界”任务是指曲线在某个点停止扩展的任务:报税就是一个有界任务,其复杂度有上限。“无界”任务是指你总能做得更多的任务:AI研究、探索太空、延长寿命。劳动力分类法对AI的需求归根结底是对劳动力的需求。而要思考AI需求侧的动态,我们需要一种新的劳动力分类法。想象一个2x2矩阵,将有界-无界类别与长时程-短时程类别组合起来:有界任务对于这些任务,AI很快将饱和所有基准测试:只需信任METR的趋势线即可。如今用任何AI模型都能轻松一次性完成一个简单的前端任务(有界、短时程),而税务规划(有界、长时程)可能还需一两年,但我们终将到达。有界任务也是人们通常希望花费尽可能少时间的任务(上行空间小,主要只是避免犯错的问题)。在这里,对AI的需求将极高,但会收敛到最便宜的选项:有界任务的ROI主要是成本节约的函数,而非额外收入的函数(会计需求终归有限)。因此,非前沿模型将占据主导:无需为实验室的利润率付费,优秀的推理提供商已经存在,且小型模型的后期训练颇为有效。开源模型将继续追赶前沿——对于这些任务而言,这一滞后基本无关紧要,因为你只需将它们自动化一次。无界任务无界任务则截然不同:从定义上讲,你总能做得更多。探索太空,你总能探索得更远。缩小芯片上的节点,
你总能把它继续压缩。改进 AI,你总能把它做得更好。而且你总能构建更多软件,你也总是需要更新交易策略。换句话说,无界任务就是那些你愿意尽可能多花时间的任务——这就是为什么前沿 token 基本不可妥协。这类任务往往一辈子都不够用。由于这些任务具有非常凸的幂律特性,ROI 等式主要关注的是额外收入而非成本节约。跑得更快严格来说更好,而竞争动态意味着第一个做出来是最重要的事。你想要最好的 AI 模型、该类别中最好的软件、alpha 最高的交易策略。前沿模型将在这里占据主导地位。就像在 F1 中一样,赛车只能撑 9 个月并不重要——你总是需要开尽可能最好的那辆。反身性需求上述框架在今天已经在实时上演。我的观点是,前沿模型前所未有的收入增长是由一小部分无界、长周期任务驱动的。我最好的猜测是:(1) AI 研发,(2) 软件工程,(3) 交易。按此顺序:AI 研发:有传言称,如今实验室把 60% 的算力预算花在训练上,只有 40% 花在推理上,并且可以合理假设全球 50% 的 AI 算力用于训练。这已经会让 AI 研发成为明显的头号用例。但我还预计推理部分中有相当大一块是某种形式的 AI 研发。例如,排名靠后的 AI 实验室使用前沿模型进行研究并生成合成数据,或者应用型 AI 公司进行后训练。假设前沿 AI 实验室约 20% 的推理收入来自 AI 研发。软件工程:软件工程是 AI 需求显而易见的任务类别,但细微之处在于,这里对前沿 token 的很大一部分需求来自初创公司和 AI 公司——而不是传统的 F500 公司。初创公司不受公司官僚体系约束,可以直接更快地交付更多代码。它们交付得越多,来自客户和投资人的钱就越多。此外,初创公司为了市场份额、人才和 VC 资金而激烈竞争——竞争迫使它们使用前沿 token。成熟的 AI 公司(NVIDIA、Amazon 等)也是如此。假设这又是前沿 AI 实验室约 15% 的推理收入。交易:如果关于量化交易公司是前沿 AI token 最大支出方之一的传言属实,并且如果关于客户在前沿 AI token 上的支出呈幂律分布的传言属实,那么交易占前沿 token 收入两位数百分比也不会让我意外。这对其他投资公司同样成立。假设这同样是前沿 AI 实验室 15% 的推理收入。如果这一归因大致正确,那么我们可以说,仅这三类任务就占前沿 AI 实验室推理收入的约 50%。特别有趣的是,这三类任务在 token 支出与收入之间共享一个紧密的反馈回路,使得收入增长具有反身性:AI 研发:AI 实验室一直将 AI 研发支出转化为更强的模型能力,这几乎即时地提高了收入和融资能力,进而又让实验室能够在研发上花更多钱,如此循环;软件工程:使用 AI 的初创公司可以快速构建大量软件,用其扩大收入并筹集股权,然后迅速将这些资源部署到更多 token 上,如此循环;交易:交易公司可以即时测试 token 支出对市场的影响,利润越高,它就越能再投资于 AI 驱动的策略,如此循环。我把这些任务的需求描述为反身性的,因为它们都共享同一种模式:在 token 上花得越多,带来的收入越多、融资能力越强,而这反过来又让它们能
为投资 token 等资源——似乎没有上限。对于这些任务,唯一的约束是你能为问题分配多少 token。最好的公司是那些能够筹集足够资本并将其分配到正确押注上的公司——正如 Anthropic 所做的那样,它率先将焦点收窄到编程领域。这里最酷的一点是,总可寻址市场几乎是无限的——token 支出拓展了我们所能完成之事的边界,而 ROI 由更高的收入驱动。而且对于这些任务,只有前沿模型才重要。这正是前沿模型如今成为如此伟大业务的原因。反身性需求只针对前沿模型,即使相对开源仅有六个月的领先优势,也足以捕获整个市场。相比之下,有界任务正被数十家甚至更多的初创公司所解决。这很好,也是不可避免的。然而,这类收入不存在反身性。你或许可以削减成本,但成本降低与收入增加之间不存在即时的反馈回路。而且成本节省的一部分必须与 RLaaS 提供商分享,并且成本削减存在天花板。关于开源与闭源的争论,或消费者与企业之争,我将把其含义留给读者自行判断。反身性是双刃剑前沿 token 的反身性需求是一把双刃剑。反身性在上升时极好,在下降时极糟。所涉数字如此之大,以至于人们必须考虑这样一种情景:至少暂时地,前沿 token 的需求出现收缩。在这种情况下,问题在于关键需求驱动因素是相关的且超级顺周期。相关性三大关键任务中任何一项的需求收缩,都可能直接冲击高达 15–20% 的前沿 token 收入,并且由于相关性,冲击可达 50%。目前:(i) 前沿 AI 更高的收入推高实验室的股权价值,这 (ii) 鼓励更多 VC 投资,其中很大一部分花在 token 上,这 (iii) 增加了实验室和初创公司的价值,进而 (iv) 推动公开市场上涨,量化公司从中获利并 (v) 增加它们在前沿 token 上的支出。这只是一个例子,但传染可能从这个循环中的任何一步开始。超级顺周期性这些任务具有超级顺周期性,因为其需求随周期上行而加速,而在周期下行时可能朝相反方向加速。市场状态直接影响三大关键驱动因素的需求。市场上行让量化交易公司能在 token 上花更多钱,但也给 AI 实验室和初创公司更多资本去投资。在这个框架下,你可能只需要一个简单的触发因素就能启动向下的反身性修正。举例来说,我随手想到的:监管放缓 AI 能力的进展;利率上升放缓建设;任何外生冲击。AI 需求模型显然,我们需要一个前沿 token 需求的模型。超级顺周期、高度相关的需求是脆弱的。尽管一路走来有些波折,但 ChatGPT 的首次发布几乎与最近一次 NASDAQ 相对底部重合,而私募和公开市场都一路向右上方走。我们甚至还未探讨 AI 实验室收入潜在放缓会如何影响市场。这不太可能在短期内发生(下一代模型可能成为加速的催化剂),但正因如此,现在正是思考这一话题的好时机。鉴于当前的年度 AI 资本支出和收入水平,一个 AI 需求模型将补充我们目前拥有的供给模型,并为关键投资决策提供信息——从融资到投资——尤其是对暴露于这一建设浪潮的公司而言。上述框架或许是一个起点。超越价值需求模型还应为建设浪潮之外的资本配置提供信息。价值将继续累积到实体 AI 供应链。但尽管较少被讨
没有人认真讨论 AI 需求
ssed,价值也将归于那些追逐无边界、长周期任务的团队。大约十年内,当今由有边界任务产生的大量价值,将从人类劳动中转移出去,进入数据中心。从财务上看,可以把这些任务对应的劳动 GDP 拿出来,按一定百分比削减,然后转移到 AI 供应链。非前沿模型将主导业务量,人们可能仍然能赚钱(做销售、设计以及一些长周期规划),但公司几乎不会

没有人认真讨论 AI 需求
2028 年的 AI capex 预计将超过法国的预算。前沿 AI 实验室的收入增长曲线几乎能证明任何数字都是合理的。AI 需求中的反身性是双刃剑,现在是开始讨论它的好时机。
在最新一期播客中,@dwarkesh_sp 想知道为什么前沿实验室不在计算上支出更多——考虑到前沿智能每 GW 收入预期为 1000 亿美元。按照
因此,非前沿模型将占据主导:无需为实验室的利润付费,优秀的推理提供商已经存在,而且较小模型的后训练很有效。并且开源模型将继续追赶前沿——存在滞后,但这种滞后对这类任务大多无关紧要,因为你只需将它们自动化一次。
无界任务
无界任务非常不同:按定义,你总能做得更多。探索太空,你总能探索得更远。缩小芯片上的节点,你总能缩得更小。改进 AI,你总能把它做得更好。而且你总能构建更多软件,你也总是需要更新交易策略。
换句话说,无界任务是你愿意尽可能多花时间的任务——这就是为什么前沿 token 大多不可妥协。这些任务常常是一生都不够用的任务。由于这些任务具有非常凸的、幂律的性质,ROI 方程主要关注额外收入而不是成本节约。更快严格来说更好,而竞争动态意味着成为第一是最重要的事情。你想要最好的 AI 模型、该类别中最好的软件、具有最多 alpha 的交易策略。
前沿模型将在这里占据主导。就像在 F1 中一样,赛车是否只持续 9 个月并不重要——你总是需要驾驶尽可能最好的那辆。
反身性需求
上述框架今天已经在实时上演。
我的观点是,前沿模型前所未有的收入攀升是由一小组无界、长周期任务驱动的。我最好的猜测是:(1) AI R&D,(2) 软件工程,以及 (3) 交易。
按此顺序:
- AI R&D:有传言称,如今实验室将 60% 的计算预算用于训练,只有 40% 用于推理,并且可以合理假设全球 AI 计算能力的 50% 用于训练。这已经会让 AI R&D 成为明确的头号用例。但我还预计推理部分中有相当大一部分会是某种形式的 AI R&D。例如,排名第二的 AI 实验室使用前沿模型进行研究和合成数据生成,或应用 AI 公司进行后训练。假设前沿 AI 实验室约 20% 的推理收入来自 AI R&D。
- 软件工程:软件工程是 AI 需求显而易见的任务类别,但细微之处在于,这里对前沿 token 的很大一部分需求来自初创公司和 AI 公司——而不是传统的 F500 公司。初创公司不受公司官僚体制约束,可以直接更快地交付更多代码。他们交付得越多,从客户和投资者那里获得的钱就越多。此外,初创公司之间为市场份额、人才和 VC 资金激烈竞争——竞争迫使他们使用前沿 token。成熟的 AI 公司(NVIDIA、Amazon 等)也是如此。假设这又是前沿 AI 实验室约 15% 的推理收入。
- 交易:如果量化交易公司是前沿 AI token 最大支出者之一的传言属实,并且如果客户在前沿 AI token 上的支出呈幂律分布的传言属实,那么交易占前沿 token 收入两位数百分比也不会让我惊讶。这同样适用于其他投资公司。假设这同样是前沿 AI 实验室 15% 的推理收入。
如果这种归因大致正确,那么我们可以说,仅这三类任务就占前沿 AI 实验室推理收入的约 50%。
特别有趣的是,这三组任务在 token 支出和收入之间共享一个紧密的反馈循环,使得收入增长具有反身性:
- AI R&D:AI 实验室一直将 AI R&D 支出转化为更强的模型能力,这几乎即时地增加收入和筹集资本的能力,反过来又让实验室在 R&D 上花更多钱,如此等等;
没有人认真讨论AI需求
- 软件工程:使用 AI 的初创公司可以快速构建大量软件,利用这一点来扩大收入并筹集股权,并迅速将这些资源部署到更多 token 上,如此循环;
- 交易:交易公司可以即时测试 token 支出对市场的影响,利润越高,就能将更多利润再投资于 AI 驱动的策略,如此循环。
我将这些任务的需求描述为反身性的,因为它们都遵循相同的模式:在 token 上支出越多,带来的收入和筹集资本的能力就越强,这反过来又给了它们更多资源投资于 token,如此循环——似乎没有上限。
对于这些任务,唯一的限制是你能将多少 token 分配给该问题。最好的公司是那些能够筹集足够资本并将其分配到正确赌注上的公司——正如 Anthropic 所做的那样,它率先将焦点缩小到编码。这里很酷的一点是,总可寻址市场几乎是无限的——token 支出扩展了我们能完成的事情的视野,而 ROI 是由更高的收入驱动的。
而对于这些任务,只有前沿模型才重要。这就是为什么前沿模型今天是一门如此好的生意。反身性需求只针对前沿模型,即使比开源领先六个月,也足以占领整个市场。
相比之下,有界任务正被数十家初创公司处理。这很好,也是不可避免的。然而,这种收入没有反身性。你也许可以降低成本,但降低成本与增加收入之间没有立即的反馈循环。而且节省的成本必须有一部分与 RLaaS 提供商分享,并且成本削减存在上限。
关于开源与闭源之间、或消费者与企业之间的争论,我将影响留给读者。
反身性是双刃剑
对前沿 token 的反身性需求是一把双刃剑。反身性在上升时很棒,在下降时很糟糕。
涉及的数字如此之大,以至于人们必须考虑这样一种情景:至少暂时地,对前沿 token 的需求收缩。在这种情况下,问题在于关键需求驱动因素是相关的,并且超级顺周期。
三个关键任务中任何一个的需求收缩,都可能直接冲击高达 15–20% 的前沿 token 收入,并且由于相关性,影响可能高达 50%。
现在:(i) 前沿 AI 更高的收入推动实验室的股权价值上升,这 (ii) 鼓励更多 VC 投资,其中很大一部分用于 token,这 (iii) 增加了实验室和初创公司的价值,反过来 (iv) 使公开市场上涨,量化公司从中获利并 (v) 增加它们在前沿 token 上的支出。这只是一个例子,但传染可以从这个循环中的任何步骤开始。
超级顺周期性
这些任务超级顺周期,因为它们的需求随着周期上升而加速,而当周期下降时,可能会朝相反方向加速。
市场状态直接影响所有三个关键驱动因素的需求。市场上涨使量化交易公司能在 token 上支出更多,但也给 AI 实验室和初创公司更多资本进行投资。
在这个框架下,你可能只需要一个简单的触发因素就能开始向下的反身性修正。例如,我随口想到的:
- 监管减缓 AI 能力的进展;
- 更高的利率减缓建设;
- 任何外生冲击。
AI 需求模型
显然,我们需要一个前沿 token 需求的模型。
没有人认真谈论 AI 需求
超级顺周期、高度相关的需求是脆弱的。尽管一路上有一些波折,但第一次 ChatGPT 发布几乎与最近一次 NASDAQ 相对低点重合,私募和公开市场都一路向上。我们甚至还没有探讨 AI 实验室收入可能放缓会如何影响市场。这不太可能在短期内发生(下一代模型可能成为加速的催化剂),但正因如此,现在是思考这个主题的好时机。
考虑到当前年度 AI 资本开支和收入水平,一个 AI 需求模型将补充我们目前已有的供给模型,并为关键投资决策——从融资到投资——提供依据,尤其是对暴露于这轮建设中的公司。上述框架可能是一个起点。
超越建设之外的价值
需求模型还应指导建设之外的资本配置。价值将继续积累到实体 AI 供应链。但较少被讨论的是,价值也将积累到追求无界、长周期任务的团队。
大约十年内,今天由有界任务产生的大部分价值将从人类劳动中拿走,转移到数据中心。在财务上,可以把这些任务的劳动 GDP 取出,按一定百分比削减,然后转移到 AI 供应链。非前沿模型将主导数量,人们可能仍然赚钱(做销售、设计以及一些长周期规划),但公司获得的附加值很少。
我预计大部分价值将归于无界任务。尤其是归于那些能让世界相信其有能力配置资本开支(即 tokens)以追求这些长周期、无界任务的团队。这是模型能力之外的领域:你总可以用更长的周期来思考,我们将看到创始人去追逐那些在今天需要几辈子才能建立的公司。其中一些可能是 AI 实验室本身,一些将是新公司。
今天,市场奖励可重复、可预测的现金流——并厌恶在看不到短期有形结果的情况下花掉的研发和资本开支。未来,我们可能看到相反情况:市场将大幅折价有界任务带来的可重复现金流,同时重新定价那些能为长期明智配置资本开支的团队。
Elon Musk 不是异常现象——他是这一点的第一个例子。Tesla 和 SpaceX 的交易价格是老派金融分析师对其现金流定价的 10 倍。但市场经常为 Elon 将研发支出配置到任何理性人都认为不可能之处的能力定价。有了超级智能,会出现好几个更多的 Elon。
这里还有更多可说——但那是另一个故事了。

- simp 4 satoshi@iamgingertrashSep 1去读这个,各位4


- Jay A@jay_azhangSep 1写得很好。有一点:你假设量化交易公司在股票下跌时会亏钱,但通常并非如此1

- Jim Liu@jiahanjimliuSep 1写得好!已回关!
