作者：王林Lincoln | MindsLeap创始人 | Founders Space合伙人 | 企业家AI俱乐部创始人
本文由Lincoln根据 Dwarkesh Patel 频道 2026 年 8 月 25 日发布的视频《Dylan Patel – Two labs will soon control most of the world's workforce》进行解读。
这场对话的核心不是“AI 会消耗多少电”，而是：当模型公司能把 10 美元的推理算力变成 50 美元收入，算力就从基础设施成本变成了会自我增值的战略资源。
Dwarkesh Patel 和 Dylan Patel 每年录一次播客。开场时，Dwarkesh 开了个玩笑：这就像家人每年聚在一起吃感恩节晚餐，只不过他们并不是真的亲戚。
玩笑之后，话题很快变得严肃。Dylan Patel 是 SemiAnalysis 的创始人，长期跟踪芯片、数据中心和 AI 基础设施。这一次，他和 Dwarkesh 讨论的不是某个模型的榜单，也不是下一代产品什么时候发布，而是一个更底层的问题：当 AI 实验室能够把算力直接变成收入，世界的经济结构会发生什么变化？
Dylan 给出的判断很大胆：世界经济越来越取决于实验室经济，以及算力市场最终会走向哪里。
这句话听起来像是在讨论基础设施，实际上讨论的是企业未来的生存条件。因为算力一旦不再只是成本，而变成一种可以自我增值的生产资料，能够更高效地使用算力的人，就会获得继续购买算力的能力。领先者与后来者之间的差距，也会因此不断扩大。
一年之内，算力从基础设施变成了战略资源
Dylan 在节目里先回到一个非常具体的数字：按照他的估算，OpenAI 在年初拥有大约 2 吉瓦的算力，Anthropic 不到 2 吉瓦；到年底，两家公司都可能超过 5 吉瓦。
他进一步判断，今年新增算力中大约有三成最终会服务于 OpenAI 和 Anthropic。到了明年，这个比例可能上升到 40% 至 50%。这里的“服务于”并不意味着实验室自己拥有所有数据中心，很多算力可能由云厂商建设，再出租给实验室使用，但最终支付和消耗这些算力的客户，仍然是它们。
这些数字是 Dylan 对市场的预测，不是已经完成的行业统计。但它们揭示了一个重要方向：新增算力的分配，正在从“谁有需求谁来买”，变成“谁能把算力变成更多收入，谁就能出更高的价格”。
这和过去的软件市场不太一样。软件产品可以复制，服务器也可以继续建设，可是前沿模型训练和大规模推理需要大量高性能芯片、电力、网络和数据中心。短期内，供给不会轻易追上所有需求。
于是，算力市场开始出现一种类似金融市场的竞争：大家争夺的不是今天手里有多少资源，而是未来还能不能拿到下一批资源。
10 美元的推理成本，为什么能变成 50 美元收入
Dylan 解释实验室经济时，给了一个非常直观的例子：
“如果我在推理算力上花 10 美元，实际上能产生 50 美元的收入，那么我就可以把这部分利润继续投入训练。”
这句话的重要性，不在于 10 美元和 50 美元是否适用于所有模型，而在于它解释了为什么领先实验室有能力持续提高出价。
如果一家公司购买算力后只能获得有限的收入，它会把算力当作一项需要控制的成本；如果它能够通过更好的模型、更高的使用率和更强的产品分发，把同样的算力变成数倍收入，那么算力就变成了增长引擎。
这时，训练和推理也不再是两笔完全分开的账。推理产生收入，收入又被投入下一轮训练；更好的模型提升产品价值，产品价值又带来更多使用和更多数据。一个循环就这样形成了。
硬件效率还在把这个循环进一步放大。Dylan 提到，新一代设备每瓦性能可能是上一代的数倍。即使电力和数据中心的成本仍然很高，单位能耗能够支持的有效工作量也在增加。
这就是为什么“算力很贵”并不能直接推出“算力不值得买”。真正需要问的是：每增加一单位算力，谁能让它产生最大的新增价值？
算力最值钱的地方，不在芯片上
访谈中还有一个容易被忽略的判断：一座芯片工厂、一座数据中心，最后产生的经济价值，可能远远高于它的建设成本。
Dylan 用一个非常夸张、也非常值得谨慎看待的估算来说明这一点：大约 60 亿美元的晶圆厂资本投入，可能对应每年一吉瓦的产能，而这部分产能最终支持的产品收入可能达到万亿美元级别。
这不是一条可以直接拿来做财务模型的结论。它更像是在说明产业链中的“价值放大”：芯片只是起点，真正的价值还要经过模型训练、推理服务、软件产品和客户工作流，才能在终端市场被兑现。
因此，AI 基础设施的价格不会只由制造成本决定。只要下游应用能够获得更高的回报，价值就会沿着供应链重新分配。芯片厂商、存储厂商、云厂商和数据中心运营者都会观察下游的利润，然后重新判断自己应该拿走多少。
Dylan 把这种现象形容成一条“牛鞭效应”：某个环节先提高价格，其他环节不会立刻同步调整，但随着供需重新平衡，整个链条的价格中枢都会上移。
这对企业家的提醒很直接。不要只盯着某项技术的采购价格，还要看它在完整业务链条里能够放大多少价值。买一套 AI 工具和建立一套能够持续产生收益的 AI 工作流，根本不是同一件事。
真正拿走价值的，可能不是模型公司
讨论到这里，Dwarkesh 提出了一个很关键的问题：模型公司会不会最终拿走整个价值链的大部分价值？Dylan 的回答并不是简单的“会”。
“这些模型产生的大部分价值，并没有被 OpenAI 和 Anthropic 拿走。幸运的是，到目前为止，它们大多还留在用户手里。”
这句话把模型能力和企业价值之间的距离说清楚了。模型公司可以提供智能，但最终能把智能变成利润的，可能是交易公司、软件公司、制造企业，也可能是一支能够重新设计业务流程的组织。
Dylan 举的例子是，一家公司可能只为模型推理支付 10 美元，却通过自己的交易系统、客户关系或业务流程，把这 10 美元转化成 100 美元甚至更多的收入。
所以，模型公司的收入并不等于 AI 创造的全部价值。模型是通用基础设施，真正的价值捕获发生在它被嵌入某个具体场景之后：它是否改变了决策速度，是否减少了等待，是否让一个小团队能够处理过去需要更大团队才能处理的工作。
这也是企业最容易判断错的地方。很多企业把“买到了最好的模型”误认为“已经拥有了 AI 能力”。实际上，模型只是把能力的上限抬高了，企业能不能接住这个上限，取决于自己的数据、流程、权限、产品和组织协作。
Meta 和 SpaceX 为什么要先把算力囤在手里
访谈中，Meta 和 SpaceX 的角色也很有意思。它们并不一定需要先找到一个外部客户，才敢开始建设算力。
如果一家公司有足够强的资产负债表，可以先把数据中心建起来，再决定是用于内部业务，还是出租给 OpenAI、Anthropic 等实验室，它就拥有了一种稀缺的选择权。
Dylan 的描述很形象：
“我先把算力建出来。之后再看看，内部使用能不能赚更多，还是应该把它卖给 Anthropic 或 OpenAI，获取更高的利润。”
这和传统云厂商依赖客户预先签约、再拿合同去融资的模式不同。谁必须先找到客户，谁就承担更大的建设风险；谁能够先建设、再等待市场报价，谁就可能在供给紧张时获得更强的议价能力。
这件事说明，AI 竞争并不只发生在模型公司之间。拥有资本、能源、数据中心和内部应用场景的公司，也可能成为算力市场的关键参与者。它们可以把算力留给自己，也可以把算力卖给出价最高的人。
未来的基础设施竞争，可能越来越像一场选择权竞争：不是谁今天拥有最多的机器，而是谁有能力在不同的需求之间切换。
当 AI 变成劳动力，企业边界会不会被重画
节目最后，讨论从算力市场走到了劳动力。
Dylan 做了一个极具冲击力的推演：如果前沿算力每年增长数倍，而达到同等能力所需要的计算量又在快速下降，那么“有效 AI 人口”可能以远高于人类人口增长的速度扩张。他甚至认为，按照当前趋势，到这个十年结束时，单个实验室拥有的 AI 劳动力等价规模，超过地球上的人类数量，并非完全不可想象。
这个推演当然依赖很多尚未被证明的前提。AI 目前还不能像一个完整的人那样独立承担所有工作，算力增长也不可能永远沿着同一条曲线前进。但它提出了一个不能回避的问题：如果大部分有效工作输出集中在少数实验室，企业和社会的边界会被怎样重新定义？
Dwarkesh 说，所有力量似乎都在把 AI 推向集中化。训练有规模效应，同一个能力可以被数十亿次调用摊薄；部署越广泛，模型获得的真实反馈越多；如果 AI 能参与构建下一代 AI，领先者又会获得新的递归优势。
“无论是用户部署和持续学习、训练的规模经济，还是递归自我改进，这些力量都指向集中化。”
这可能是整场对话最值得企业家记住的一句判断。因为它意味着，未来不只是模型能力会集中，围绕模型形成的数据、反馈和资本，也可能一起集中。
企业真正要争夺的，不是更多算力
听完这场对话，我最关心的不是 Dylan 对几吉瓦算力的预测最终会不会准确，而是其中隐藏着一个企业经营问题：当基础模型和基础设施越来越集中，普通企业还能够建立什么样的竞争优势？
我的判断是，企业不一定需要拥有最多的算力，但必须拥有把算力转化成业务结果的能力。
同一个模型放进不同组织，结果可以完全不同。一个组织把它接在旧流程外面，得到的只是更快的文字处理；另一个组织重新设计了决策、交付和客户服务，得到的可能是一种新的经营方式。差别不在模型本身，而在组织有没有把 AI智能体变成真正的工作单元。
这意味着企业需要重新积累几类资产：对客户问题的判断，对业务流程的理解，能够被 AI 调用的数据，以及让人和 AI智能体协同工作的权限与反馈机制。这些东西不一定像芯片那样显眼，却决定了企业能不能从通用模型的能力中获得独特回报。
如果未来的算力真的向少数实验室集中，企业更不应该把希望寄托在“我也拥有一个同样的模型”上。真正重要的是：在模型人人可用之后，谁更知道该把它放进哪里，谁更能让它持续工作，谁更能把结果沉淀成自己的组织能力。
Dylan Patel 的很多数字，仍然是对未来几年的推演。它们可能会受到技术进步、资本成本、监管政策和市场需求的影响，不能被当成已经发生的事实。
但这场对话最有价值的地方，恰恰不在于预测某个数字，而在于把一条完整的因果链摆到了我们面前：更高效的模型带来更高的收入，更高的收入支持更多算力，更多算力又推动模型和 AI 劳动力进一步集中。
企业家真正需要回答的问题，不是“我要不要追上下一代模型”，而是“当所有人都能使用相近的模型时，我的组织凭什么产生更高的价值”。
这个答案，最终不会藏在模型参数里，而会藏在企业如何理解客户、重做流程和组织工作的方式里。
文中涉及预测和数据均保留原访谈中的归属与谨慎表述。
关于 MindsLeap 心智悦动
MindsLeap 心智悦动是 AI原生组织转型加速平台。面向传统企业的 AI 转型，也服务 AI 原生企业、OPC 和科技创业者，连接产业场景、资本、硅谷资源与全球市场。
MindsLeap 是硅谷创新孵化器 Founders Space 的全球合作伙伴。通过企业家 AI 俱乐部、AI 培训、AI 咨询、FDE（Forward Deployed Engineer，现场部署工程）与创业加速服务，帮助企业从 AI 认知升级走向业务落地。
围绕 AI 原生组织建设，MindsLeap 正在构建一个连接企业家、创业者、AI 工程师、产业专家、投资人与全球创新资源的生态，帮助组织把 AI 真正落到业务流程、组织能力、产品创新和增长系统中。