前沿实验室算力份额扩张路径、定价权与资本开支融资结构——SemiAnalysis创始人Dylan Patel访谈要点梳理（Dwarkesh Patel，2026-08-25）
——据Dwarkesh Patel节目《Dylan Patel – Anthropic & OpenAI will have most of the world’s compute by 2028》（2026-08-25）整理
摘要：本文对Dwarkesh Patel节目专访SemiAnalysis创始人Dylan Patel的主要观点进行了梳理汇总。梳理了前沿实验室单位算力经济性越过盈亏平衡后形成的再投资循环，以及两家前沿实验室算力份额在两年内由约三成升至多数的推演路径，介绍了供给侧的设备约束、实验室推高算力价格的定价逻辑与训练、推理之间的算力配置，最后阐述了资本开支的融资结构、利率外部性与算力集中化的终局推演。据其推演，全球AI相关资本开支今年略超1万亿美元、2028年将超过2万亿美元；按SemiAnalysis模型测算，2024年至2029年累计资本开支约11万亿美元，其中5万亿美元以上依赖信贷发行；Anthropic峰值收入达到每兆瓦5000万美元，基础算力成本约为每兆瓦1000万至1500万美元。
关键词：AI资本开支；算力采购；前沿实验室；单位经济；Dylan Patel；Anthropic；OpenAI
一、单位算力经济性与再投资循环
Patel认为，前沿实验室的单位算力创收已显著越过成本线，推理产能产生的利润整体转投训练，形成再投资循环。
（一）资本开支规模与实验室占比
据其描述，两家前沿实验室今年占用了全球新增算力的约三成，终端客户身份明确，建设方可能为第三方。资本开支量级上，全球今年略超1万亿美元，2028年将超过2万亿美元，实验室占比持续上升；实验室的支出节奏由年均数百亿美元转向年均数千亿美元，本十年末的合同已指向年均万亿美元量级。
（二）盈利拐点与利润率
盈利拐点出现在今年二季度：Anthropic转为盈利，OpenAI转正的时点可能落在三季度；此前一年，该行业的支出主要由风险资本补贴。
利润率是过去一年半变化幅度较大的变量。一是基础算力成本约为每兆瓦1000万至1500万美元；二是上一代芯片运行上一代模型时单位毛利为负，当代模型的单位算力创收已显著越过该成本线，Anthropic的峰值收入达到每兆瓦5000万美元；三是由此形成再投资循环，推理产能投入产生数倍收入，利润整体转投训练。
二、前沿实验室算力份额的扩张路径
Patel推演，两家前沿实验室凭借已签订的合同将取得明年全球新增算力的四至五成，并在2028年末控制全球可用算力的多数份额。
（一）装机规模与合同覆盖
据其介绍，今年初两家各约2吉瓦，年底均超过5吉瓦，全年扩张3至4倍；明年凭已签订合同，两家合计占全球新增算力的40%至50%。建设方结构将发生变化：一是SpaceX明年成为重要的新增供给方；二是两家同时推进自建，路径分别为自研芯片与外购加速器交由第三方部署。
主持人的外推路径为：全球算力年增约一倍，前沿实验室年增三倍，2028年底两家合计约100吉瓦。全球增量方面，今年约30吉瓦、明年50吉瓦、2028年约70吉瓦，其中70至80吉瓦为嘉宾看多情形下的上界。
（二）性能乘数与份额推演
Patel补充了一项常被忽略的乘数效应：当代部署的单位瓦特性能为上一代的3至5倍，且全球存量中有较高比例为今年新增。因此，当两家在2027年底前后取得半数新增算力时，该部分的有效算力已超过此前存量总和。据此推演，2028年末两家将控制全球可用算力的多数份额。四年以上的预测，他未予给出。
（三）供给弹性与设备约束
主持人以晶圆用量推算，年产1吉瓦算力所需的晶圆厂设备投入约30亿至40亿美元，计入洁净室与厂房取60亿美元，而1吉瓦当前对应约1000亿美元终端收入。Patel认可该量级，但指出中间还存在运营开支、数据中心与电力的其他资本开支、安装成本及研发分摊；即便折半计算，晶圆厂资本开支与终端收入之间仍存在约100倍落差。
供给未能快速响应的原因集中在光刻设备的光学环节，具体表现为三方面：一是套利空间显著，具备采购资格者可在设备转手中获得逾一倍价差，涡轮机市场已出现同类交易；二是产能扩张沿供应链呈鞭长效应，末端响应缓慢，上游光学供应商一年前尚未计划相应产能，当前虽已上调目标，但按现行经济性仍显不足；三是约束来自资本可得性，他判断今明两年不会出现全链条的定向扩产。
三、算力定价权与价值分配
Patel认为，实验室要取得七成份额，须将算力采购价推高至竞争者无法承受的水平，而多数价值目前尚未由模型层捕获。
（一）推高采购价的必要性
Patel的论证起点为：在每兆瓦1000万至1500万美元的价格下，任意参与者部署开源权重模型并接入路由平台即可覆盖成本。既然该价位下普遍可获利，实验室要在2028年取得七成份额，就须将采购价推高至每兆瓦2500万、3000万乃至5000万美元。对于2027年底两家的每兆瓦收入，他给出5000万美元以上的判断，并认为全公司混合水平可能达到7000万至8000万美元。
（二）囤货型供给方与价格传导
结构性变化来自“囤货型”供给方的出现。此前的假设为实验室将吸收全部价值捕获，实践证明另一条路径同样可行：将算力以每兆瓦2500万至4000万美元出售，短期合约即可在一年内收回全部资本开支。据此形成新的权力结构：一是常规云厂商须先锁定客户，以客户承诺换取信用市场融资；二是Meta与SpaceX具备以自有资产负债表先行建设、建成后再决定自用或高价出售的能力，两者构成该结构中的第三方角色。
价格上行沿供应链回传的节奏存在分化，代工环节调价缓慢，存储与基板环节调价迅速。Patel将整体过程定性为牛鞭效应，且具通胀属性。
（三）反向变量
反向变量主要有两项。一是监管形态转移，约束重心由模型发布转向数据中心建设，多个州推进禁令、暂停或税负转嫁，直接压制供给并抬高成本。二是模型释放受限，多家实验室存在已完成但未发布的模型，训练亦出现阶段性暂停，现存性能领先模型的训练时点为今年二月；若领先模型无法释放，实验室的每兆瓦收入将停滞或回落，其高价采购算力的能力随之下降。
（四）价值分配
Patel判断多数价值尚未由模型层捕获：一是某量化机构通过独家合约与大额采购，其token使用的收益显著高于模型公司自身利润；二是Anthropic能实现每兆瓦1亿美元的收入，前提是下游客户在同一单位上捕获了数亿美元；三是价值捕获位置持续迁移，一年前集中于芯片与晶圆制造、模型层为负，当前代工环节的捕获额已低于存储环节。
四、训练与推理的算力配置
Patel提出自认非共识的判断，即实验室将随时间下调推理算力占比，边际算力更多流向训练与研发。
（一）推理占比下调的判断
主持人设定的检验场景为：若明年底两家合计接近20吉瓦，将训练占比由60%上调至70%，等同于放弃约2000亿美元收入，公开市场投资者将要求解释。
Patel认为，市场主流预期多数算力将流向推理，他的判断是多数算力将流向训练侧的前向计算。其论证为：当单位算力创收由每兆瓦3000万至4000万美元升至6000万至7000万美元时，管理层与董事会在“维持推理分配并分红回购”与“扩大训练”之间的选择将偏向后者，因后者回报更高；推理算力规模的存在意义在于支撑更大的训练机队。他认为该趋势已有迹象，Anthropic的月度新增算力持续增长，收入增速趋于平台化，指向边际算力更多流向研发。
（二）算力预算的内部结构
据其拆分，算力预算中训练占60%、推理占40%，训练再细分为研究50%、开发10%。他指出，某次前沿模型预训练的峰值用量在200兆瓦以下、持续约两个月，强化学习阶段的单点位用量更低；即在持有数吉瓦的条件下，多数算力用于研究，模型训练本身占用有限，约束条件为多站点训练协同与强化学习的工程难度。他预计随着自动化编程与自动化研究推进，研究与训练的边界将趋于模糊，训练侧占比将上升。
五、资本开支的融资结构与利率外部性
Patel认为本轮算力建设的资金需求已超出现金流覆盖能力，信贷发行与利率将成为制约扩张速度的核心外部条件。
（一）资本开支总量
若维持年增100吉瓦，按当前价格对应年均5万亿美元资本开支；计入电厂与数据中心的提前建设周期（分别为30年期与15至20年期资产），实际年均需求接近7万亿至10万亿美元。Patel特别指出，市场常引用的“数百亿美元AI资本开支”仅涵盖关键IT部分，不含数据中心本体与电力设施。
主持人据此推演，2030年前后年度增量资本开支接近10万亿美元，约为全球经济的十分之一；若集中于美国，相当于四分之一至三分之一的美国经济规模投入数据中心建设。主持人随即指出，该量级本身构成对路径可行性的否定。
（二）出资结构
超大规模云厂商此前承担主要份额，当前已不再产生自由现金流，现金全部投入资本开支并叠加举债。增量出资方主要有三类：一是半导体企业为部分资本开支提供融资；二是传统基础设施投资人转移配置；三是资金由住房、国债等传统资产向数据中心债与实验室债迁移，驱动因素为实验室愿意为增量产能承担较高利率。
据SemiAnalysis模型测算，2024年至2029年累计资本开支约11万亿美元，其中约6万亿美元由现金流支撑，5万亿美元以上依赖信贷发行。即便如此，相对需求增长，该算力规模仍显不足，故每兆瓦收入将继续上行。
（三）利率与资产定价
利率是该链条的核心外部性。一是Patel判断头部发行人可承受8%的票息水平，约束主要来自市场接受度；二是票息中枢上行250个基点将同步抬高全经济体的融资成本，银行部门因负债重定价快于资产而承压；三是贴现率上行对权益的影响将集中于长久期现金流类资产。主持人引述的观点认为，该过程等价于第二次沃尔克冲击，且发生在能力跃迁之前。
Patel由此给出推论：若完全接受AI的增长前提，则经济体内所有资产均应按低倍数交易。他看好存储的基本面，但认为存储股难以重现此前的倍数扩张，因该情形对应的需求水平意味着经济结构已被彻底改写。其收束判断为，资本须重新配置至前沿方向，实现方式为将其他需求挤出价格区间；因此扩张速度的约束条件主要在于外部环境的容许程度，具体形式包括监管、利率、建设审批，以及其他企业股权价值收缩后支付能力的下降，研究工程的推进能力居于其次。
六、算力集中化的终局推演
主持人与嘉宾认为，各项力量均指向算力与AI劳动力向少数实验室集中。
（一）有效劳动力规模
主持人给出的量化框架为：前沿算力年增4至5倍，达到既定能力水平所需算力年降3倍，两者相乘对应有效AI劳动力年增约10倍。据此，某实验室的有效劳动力可能由今年的约1000万增至明年1亿、后年10亿；本十年结束前，单一实验室内部的有效人口有可能超过地球人口，且该推演未计入递归自我改进。
（二）集中化机制
主持人将集中化机制归为三项：一是训练投入可摊薄至数十亿次会话的规模经济；二是算力稀缺条件下领先者可收取更高加成；三是部署范围更广者获得更多真实世界数据。Patel补充了第四项，即领先模型对下一代模型研发的加速作用。他以反问作结，认为难以设想不集中的路径，各项力量方向一致；其历史类比为，资本主义的效率来源于决策与权力的分散，当前形态在名义产权不变的前提下，实际参与该部分经济的主体数量极为有限。
Patel自称的“自我安慰”为：Anthropic当前并未捕获多数价值，其采购价仍处于每兆瓦1300万美元水平，收入端能达到每兆瓦1亿美元的前提是下游客户捕获更多。主持人反驳称，将推理算力重新配置至内部研发的整个逻辑，前提正是内部劳动回报高于外部。Patel接受该反驳并将逻辑推至终点：当内部使用同一单位算力即可产生数亿美元价值时，对外供应token的动机将消失。
总的看，Patel认为前沿实验室单位算力经济性已越过盈亏平衡，再投资循环将推动两家实验室在2028年末控制全球可用算力的多数份额；实现这一路径需要将算力价格推高至竞争者无法承受的水平，并依赖5万亿美元以上的信贷发行。在其框架下，扩张速度在很大程度上取决于监管、利率与建设审批等外部条件，利率上行可能对长久期资产与银行部门形成压力。