《SemiAnalysis创始人：到2028年，全球大部分AI算力只属于两家公司》算力极端中心化：今年新增上线算力中约三分之一被 OpenAI 和 Anthropic 瓜分，到 2028 年，两家头部实验室预计将拿下全球 70%至80% 的增量算力，单家算力规模将超过 50 网页链接

【核心要点归纳：算力极端中心化：今年新增上线算力中约三分之一被 OpenAI 和 Anthropic 瓜分，到 2028 年，两家头部实验室预计将拿下全球 70%至80% 的增量算力，单家算力规模将超过 50 吉瓦（GW）。实验室盈利奇点已过：前沿实验室已从一年前“卖 Token 亏本”彻底转向高毛利阶段。Anthropic 的算力产出已达每兆瓦 5000 万美元，并正向 1 亿美元迈进，这支撑它们以每兆瓦 2500 万至 5000 万美元的天价向市场扫货。算力重心从“推理”倒流回“研发”：由于内部模型递归改进（RSI）与自我研究的预期回报远高于将 Token 卖给外部用户，实验室正将更低比例的算力分配给外部推理，而将绝大部分新增算力闭环投入内部下一代模型研发。AI 数据中心引发“利率冲击”与资本挤出：2024 至 2029 年全球 AI 相关资本开支预计达 11 万亿美元，其中需通过信贷市场举债超 5 万亿美元。AI 基础设施惊人的回报率使得巨头愿意承受 8% 甚至更高的发债成本，从而推高全社会的资金借贷利率，挤出传统行业与主权融资。传统资产估值承压：全社会折现率的被迫上移将对非 AI 资产造成严重估值压制，高负债的公用事业、消费品公司乃至财政脆弱的发展中国家将面临巨大的主权债务重组压力。算力走向终极垄断：2028年两家实验室掌控全球算力命脉在过去一年多时间里，AI 基础设施不仅成为了美国 GDP 增长的核心引擎，更在底层酝酿着一场前所未有的算力集权。

据 Dylan Patel 测算，2024 年初，OpenAI 与 Anthropic 的算力规模分别为 2 吉瓦（GW）和不到 2 吉瓦；而到了今年年底，两家均已突破 5 吉瓦，整体实现了 3 至 4 倍的扩张。目前，这两家实验室已经占到全球年内新增算力的约 30%。预计到 2025 年，两家占比将攀升至 40% 到 50%；而到了 2028 年，预计两家将吃下全球 70% 到 80% 的增量算力，合计规模将突破 100 吉瓦。

这种集中化不仅没有减速，反而在加速。Dylan Patel 指出，不仅是传统云巨头在为它们代建算力，像 SpaceX 等拥有资产负债表能力的新玩家也在大举进军算力基建并转租给这两家实验室。

更为关键的是性能乘数效应：今年部署的每一瓦特算力，其搭载的 GB300、TPUv7 或 Trainium3，在每瓦性能上比上一代芯片高出 3 到 5 倍。当这两家实验室吃下 2028 年全球 70%至80% 的新增算力时，由于这批算力具有最高的能效比，它们实际上垄断了全世界绝大部分可用的有效计算能力。

从“卖Token亏本”到“每兆瓦产出一亿美元”：实验室商业模式的质变在 2023 年至 2024 年初，市场普遍质疑大模型的商业可行性——当时在英伟达 Hopper 架构上运行 GPT-4 等模型，对实验室而言几乎是负毛利状态，巨额开销完全依赖风投资金维持。

然而，过去一年半中，前沿模型的单瓦变现效率发生了颠覆性逆转。算力的基础成本通常在 1000 万至 1500 万美元/兆瓦，而当前的商业变现能力令人惊叹：Anthropic 的算力产出已达到 5000 万美元/兆瓦，全公司综合收入正向 7000 万至 8000 万美元/兆瓦进发，并有望冲击 1 亿美元/兆瓦。

这种数十倍于成本的产出能力，打破了原有算力市场的定价锚。当外部厂商（如 SpaceX 或 Meta）建造了数据中心时，它们不再愿意按照原先 1300 万美元/兆瓦的基础成本出租，而是以 2500 万、4000 万甚至 5000 万美元/兆瓦的高价转售给实验室。因为对于 OpenAI 和 Anthropic 而言，即便以天价租下算力，其内部或商业产出依然能实现数倍的暴利。

AI 数据中心回报过高，为什么全世界借款都要变贵？Dylan Patel警告，AI 极高的资本回报率，正在通过信贷市场推升全社会的资金成本。

Dylan Patel 的模型预测显示，从 2024 年到 2029 年，全球 AI 产业链的累计资本支出（涵盖芯片、服务器、光通信、电网建设及发电机组等）将达到约 11 万亿美元。在这 11 万亿的基建狂潮中，即便科技巨头将全部经营现金流（约 6 万亿美元，占 54.5%）用于再投资，仍有超过 5 万亿美元（占 45.5%）的资金缺口必须通过信贷市场举债来解决。

当一个行业的资本回报率高达 100% 甚至更多时，它对资金成本的容忍度将远超传统经济体：

发债利率重定价：Meta 等巨头以往的发债利率在 5% 至 6% 左右，但鉴于数据中心带来的庞大收益，它们甚至愿意支付 8% 甚至更高的利息来锁定算力建设资金。挤出传统信贷：当资本市场发现向数据中心、超大规模云厂商或顶级实验室放贷可以稳拿 8% 至 20% 的回报时，流向房贷、市政债券、传统制造业以及中小企业的资金池将被剧烈分流。借贷溢价传导：大型科技巨头发债成本上升 250 个基点，将直接迫使整个宏观经济的信贷利差同步走阔。房贷利率、消费分期及传统企业发债利率都将被动拉高。估值重构与潜在的主权债务危机资金借贷成本与无风险利率中枢的抬升，将直接重塑全球资产定价逻辑：

当市场折现率从过去的 3% 至 5% 跃升至 8% 甚至 10% 时，所有依靠稳定远期现金流支撑估值的传统资产（如公用事业、消费白马、铁路基建等）都将面临估值重创。市场将不再愿意为 30 年周期的低速稳健现金流支付高溢价。

在 1980 年代，美联储前主席保罗·沃尔克（Paul Volcker）通过激进加息抗击通胀，直接引发了拉美等约 40 个发展中国家的债务违约。Dylan Patel 与 Dwarkesh 指出，由 AI 资本狂潮驱动的实质利率上升可能引发类似冲击：那些债务规模庞大、高度依赖短期外债展期、且未深度参与 AI 产业链分工的国家，将面临极其严峻的再融资成本与主权违约风险。

相比之下，美国由于本土承载了绝大部分算力中心与核心企业，理论上能够通过扩大税基来对冲部分债务利息压力，但利息支出占联邦税收比重的飙升依然是严峻考验。

算力倒流研发：实验室为何选择“少卖Token，多做研究”？市场普遍存在的共识是：“未来绝大部分算力都将用于面对最终用户的推理（Inference）”。但 Dylan Patel 提出了一个极具颠覆性的非共识观点：前沿实验室未来分配给对外商业推理的算力比例反而会下降，算力将加速回流至内部模型研发与递归自我改进（RSI）。

在对外商业推理方面，其变现周期体现为当期即时产生现金流（例如每兆瓦产出五千万美元），杠杆效应属于线性收入增长。因此，实验室的策略正在转变为：仅保留足以产生足够现金流以支撑研发集群扩张的推理份额。

在内部模型研发与自我迭代方面，其核心在于提升下一代通用智能模型的终极能力与远期折现值。这种研发带来的能力跃迁是指数级的，能够直接推动 AGI 的研发进度。所以，实验室会优先将海量新增算力分配给内部智能体，用于架构设计、合成数据与代码的快速迭代。

Dylan 总结道：“如果 OpenAI 研发出了极速推理或更强心智的模型，他们不会仅仅把它卖给华尔街或外部开发者去套利。他们会把大部分算力留给内部的 AI 研究员智能体，因为在内部创造的技术代差与终极 AGI 资产价值，远比把 Token 卖给外部用户赚取的差价大得多。” 】