2028 年的 AI 资本开支预计将超过法国的国家预算。前沿 AI 实验室的收入爬坡曲线几乎可以为任何数字辩护。AI 需求中的反身性是一把双刃剑，现在正是开始讨论它的好时机。

在最新一期播客中，@dwarkesh_sp 提出疑问：既然前沿智能的预期收入高达 $100B/GW，前沿实验室为什么不在算力上投入更多？按这个费率，如果 Anthropic 把预期产能全部变现，到 2026 年底它的 ARR 可以达到 $500B——足以成为全球营收第三大的公司。

没有人在认真讨论 AI 需求。今天，分析师们在任何供给水平下都假设 AI 需求是无限的，却并不真正拆解这些需求从何而来。但需求极其重要：它决定了前沿实验室能投入多少资本、哪些模型会被使用，以及价值将在哪里沉淀。

下面是我思考 AI 需求的框架、看多前沿 token 的理由，以及几个相关话题。

我对 AI 的未来需求极度乐观。但我的框架显示，前沿 token 的需求可能带有部分反身性，由 AI 热潮本身推动。这在上行时很棒，会加速增长，但它也可能朝相反方向螺旋。

所有数字均为估算。

Token 是时间的单位

METR 的长时程任务图，可能是当今世界上最重要的一张图。

基于这张图，我常说可以把 token 看作时间的单位。每个模型的 token 对应一定的任务时程，而前沿模型的时程最长。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 的工程师则被显著提速——可以委派长达 3 小时的任务。

这张图还提供了一个梳理人类活动的框架。我们来定义：

长时程任务 vs. 短时程任务。「长时程」任务是目前还没有任何模型能胜任的任务——即位于那条从 GPT-2 延伸到 Mythos 的曲线之上的部分。曲线之下的其余一切都是「短时程」——实际上已经被 AI 解决了。

有界任务 vs. 无界任务。「有界」任务是指曲线在某个点之后不再继续扩展的任务：报税就是有界任务，它的复杂度存在上限。「无界」任务是指你永远可以做得更多的任务：AI 研究、探索太空、长寿科学。

劳动分类学

对 AI 的需求归根结底是对劳动的需求。要思考 AI 需求侧的动态，我们需要一套新的劳动分类学。想象一个 2x2 矩阵，把有界—无界与长时程—短时程两组维度组合起来：

有界任务

对这类任务，AI 很快会把所有基准测试打满：你只需相信 METR 的趋势线。今天用任何 AI 模型都能轻松一次性搞定一个简单前端（有界、短时程），而税务筹划（有界、长时程）可能还需要一两年，但我们终会到达。

有界任务也是人们通常希望花时间越少越好的任务（上行空间不大，主要是别出错）。在这里，对 AI 的需求会极其旺盛，但会收敛到最便宜的选项：有界任务的 ROI 主要来自成本节约而非增量收入（对会计服务的需求终归有限）。

因此，非前沿模型将在这里占主导：没必要为实验室的利润率买单，优秀的推理服务商随处可得，对小模型做后训练也很有效。开源模型会继续追赶前沿——而对这类任务来说，这个时间差基本无关紧要，因为你只需要把它们自动化一次。

无界任务

无界任务截然不同：按定义，你永远可以做得更多。探索太空，你总能探索得更远。缩小芯片制程节点，你总能再缩小一点。改进 AI，你永远能把它做得更好。软件永远可以再多写一些，交易策略永远需要更新。

换句话说，无界任务是你希望投入尽可能多时间的任务——这就是为什么前沿 token 在这里基本没有商量余地。这类任务往往一辈子都不够用。由于这些任务极强的凸性、幂律特征，其 ROI 方程主要围绕增量收入而非成本节约。更快严格意义上就是更好，而竞争动态意味着抢先是唯一最重要的事。你想要最好的 AI 模型、品类里最好的软件、alpha 最多的交易策略。

前沿模型将在这里占主导。就像 F1 一样，赛车只能撑 9 个月并不重要——你永远需要开最好的那一辆。

反身性需求

上面描述的框架今天已经在实时上演。

我的看法是：前沿模型史无前例的收入爬坡，是由一小组无界、长时程任务驱动的。我的最佳猜测是：(1) AI 研发，(2) 软件工程，(3) 交易。

按顺序来说：

AI 研发：传闻各实验室如今把 60% 的算力预算花在训练上、只有 40% 用于推理，也可以合理假设全球 50% 的 AI 算力被用于训练。仅此一项就足以让 AI 研发成为毫无疑问的第一大用例。但我还预计推理这部分里也有相当比例本质上属于某种 AI 研发。比如，第二梯队的 AI 实验室用前沿模型做研究和合成数据生成，或是应用型 AI 公司在做后训练。姑且算前沿 AI 实验室推理收入的约 20% 来自 AI 研发。

软件工程：软件工程是 AI 需求最显而易见的任务类别，但微妙之处在于，这里对前沿 token 的需求有很大一块来自初创公司和 AI 公司——而不是传统的 F500 企业。初创公司不受企业官僚体系束缚，能更快地交付更多代码。交付得越多，从客户和投资人那里拿到的钱就越多。此外，初创公司之间为市场份额、人才和 VC 资金激烈竞争——竞争迫使它们使用前沿 token。成熟的 AI 公司（NVIDIA、Amazon 等）也是同理。姑且算这又占前沿 AI 实验室推理收入的约 15%。

交易：如果「量化交易公司是前沿 AI token 最大买家之一」的传闻属实，且「客户在前沿 AI token 上的支出呈幂律分布」的传闻也属实，那么交易占到前沿 token 收入两位数百分比，我不会感到意外。其他投资机构同样如此。姑且也算这占前沿 AI 实验室推理收入的 15%。

如果这个归因大致正确，那么可以说仅这三类任务就贡献了前沿 AI 实验室约 50% 的推理收入。

特别有意思的是，这三类任务在 token 支出与收入之间都存在一个紧密的反馈回路，使得收入增长具有反身性：

AI 研发：AI 实验室持续把研发投入转化为更强的模型能力，能力提升几乎即刻带来收入增长和融资能力增强，反过来又让实验室能在研发上投入更多，如此往复；

软件工程：一家用 AI 的初创公司可以快速构建大量软件，借此扩大收入并完成股权融资，再迅速把这些资源投向更多的 token，如此往复；

交易：交易公司可以在市场上即时检验 token 支出的效果，利润越高，就越能把资金再投入到 AI 驱动的策略中，如此往复。

我把这些任务的需求描述为反身性的，因为它们共享同一个模式：更大的 token 支出带来更多收入和更强的融资能力，进而提供更多可投入 token 的资源，如此循环——看起来没有上限。

对这些任务而言，唯一的约束是你能往这个问题上分配多少 token。最好的公司是那些能募到足够资本并把它配置到正确赌注上的公司——正如 Anthropic 率先把重心收窄到编程所做的那样。而这里妙的地方在于，总可及市场大致是无限的——token 支出会拓展我们所能成就之事的边界，ROI 由更高的收入驱动。

而且对这些任务来说，只有前沿模型才重要。这正是前沿模型在今天成为如此优秀生意的原因。反身性需求只属于前沿模型，哪怕只领先开源六个月，也足以吃下整个市场。

相比之下，有界任务正在被成百上千的初创公司蚕食。这很好，也不可避免。然而这类收入没有反身性。你或许能削减成本，但更低的成本与更高的收入之间没有即时反馈回路。而且节约下来的成本还得分一部分给 RLaaS 服务商，降本本身也存在天花板。

关于开源与闭源之争，或者消费级与企业级之辩，其中的含义就留给读者自己体会了。

反身性是双刃剑

前沿 token 的反身性需求是一把双刃剑。反身性在上行时妙不可言，在下行时则糟糕透顶。

其中涉及的数字如此之大，以至于必须考虑这样一种情形：至少在某段时间内，前沿 token 的需求出现收缩。届时的问题在于，关键的需求驱动因素彼此相关，且极度顺周期。

相关性

三类关键任务中任何一类的需求收缩，都可能直接冲击前沿 token 收入的 15–20%，而由于相关性，冲击面可能高达 50%。

眼下的循环是：(i) 前沿 AI 收入走高推升实验室的股权价值，(ii) 这鼓励更多资金流入 VC，其中很大一部分被花在 token 上，(iii) 这又抬高了实验室和初创公司的估值，进而 (iv) 推动公开市场上涨，量化公司从中获利，并 (v) 加大在前沿 token 上的支出。这只是一个例子，但传染可以从这个回路的任何一环开始。

极度顺周期

这些任务极度顺周期：周期上行时其需求会加速，而周期下行时可能朝反方向加速。

市场状态直接影响三大关键驱动因素的需求。市场上涨让量化交易公司能在 token 上花更多钱，也给了 AI 实验室和初创公司更多可投的资本。

在这个框架下，也许只需要一个简单的触发因素，就能启动一场向下的反身性修正。信手举几个例子：监管拖慢 AI 能力的进展；利率上升拖慢基建扩张；任何外生冲击。

一个 AI 需求模型

显然，我们需要一个前沿 token 需求的模型。

极度顺周期、高度相关的需求是脆弱的。虽然一路上有些颠簸，但第一版 ChatGPT 的发布几乎与 NASDAQ 最近一次相对底部重合，此后一级和二级市场都一路向右上方走。我们甚至还没探讨过 AI 实验室收入若放缓可能如何冲击市场。短期内这不太可能发生（下一代模型或许还会成为加速的催化剂），但恰恰因为如此，现在正是思考这个话题的好时机。

考虑到当前每年 AI 资本开支和收入的量级，一个 AI 需求模型将与我们现有的供给模型互为补充，并为关键的投资决策——从融资到投资——提供依据，尤其是对暴露于这轮基建扩张的公司。上面的框架或许可以作为一个起点。

超越基建的价值

需求模型还应指导基建之外的资本配置。价值会继续沉淀到物理 AI 供应链。但一个较少被讨论的方向是：价值也会沉淀到那些追逐无界、长时程任务的团队身上。

在大约十年内，今天由有界任务创造的价值中，将有一大块从人类劳动手中被拿走、转移到数据中心。从财务上看，可以把这些任务对应的劳动 GDP 打个折扣，再把它挪到 AI 供应链上。非前沿模型将在量上占主导，人也许仍能赚钱（做销售、设计以及一些长时程规划），但沉淀到公司层面的价值会很少。

我预计大部分价值将沉淀到无界任务上。尤其是那些能让世界相信自己有能力把资本开支（即 token）配置到这些长时程、无界任务上的团队。这是模型能力之外的领域：你永远可以用更长的时间视野去思考，我们将看到创业者去做那些以今天的方式需要好几辈子才能建成的公司。其中一部分可能是 AI 实验室自己，一部分将是新公司。

今天，市场奖励经常性、可预测的现金流——并厌恶看不到短期实际成果的研发与资本开支。未来我们可能看到相反的景象：市场将重度折价有界任务带来的可重复现金流，同时重估那些能为长期明智配置资本开支的团队。

Elon Musk 不是异类——他是这一模式的第一个样本。Tesla 和 SpaceX 的交易价格是老派金融分析师给其现金流定价的 10X。但市场一直在为 Elon 把研发投入配置到任何理性人都会认为不可能之事上的能力定价。有了超级智能，还会出现更多个 Elon。

这里还有更多可说的——但那是另一天的故事了。