半导体分析师Dylan Patel预测，到2028年OpenAI和Anthropic将控制全球大部分AI算力容量。
到2028年底，两家私营公司——OpenAI和Anthropic——可能控制全球大部分可用的计算能力。这是半导体研究公司SemiAnalysis创始人Dylan Patel在Dwarkesh播客的一次广泛对话中提出的核心预测。Patel认为，实验室经济学的根本转变使得这种集中不仅成为可能，而且在财务上不可避免。前沿实验室已经跨越了一个关键阈值：它们的推理业务现在如此有利可图，以至于每花费一美元服务客户所产生的利润边际，足以资助下一轮模型训练。
Anthropic的收入已达到每兆瓦计算能力5000万美元，而基础成本仅为1000万至1500万美元——3至5倍的回报率创造了一个竞争对手无法匹敌的自我融资飞轮。因此，这两家实验室明年将吸收全球40%至50%的增量计算能力，到2028年这一比例将上升至70%至80%。2026年初，每家实验室控制的计算能力约为2吉瓦。预计到今年年底，这一数字将达到5吉瓦，在十二个月内增长3至4倍。全球人工智能基础设施资本支出在2026年已突破1万亿美元，并有望在2028年超过2万亿美元。实验室所占增量计算能力的份额正从今年的约30%上升到明年的预计40%至50%。
这些以吉瓦为单位的原始数据低估了集中度，因为每一代新芯片每瓦特提供的性能提高了3至5倍。当实验室在2027年吸收45%的新物理计算能力时，它们实际上吸收了全球有效浮点运算的更大份额。Patel的预测十分严峻：“当你接近2028年底时，如果这一趋势继续下去——我看不到任何能阻止它的因素——你将看到它们单独控制了世界上大部分可用的浮点运算。”
多年来，前沿人工智能实验室一直消耗风险投资来训练模型，希望推理收入最终能证明这些支出的合理性。这一天已经到来。2026年第二季度，Anthropic实现了首次调整后营业利润，OpenAI预计将在第三季度跟进。其机制是简单的算术，Patel对此进行了阐述：“如果我花费10美元用于推理容量，实际产生50美元的营收，然后我可以转身将所有这些利润增量地投入到训练中。”实验室不再需要为每一美元乞求投资者；它们可以通过运营实现自我融资。
是什么阻止了市场的其余部分跟上步伐？根据Patel的说法，答案在于牛鞭效应。客户层面需求的微小增加会在供应链更深处引发延迟且放大的反应。当信号到达镜子制造商、涡轮机制造商和内存晶圆厂时，需求再次增长，而信号永远追不上。这种延迟的经济影响令人震惊：一座价值60亿美元的晶圆厂每年产生1吉瓦的计算能力，每年产生1000亿美元的营收。五年内的投资回报率约为100倍。任何能够确保获得物理组件——极紫外光刻（EUV）设备、高带宽内存、燃气轮机——的人都能捕获巨大的价值。
Patel对制造速度的挫败感显而易见：“我们就像Anthropic和OpenAI一样，我们现在本可以赚取一万亿美元，但我们只是被ASML机器中使用的镜子所瓶颈化。”提供这些镜子的德国光学公司卡尔蔡司（Carl Zeiss）承诺到2030年每年生产足够支持100台EUV工具的镜子——这比早先的计划有所提升，但仍远低于当前经济学所证明的合理水平。这一瓶颈意外地改变了市场力量。SpaceX建立了庞大的计算能力，并以每兆瓦2500万至4000万美元的价格出售给Anthropic和Google，远高于1000万至1500万美元的基础成本。Meta和SpaceX现在处于囤积计算能力的地位，可以选择内部使用或以溢价出售。拥有足够强劲资产负债表以在没有预先承诺客户的情况下进行建设的公司现在控制了定价权。
如果人工智能基础设施投资继续复利增长，其后果将远远超出科技行业。Patel的建模显示，从2024年到2029年，人工智能生态系统将需要约11万亿美元的资本支出，其中5万亿美元必须通过信贷发行来资助。当Anthropic、OpenAI和超大规模企业筹集数千亿美元债务时，它们将与所有其他借款人——政府、消费者和企业——竞争。利率在整个经济体中上升。Meta最近以5%至6%的利率发行债券，可能会面临8%以上的利率。美国政府目前的债务偿还负担约占税收收入的20%，如果利率上升5个百分点，这一负担可能会膨胀至40%至60%。
涟漪效应是严重的。利率上升2至3个百分点会导致长期现金流现值暴跌。传统的避险股票——强生公司、铁路运营商、股息贵族——将面临估值崩溃。与此同时，债务负担沉重且频繁展期的发展中国家面临违约风险。Patel和主持人Dwarkesh Patel都提到了潜在的“第二次沃尔克冲击”，指向20世纪80年代初保罗·沃尔克加息引发的拉丁美洲违约浪潮。Patel认为，美国很可能会幸存下来，因为它可以对位于其领土上的数据中心征税，而其他国家的运气则没那么好。
计算能力集中的地缘政治与其经济学密不可分。自2022年以来，美国的出口管制极大地改变了全球平衡：目前70%的新增人工智能计算能力部署在美国，而中国仅占增量计算能力的不到10%——这与2022年形成了鲜明对比，当时中国增加了全球总计算能力的30%至35%。原因有两方面：先进NVIDIA芯片的出口管制，以及一个不太愿意资助投机性初创企业的金融体系。然而，Patel指出，一旦中国的金融体系决定支持某个行业，它对该行业的补贴力度比其他任何国家都更激进。中国半导体行业获得的补贴已经超过了世界其他地区半导体行业总和。
这一轨迹遵循着延迟的曲棍球棒模式。2026年，中国仍然依赖走私芯片和台积电制造的硅片，供那些后来被发现是华为前哨的公司使用。但到了2027年至2028年，中芯国际（SMIC）和长江存储（CXMT）等国内晶圆厂将开始大规模生产——每年数百万件。Patel预测，中国在2028年可能增加5至10吉瓦的国产计算能力，到2029年可能增加50吉瓦的增量计算能力。关键在于质量：1吉瓦的中国计算能力在可用浮点运算方面可能仅相当于0.4吉瓦的美国计算能力。Dwarkesh Patel得出了一个引人注目的结论：到2028年至2029年，一家领先美国实验室的有效计算能力可能超过中国总和——这是对出口管制战略的中期验证。
对话中最具挑衅性的部分涉及人工智能劳工的“人口”规模。该框架基于一个简单的计算：如果前沿计算能力每年增长4至5倍，而给定能力水平所需的计算能力每年减少3倍，那么前沿的有效人工智能人口每年扩大4至5倍。