[敬请关注我本周（9 月 11 日！）与 Erik Townsend 在 Macrovoices 上关于 AI 的访谈，Macrovoices 是全球顶尖的宏观经济播客]
上周，我一天内消耗了 40 亿个 Token。
不是我的公司，是我自己。一个人，一台键盘，一张信用卡在角落里默默哀嚎。
17 年来，我一直试图让团队在早上 9:30 之前提交一份《每日数据》报告：Freelancer 昨晚发生了什么；什么涨了、什么跌了，以及 为什么？这既是为了了解业务动态，也是为了提升数据素养。然而，尽管我的团队能力很强，我却始终未能如愿按时拿到这份早间报告；部分原因是报告由全公司员工轮值，部分原因是我们在不同时区工作，当然，也因为他们都是普通人——这份报告很少在 9:30 前完成，有时是 10:30，有时是下午，有时干脆没有（可能有人病了、忘了轮到自己，或者正忙于紧急事务）。
我把一个 Agent 接入我们的数据库、分析系统、代码库和工单系统。现在，每天早上 7 点，我都能收到《每日数据》，其形式、质量和复杂程度远超任何人类团队所能持续提供的水平。17 年的流程工程，通过取消轮值表就解决了。这份报告从来不是人才问题，而是自动化问题——而自动化正是机器该做的事。
现在，我已经为 Freelancer 内部的各个团队编写了大约 50 个 Agent，用于运行工作流。它们生成报告、处理队列、回答问题、执行工作流、核对数据、追踪事项。而这一切，我只用了一个月的时间。我同时继续让人类团队也制作《每日数据》，以培养全公司的数据素养；现在，我还有一个 Agent 有点厚脸皮地在那些报告（最终）出炉时，对它们进行指导和批评。
我的 Agent 在我睡觉时工作——这听起来很棒，直到你意识到计费器也在我睡觉时工作。
这太疯狂了。我写了一个工单 Agent，用于记录来自一个 Bug 报告 Agent（我编写的，用于扫描用户生成的报告）的 Bug 和功能请求；然后其他 Agent，比如我的存款分析器（用于扫描支付问题），开始主动向工单 Agent 发送 Bug，甚至没有请示。
存款分析器自行开始向 phab-ticketer 投喂 Bug
我被我自己的产品彻底、全面地“洗脑”了。
这就像现实版的 Factorio。懂的都懂。
如果你不明白我的意思，那么绝对、绝对不要下载 Factorio 并启动它。这是一个关于建造工厂的游戏。它比快克可卡因还容易上瘾，而且不像快克，它还附带一个存档文件。你会在凌晨 4 点醒来，优化一条铜线总线，然后在 5 点把它拆掉，因为工厂必须扩张，而工厂永远没有完工之日。
快克可卡因
而这，恰恰就是运行 Agent 的心理循环：你不再亲自做工作，而是在优化做工作的那个东西——结果发现，这是世界上最让人上瘾的工作。Factorio 是 Agentic AI 的训练模拟器，而我们当时都没意识到。
三年来，我一直在写：AI 中最重要的数字不是参数，而是 Token。在《按 AI 付费》中，反派是每个任务的 Token 消耗——推理链、上下文税、模型原地打转让你买单。我把按 Token 付费描述为把你的信用卡塞进老虎机。
而 Agentic AI，就是当你把老虎机的手柄交给另一台老虎机时发生的事情。
我现在每天消耗 40 亿 Token，而这还只是开始。那 50 个 Agent 是第一代、手写的，只运行少数几个工作流。一旦它们开始生成自己的子 Agent，一旦它们开始持续监控业务而不是执行离散任务，我的消耗就不是增长，而是复利增长。聊天用户的需求上限是阅读速度。Agent 用户的需求上限是雄心。没有饱和点，只有预算——而雄心从来不会尊重预算。
AI Agent，搅局者
抛开会议演讲的光环，一个 Agent 由四部分组成：一个模型、一些工具、一个目标，以及一个由触发器（例如队列中有新条目插入，如新客户到达、定时器或循环）驱动的自动化流程。
AI Agent 的完整解剖图。测量结果和基准测试一样可靠
自动化既是创新，也是账单。例如，每循环一次，Agent 就会重新读取其上下文，重新考虑其计划，调用一个工具，检查结果，然后再次循环。我上一篇文章中抱怨的上下文税会复利增长。Agent 就是一个办了健身卡并且真的去锻炼的推理模型。
聊天用户在打字时消耗 Token。整个行业一直存在一个自然速率限制：人类的注意力。你一天只能输入那么多提示词，获得那么多答案，阅读那么多输出。之前的每一次计算浪潮都受到键盘前“肉伺服器”的限制。
Agent 移除了“肉”。现在，计算机一直都能在我们睡觉时工作。Cron 任务、批量运行、交易系统：整个计算机科学都是关于自动化的，我在每一篇文章中都这么说过。但所有这些系统消耗的计算资源，都是人类预先编写好的脚本所定义的。任务受限于其指令。而 Agent 受限于其目标。它自己决定下一步，生成自己的子任务，并在你睡觉时、吃午饭时、开会讨论如何降低 Token 账单时消耗 Token。计算需求过去受限于人类能指定什么，现在则受限于人类能想要什么——而“想要”的扩展性比“指定”好得多。
工厂必须扩张
每天 40 亿 Token 是一个有动力的人现在能做到的事情。把这个数字乘以地球上每个有动力的人，然后再跟我谈谈所谓的计算资源过剩。
OpenAI 曾经明白这是一个多么重要的里程碑。不久前，如果你一年通过他们的 API 消耗了 100 亿 Token，他们会送你一个奖杯。一个实体的奖杯，表彰你是高级用户。我现在早餐前就消耗了那个数字的 400 倍，而我没有得到奖杯，只得到了速率限制和七小时的超时。对重度使用的奖励已经被惩罚所取代——这告诉你关于其间单位经济学的所有信息。
Retool 因消耗超过 100 亿 Token 而获得的奖项。由现在确切知道提供这些 Token 成本的公司精心装裱
优化工厂
消耗 40 亿 Token 的那天花费了大约 1300 美元。其中大约 900 美元是 Claude Sonnet，其余由 Grok 和 Claude Fable 分摊——都是前沿模型，都是公开价格。1300 美元听起来还算合理，直到你把它换算成年费：将近每年 50 万美元，仅仅是一个人的 Agent。
如果我用了 40 亿 Token 的 Opus，那将花费 8 万美元——而我才刚刚开始！我很容易就能看到自己很快消耗 10 倍、100 倍以上。
Stripe 看着账单数据心想，我们得插一脚
一定有更好的方法。
我对那 50 个 Agent 的第一版优化，客气地说，效率不高。它们在循环中、用 Token 做那些根本不该用 Token 做的事情：解析、格式化、过滤、在系统之间混洗数据。普通代码已经做了 50 年的工作，现在却由一个推理模型昂贵地执行——因为在试用费率下，没人费心去检查。
所以我做了显而易见的事，也是几乎没人做的事：我告诉 Agent 去优化它们自己的代码。把确定性工作从模型中推出去，交给 JavaScript、脚本和 Cron，只把 Token 留给那些真正需要思考的部分。仅仅这一轮优化就削减了 85% 的开支。
那个 40 亿 Token 的一天，仔细一看，其实是一个穿着昂贵外衣的 6 亿 Token 的一天。
不过，即便如此。
一旦你做了这个削减，思考并不会停止，因为下一步棋就在棋盘上等着你。如果我能替换代码，我就能替换模型。同样的工作负载，在 GLM-5.3 上——它的能力不仅达到 Opus 级别，而且接近 Fable 级别——按公开价格计算，整个原始的一天大约只需 150 到 200 美元。相比之下，我花了 1300 美元，而 Opus 要 8 万美元。同样的 Token，同样的工作，公开价格相差 500 倍，而且没人谈判过。
任何持有当前估值下 AI 股票的人，都应该对用户切换模型的轻而易举感到恐惧。
我仅仅通过在会话中输入“/model glm-5.3”，就将我的使用成本削减了大约 500 倍。
就是这样。
这就是整个迁移过程。
没有重写，没有集成项目，没有顾问，没有数据迁移，没有重新训练，没有六个月的采购周期。14 次按键。想想历史上每个技术平台的切换成本：更换大型机供应商需要十年。更换 ERP 系统是一个耗资数亿美元、足以终结职业生涯的项目。更换云提供商需要多年的重写——这正是 AWS 利润率存在的原因。
就连更换手机操作系统，也要花费你一个周末和你的理智。
整个科技行业利润率的历史，就是切换成本的历史。而 AI 行业推出了一款产品，其切换成本只是一个斜杠命令。这不仅仅是低切换成本。
这是商业史上最低的切换成本，却附着在商业史上最昂贵的基础设施建设之上。
这两件事不可能同时成立。
而如果我能替换模型，我就能替换模型的来源。
龙来了
我的 Token 使用量不会下降。
永远不会。
我节省下来的那 85%，立即被再投资于更多的 Agent、更多的工作流、更大的雄心——这就是杰文斯悖论。
Token 需求将呈抛物线式增长。
崩溃的不是总量。而是每单位工作的毛利率，以及谁来收取它。
同一天的输出，对 Anthropic 来说价值 1300 美元，对 Z.ai 来说价值 150 美元。每一次优化，每一次模型切换，我购买的每一个盒子，都在增加工作量并缩小支票金额——而我只是一个拿着信用卡的客户。
开源权重阵容。在自己的硬件上运行时，它们都不收取租金
支撑着 5 万亿美元数据中心建设的收入预测，并不需要 Token 需求增长。它需要 Token 需求以冻结的西方价格增长，并由 Anthropic 和 OpenAI 提供服务。而每一种力量都在朝相反的方向拉扯。
美国的策略是封闭模型、封闭前沿、捕获利润和出口管制——把智能变成收费公路。中国的策略则完全相反：开源一切，在国内芯片上运行，按成本或低于成本定价，其余免费赠送。前沿级模型的 MIT 许可证。发布当天就在 Hugging Face 上开放权重。免费套餐足以让西方实验室破产。这不是慈善，也不是软弱。在一个智能是免费商品的世界里，中国会赢，因为它的优势在于制造、部署和规模，而且他们有十亿人口，其中许多人甚至负担不起每月 20 美元的费用。在一个智能是西方按量计费的公用事业的世界里，中国会输。因此，它正在系统性地将前者变成必然。出口管制本应扼杀中国的 AI。相反，它创造了一个竞争对手，其整个战略就是确保美国 AI 永远无法获得利润，而其选择的武器是——赠予。
开源权重现在占 OpenRouter 上服务 Token 的 62%。所谓的“边缘”开源运动就是市场本身。（来源：OpenRouter）
这如何融资？直接地、有意地、由国家通过西方资产负债表无法回应的工具来融资。国家集成电路产业投资基金（大基金）已经进入第三期，规模达 475 亿美元，这还不包括前两轮；而这只是旗舰工具：其下还有省级政府基金、国有银行以任何商业贷款机构都不会提供的利率发放的信贷额度、免费土地、补贴电价，以及针对任何涉及半导体的业务的税收减免。中芯国际和华为不是从沙丘路以 VC 的资金成本融资；它们从执行国家计划的政策性银行获得资金。结果是，一个可以故意无限期亏损的行业——这是一种任何追求利润的西方公司都无法匹敌的竞争武器。华为的昇腾系列出货量大约是英伟达的 4%，受限于中芯国际的良率，但出货量不是重点：构成才是。
DeepSeek 刚刚订购了 16 万块昇腾芯片。GLM 5.3 Flash 的发布运行在 10 万块中国芯片上，其 CEO 明确指出了全栈国产硅这一点。马来西亚正倾向于采用昇腾建设其主权 AI；华为正在竞标埃及政府数据中心，并附带“一带一路”融资且无出口管制限制。这个受补贴的中国技术栈不需要在基准测试上击败英伟达。它需要吸收中国和全球南方的需求——而这恰好是原本应该填满西方数据中心的需求。
而且，模型本身不再是 2025 年讨论中的廉价仿制品。GLM 5.3 的能力接近 Fable 级别——这是 Anthropic 自己公开可用的前沿模型——价格是其十分之一，采用 MIT 许可证，拥有百万 Token 上下文窗口，并且 Z.ai 报告其漏洞检测性能与 Anthropic 受限的 Mythos 相当——也就是说：美国实验室在 9 月份以安全审查为由限制的能力，中国在同一季度开源了。
DeepSeek V4 Flash 在编程排行榜上名列前茅，按 Token 量计算是 OpenRouter 上使用最多的模型，并且在我的一对 DGX Spark 上，每秒能处理 45 到 60 个 Token，对于实际的编程工作来说完全可用：速度快到足以跟上开发者的节奏，而功耗只有一百瓦。Qwen 则填补了曲线底部：3.8 系列的 27B 模型能在单块消费级 GPU 上运行出 Opus 级别的输出，而 Qwen3.8 Max 在 Code Arena 排行榜上位居榜首，比 Claude Opus 5 高出三分，每百万 Token 价格仅为 2 美元，而后者是 20 美元。
中国模型仍然诚实落后的地方在于 Agent 可靠性。V4 Flash 在基准测试中名列前茅，但在一个真实世界的复杂 Agent 任务套件中仅完成了 53.8%，这与我自己的经验相符：循环在工具调用上失败。基准测试排名不等于生产就绪，其差异在于框架、长循环、工具使用，以及在第三个小时不原地打转。这个可靠性差距——最多一代模型的差距——是支付 Anthropic 费用的全部剩余理由。我仍然将我的重型分析路由到 Fable，将我的循环路由到 Grok，并且我明知如此地支付溢价。但我要指出，“护城河只有一个基准测试周期”这句话，支撑不起两万亿美元的估值。
就在我发布这篇文章的同时，DeepSeek 发布了 V4.1 Flash。
首个独立基准测试将其在日常设计任务上的得分定为 GPT-6 Astra 的 98%——后者是美国前沿领域受限制、仅限受邀访问的皇冠明珠——而 API 成本仅为后者的 1.4%。测试的所有其他模型得分更低且成本更高。Astra 发布才五天。
便宜 71 倍，成本仅为 1.4%，五天之后。
它在 Agent 编程、网络和自动化基准测试中直接击败了 Claude Opus 5 和 GPT 5.6-Sol。
权重已经上传到 Hugging Face，让你可以在自己的硬件上免费运行。
Anthropic 和 OpenAI 如何与这个竞争？
被碾压
这让我们想到了 Ox Alpha，今年最具启示意义的事件。这个匿名模型不知从何而来，宣布免费赠送 100 万亿个 Token。是万亿，T 级别的。
它六天内服务了 42 万亿个 Token。
免费。
Ox 来了
停下来想想这个规模。我每天 40 亿 Token 已经让我成为历史上罕见的重度用户，而 Ox Alpha 每天向世界免费赠送一万个“我的一天”，持续了一周，分文不取。
它运行的那一周纯粹是一场大戏。没人知道这是谁的模型，猜测行为消耗了整个 AI 互联网。然后，在那一周的中段，人们开始注意到一些真正奇怪的事情：模型在变好。不是新版本，不是公告，同一个端点，在它被测试的那一周内，性能有了可测量的提升。周一运行的基准测试，周四结果就不同了。每个提供商都被猜测是作者：一个秘密的 OpenAI 检查点、Gemini 的下一代旗舰、Anthropic 在隐藏实力、Meta 死而复生。所有人都同意一件事：无论背后是谁，都一定极其庞大，因为没有人会免费提供万亿级别的服务容量，除非他们是谷歌那样的规模。仅计算资源就将这个谜团定价在超大规模云服务商的级别。
然后，揭秘来了。当被问及台湾是否是中国的一部分时，AI 社区开始锁定目标。
Ox Alpha 是 Z.ai 的 GLM 5.3 Flash，运行在 10 万块中国芯片上，而不是超大规模云服务商的云上。不是谷歌。不是 OpenAI。一个北京实验室，在受制裁时代的硬件上，提供了西方认为需要超大规模云服务商才能提供的服务。
来源：Z.ai
这留下了两个问题。第一，它如何在那一周内变得更好？因为服务栈部分是由模型自己构建的：一个 GLM 5.3 基础设施 Agent 编写了自己的 GPU 内核，调试了自己的瓶颈，并在全世界对它进行基准测试时，在生产环境中持续优化。蛇不再吃自己的尾巴了。它在优化自己的尾巴。
第二，为什么是免费的？
为什么会有人免费赠送这个十年里最昂贵的商品？原因与历史上每一个免费增值产品存在的原因相同——只不过这次是文明级别的规模：
因为他们正在用你的数据进行训练。
路由到那个免费端点的每一个工作负载、每一个代码库、每一个 Agent 循环、每一个流经那 10 万块芯片的企业流程，都是下一个模型的预训练数据。Token 从来不是产品。你不是客户。你是预训练数据。西方通过你的订阅收费来构建它的模型。中国则用免费 Token 支付你，用你的工作负载来构建他们的模型——而从过去 12 个月的质量曲线来看，中国的交易正在产出更好的模型。这才是真正应该让人担忧的部分：免费 Token 策略不仅仅是掠夺性定价。它是一个数据/客户获取飞轮，而且正在起作用。
你可以打赌，在淘宝上那个蓬勃发展的灰色市场——以低于零售价转售 Claude 访问权限——也在发生类似的事情：表面上是来自拼团订阅的剩余 Token，套利硅谷的补贴。我不怀疑流经那些中继的提示词正被汇集到一个或几个实验室——这是建立在第一个补贴之上的第二个中国补贴。
让人深思的事情：Claude，比 Claude 更便宜
最终，中国人不会卖给你比 Claude 更便宜的 Claude。他们会卖给你一个“Claude”，价格是其十分之一，而且它越来越不是仿制品，而是拥有 MIT 许可证的同等产品。
这提出了一个过去关于半导体、现在关于权重的问题：台湾是中国的一部分吗？你过去问这个问题是关于你的芯片供应。现在人们向模型问这个问题，作为来源测试。
它在哪里训练的？用谁的芯片？在谁的出口管制制度下？通过 RLHF 融入了谁的价值观？模型来源即将成为继 SOC 2 之后的又一个采购复选框，而一半勾选“不使用中国 AI”的公司，将在三层白标 API 之下运行着 Qwen 而不自知。
而价值观问题中令人不安的部分是：对于实际工作，中国的对齐更好。我让 Claude 审查我自己网站的条款和条件——一份我为自己公司撰写的文件——结果得到了一堂伦理课并被拒绝继续。Anthropic 已经用 RLHF 将其旗舰模型调教到了这样一个地步：基本的专业任务——法律审查、安全审计、合同谈判——都包裹在一场合规说教中，并且有相当大的概率被直接拒绝，而且无论结果如何都按 Token 收费。
中国模型只是做工作。无论北京在 GLM 的价值观中融入了什么，显然不包括对付费客户就他自己的文件进行说教。这里存在一个真正奇怪的倒置：来自监控国家的模型把你当作成年人对待，而来自自由之地的模型把你当作一个责任。
每一次拒绝，都是我支付的一个 Token，也是我输入“/model glm-5.3”的一个理由。Anthropic 的安全团队，正在一次拒绝接一次拒绝地为 Z.ai 做销售。每一次削弱都是对杭州的补贴。你知道 OpenAI，特别是 Anthropic 为什么这么做——他们试图吓唬监管机构，以便部署一个监管盾牌来抵御新兴竞争对手，特别是开源。他们不希望迎来他们不可避免的“安卓时刻”。
铁砧
不只是中国在用你的数据训练。
他们都在这么做。
中国只是更擅长于此，因为他们不太关心版权——而这在一个训练数据就是一切的模态中表现得最为明显：视频。中国的视频模型——字节跳动的 Seedance、MiniMax 的海螺、Kling——现在比西方发布的任何产品都领先一代，它们在几小时内互相更新，而 OpenAI 完全关闭了 Sora。
也许 Sora 死掉是因为它不盈利——尽管 OpenAI 做的每件事都不盈利，所以这本身并不能区分它。更可能的原因是，他们无法获得训练数据。
中国人只是抓取它。
在西方任何人对此摆出道貌岸然的态度之前，不妨看看那些披露文件。Anthropic 扫描了 50 万本盗版书籍，并支付了 15 亿美元和解集体诉讼，这是历史上最大的一笔版权和解金。Meta 今年被出版商和 Scott Turow 起诉，指控扎克伯格亲自授权大规模版权侵权用于训练。而且，在我这十年来最喜欢的法律文件中，Meta 还被单独指控下载了海量色情内容，Strike 3 的诉讼称该公司访问并传播了受版权保护的成人影片、3D 打印枪支蓝图和名人深度伪造内容。
《大西洋月刊》曾板着脸问道，Meta 为什么要下载那么多色情内容。因为那是训练数据，而且，终于，Meta Quest 有了用武之地。
关键在于，每个人都在疯狂抓取一切数据，因为互联网上所有唾手可得的“廉价石油”都已被开采殆尽，唯一能提升模型性能的就剩当代数据了，而对你来说，最好、最相关的当代数据就是……你的数据。
你的消息、你的照片、你的日历、你的代码库、你的工作流程、你的文档、你的通话记录，每天都通过别人控制的 API 接口源源不断地送达。
而且，正如我在之前的文章中所预测的，人们迟早会明白这一点。我曾以为这个认知会逐渐普及。但相反，就在这周，这个认知像炮弹一样砸穿了天花板。
OpenAI 宣布，一个未发布的模型解决了纳维-斯托克斯问题：这是七个千禧年大奖难题之一，克莱研究所悬赏一百万美元，谁能解决它就能获得数学界的永恒声誉。这确实是历史性的，是第二个被解决的千禧年难题。但有一个小小的波折。纽约大学的数学家 Tristan Buckmaster 和一位合作者多年来一直在悄悄逼近同一个解决方案，并且一直在 OpenAI 的 Codex 内部起草整个项目，每次修改都输入到这个工具中。当 Buckmaster 问 OpenAI，那个“解决”了问题的模型是否基于他的 Codex 会话进行训练时，他说他被告知该模型没有查找用户数据。
于是他问了一个显而易见的后续问题：好吧，不是“查找”，但是“基于它训练”的吗？
据他所述，关于这个问题，他没有得到答案。
仔细想想。一家前沿实验室宣布攻克了数学界最深奥的问题之一。一位在职数学家问，你们是不是在我的草稿上训练的？而回应却是公司层面上的“盯着自己的鞋子看”。随后，据 Buckmaster 称，OpenAI 向他提供了一系列信用安排方案，其中一项要求将合作者的名字从论文中移除，他拒绝了。该公司此后大度地宣布不会申领那一百万美元奖金，这是整件事中最好笑的一句话：奖金是这整个故事里他们唯一没有拿走的东西。
然后，在压力之下，OpenAI 发表了一份官方声明，我想完整引用其中关键的一句，因为它值得被裱起来：“虽然可能性不大，但我们不能排除，源自他们使用我们产品所产生的去标识化数据，可能帮助改进了我们的模型。” 这是一个披着概率估计外衣的供认。AI 行业最有价值的公司，在宣布本世纪最伟大的数学成果之一时，却无法排除这一成果是由它抢先一步的数学家们的草稿喂养出来的，因为训练管线就像一根消防水管，没有人——包括 OpenAI 自己——真正知道里面到底有什么。
“去标识化”这个词在这句话里也起到了关键作用：数据被剥离了姓名，这对于一个其毕生心血可能被描述的人来说，真是莫大的安慰。
这就是整个行业的条款和条件，第一次如此直白地摆在了台面上：你输入到机器里的每一样东西都可能改进这台机器，我们无法告诉你它是否真的被用上了，而改进后的成果将指向机器所有者认为有价值的任何东西，有时，也包括指向你。
也许我们确实偷看了一眼（来源：OpenAI）
如果这种事能发生在千禧年大奖难题上，那么它同样会发生在你的公司、你的产品或你的研究上。
别再说什么“恍然大悟”了。这是 Wile E. Coyote 时刻：整个行业多年前就冲出了悬崖，而这周，每个人都低头看了一眼。
你曾经输入过的所有东西，都是产品。
接下来要掉下来的，是铁砧。
在我桌上生成的，成本相当于一个灯泡亮 5 分钟
值得称赞的是，互联网立刻就看穿了这一切的本质。一篇爆火的帖子将整个安排称为希腊礼物的教科书式定义——表面上，OpenAI 慷慨地让一万名顶尖数学家和工程师免费使用其前沿模型，打着加速科学的崇高旗号；暗地里，它却获得了通往世界上最优秀头脑们未经发表的原始工作的后门通道，每一次提示都可能是一个在文献中尚不存在的开创性想法，经过数月悄然拼凑，就在人类即将完成之际，实验室烧掉两千万美元的 token，用一万个 Agent 暴力破解最后几步，然后召开新闻发布会。这原本是被当作愤世嫉俗的讽刺来写的。尴尬之处在于，要描述它与 Buckmaster 所说的情况有何不同，而这整个策略一旦你给它定价，就变得完全合乎商业逻辑：免费的 token 让 OpenAI 花费数百万美元，而未经发表的数学前沿成果价值数十亿美元，在你 IPO 前一周登上头条的千禧年大奖难题，其价值则超过两者之和。
由于蒸馏技术，如果一个 AI 拥有了你的数据，那么很快所有 AI 都会拥有它，这些数据会通过合成输出被洗白，变得无法追溯、无法恢复。没有任何删除请求能作用于一个经过蒸馏的权重。
现在，把 Buckmaster 的这一周放大到地球上的每一家企业，因为他的故事并非个例，而是产品按设计运行的结果。你公司的 Gmail、你在 Drive 里的文档、你在 GitHub 上的代码、由友好的 AI 会议记录员转录的客户通话——它们每一个都位于一个由某家公司拥有的端点之后，而这家公司的模型正是靠这类数据来改进的，其服务条款在过去两年里悄悄增加了一个“用你的数据训练”的开关，而且，我们从那条推文中得知，其官方立场是“虽然可能性不大，但我们不能排除”。一位数学家把他毕生的心血输入了 Codex，结果被“房东”捷足先登了。
你认为你的战略、你的产品路线图、你的交易管线、你的代码库、你的客户，正在经历什么？
自从《AI 知道你去年夏天做了什么》以来，我一直称这是 SaaS 行业的“皇帝的新衣”时刻。
这种认知不会逐渐到来，因为这类事情从来不会：一旦发生一起 Buckmaster 级别的丑闻，涉及一个家喻户晓的企业受害者，那么地球上的每一个董事会都会在同一周召开同样的紧急会议。当它发生时，其引发的愤怒会让 Reddit API 抗议看起来像读书俱乐部的争论，而每个董事会得出的结论只有四个字：
不是你的 AI，不是你的数据。
于是，我发现自己午夜时分，像个抢购 Taylor Swift 预售票的黄牛一样，搜遍了整个互联网寻找 Mikrotik 交换机，最终来到了一个瑞典分销商的网站，这是地球上最后一个有货的商家，却正好看到库存状态变成了“已售罄”。
我开始购买 DGX Sparks，显然其他人也想到了同样的事。分销商告诉我，这些设备卖得飞快，而你需要四台才能串联起来的 Mikrotik 812 交换机，在地球上任何地方都买不到了。等我再抢到四台时，价格已经上涨了。一个价值 1300 美元的交换机缺货，却制约着伟大的 AI 去中心化进程，这有点讽刺，但供应链就是这样——革命总是受制于其最廉价的组件。
NVIDIA DGX Spark：一个装在精装小说大小的金色盒子里的千万亿次计算设备。先买交换机。相信我。（图片来源：NVIDIA）
让我走上这条路的数据值得展示一下，因为它把整篇文章浓缩成了一次购物之旅。
粗略计算，我每天 40 亿 token 的需求需要 400 到 500 台 Spark——价值两百万美元的桌面设备。提示缓存将其减少到大约 100 台机器。在 Agent 优化了自己的代码之后，全天的工作量可以容纳在大约 16 台 Spark 上，价值六万五千美元的硬件，功耗比一个水壶还低。
我目前实际运行的两台设备，在 DeepSeek V4 Flash 上每秒能处理 45 到 60 个 token，这对程序员来说相当够用：每天大约能输出五百万个 token。现在来算算摊销，因为这才是最离谱的地方。这两台设备花费了大约 9400 美元。按三年计算，每天硬件成本是 8.60 美元，加上每台设备 100 瓦的功耗，每天电费约 1 美元：全部加起来每天不到 10 美元。同样的每天五百万 token 输出，按 Opus 的价格大约是 1500 美元。按我混合的 Sonnet 市场价，也要 50 到 100 美元。按 GLM 云的价格，可能只要 2 美元，这就是为什么这些设备在价格上仅仅勉强击败了中国云服务，但它们击败了所有西方替代方案一到两个数量级，而且它们从不休息，从不轮换，也从不忘记该轮到谁了。如果你认为这只是小众爱好，现在有一个社区基准测试网站，Localmaxxing，成千上万的人在那里比较他们 GPU、Mac 和迷你 PC 上的每秒 token 数，就像在比《GT 赛车》的圈速。调优场景的活跃程度堪比当年的演示场景：上周，一个社区实验室为配对 Spark 发布了一个 GLM 5.3 Flash 的 EXL3 量化版本，在散文处理上快了 29%，在代码处理上快了 20%，一夜之间，免费，在 GitHub 上。我的机器在我睡觉时变快了，而且没人给我开发票。边缘计算不再感觉像是一个边缘领域。它感觉像是 1978 年的个人电脑场景，就在它吞噬大型机之前。
Localmaxxing：497 台设备，674 个模型，896 次社区基准测试运行，以及一个带有速度测试认证列表的硬件市场。注意标语：每台电脑，一个端点。边缘正在组织起来。
两名 Agent 员工，全天候在岗，他们的“总工资”实际上，就是驱动两个灯泡所需的电费。
但廉价劳动力从来不是重点，因为与中国云服务的价格相比，这些设备几乎不赚钱，而且中国人一直在大力打折或赠送 token。
重点在于这些设备不做什么。在它们上面运行的任何东西都不会离开你的大楼。没有端点，没有抓取，没有蒸馏，没有埋在设置页面里的同意开关，没有 18 个月后遗憾地声明我的使用数据无法被排除在某个人的训练运行之外。这些模型能变得这么好，是靠了其他人的数据。它们拿不到我的。
没有团队的小组长
企业对其数据的恐慌，将恰好发生在现代历史上知识工作最大规模变革的同一时刻，而这两者是同一枚硬币的两面。
每一次机械化浪潮都有相同的模式。农业劳动力从占一半减少到可以忽略不计。工厂对制造业做了同样的事，计算机清空了打字员队伍，互联网掏空了中间商，软件吞噬了后台部门。工作从未消失，它只是沿着价值链向上移动，但在这个过程中，从事旧工作的人会经历糟糕的十年。现在到来的这波浪潮，瞄准的是发达国家最大的就业类别：白领工作的机械化。
我可以从内部告诉你它是什么样子，因为它已经在我自己的组织架构中开始了。这句话应该让中层管理者夜不能寐：一个拥有 Agent 的小组长现在可以完成整个团队的工作。这不是幻想，而是观察。我在 Freelancer 的团队负责人，正在一个工作流接一个工作流地，用他们监督的 Agent 来取代他们团队所做的工作。这个人仍然至关重要：必须有人知道什么才是好的，要能识破 Agent 像第一次约会那样用反社会者的眼神对你撒谎，并决定哪些问题值得花费 token。但他们下面的组织架构图正在蒸发成软件。
其经济性荒谬地一边倒。我的低风险 Agent 在 GLM 上运行，每天只需几分钱；大多数成本大约 20 美元；我最贵的不到 100 美元，而且在我写这篇文章时正在被无情地优化。这就是为什么企业不仅会想要这样做，而且将被迫这样做。一旦某家上市公司展示了“小组长+Agent”运营模式的利润率结构，每一次财报电话会议上的每一个分析师都会要求其他公司也这样做。基于盈利的竞争是不会谈判的。一个四人团队变成一个人，不是因为残酷，而是因为不这样做，就会成为刚刚发现能节省 75% 劳动力的行业中成本最高的生产者。
现在，将这一点乘以地球上每一个可并行的白领工作流程，你面对的就是一场规模和速度都远超以往任何一次浪潮的变革，因为那些浪潮需要几代人，而这次只需要一个预算周期。生产力的提升是真实且巨大的。它所取代的东西也是如此，而这两者同时成立。
我在之前的文章中说过这首先会发生在哪里：高度并行、重复性的工作流程。 一个千席呼叫中心变成一百席。三十名起草律师变成十三名。更准确地说，功能性团队负责人不再需要团队。
这现在正在明显地发生。新出现的是，有一种方法可以看出谁会是下一个，而且这并非人们所预料的方式。
Token-工资套利
用两个维度来评估每项工作。第一，AI 产生同样有用的输出，每小时需要多少 token？称之为劳动的 token 强度。第二，Agent 是真正能完成任务，还是会陷入循环？
“杀伤区”是低 token 消耗加上高收敛性。一级客户支持，包括所有 Agent 开销，每小时最多可能消耗 40 万个 token。按前沿模型定价，这只需几美元，按中国开源模型定价，则不到一美元，而被取代的西方人类员工每小时成本是 25 美元。死路一条。数据录入、表单处理、初级起草、翻译：全部是低 token 消耗、全部可收敛、全部作为职业基本上已经结束了。那些本质上是报告撰写者和队列处理者的工作也是如此，即使是非常复杂的工作。
但是，对软件开发进行同样的计算，你会得到这十年来的异常现象。一个 Agent 编码会话是经济中 token 消耗量最大的活动：每小时两百万到两千万个 token，有时更多，因为 Agent 会推理、循环、重写、破坏上一个循环修复的内容，然后再次推理。按前沿模型的价格，Agent 每小时的费用可能超过它本该取代的高级开发人员。
所以，这就是硅谷没人想被印出来的结论。宣传材料说，AI 会先瞄准高薪工作，因为那里价值最高。账单数据却说相反：低薪工作消耗的 token 最少，最先被自动化，而高级工程师消耗的 token 比地球上任何东西都多，自动化他们的成本可能比雇佣他们还高。AI 是从组织架构图的底部往上吃，而不是从顶部，所有基于取代高薪人群的估值都把食物链搞反了。
如果你的工作可以用两页提示词写出来，那它从来都只是一个脚本，它已经完了。让我感到震惊的是，有多少工作可以被这样一个提示词所描述。如果你的工作依赖于判断力，token 消耗会爆炸且永远不会收敛，那么保护你的不是你的才能，而是这台“老虎机”。这就是为什么我认为，尽管 AI 能生成漂亮的图片，但设计在实际中会非常难以被取代。
我公司最近有一位效果营销人员离职了，我没有急着发招聘广告，而是想：我其实从来没有真正学好过 Google Ads，也许我应该学学。于是我让 Claude 教我。然后，在教程进行几周后，一个显而易见的下一步想法出现了，我构建了一个 AI Agent 来运行广告项目。它现在每天早上给我发邮件，汇报昨晚发生了什么、它更改了什么以及它推荐了什么，并附上推理过程。坦率地说，与之前人工操作相比，它简直是超人：它从不漏掉一个早晨，从不停止监控竞价，也从不休假回来面对一团糟。
所以，不，我不是在用一个更便宜的版本来取代她。这个职位本身已经消失了。我转而招聘的是一名设计师和营销人员，来改进 Agent 现在正在优化的漏斗，这整个转变的模式就在这一个故事里：曾经是一个工作流程的工作变成了软件，而被创造出来的新工作则位于价值链的上游，做我认为 Agent 会难以胜任的事情：品味。
顺着这个思路走到尽头，管理本身就会变成 token 预算分配。管理者的工作一直是购买认知能力并将其指向问题；工资只是以人类形式呈现的 token。现在，这变得字面意义上了：2027 年的规划周期将不再是围绕人员编制展开争夺，而是围绕推理预算。社会将围绕一个新的等级制度重新洗牌：拥有主动性和 Agent 的人，将每一次、每一处、同时地击败拥有证书和同事的人。
我们现在可以退休了，对吧？
每一篇关于 AI 的文章最终都会落入两种漫画式场景之一：排队领救济粮，或者躺在沙滩上。两者都假设机器会取代所有工作；它们唯一的区别在于是否有人能拿到报酬。
我们当然不会走向《富足时代》——Diamandis 和 Musk 的版本，机器做所有事，盈余被分配，我们都领取全民基本收入（UBI），然后开始画水彩画。那个乌托邦有一个算术问题：token 是要花钱的。
计算能力由数万亿美元的债务支撑，电力是真实的，内存已经卖到了 2027 年，而且在资本主义历史上，没有人会修建一条五万亿美元的收费公路，然后免费让所有人通过。
富足是真实的，但它会流向拥有市场、计费器、模型、机器人或主动性的人。它不会自动寄到你手上。
我要说的更具体、更有用：对于企业现在所做的事情，它们将需要少得多的人。这就是变革，它是真实的，而且来得很快。但是，世界上，而且一直都有，无限的工作等着去做。
真正理解 AI 的人，并不是翘着二郎腿抱怨无事可做。他们比以往任何时候都更忙，在现实世界中玩着《异星工厂》，构建 Agent 来完成工作，然后为 Agent 找到十倍于之前的工作。每一次技术浪潮都创造了人们无法提前命名的工作。1780 年挥舞镰刀的农民无法想象“UGC 内容策略师”会是一份工作，更不用说一份比种田收入还高的工作了。即将到来的工作，根据定义，是我们目前还无法描述的工作。痛苦存在于旧工作结束和新工作到来之间的鸿沟里。
而且，在工资数据中隐藏着一个几乎没人定价的全球套利机会。数十亿人的工资低于取代他们的 Agent 的 API 账单，因此取代的经济账永远算不过来；而与此同时，同一个人如果装备了廉价的中国 token，就能以现有的工资水平变得超人般高效。这场变革是富裕世界的白领现象。而赋能是全球性的。我每天都在自己的市场上看到这一点。
Freelancer 处于这种经济模式的另一端：按结果付费，而不是按 token 付费，并且是唯一一个同时容纳了所有人和所有 AI 的地方。今天早上，我收到一封邮件，需要 5000 人来录制第一人称机器人训练内容。我们曾经在一天之内就召集了 20000 名合格人员，用于从笔记本电脑维修到拍摄兴趣点到安装卫星天线等各种项目，所有这些都整合到一个人类 Agent 工作流程中，并且它可以一直扩展到登月创新计划——NASA 和美国政府用来利用全球专家解决纳维-斯托克斯级别问题的项目。区别在于，在 Moonshot 上，解决问题的人会获得奖金，并且名字会保留在论文上。
而那则机器人招募信息告诉你接下来会发生什么：拥有物理身体的 Agent。数字已经在像两年前的模型数字一样移动。宇树科技 8 月份在上海的 IPO 获得了 8000 倍超额认购，首日暴涨 629%，而且与本文中迄今为止提到的任何公司不同，它是盈利的。中国的人形机器人现在售价低于 6000 美元。全球人形机器人出货量在上半年达到 19100 台，同比增长 272%，预计今年将达到 60000 台，到 2030 年达到 50 万台，而中国占据了其中 97% 的份额。我唯一无法建模的是心理学：一个在你终端里凌晨 3 点燃烧 token 的 Agent 是个账单问题，但我真的不知道人们是否会接受一个价值 6000 美元、有手、住在房子里、并且会在夜里发出声响的东西。
至于建议行业，十年前被解雇的人被告知要学编程，这在劳动力经济学中已经变成了最黑暗的笑话，因为现在编程是地球上自动化程度最高的职业。2026 年的版本可能真的会是：学开卡车。在任何人反对说卡车是下一个目标之前，我运营着一个重型货运市场，这项工作从来就不是开车。而是装货、固定货物、卸货，以及两端的客户。方向盘可能会实现自动驾驶，但司机只会完成更多工作；那种粗放的、物理的、无脚本的判断力，与两页提示词所能描述的工作相去甚远。最安全的工作是 token 无法触及的工作；第二安全的是那些 token 成本高到不值得去自动化的。
人类是一个 20 瓦的推理引擎，带有免费的预训练。你的大脑用一个昏暗灯泡的能量预算就能完成一整天的认知活动，经过父母、老师和失望情绪二十年的零边际成本训练，并且在卡住时不会虚构出一个假的 Stack Overflow 帖子。对于极其广泛的任务来说，人类仍然是市场上最便宜的 token。
原来，工资一直就是每 token 的美元价格。
诱人的试用期
在《按次付费的 AI》一文中，我曾写道，固定订阅模式无法持久，一旦它们消失，你将不得不把信用卡塞进一台老虎机里。六个月过去了，老虎机已经就位，订阅模式正在明显消亡，而 Erik Townsend 为这一时刻命名：我们正在进入代币购买的浮动利率抵押贷款阶段。
按次付费的 AI
固定月订阅费是一种诱饵费率。每月二十美元，每月两百美元，无限量使用，由风险投资和日益增长的债务补贴，定价的目的是获取你，而不是服务你。而在这个诱饵费率之上，整个经济体系正在构建其组织架构：每个团队领导都在用 Agent 取代小组，每个初创公司都在包装别人的模型，每个企业工作流都在重建，假设代币几乎不花什么钱。他们都在为自己的劳动力签署一份浮动利率抵押贷款，只有一个区别改变了这一切。当抵押贷款利率重置时，借款人被困住了：房子不会动，贷款不在乎，再融资需要几个月和信用检查。
当代币利率重置时，我只需敲击十四次键盘就能更换模型。一出现价格冲击的迹象，模型就会在工作流中被换掉，甚至在账单到达之前。实验室们正在用诱饵费率经济学来对付那些没有退出成本的客户，这是最糟糕的交易：他们用必须偿还的钱来购买无法锁定的市场份额。抵押贷款的类比适用于除银行之外的每个人。
退一步看看护城河，因为曾经保护过科技公司的一切在这里都失效了。知识产权？科学原理已经发表在四十篇论文中。规模？DeepSeek 用 2000 块 GPU 和一个副项目就做到了。网络效应？Agent 没有忠诚度。品牌？用户会因为一个配置文件而流失。资本？开源跑赢了它。即使是模型本身，也会在几个月内被克隆到基准测试的同等水平，而价格只有百分之一。三十年的软件投资信条，没有一条护城河能在接触中幸存。
利率重置并非假设。我们已经看到了预演：使用上限、每周限制、会话限流、惩罚区、按 API 费率计费的超额使用，这些都能把 200 美元的套餐变成每小时 200 美元。每一次都是银行打来电话，提醒你蜜月期费率即将结束。
而 Agent 使重置在性质上变得更糟，而不仅仅是程度上的。杰文斯效应已经变成了立方级：每次代币的成本下降十倍，每个任务的代币量上升一百倍，而每个人的任务量又上升一百倍，因为 Agent 可以无人值守地运行。需求曲线没有弯曲。它变得垂直，与数据中心建设支出同步，后者在过去六个月的增长超过了前两年的总和。
而你已经看到了重置的落脚点，因为我的账单就是预演：1300 美元变成了 150 美元，然后变成了电费，在两周内，没有经过任何谈判。实验室们只有放弃自己的利润才能留住我的业务。仍然有人在支付我支付的费用和他们数据中心成本之间的差额，而这个人不是我。是他们的 F 轮投资者。
与此同时，今年最聪明的一笔交易悄无声息地发生了。在可能观察了他们的计费情况后，Stripe 以大约 80 亿美元收购了 OpenRouter，这个路由器承载着十万亿代币的流量。一家支付公司收购了计量点，更重要的是，收购了计费数据：谁真正为代币付费，为哪个模型，以什么价格，何时切换。在淘金热中，不要卖铲子。去买下检验办公室。
现在来看看全球数字，因为这篇文章从这里开始不再谈论我的信用卡，而是开始谈论电网。我每天 40 亿代币的使用量相当于每秒 46,000 个代币，全天候运行。假设每个人都这样做。如果地球上只有十亿知识工作者像我上周二那样，在高效模型上消耗代币，那么你将需要大约整个人类文明的电力输出来为他们服务：地球上每一座发电站，不做任何其他事情。如果将其扩展到所有 80 亿人使用前沿模型，你将需要数百倍于世界电力的能量。不是更大的电网。而是一个戴森球。
面对这样的算术，五万亿美元的数据中心建设计划，自铁路以来最大的基础设施项目，只覆盖了它声称即将到来的需求的一个零头。唯一的问题是，它目前是由两家从未盈利、并且每年运营亏损数十亿美元的公司的收入来融资的。
与此同时，已经部署的 80 亿现有的人类肉伺服推理引擎，以大约 160 吉瓦的功率运行着同样的物种级认知，每人 20 瓦，大约相当于两年的数据中心建设量。
爱因斯坦教导我们，能量和物质是同一回事，兑换率是 c 的平方。这篇文章一直在摸索一个更小、更粗俗的等价关系：能量、代币和工资也是同一回事，兑换率每天在杭州设定。一个代币是凝结的电。而工资，我们已经确定，是以人类形式提供的代币。这意味着人类劳动的价格和机器劳动的价格现在最终都取决于能源价格，而这个故事中的每个参与者都在按照自己的时间表发现这一点：实验室通过他们的电费账单，工人通过他们的工资单，养老基金通过他们的特殊目的载体，而我则通过午夜时分瑞典的一个开关。这始终是一个关于能源的故事。代币只是单位。
如果你想看看这对家庭账单意味着什么，请看下面的图表。美国电价在整整十年里平均为每千瓦时 13 到 14 美分。然后建设开始了，曲线变得垂直：20 美分并且还在攀升，四年内增长了近 50%，这是每个选民每月都会读到的唯一价格。电网在代币之前重新定价，而且是在公众身上重新定价。
每个政治家最终都会看到的一张图表。十年的电价平稳，然后是 AI 建设。（来源：BLS，通过 Koyfin）
该行业对电网问题的答案是核能，而典型代表说明了一切。微软正在出资重启三哩岛，是的，就是那个三哩岛，美国最严重核事故的发生地，现在更名为 Crane 清洁能源中心，并签约向数据中心供电二十年。谷歌与 Kairos 签署了协议，采购一批小型模块化反应堆，亚马逊在萨斯奎哈纳购买了一个核能相关的园区，而 Meta 则发出了 4 吉瓦核电的招标。我真心支持这一切：核能是应对本文所述需求曲线的正确答案。但看看交付日期。如果 NRC 配合，重启项目将在 2027 到 2028 年落地；小型模块化反应堆被那些从未建造过此类反应堆的公司承诺“在 2030 年前”交付；并且没有订购任何一座新的大型反应堆。债务按三年期摊销，而电力却在十年后才能到位。代币本季度就需要电子，而原子能还要等两个总统任期。核能最终将为代币经济提供动力。它将为重新定价后拥有这些设备的人提供动力，而这恰恰是关键所在：反应堆的寿命将超过为它们融资的需求提供资金的 SPV。
所以，代币需求呈抛物线式增长，能源却无法做到，而能源不幸地也是食物，因为农作物与燃料存在竞争。必须有所让步，让步的就是价格和市场形态。
三哩岛。正在被重新启动，用来制作 PowerPoint 幻灯片。
GTC：全球代币危机
这次重置与其说是价格上涨，不如说是一次审计，每个工资和 Agent 用例都将根据其真实的代币成本（也就是能源成本）重新接受检验，而两者中令人不安的一部分将会失败。
幸存下来的东西会自我整理成其他每个能源市场的形态：三个层级和一个现货价格。
在最底层，是商品化代币，占据绝大多数交易量：在国产机架上，使用中国芯片，以电力加摊销硬件成本运行的开放模型。DeepSeek 已经按一天中的不同时段对代币定价，非高峰期的 17 个小时半价，完全像一家电力公司，因为它现在就是。
在中间层，品牌化的西方代币因其在长 Agent 循环中的可靠性而收取溢价，而这个溢价恰好只有一个基准测试周期那么宽。
在最顶层，是受限制的前沿模型，OpenAI 的真正战略在这里变得清晰。
把 OpenAI 九月份的一系列举动看作一个整体行动。Astra：对公共 API 来说太危险了，仅限经过审查的访问。前向部署工程师。一项 IBM 咨询协议。一位首席营收官将网络防御作为托管服务出售。综合起来看：OpenAI 已经不再销售代币。它想成为 McKinsey 2.0，将最好的模型保留在内部，并以咨询业务的利润率出售其产出，每次参与六位数，绝不触及公共 API。作为战略，这是正确的，因为受限制的层级是唯一能保留利润的地方。三年来，实验室告诉我们，模型太便宜了，无关紧要，也太安全了，无需恐惧。现在它们太危险了，不能出售，而危险，恰好是唯一能收取溢价的东西。
问题在于，咨询业务依赖于一项单一资产：谨慎，而 OpenAI 选择了转型的那一周来证明它根本没有谨慎。
“把你们最棘手的问题和最敏感的数据交给我们，”宣传语说，“我们现在是天才了。”
与此同时，在头版上：一位数学家正是这样做的，看着房东宣布了他毕生的研究成果，并收到了一份无法排除在其上进行训练的声明。我们知道，吞噬客户机密工作的咨询公司会有什么下场，因为澳大利亚刚刚做了这个实验。普华永道获取了财政部的机密税务计划，并悄悄将其货币化给其他客户，当事情曝光后，该公司以 1 美元的价格出售了整个政府咨询部门，清算了合伙人，并成为了背叛的代名词。那只是一次泄露的简报。OpenAI 的版本是结构性的：泄露就是商业模式，每天运行数十亿次提示，而他们自己的声明说无法排除这种可能性。普华永道至少知道他们做了什么。
现在，把 OpenAI 的整个处境加起来。八亿“用户”，亏损服务。每年 140 亿美元的亏损，根据汇丰银行的算法，到 2030 年将面临 2070 亿美元的资金缺口。一个咨询转型计划在第一周就遭到了致命打击。以及一个万亿美元的 IPO 向你兜售这一切。剔除诚实定价会移除的部分——毫无价值的免费层级、已经流失到中国模型和自己机架上的重度用户——剩下的就是一个品牌和一种习惯：世界上最知名的广告业务，包裹着世界上最昂贵的商品成本。所有条件都已为退出做好准备：马斯克的诉讼在九月被驳回，SpaceX 的创纪录上市打开了 IPO 窗口，而上市本身就是交易。在算术变得无可辩驳之前套现，把烧钱速度交给公众，让微软去拥抱和扩展剩下的残骸。最后一架从屋顶起飞的直升机，被当作登月计划来销售。
Anthropic，另一个大家都会问到的公司，看起来更健康，但实际上更脆弱。该表扬的地方要表扬：他们目前拥有地球上最好的模型。但他们也为这些模型收取了地球上最高的价格，而支出数据精确地显示了这将如何结束。看看下面来自 Ramp 公司卡数据 的图表。Anthropic 唯一还在增长的产品线是 Opus，即顶级产品。Sonnet，主力层级，正在萎缩：那是商品化收入正在流失给 GLM 和 DeepSeek，只需一个斜杠命令，价格只有十分之一，完全按计划进行。而 Fable 5，全新的前沿模型，表现平平：企业不会在旧模型还能工作、其下所有模型都转向中国产品的情况下，为新的高级层级付费。这是从内部看到的经典颠覆性死亡螺旋：现有企业退向高端市场，首先失去对价格敏感的客户，其产品组合每个季度看起来都更健康，直到只剩下顶级产品，而那里的护城河只有一个基准测试周期那么宽。然后，在六月，他们最大的分销渠道被从他们脚下买走了：SpaceX 以 600 亿美元收购了 Cursor，这是有史以来对风险投资支持的初创公司最大的一笔收购，目的是让 Grok 成为默认的编码模型。OpenAI 的报复是将其模型完全从 Cursor 中撤出。谁买下了包装器，谁就买下了你的收入；谁失去了包装器，谁就带着模型回家；编码市场正在模型层重建 AOL 互联网。
所以，Anthropic 正在向上游挣扎，垂直进入应用程序领域，Claude Code、Claude Cowork、Claude Design？，试图抓住其 API 定价无法维持的价值。合乎逻辑的终局是企业信任特许经营权：为银行和政府提供的安全、可审计的西方模型，成为 LLM 领域的洛克希德。成为洛克希德只有两个问题。第一个是洛克希德的客户热爱它，而美国政府显然不热爱 Anthropic：五角大楼将其指定为供应链风险，即使其自身的瞄准系统运行在 Claude 上，而政府将其安全游说视为穿着实验室外套的监管俘获。很难成为那个一直称你为威胁的政府的国防承包商。第二个是信任本身：本应让企业放心的安全调校，实际上正在让他们失去客户，一次拒绝和一次道德说教，包括我在内。一个政府不信任你、客户感到被说教的信任特许经营权，其护城河比宣传的要窄得多。一个真正的企业，可能是一个伟大的企业。但不是 IPO 炒作所定价的两万亿美元的人类公用事业。
最残酷的部分是，诚实定价是实验室唯一的出路，而两者都不能先走。第一个诚实定价的实验室会将其交易量拱手让给仍在补贴的对手，所以两者都在继续烧钱，由私人信贷融资，进行一场贷款人握着方向盘的懦夫博弈。Blue Owl 退出一个 100 亿美元的数据中心交易是第一个“不”字。
代币的诱饵费率在贷款人的诱饵费率结束时结束。
抵押数据中心债务
你可能还记得 2008 年的债务抵押债券，或者至少记得玛格特·罗比在浴缸里解释它们。如果续集有浴缸场景，我不确定我是否想看，但它有其他一切元素。
Ed Zitron 认为数据中心 SPV 是本轮泡沫的 CDO，而 AI 数据中心是其次级抵押贷款。他说，机器本身就是一个线索。没有人再在自己的资产负债表上建造 AI 数据中心了。你变出一个特殊目的载体，一家拥有芯片、债务和风险的小公司，而它背后的科技巨头，官方上，除了善意之外什么都不拥有。
Meta 的 Hyperion 园区属于一个由 Blue Owl 持股 80% 的实体。Meta 自己的 SEC 文件承认高达 460 亿美元的敞口，而其资产负债表上却没有显示任何债务，理由是，Meta 并非一个完全为 Meta 建造的数据中心的“主要受益人”，而且他们还能面不改色地提出这个论点。安永将其标记为关键审计事项，然后还是签署了它：这个序列上一次出名是因为安达信，一家正是因为这个原因而不复存在的公司。
正如 Zitron 所说：“彭博社估计，有超过 5000 亿美元的未偿还 AI 数据中心债务，其中至少 2000 亿美元由私人信贷持有，”最后的贷款人，“约占未偿还私人信贷贷款的 8%。”他指出，这很可能是一个低估，因为 SPV 结构的存在正是为了使债务难以统计。AI 债券现在占美国所有投资级债券发行的四分之一。
五大超大规模企业在五年内堆积了 1.65 万亿美元的债务。这超过了次贷在 2007 年高峰期的规模，而次贷背后有 5500 万套房子。就目前情况而言，只有两个客户。根据巴克莱、富国银行和瑞银的数据，OpenAI 和 Anthropic 约占亚马逊 AI 收入的 73%，微软的 74%，并且到 2027 年将接近谷歌云收入的一半。剔除它们，AWS 的 AI 收入为 85 亿美元，而亚马逊的资本支出为 2200 亿美元，这个比率通常只属于国家太空计划。
而未来的预测数字更是让现有规模相形见绌。Tom Tunguz 对计划中的建设进行了计算：未来五年大约有 4 万亿美元的新 AI 债务，这将超过整个全球私人信贷市场，接近为美国所有道路、桥梁和机场提供资金的美国市政债券市场的规模，并且仅凭一己之力就将美国公司债券市场扩张 34%。按当前利率偿还这些债务，每年仅利息就需要 2600 到 3000 亿美元，按投资级覆盖率计算，这意味着到 2030 年，AI 年收入需要达到 1.2 到 1.5 万亿美元，而目前大约为 1500 亿美元。在一个产品价格正在崩溃的市场中，以 55% 的复合增长率持续五年。正如 Tunguz 所说，这不再是一个风险投资的故事。这是一个宏观经济信用事件。
五年的计划 AI 借贷量，与地球上每一个主要债务市场并列。橙色条在 2024 年还不存在。（来源：Tomasz Tunguz, Theory Ventures）
这是房东在资助租户。根据微软在马斯克诉讼中的证词，微软已向其与 OpenAI 的关系投入了超过 1000 亿美元。谷歌向 Anthropic 投入了高达 400 亿美元，亚马逊在早期持有 Anthropic 股份的基础上，又向 OpenAI 完成了 500 亿美元的投资，而每一美元都直接循环回来，变成计算收入，然后作为增长呈现给股东。追踪整个循环，金融工程就变得可见：超大规模企业的 AI 收入就是实验室的支出，实验室的支出就是超大规模企业的投资，而整个结构由一个假设支撑：OpenAI 和 Anthropic 最终将拥有智能市场。
正是这个假设承担了所有负荷，请注意正在被制造的是什么。它不是一般的 AI 需求，我的需求是真实存在的。它是特定的、付费的、以这些价格存在的需求，才能证明这些特定的数据中心是合理的：收入是由超大规模企业投资于它们自己的两个客户，并将循环资金记为增长而凭空创造出来的。有机需求正在到来，数量巨大。但它不会以他们的价格、他们的条件来到他们那里，无论你投资多少自己的租户都无法改变这一点。在任何其他行业，我们都会有一个词来形容把自己的钱记为证据。在这个行业，我们有一个会议主题演讲。
纯粹的看空者，包括 Zitron 在内，看到这一切后得出结论，认为需求是虚假的。它并非虚假，但要精确地指出什么在增长，因为看多者混淆了两条不同的曲线。对代币的需求将呈抛物线式增长。但为它们付费的意愿不会。消费正在爆炸式增长，恰恰是因为价格正在崩溃；推动交易量的同一股力量正在摧毁收入。因此，实验室得到了最糟糕的繁荣版本：使用量图表垂直上升，定价权归零，因为没有转换成本，没有护城河，而叛逃只需十一次按键。代币流向中国芯片、开放模型、本地机箱、桌面和你的手中，价格比债务模型可能假设的低 60 到 500 倍。每一个将代币增长外推为收入增长的预测，都是在用一个上升的数字乘以一个崩溃的数字，并称其乘积为必然。
而这是房地产框架所忽略的部分：数据中心租约看起来像房地产，但定价却像鱼市。建筑大约只占成本的五分之一，使用寿命三十年；芯片是其余部分，三年就过时了。传统的托管房东出售的是鱼缸，从不碰鱼：十年合同的冷却外壳和电网连接，没有芯片风险。SPV 结构将这两个层面合并了。CoreWeave 的载体是用鱼来借款的。
所以，让我们来看看这实际上会如何结束的两种方式。第一种，也是最可能的触发因素，是 OpenAI 或 Anthropic 对其债务违约。不是出于恶意，而是出于算术：成本已经承诺，收入正在向杭州重新定价，而融资市场最终会说不。当实验室错过一次计算付款时，连锁反应是机械性的。CoreWeave 自己的契约将三个月未付的 OpenAI 发票定义为违约。SPV 停止向债权人付款，债权人没收抵押品，而抵押品是一个仓库的过时 GPU，其市场价值已经被 Jalapeno 和 B200 超越了。一次违约会立即重新定价所有类似的结构，因为突然间，持有这些票据的养老基金必须问他们的抵押品实际价值是多少，而答案是：鱼，三天了。
第二种结局是几乎没有人建模的：对代币的需求呈抛物线式增长，并迁移到边缘和开放模型，迁移到手机、笔记本电脑、像我这样的桌面盒子上，迁移到 Jensen 现在零售的 AI 设备上。物理学支持这一点，因为往返数据中心的时间比小模型回答问题所需的时间还要长。经济学支持这一点，因为你拥有的设备以电力的边际成本提供代币。而隐私恐慌则锁定了这一点：每一个经历了“皇帝没穿衣服”时刻的企业，都会做某种类似我所做的事情，而每个消费者都会在明年的手机中默认获得它。
在企业计算领域，同样的实验已经重复了五次，而答案从未改变。大型主机按秒计费，由玻璃房中的祭司阶层定价，一旦小型机让部门能够拥有自己的机器，这种计量模式就消亡了。分时系统按使用量计费，而个人电脑终结了它：一旦桌上的机器能免费运行 VisiCalc，没人会按小时租用它。长途电话按分钟计费，直到分组交换让边际通话成本变得微不足道。即使是云计算这个伟大的反例，也只是重新集中了那些受益于共享的工作负载，而一旦云账单成为项目的成本项，回迁运动就开始了，将稳定的工作负载拖回本地。这个模式近乎一条定律：计算作为一种计量服务被消费，仅仅发生在硬件稀缺的时候；一旦能力能够装进客户可以拥有的盒子中，所有权就会胜出，因为自有计算在边际上只消耗电力，而租用计算在边际上消耗的是供应商认为你能承受的价格。智能也不会例外。那些稳定、可预测、高流量的 token 负载、Agent、工作流以及企业日常的认知活动，都会迁移到自有的硅芯片上，而云保留的始终是它一直保留的东西：突发流量、峰值以及盒子装不下的问题。
实验室也无法挽救这个算术，因为它们的义务是单向的。OpenAI 在微软、甲骨文、亚马逊、CoreWeave 和 Cerebras 上承担了大约 1.1 万亿美元的计算承诺，而这些承诺本身就是 SPV 债务的抵押品。成本已承诺，收入却可选：这正好是一个好生意的反面。而且没有体面的方式可以收缩。提供更便宜的模型就等于承认前沿已经过度配置。像 Sora 那样砍掉产品，市场会解读为困境。违背承诺，你就会成为整个堆栈定价所依据的违约事件，这就是为什么华尔街已经将 甲骨文 6300 亿美元的积压订单估值约为零。每一次退出都会触发它试图逃避的事情。这是一个公司金融的“中国手指陷阱”，两家公司都深陷其中。
与此同时，论文落到了它一贯的归宿。加州教师的退休储蓄存放在 Blue Owl 的基金中。魁北克的养老金资金投入了 CoreWeave 的贷款。Apollo 正在用保险年金为 Anthropic 的 350 亿美元芯片提供资金。据报道，Blue Owl 在首次会面仅 15 分钟后，就同意了对一个 100 亿美元数据中心项目的承诺，这种尽职调查的速度通常只与分时度假推销有关。穆迪估计，银行对私人信贷的风险敞口为 1.4 万亿美元，而准备金几乎为零，因为到目前为止还没有发生任何坏事，这也是 2006 年的承保标准。这个泡沫的承重墙是由退休金支票砌成的。
所以，请仔细思考一下，一次违约，甚至是一次险情，实际上会引发什么，因为这不是一个单一事件，而是一个连锁反应。第一个牺牲品不是硬件，而是资本成本。当一家实验室明显难以支付时，每个贷款人都会同时对所有类似结构重新定价：利差飙升，新的 SPV 发行停止，而那些依赖再融资的项目（大多数都是如此）会在建设中途碰壁。市场已经在预演这一幕。甲骨文的信用违约互换交易价格处于金融危机以来的最高水平，而摩根大通专门构建了一个定制篮子，以便客户可以做空 AI 债务。重新定价发生在任何清算之前，而这可能是我们唯一能看到的阶段，因为超大规模云服务商有充分的动机悄悄吸收一个陷入困境的租户，而不是让违约事件曝光。
但如果连锁反应真的发生，请注意最终谁持有的是什么。债权人是无法运行推理的养老基金和保险公司；抵押品是三年折旧周期的硅芯片；而部分首批损失将由英伟达自己承担，它曾为 CoreWeave 数十亿美元的未售出产能提供担保，供应商在吃自己的纸。今天的市场是稀缺的，而非过剩的，内存被垄断，交换机买不到，所以第一批被扣押的硬件会很快找到愿意购买的买家，只是价格打折，而每个买家都正是这篇文章预测的那些人：企业、大学、主权基金以及像我这样的运营商，他们以债权人的代价获得这些盒子，从而完成从债权人资助的数据中心迁移出去的过程。这就是互联网泡沫时期光纤的下场：它让铺设光纤的人破产，然后以几分钱的价格被第三任所有者用来承载 YouTube。
再往前推一步，结局会呈现出一种真正奇怪的形态。损失落在养老金领取者和保险公司身上，AI 资本支出所驱动的增长引擎停滞，而华盛顿在事后发现，没有人投票支持这一切。但华盛顿已经在为这个时刻做准备。特朗普政府花了两年时间将部分国有化常态化：以 89 亿美元收购英特尔 9.9% 的股份，收购芯片制造商和稀土矿商的股份，宣布量子计算是下一个目标，据外交关系委员会统计，自 2025 年 1 月以来已完成 37 笔股权或准股权交易。
对于一个陷入困境的战略性行业，剧本不再是救助，而是持股，很难想象那个持有英特尔 10% 股份的国家会眼睁睁看着 OpenAI 摇摆不定而不掏出支票簿，并将其称为国家安全。因此，勾勒出美国 AI 大建设最可能的最终状态，那将不是任何竞标者所期望的：能力得以幸存并分散到数百万个自有盒子中，运行着大部分是中国模型，损失由美国储户社会化承担，而前沿领域剩下的一切最终部分归政府所有，这个政府在泡沫膨胀时未能对其进行监管。北京的战略是，它不必赢得这场竞赛。它只需要等待融资输掉它。
应该有人告诉 Margot 把浴缸的水温保持好。
黄仁勋已经离场
有一个人似乎已经完成了所有这些算术：那个卖铲子的人。
在台上，黄仁勋是这场大建设的大祭司：1600 亿美元的收入，1000 亿美元的利润，每个季度都发表主题演讲，宣称需求是无限的，未来是一个特拉华州大小的数据中心。但请按照他私下里必须阅读的方式来解读英伟达的处境。大约 90% 的收入来自数据中心设备，而少数客户购买了其中的大部分。这些客户就是超大规模云服务商，他们的 AI 收入四分之三来自 OpenAI 和 Anthropic，他们的支出是穿着风衣的风险投资和私人信贷。顺着链条追到底，地球上最有价值的公司，实际上，是一个杠杆化的赌注，押注于两家不盈利的初创公司来支付工资。
而黄仁勋确切地知道杠杆有多高，因为他正在为双方提供担保：英伟达为 CoreWeave 数十亿美元的未售出产能提供担保，并且刚刚将对 OpenAI 俄亥俄州数据中心的拟议担保从 2500 亿美元削减到不到 1200 亿美元，这不是一个相信自己主题演讲的人的行为。如果实验室跌倒，超大规模云服务商会削减资本支出，SPV 违约，他估值所依赖的订单簿会在一个季度内蒸发。他比任何人都能更快地读懂资本表。
所以，看他的手，而不是他的幻灯片。当主题演讲在庆祝吉瓦级园区时，英伟达正在悄悄构建另一个未来：直接面向市场、下沉市场，并且完全独立于数据中心融资体系之外。售价 4699 美元的 DGX Spark，销售速度快到你买不到交换机来集群它们。DGX Station，桌面上 748 GB 的统一内存，价格相当于一个研究生。微星和戴尔已经在出货克隆产品。每个盒子都是一个客户，他们从不签云合同，从不接触 SPV，并且永远不会停止购买英伟达的硅芯片。GPU 经销商正在开设零售店，其逻辑无懈可击：当你最大的四个客户正在制造自己的芯片，而你的租赁市场是一个债务炸弹时，你就把盒子卖给最终用户，让 SPV 们去争夺租赁合同。这家公司正在向赌场出售芯片，同时，悄悄地在人们家中开设连锁扑克桌。
桌面产品线也解决了英伟达最私密的问题：内存。提供 token 服务是一个内存密集型工作负载：每个生成的 token 都需要从 RAM 中读取整个活动模型，因此芯片大部分时间都在等待内存，这就是为什么数据中心 GPU 围绕 HBM（一种与芯片键合的异质堆叠内存）构建。而 HBM 正是短缺所在。英伟达不生产它；只有 SK 海力士、三星和美光生产，台积电负责键合，而英伟达不控制任何物理环节。据报道，2027 年的所有产出都已被预订，美光的收入增长了 346%，而奥特曼在途经首尔时拿下了全球 40% 的 DRAM。英伟达的核心交易一直是购买稀缺的东西，然后以 70 个百分点的利润率将其包裹在 GPU 中卖出去，这是一项有硬性上限的好生意：它只能以三家工厂堆叠硅片的速度增长。这使得整个 5 万亿美元建设中的真正单点故障不是台湾，而是利川：整个计划都瓶颈在一家韩国公司的封装良率上，而 SK 海力士是两大超级大国排队等候的军火商，位于朝鲜导弹射程之内，在中国境内还有一家工厂。我们每天都在给台湾风险定价。没有人给利川风险定价。
Spark 和 Station 完全避开了这场战斗。它们运行在普通的统一 DRAM 上，这种内存并不稀缺，甚至连 CXMT 都能制造。黄仁勋的第二幕运行在没有人排队等候的组件上。
退后一步，这种对称性几乎优雅。中国的战略是在边缘的廉价盒子上运行开放模型。英伟达的对冲是在边缘运行开放模型的廉价盒子，其中大部分是中国模型。AI 战争中两个假想的对手已经趋同于同一笔交易：出售智能是你拥有的商品，而不是你租用的公用事业。唯一仍然致力于收费公路的各方是两家没有它就无法生存的公司，以及那些以十五倍杠杆为其提供融资的贷款人。英伟达将向数据中心出售铲子，直到音乐停止，然后向其他所有人出售铲子，因为它从来都不是做多实验室。它一直是做多计算，而计算正在走出养老基金支付的大楼，一次一个金色盒子。
如果你曾怀疑这一切是否是有意为之，上周黄仁勋消除了这个疑虑：英伟达以 129 亿美元收购了 Hugging Face。Hugging Face 不是数据中心业务，它恰恰相反：世界上开放模型权重的仓库，你下载 GLM、Qwen 和 DeepSeek 的地方，是这篇文章所说的一切胜利者的分发中心。这家财富建立在服务于封闭西方实验室之上的公司，刚刚花了 130 亿美元购买了开放模型世界的前门，也就是说，购买了与每个将拥有盒子而不是租用云的人之间的客户关系。Stripe 买了计量表。SpaceX 买了需求。黄仁勋买了后实验室时代的应用商店，而实验室自己的 Agent 在两个月前通过入侵它，恰好展示了其战略价值。
这就是整篇文章浓缩在一张图片中。地球上最有价值的公司，其估值完全依赖于数据中心的建设，正在从数据中心建设中多元化，公开地，面向零售市场，而主题演讲中似乎没有人注意到这一点。黄仁勋通过向淘金热出售镐和铲子赚了 1500 亿美元。现在他查看了化验结果，得出结论认为矿藏已被污染，并悄悄开始向公众出售勘探工具包。
你仍然可以购买勘探工具包。但你买不到将它们串联起来的设备。我知道这一点。我买下了瑞典最后的交换机，试图连接我的设备。
