本文来自微信公众号： InfoQ ，作者：冬梅
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：
1Token成本疯涨，即将超过员工薪资
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。
2Token需求暴涨，但供给跟不上
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。
3“Mythos强大到让Anthropic不敢公开”
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。
4具身智能将成AI领域新的需求爆发点
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。
5Anthropic已经领先了？
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。
6少谈未来，多讲当下
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：
https://www.youtube.com/watch?app=desktop&v=LF3aUIM57uw