AI 越强大,算力为何可能反向涨价?

摘要：AI 越强大，单位算力能产生的价值也随之攀升。当需求增速超过芯片与数据中心的供给能力时，算力价格为何会出现阶段性上扬？

过去多年，技术发展已经让我们形成一种固定预期：同样的支出，明年总能换来更强的性能。

存储容量不断攀升，流量费用持续走低，同样面积的芯片也能集成更多晶体管。按照这一趋势推测，AI 理应遵循同样的规律——模型效率日益提升，芯片性能逐代增强，每一次对话、每一张图片的开销理应持续走低。

这种直觉在供给端并无问题，但难点在于，AI 本身也在重塑需求。

当它仅限于闲聊、整理几段文字时，用户愿意支付的费用相当有限。然而一旦它能够稳定替代程序员、研究员，乃至整个小型团队的工作，同样一份算力所创造的价值便截然不同。

由此便产生一个看似矛盾的现象：AI 越强大，算力未必越便宜。至少在某些阶段，它反而可能趋于昂贵。

芯片制程不断演进，使相同面积承载更多计算能力；软件持续优化，使相同任务消耗更少资源；规模效应显现，进一步摊薄数据中心、网络与运维成本。

这些力量确实都在促使算力降价。然而要让价格持续下行，还有一个常被忽视的前提：新增供给必须跟得上用户不断攀升的购买意愿。

AI 未必能满足这一前提。

每当模型新增一种可靠能力，就会有一批原本不值得交给 AI 处理的任务进入自动化领域。曾经只能补全一行代码，后来能审查整个项目；曾经只能给出建议，后来能连续调用工具、执行任务，再回检结果。

模型每迈进一步，算力的潜在应用场景就拓展一圈。

因此，我们不能仅仅追问“生产一单位算力是否更便宜”，还应思考：最看重这份算力的人，能借此创造多少价值？

为看清这股力量，不妨将差距刻意拉大。

假设一家头部 AI 企业收入增长了 10 倍，而其能够获取并使用的算力仅增长 3 倍。这并非预测，而是一个思维实验：同样一份算力，忽然带来更多收入，额外的价值将流向何处？

额外的价值，原则上只有三个出口。

第一种情形，是模型企业将更多价值留在内部。但只要市场上仍存在能力相近的竞争者，利润率便难以无限推高。

第二种情形，是将更多算力从训练转向推理，即减少下一代模型的训练，加大对现有用户的服务力度。这虽能带来收入，却会延缓下一轮能力跃升。仍在追赶更强模型的厂商，不会轻易作出此选择。

前两个出口都存在边界，压力便可能涌向第三处：各方开始为有限的算力报出更高价格。

这并不意味着算力一定上涨 10 倍，而是说明，当 AI 创造价值的速度显著快于算力扩张速度时，价格便会成为调节供需的一种机制。

将其代入更贴近日常工作的场景，会更易于理解。

设想未来某款模型，仅需约一张高端 GPU 的算力，便可胜任接近人类水平的软件工程师工作。白天编写代码，夜间运行测试，周末持续排查故障，还可随时调取大量项目资料。

企业将如何衡量这张卡的价值？

企业不会仅关注芯片用了多少硅、消耗多少电，也不会仅参照昨日的显卡租金。它还会评估：该系统能完成多少任务，节省多少人力，又能创造多少收入。

在这一思维实验中，若按美国软件工程师的市场成本粗略估算，一张 H100 等效算力一年对应的价值可能突破 25 万美元，远超当前算力租赁费用。

这当然并非一张显卡的合理报价，更不是对未来价格的预判。它只是揭示了一条定价逻辑：

一种资源的价格，不仅取决于生产成本，还取决于最善于运用它的人愿意支付多少。

编程如此，药物研发、工业设计、科学研究亦可能如此。只要 AI 能将更多算力转化为高价值产出，对算力的竞价就可能趋于激烈。

需求可在数月内骤然攀升，供给却缺乏同等弹性。

先进芯片需经历晶圆制造、光刻、封装与测试；部署至数据中心后，还需配套机房、电力、散热、网络与运维。头部 AI 企业所需的也并非几张零散显卡，而是能够稳定协同、安全运行的大规模集群。

上述任一环节放缓，都会让“账面上的芯片数量”与“真正可用的算力”之间出现落差。

研究机构 Epoch AI 估算，2025 年全球 AI 算力规模约增长 3 倍。不过该机构也提示，此类估计存在较大不确定性，无法简单视为一条持续延伸的直线。

即便 3 倍已属高速，也可能难以追平需求最旺盛的阶段。2026 年 4 月，Anthropic 披露，其年化收入运行率——按当时速率折算的年度收入——已从 2025 年末约 90 亿美元攀升至超过 300 亿美元。与此同时，该公司签署了数吉瓦级的新算力合作协议，计划自 2027 年起陆续落地。

这些数字无法证明收入会持续高速增长，却揭示了一个现实的时间错位：客户今日已开始涌入，新的基础设施却要等到日后才能投入使用。

价格最易上涨的，往往正是需求已至、供给尚在途中的这段窗口期。

普通用户未必会直接采购 GPU，但算力价格仍会通过产品设计、使用限额与市场竞争传导至我们面前。

同一批算力既可用于批量生成重复内容，也可用于软件开发、药物研究或训练更强大的模型。

此处“价值高低”并非评判一项用途是否更有意义，而是看使用者愿意为同一份算力支付多少。

算力宽松时，这些需求可以共存。一旦供给趋紧，愿意支付更高价格的任务将获得优先权。免费额度缩减、调用速度变慢、高阶能力被纳入更昂贵的套餐，都可能是此类选择的显性表现。

算力廉价时，能力较弱的模型多尝试几次、多生成一些 token（模型处理文本的计量单位），成本或许尚可承受。

算力昂贵后，低效本身便成了一种负担。若一个更强的模型能用更少步骤完成同一任务，即便其单次报价更高，总成本仍可能更低。

因此，底层算力涨价未必会驱使人们转向最廉价的模型，反而可能令最高效的模型更具优势。

已积累庞大客户与收入的企业，可凭借未来收益参与算力竞价。尚未形成营收的初创公司，则需在模型尚未训练完成前承担日益攀升的成本。

这将使竞争形成一个闭环：模型越强，越易获取客户；收入越高，越有能力采购算力；算力越充裕，越有机会训练出下一代模型。

市场未必因此仅余一两家企业，但后来者需付出的入场代价将更高。

关于稀缺的预判，历史上常常低估人类的创造力。

价格上涨会吸引更多投资。芯片厂商将研发新架构，数据中心将探寻新的能源与散热路径，模型团队也会设法让 AI 少走弯路：简单任务交由小模型处理，复杂任务才调用最昂贵的能力。同样的工作，未必会一直消耗等量的算力。

竞争同样会压制价格。开源模型持续逼近闭源模型的能力，企业也会在不同供应商之间切换。若数百万个 AI 软件工程师同时涌入市场，单个编程任务的价格还可能回落，前述“25 万美元”的价值自然难以维系。

还有一种可能性：基础能力日趋廉价，仅最前沿、最可靠、能长时间执行复杂任务的 AI 保持高昂。最终呈现的或许并非一条统一上扬的价格曲线，而是日益清晰的服务分层。

因此，审慎的结论并非“算力一定上涨 10 倍”，而是：在 AI 能力快速跃升、现实供给未能同步扩张的阶段，算力可能经历一段反常的涨价期；放眼更长时间尺度，效率提升、产能扩张与市场竞争仍可能将价格重新拉低。

往后再次看到“某模型降价了”或“AI 成本又下降了”时，我们不妨多追问三个问题：

第一，它完成同一任务需要多少次尝试、多少 token 与多少人工核验？

第二，硬件与算法效率提升的速率，能否追平新增需求？

第三，当算力趋紧时，哪些高价值任务愿出更高价格，将其他用途排挤出去？

每百万 token 的单价，仅能告知“一单位原料”的价格。它未告诉我们，完成整项工作需消耗多少原料、返工几轮，又需要多少人工值守。

最终影响我们的，是一项任务的总成本、可靠性，以及最优质的能力是否依然触手可及。

技术进步正在降低生产智能的成本，也在抬升智能能够创造的价值。

当价值增速超过供给增速，“越先进越便宜”便不再是一条不言自明的规律。