没有人认真讨论AI需求
前沿AI代币需求由少数无界、长期任务驱动，具有反身性——既是增长引擎，也是下行螺旋的隐患。
预计2028年的人工智能资本支出将超过法国的国家预算。前沿AI实验室的收入增长势头，几乎能为任何数字提供合理性。AI需求中的反身性是一把双刃剑，而现在正是开始探讨这一话题的好时机。
在其最新一期播客中，@dwarkesh_sp 对前沿实验室为何不在计算能力上投入更多感到好奇，尤其是考虑到前沿智能每吉瓦（GW）预期可带来1000亿美元的收入。按照这样的速率，如果Anthropic能够将其预期产能全部变现，到2026年底其年化收入（ARR）可能达到5000亿美元——足以使其成为全球收入排名第三的公司。
目前没有人认真探讨AI需求的问题。如今，分析师们为任何供给水平都构建了无限的AI需求模型，却没有真正剖析这些需求究竟源自何处。但需求至关重要，它决定了前沿实验室能投入多少资本、哪些模型会被采用，以及价值将流向何方。
以下是我思考AI需求的分析框架、关于前沿代币（frontier tokens）的论点，以及几个相关话题。
我对未来AI需求极为乐观。但我的框架也提示，前沿代币的需求可能部分具有反身性，由AI繁荣本身所驱动。这固然是好事，能加速增长，但也可能在相反方向上形成螺旋。
所有数字均为估算值。
Tokens 作为时间单位
METR 的长期任务时间表或许是当今世界上最重要的图表。
基于这张图表，我常说我们可以将 tokens 视为时间单位。每个模型的 tokens 代表一定的任务时长，而前沿模型拥有最长的持续时间。在图表上，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长达 30 分钟的任务，而使用 Mythos 的工程师则显著提速——可委派长达 3 小时的任务。
这张图表也为人类活动的结构化提供了框架。让我们定义：
- 长期任务 vs. 短期任务。长期任务是指尚无任何模型能成功完成的任务——即位于从 GPT-2 到 Mythos 曲线之上的部分。其余所有低于曲线的任务则属于短期——实际上，它们已被 AI 解决。
- 有界任务 vs. 无界任务。有界任务是指曲线在某个点上停止扩展的任务：报税是有界任务，其复杂度存在上限。无界任务则是总能做得更多的任务：AI 研究、探索太空、延长寿命。
劳动分类学
对AI的需求，归根结底是对劳动的需求。而要思考AI需求侧的动态变化，我们需要一套新的劳动分类法。设想一个2x2矩阵，将有限与无限类别，同长期与短期视角相结合：
有限任务
对于这些任务，AI很快将饱和所有基准测试：只需信赖METR的趋势线即可。如今，任何AI模型都能轻松一次性完成一个简单的前端开发（有限、短期），而税务规划（有限、长期）或许还需一两年时间，但终将达成。
有限任务也是人们通常希望花费最少时间的任务（上升空间小，主要在于避免出错）。在此，对AI的需求将极为旺盛，但会趋向于最经济的选择：有限任务的回报率主要取决于成本节约，而非额外收入（会计需求毕竟有限）。
因此，非前沿模型将占据主导：无需为实验室的利润买单，优质的推理提供商比比皆是，且对较小模型进行后训练效果显著。开源模型将继续追赶前沿——其滞后性对这些任务而言大多无关紧要，因为只需自动化处理一次即可。
无限任务
无限任务则截然不同：从定义上讲，总有更多可做之事。探索太空，总能探索得更远。缩小芯片上的节点，总能进一步微缩。改进AI，总能使其更上一层楼。而且，软件总能开发更多，交易策略也总需不断更新。
换句话说，无界任务是指那些你愿意投入尽可能多时间的任务——这就是为什么前沿代币大多不可妥协。这类任务往往一生都不够用。由于这些任务具有高度凸性、幂律分布的特性，投资回报率的计算主要聚焦于额外收入而非成本节约。速度更快绝对更好，而竞争动态意味着率先行动是最关键的一点。你想要最好的AI模型、该类别中最优秀的软件、拥有最多阿尔法的交易策略。
前沿模型将在此占据主导地位。就像一级方程式赛车一样，即使赛车只能使用9个月也无所谓——你总是需要驾驶最好的那辆。
反射性需求
上述框架如今已在实时上演。
我的观点是，前沿模型前所未有的收入增长是由一小部分无界、长期视野的任务驱动的。我最好的猜测是：（1）AI研发，（2）软件工程，（3）交易。
按此顺序：
- AI研发：有传言称，如今实验室将60%的计算预算用于训练，仅40%用于推理，且合理推测全球AI计算能力中有50%用于训练。这已使AI研发成为明确的头号用例。但我还预期推理部分中有相当比例属于某种形式的AI研发。例如，排名第二的AI实验室使用前沿模型进行研究与合成数据生成，或应用型AI公司进行后训练。假设前沿AI实验室约20%的推理收入来自AI研发。
- 软件工程：软件工程显然是AI需求的任务类别，但微妙之处在于，前沿令牌需求中的很大一部分来自初创公司和AI公司——而非传统财富500强企业。初创公司不受企业官僚体制束缚，能更快地编写更多代码。他们编写的代码越多，从客户和投资者那里获得的资金就越多。此外，初创公司之间为市场份额、人才和风险投资资金而激烈竞争——这种竞争迫使他们使用前沿令牌。成熟的AI公司（如NVIDIA、亚马逊等）也是如此。假设这约占前沿AI实验室推理收入的15%。
- 交易：如果量化交易公司是前沿AI令牌最大消费群体之一的传言属实，且客户在前沿AI令牌上的支出呈幂律分布的传言也属实，那么交易占前沿令牌收入的两位数百分比也就不足为奇了。这同样适用于其他投资公司。假设这也占前沿AI实验室推理收入的15%。
如果这种归因大致正确，那么我们可以说，仅这三类任务就占了前沿AI实验室推理收入的约50%。
特别有趣的是，这三类任务在令牌支出与收入之间共享一个紧密的反馈循环，使得收入增长具有反身性：
- AI研发：AI实验室始终将AI研发支出转化为更强的模型能力，这几乎即时地增加了收入和融资能力，进而使实验室能在研发上投入更多，如此循环往复；
- 软件工程：使用AI的初创公司能快速构建大量软件，利用这一点扩大收入和股权融资，并迅速将这些资源投入到更多令牌上，如此循环往复；
- 交易：交易公司可以即时测试代币支出对市场的影响，利润越高，就越能投资于AI驱动的策略，如此循环往复。
我将这些任务的需求描述为反身性的，因为它们都遵循相同的模式：在代币上支出越多，带来的收入越高，筹集资金的能力也越强，这反过来又赋予它们更多资源投资于代币，如此循环——似乎没有上限。
对于这些任务，唯一的限制是你能够分配多少代币去解决问题。最优秀的公司是那些能够筹集足够资金并将其投入到正确赌注上的公司——正如Anthropic通过率先将焦点缩小到编程领域所做的那样。而这里酷的地方在于，总可寻址市场几乎是无限的——代币支出拓展了我们所能成就的视野，投资回报率由更高的收入驱动。
而且对于这些任务，只有前沿模型才重要。这正是前沿模型如今成为如此出色业务的原因。反身性需求仅存在于前沿模型中，即使领先开源六个月也足以占据整个市场。
相比之下，有界任务正被众多初创公司所解决。这既伟大又不可避免。然而，这类收入并不具备反身性。你或许能削减成本，但降低成本与增加收入之间没有即时的反馈循环。而且，节省成本的一部分必须与RLaaS提供商分享，成本削减也存在天花板。
关于开源与闭源之争，或是消费者与企业市场的比较，我将这些影响留给读者自行思考。
反身性是一把双刃剑
对前沿代币的反身性需求是一把双刃剑。反身性在上升期表现极佳，在下跌期则极为糟糕。
涉及的数字如此庞大，以至于必须考虑一种情景：至少暂时性地，对前沿代币的需求出现收缩。在这种情况下，问题在于关键需求驱动因素相互关联且具有超级顺周期性。
关联性
三大关键任务中任何一项的需求收缩，都可能直接冲击前沿代币收入的15%至20%，而由于关联性，影响可能高达50%。
当前状况：(i)前沿AI收入增加推高了实验室的股权价值，(ii)这鼓励了对风险投资的更多投入，其中很大一部分用于代币，(iii)这提升了实验室和初创企业的价值，进而(iv)推动公开市场上涨，量化公司从中获利，并(v)增加它们在前沿代币上的支出。这只是一个例子，但传染可能始于这个循环中的任何一步。
超级顺周期性
这些任务具有超级顺周期性，因为它们的需求随周期上升而加速，而在周期下行时可能反向加速。
市场状况直接影响所有三大关键驱动因素的需求。市场上涨使量化交易公司能在代币上投入更多，同时也为AI实验室和初创企业提供更多资本进行投资。
在此框架下，可能只需一个简单触发因素即可启动向下的反身性修正。举例来说，我脑海中浮现的包括：
- 监管减缓AI能力进展；
- 利率上升减缓建设步伐；
- 任何外部冲击。
AI需求模型
显然，我们需要一个前沿代币需求模型。
高度顺周期、与市场紧密相关的需求是脆弱的。尽管过程中有些波折，首次ChatGPT发布几乎与纳斯达克最近的相对低点同步，而私募和公开市场均呈上升趋势。我们甚至还未探讨AI实验室收入可能放缓对市场的影响。短期内这不太可能发生（下一代模型可能成为加速的催化剂），但正因如此，现在正是思考这一话题的好时机。
鉴于当前年度AI资本支出和收入的水平，一个AI需求模型将补充我们现有的供应模型，并为关键投资决策提供信息——从融资到投资——尤其是对那些参与建设的企业。上述框架或许是一个起点。
超越价值
需求模型还应指导建设之外的资本配置。价值将继续流向物理AI供应链。但尽管讨论较少，价值也将归于那些追求无限、长期任务团队。
大约十年内，当前有限任务产生的价值中，很大一部分将从人类劳动转移至数据中心。从财务角度看，可以将这些任务的劳动GDP，应用一定比例的削减，并将其转移至AI供应链。非前沿模型将主导交易量，人们可能仍能赚钱（从事销售、设计及一些长期规划），但公司本身获得的价值将微乎其微。
我预期大部分价值将流向无界任务，特别是那些能让世界信服其有能力配置资本开支（即代币）以追求这些长周期、无界任务的团队。这超出了模型能力的范畴：你总能以更长远的目光思考，我们将看到创始人追逐那些在今天需要几辈子才能建成的公司。其中一部分可能是AI实验室自身，另一部分则是新兴企业。
当前，市场青睐经常性、可预测的现金流——而对短期内看不到实际成果的研发和资本开支持反感态度。未来，我们或许会看到相反的情形：市场将大幅折价处理有界任务带来的可重复现金流，同时重新评估那些能明智配置长期资本开支的团队。
埃隆·马斯克并非异类——他是这一趋势的首个例证。特斯拉和SpaceX的估值是传统金融分析师按其现金流定价的十倍。但市场常规性地为马斯克将研发投入导向任何理性人认为不可能之事的能力定价。有了超级智能，将会出现更多个马斯克。
这里还有很多可谈——但那是另一个故事了。