深度｜Anthropic CEO：AI行业的盈利本质上源于对市场需求的低估，而亏损则因为高估了需求，2030年AI行业营收将跃迁至万亿美元级

深度｜Anthropic CEO：AI行业的盈利本质上源于对市场需求的低估，而亏损则因为高估了需求，2030年AI行业营收将跃迁至万亿美元级 深度｜Anthropic CEO：AI行业的盈利本质上源于对市场需求的低估，而亏损则因为高估了需求，2030年AI行业营收将跃迁至万亿美元级 Modified March 15 2028 年，我们将打造出真正的 “ 天才数据中心 ” ，彼时行业营收可能达到数千亿美元的规模；而 “ 天才数据中心 ” 会成为技术加速器，推动营收快速跃迁至万亿美元级。 即便按最慢的技术扩散速度，这个过程也仅需 2 年，也就是到 2030 年。我认为，技术指数级进步与商业指数级扩散的叠加，会让我们提前实现这个目标。 Dwarkesh Patel ： 你构建的模型中， Anthropic 实现盈利的核心是当前行业处于算力约束的状态，而随着算力的持续扩张，盈利会成为必然结果，对吗？ Dario Amodei ： 并非如此。我认为行业盈利的核心，需要从整个 AI 产业的视角来分析，我们不妨假设处于经济学教科书的理想状态：行业内仅有少数几家企业，每家企业的投入规模有限，可将部分资金投入研发，推理业务的边际成本极低、毛利率极高。 尽管行业存在竞争，但 AI 模型具备显著的差异化特征，企业会为了提升竞争力而加大研发预算，但由于玩家数量有限，行业会形成卡诺均衡 —— 这种少数企业的竞争均衡，并不会像完全竞争市场那样走向零利润。 Dwarkesh Patel ： 请你进一步解释这个观点，当前行业恰好有三家头部企业，但均未实现盈利，未来究竟会发生怎样的变化？ Dario Amodei ： 首先需要明确， 当前 AI 企业的推理业务毛利率已经处于较高水平，未实现盈利是由两个因素共同导致的：第一，行业仍处于算力的指数级扩张阶段。 我们用一组简化数字来说明：去年投入 10 亿美元训练的模型，今年能带来 40 亿美元的营收，而推理成本仅为 10 亿美元，毛利率达到 75% ，这个模型本身能实现 20 亿美元的利润；但同时，企业需要投入 100 亿美元训练下一代模型，最终导致企业整体亏损。 简单来说，单个模型具备盈利性，但企业为了技术迭代的指数级算力投入，让整体处于亏损状态 。我所说的行业均衡，是当 “ 天才数据中心 ” 落地后，模型训练的算力扩张速度趋于平稳 —— 并非停止扩张，只是增速放缓，需求预判的难度也会降低，此时企业的整体盈利性就会显现。 Dwarkesh Patel ： 我 认同你对 当前行业的判断：如果将单个模型视为独立主体，它是具备盈利性的。但对于前沿 AI 实验室而言，训练下一代模型是核心生产环节，如果停止这项投入，企业可能会在短期内实现盈利，但很快会因技术落后而失去毛利率，这种盈利仅能维持两个月。 Dario Amodei ： 当行业达到最大的算力扩张规模后，会进入一个新的均衡：此时算法仍会持续进步，但训练下一代模型的算力投入，会与当前模型的研发投入大致相当。 Dwarkesh Patel ： 也就是说，这个均衡的实现，依赖于算力投入的天花板。 Dario Amodei ： 从本质上来说，经济体的资金总量是有限的，这会成为算力投入的天然约束。 Dwarkesh Patel ： 但经济本身会实现增长，这也是你的核心预测之一，而算力扩张会处于经济增长的这个阶段中。 Dario Amodei ： 这也印证了我之前提到的核心观点： AI 将推动经济实现前所未有的高速增长 。当前算力规模每年实现 3 倍扩张，但我并不认为经济能实现 300% 的年增长率 —— 我曾在《爱的机器》中提到， AI 可能推动经济实现 10% 20% 的年增长率，而非 300% 。 因此，当算力成为经济体的核心产出时，其扩张速度最终会受制于经济增长本身。 Dwarkesh Patel ： 假设算力扩张被经济增长所约束，那么前沿 AI 实验室实现盈利的前提，是持续的技术快速进步 —— 毕竟企业的毛利率由替代技术的竞争力决定，只有拥有前沿模型，才能维持高毛利率。如果失去技术领先性，盈利就无从谈起。这意味着，行业的盈利均衡需要永远不存在稳定状态，算法进步必须持续推进。 Dario Amodei ： 我并不认同这个观点，这背后是基本的经济学逻辑。 Dwarkesh Patel ： 没错，我们一直在探讨经济学层面的逻辑。 Dario Amodei ： 首先， AI 行业不会形成垄断 —— 我的律师一直不希望我提及 “ 垄断 ” 这个词， 但行业最终不会由单一企业主导，而是会形成少数企业共存的格局。在经济体中，垄断的形成往往源于网络效应，比如 Meta ；而少数企业共存的格局，核心原因是极高的行业进入成本。 云计算行业就是典型的例子，最终形成了 3 4 家头部企业的格局， AI 行业也会如此。原因在于，运营一家 AI 企业需要巨额的资本投入、顶尖的专业技术和丰富的行业经验，即便有人拿出 1000 亿美元，宣称要颠覆 AI 行业，也需要完成诸多头部企业已经实现的核心工作，难度极大。 Dwarkesh Patel ： 新进入者会降低行业的利润率。 Dario Amodei ： 确实，新进入者的出现会导致行业利润率下降，但这种少数企业共存的均衡状态，在经济体中是普遍存在的 —— 行业利润率并非极高，但也不会归零，云计算行业就是如此。 更重要的是， AI 模型的差异化程度远高于云计算服务 ： Claude 有其独特的优势，与 GPT 、 Gemini 的能力边界存在显著差异，这种差异并非简单的 “ 克劳德擅长编码、 GPT 擅长数学推理 ” ，而是体现在不同类型的编码能力、模型输出风格等更细微的维度，模型之间的差异性是客观且显著的。 当然，存在一个反方观点：如果 AI 模型能够自主完成模型研发的全部工作，那么行业壁垒会消失，技术会在整个经济体中扩散。但这并非意味着 AI 模型本身会商品化，而是意味着整个经济体的商品化 —— 当任何人都能借助 AI 完成任何工作、打造任何产品，所有领域的行业壁垒都会消失。我无法预判这个世界的具体形态，但如果真的实现，前提是解决了所有 AI 安全问题，且处于 “ 天才数据中心 ” 落地后的遥远未来。 Dwarkesh Patel ： 更精准的说法或许是：第一， AI 研发高度依赖纯智力能力，而 AGI 时代会让这种能力变得极其丰富；第二，当前 AI 算法的进步速度，是人类历史上扩散最快的技术之一，这意味着 AI 行业具备结构性的扩散特征。 Dario Amodei ： 当前代码开发的技术进步很快，但 AI 研发是代码开发的超集，其中部分环节的进步速度并不快。不过，当 AI 模型能够自主完成代码开发后，其推动其他领域进步的能力也会大幅提升。因此，当 AI 模型能够自主研发下一代模型、完成所有工作时，整个经济体的进步速度会趋于一致。 但我存在一个地域层面的担忧：近距离接触 AI 技术、了解 AI 发展动态，可能会成为未来的核心差异化优势。我所说的 10% 20% 的经济年增长率，可能会呈现出显著的地域差异 —— 硅谷及与硅谷有紧密社会联系的地区，经济增长率可能达到 50% ，而世界其他地区的增长速度则与当前相差无几。这会是一个极其糟糕的结果，也是我一直在思考如何避免的问题。 AGI 时代的技术突破：机器人技术与持续学习的核心解 Dwarkesh Patel ： 当 “ 天才数据中心 ” 落地后，机器人技术是否会随之快速实现突破？当前机器人技术的核心难题是，人类能通过远程操作掌控现有硬件，但 AI 模型无法实现高效的自主操作。如果 AI 模型拥有人类级别的学习能力，是否会立即解决机器人技术的核心问题？ Dario Amodei ： 机器人技术的突破，并非依赖于人类级别的学习能力，其实现路径是多元的。 比如，我们可以在大量电子游戏、机器人仿真环境中训练模型，让其掌握机器人控制能力；也可以训练模型掌控计算机界面，使其具备泛化能力。机器人技术的突破是必然的，人类级别的学习能力只是其中一条路径。 比如，模型可能拿起一个从未接触过的机器人，通过持续学习掌握其操作方法 —— 这需要我们攻克持续学习的难题；也可以通过在大量环境中训练，让模型实现能力泛化；还可以依托足够长的上下文窗口，让模型无需持续学习也能完成操作。无论哪种方式，最终都能实现机器人技术的突破。 回到我们一小时前的讨论，这类技术突破的实现路径是多样的。 而当模型具备机器人控制能力后，机器人技术将迎来革命性变革 —— 不仅是机器人的操控能力，模型在机器人硬件设计上的能力也会远超人类，我们会在机器人物理硬件的研发和操控两个维度，实现双重突破。 那么，机器人行业是否会随之产生数万亿美元的营收？我的答案是肯定的，但技术扩散会遵循极快但非无限快的规律，机器人技术的全面突破，可能会比 “ 天才数据中心 ” 的落地晚 1 2 年，这是我对该领域的判断。 Dwarkesh Patel ： 当前存在一种对 AI 技术快速突破的怀疑：你认为人类会在几年内攻克持续学习的难题，而就在几年前，人们还未意识到这个问题的重要性。直到我们发现，尽管 AI 模型已经通过图灵测试、在多个领域具备专家能力，但实际实用性仍有欠缺，才意识到持续学习是核心瓶颈。未来我们解决了持续学习问题后，可能会发现人类智能还有其他核心能力，是当前 AI 模型所不具备的，而这正是人类劳动的核心基础。为何我们要认为，这类核心难题会越来越少？ Dario Amodei ： 首先需要明确的是， 持续学习或许根本就不是 AI 技术的核心壁垒。我们可能通过预训练泛化和强化学习泛化，直接实现模型的持续学习能力，这个难题可能从根本上就不存在。 事实上，机器学习的发展历史已经证明，很多曾被视为核心壁垒的问题，最终都会在算力的规模化投入中迎刃而解。 比如，人们曾质疑模型无法区分名词和动词、无法实现语义理解，只能捕捉统计关联；质疑模型能理解单词但无法理解段落、不具备推理能力。但如今，模型已经能高效完成代码开发、数学推理等复杂任务，这些曾经的难题都已被解决。 当然，并非所有问题都是如此，比如数据需求是 AI 发展的真实约束，持续学习也可能是真实存在的难题。但我们可以以代码开发为参照： 未来 1 2 年，模型可能实现代码开发的端到端自主完成，这意味着一个完整的人类劳动领域，将完全由 AI 接管。 Dwarkesh Patel ： 你所说的端到端自主完成，是否包括设定技术方向、理解问题背景等全部环节？这听起来已经接近 AGI 的水平，而非简单的完成 90% 或 100% 的代码开发工作。 Dario Amodei ： 并非仅指代码开发，而是一个连续的能力谱：从完成 90% 的代码开发，到 100% ，再到完成 90% 的软件工程任务，直至 100% ；新的软件工程任务被创造出来后，模型也能逐步完成。这是一个漫长的能力谱，但我们正在以极快的速度穿越这个过程。 Dwarkesh Patel ： 我发现一个有趣的现象，在你参与的多个播客中，主持人都会提及你对算力和持续学习的看法，这总让我觉得很有趣 —— 你拥有 10 年的 AI 研究经验，而一个播客主仅凭一篇文章，就在每次采访中向你追问这个问题。 Dario Amodei ： 事实是，我们所有人都在共同探索 AI 的发展路径。如今我能看到一些其他人看不到的东西，更多是因为我能接触到 Anthropic 的内部运营，需要做出大量的经营决策，而非我拥有超越其他人的研究洞察力。毕竟，我现在管理着一家 2500 人的公司，这让我很难再产生具体的研究洞察力，远比 10 年前，甚至 2 3 年前要难得多。 AGI 时代的商业模式： API 的生命力与多元定价逻辑 Dwa rkesh Pat el ： 当 AI 发展到能全面替代远程工作者的阶段， API 的定价模式是否仍具合理性？如果不具备， AGI 的正确定价和服务模式应该是什么？ Dario Amodei ： AGI 时代会诞生多种商业模式，企业会同时进行大量尝试，而我认为 API 模式的生命力比很多人想象的更持久 。核心原因在于，若 AI 技术保持指数级进步，每 3 个月就会诞生一批新的应用场景，任何固定的产品形态都面临被淘汰的风险 —— 一款产品仅能适配特定能力的模型，比如聊天机器人已经遇到瓶颈：提升模型的智能水平，对普通消费者的体验提升有限。但这并非意味着模型的进步对经济没有价值，只是针对该产品的价值已经触顶。 而 API 模式的核心价值，在于贴近算力底层，让开发者能够基于最新的模型能力，开发新的应用。 AI 技术的进步，会持续催生新的创业公司和新的想法，这些想法在几个月前还无法实现，而 API 模式为其提供了核心支撑。 因此，我认为 API 模式会与其他模式长期共存，且始终具备生命力 ：总有上千人想要以不同方式尝试最新的模型，其中上百人会创立创业公司， 10 家会发展成为成功的大企业， 2 3 家会成为某一代模型的核心应用方。这一过程会持续发生，让 API 模式始终具备存在的意义。 同时，我相信会诞生其他商业模式，因为模型输出的每一个 token 的价值并非均等。比如，当用户询问 “Mac 电脑无法工作怎么办 ” ，模型回答 “ 重启电脑 ” ，这个回答已经被输出过千万次，其价值可能仅为几美分或一美元；而当模型向制药企业建议 “ 将某分子的芳香环从一端移至另一端，会带来显著的药物效果提升 ” ，这个回答的价值可能达到数千万美元。 因此，行业必然会诞生按结果付费的商业模式，也可能出现按小时计费的劳务式定价模式。 由于 AI 是一个全新的行业，所有商业模式都需要经过尝试，我无法预判最终哪种模式会成为主流。 Dwarkesh Patel ： 我认同你的观点，人们需要通过不断尝试，找到利用 AI 智能的最佳方式。但让我感到意外的是， Claude Code 成为了行业爆款 —— 在创业史上，从未有一个应用像代码代理这样引发如此激烈的竞争，而 Claude Code 成为了该领域的领导者。这看似并非 Anthropic 的必然选择，我想知道，为何 Anthropic 会在打造底层模型的同时，开发这款应用？ Dario Amodei ： 这件事的发生其实非常简单。 Anthropic 本身拥有擅长代码开发的模型， 2025 年初，我提出一个观点：对于 AI 企业而言，利用自身模型加速内部研发，已经具备可行性。而要实现这一点，需要相应的界面和工具来支撑模型的使用。 因此，我鼓励内部员工进行相关尝试 —— 并非强制要求，只是建议大家探索。最初这款工具被命名为 Claude Cli ，后更名为 Claude Code ，它在内部实现了快速普及。我观察到这一现象后认为，既然它在 Anthropic 内部获得了如此快的采用，而编码是我们的核心工作之一，内部数百人的使用群体足以代表外部的目标受众，这说明产品已经具备产品市场契合度，因此我们决定将其对外发布。 核心原因在于， Anthropic 既是模型的开发者，也是模型的核心使用者，我们清楚自身对模型的核心需求，这形成了一个正向的反馈循环。 Dwarkesh Patel ： 也就是说， Anthropic 的开发者会提出 “ 模型在某方面的能力需要提升 ” ，而你们会将这个需求融入下一代模型的研发中。 Dario Amodei ： 这是反馈循环的一部分，而更基础的产品迭代逻辑是： Anthropic 拥有大量的程序员，他们每天都在使用 Claude Code ，这让我们能获得快速的内部反馈。这在产品早期尤为重要，如今已有数百万人使用 Claude Code ，我们也能获得大量的外部反馈，但内部的快速反馈依然具备不可替代的价值。这也是我们选择开发编码模型，而非进军制药行业的原因 —— 我的专业背景是生物学，但 Anthropic 并不具备进军制药行业的资源和能力。 Dwarkesh Patel ： 回到核心问题，要让 AI 实现良性发展，其愿景必须兼容两个核心事实： 第一， AI 的研发和运行能力正在以极快的速度扩散；第二， AI 的数量和智能水平也在快速提升。 这意味着，未来会有大量的人能够研发出大规模的未对齐 AI—— 这些 AI 如同追求规模扩张的企业，或拥有特殊思维模式，且具备超人类的能力。你认为，如何构建一个兼容大量未对齐 AI 存在的、良性的行业均衡？ Dario Amodei ： 在技术发展的初期，我曾对这种权力平衡的状态持怀疑态度，尤其是对 “ 三家头部企业研发同源模型，能够相互制衡 ” 的观点 —— 我们可能处于一个进攻占优的世界，一个人或一个 AI 模型，就足以做出对其他所有主体造成损害的行为。 但在短期内，行业内的玩家数量有限，我们可以从这个角度出发，采取核心的安全措施：首先，在少数头部企业之间，建立完善的安全防护体系；其次，确保所有企业都开展扎实的 AI 对齐研究；最后，让所有企业都配备生物分类器等安全工具。这些是我们当前需要立即采取的措施。 我认同，这些措施无法解决长期的安全问题，尤其是当 AI 模型能够自主研发下一代模型，技术扩散成为常态后，安全问题的解决难度会大幅提升。但当前阶段，我们需要先从少数玩家的安全平衡开始，逐步探索长期的安全解决方案。 Dario Amodei ： 从长远来看，人类需要一套全新的治理架构。这套架构既要维护人类的自由，又要能对数量庞大的人类系统、 AI 系统，以及人机混合的企业或经济单元进行有效管控。我们必须思考，如何保护世界免受生物恐怖主义的威胁，如何防范人工生命带来的风险 —— 或许，我们需要一套 AI 监测系统来应对这些问题，但这套系统的构建必须以保护公民自由和宪法权利为前提。 这就像人类面对所有新生事物一样， AI 带来了全新的安全格局，伴随而来的是新的工具和新的脆弱性。我担心的是，如果有 100 年的时间慢慢推进这一切，人类完全能适应 —— 就像我们逐渐适应了社会中的爆炸物、各类新武器，以及摄像头的存在一样，我们会在试错中建立治理机制，慢慢习惯这一切。但现在的问题是， AI 的发展速度太快了，所以我们必须以更快的速度，思考如何让这些治理机制落地生效。 Dwarkesh Patel ： 在未来一个世纪，我们似乎会身处一个 “ 进攻占优 ” 的世界 ——AI 让原本百年的技术进步压缩到 5 10 年，但我们依然需要相同的权力制衡机制。即便只有人类参与，权力平衡本身就是一个难解的问题， AI 的加入似乎并没有让它变成一个完全不同的难题：如果制衡机制对人类有效，对 AI 也会有效；如果对人类无效，对 AI 亦然，这或许也意味着人类的制衡体系本身就面临失效。 Dario Amodei ： 但我依然认为，我们有办法实现有效的制衡。这需要世界各国政府的合作，甚至可能需要人类与 AI 对话，共同构建能实现有效防御的社会结构。当然，这一切都基于极高的技术水平，且会在短期内发生，我们现在很难提前预判所有细节。 AI 监管的博弈：反对无方案暂停，支持联邦统一标准 Dwarkesh Patel ： 说到政府介入，田纳西州议会曾提出一项法案，称 “ 故意训练人工智能为用户提供情感支持（包括开放式对话）的行为应受保护 ”—— 而 Claude 的核心功能之一，就是成为用户贴心、博学的朋友。 目前来看，美国各州的 AI 立法呈现出碎片化特征，普通人能从 AI 中获得的福利可能会被不断限制，尤其是《爱的机器》中提到的生物自由、心理健康改善等价值。 我们很容易想象，这些 AI 福利会被各类法律层层削弱，而这类法案似乎并未解决你所担忧的核心安全威胁。我想知道，在这样的背景下， Anthropic 为何反对 “ 联邦暂停各州 AI 立法 ” 的提案？ Dario Amodei ： 当下的情况错综复杂，首先我明确认为，田纳西州的这项法案毫无意义。它显然是由对 AI 的能力和边界一无所知的立法者制定的 —— 在他们看来， AI 提供情感支持听起来很可怕，所以就要做出相关规定，我们完全不支持这样的立法。 但这次被投票的提案，并非针对这类无意义法案，而是要求未来 10 年禁止所有州对 AI 进行监管，且没有任何明确的联邦监管方案。 联邦立法需要国会通过，这本身就是一个极高的门槛，而提案中所谓的 “ 联邦监管计划 ” ，既没有具体方案，也没有实际推进动作。结合我在《技术的青春期》中提到的生物武器、生物恐怖主义、自主化风险等严重威胁，以及我们讨论的 AI 发展时间线， 10 年的时间对 AI 而言就是永恒，这样的提案简直是疯狂的。 如果非让我们做选择，我们必然会反对这种 “ 无方案的监管暂停 ” 。这个选择的收益大于成本，尽管它并非完美。而我们真正支持的做法是： 联邦政府主动介入，不是简单禁止各州监管，而是制定统一的全国性 AI 监管标准，禁止各州出台差异化规则。 这种 “ 联邦前置 ” 的模式是合理的，前提是联邦能制定出科学的标准。 但 “ 各州不能管，联邦也不行动 ” 的状态，完全不合逻辑，而且已经开始引发强烈反对，未来只会更站不住脚。至于我们期待的监管路径，核心是从透明度标准起步 —— 为了监测自主化风险和生物恐怖主义风险，企业的透明度是基础；当风险变得更严重、证据更充分时，我们再采取更有针对性的激进措施。比如，当 AI 生物恐怖主义的威胁切实显现时，我们可以通过法律强制企业配备相关的分类器。 这一切都取决于威胁的严重程度，我们目前无法确定，只能秉持理智诚实的态度推进：风险尚未出现，但以当前的技术发展速度，今年下半年我们就可能发现， AI 生物恐怖主义的威胁已经迫在眉睫。到那时，如果联邦政府仍未采取行动，各州就应该出台相关标准，这是完全合理的。 Dwarkesh Patel ： 我担心的是，从技术进步的速度来看，立法的生命周期实在太长了。而 AI 福利的扩散本身存在滞后性，在当前各州立法碎片化的趋势下，这些福利会被层层限制 —— 比如 AI 情感陪伴已经让一些人感到不安，更不用说健康改善、寿命延长这些真正的 AI 福利了。与此同时，你认为核心危险已经近在眼前，但我看不到现有立法能在应对危险的同时，避免对 AI 福利造成过度伤害，这似乎让监管的成本收益比变得难以成立。 Dario Amodei ： 这里有几个关键点需要厘清。首先，人们总说各州会出台数千项 AI 相关法律，但 绝大多数这类法案都无法通过 。而且理论与现实存在差距，即便某项法律被通过，也不代表会被严格执行 —— 执法者可能会认为 “ 这项法律太荒谬了 ” ，比如要叫停田纳西州所有的 AI 情感陪伴产品，这显然不切实际。通常，法律的解释和执行会朝着降低危害的方向进行，这一点在限制 AI 福利的法案上尤为明显。 当然，这一点在应对负面威胁的法律上也同样存在，这是我们需要担忧的。但我的基本观点是，如果我们能决定法律的制定和执行方式（当然，我们只是其中一个微小的参与方），我会大幅放松对 AI 健康福利相关的监管。 相比之下，我并不太担心这类 “ 聊天机器人法案 ” ，我更担心药品审批体系 ——AI 会极大加速药物研发的速度，而现有的审批体系完全无法应对井喷的研发成果，整个管线会陷入堵塞。 所以，我认为审批体系的改革应该更偏向 “ 包容 ” ： AI 研发的药物，其安全性和有效性会变得极其清晰、明确，且效果显著，我们不需要再用适用于 “ 效果微弱、副作用严重 ” 的传统药物的审批体系来约束它们。 与此同时，我们需要大幅加强 AI 安全与安保相关的立法。正如我所说，从透明度标准起步，是为了避免过度阻碍行业发展，我们需要找到平衡。当然，我也对此感到担忧，一些人批评我的文章认为这种节奏太慢，因为 AI 的危险会来得更快。但事实是，过去六个月以及未来几个月，监管的核心就是推进透明度；当风险切实显现、我们有更确定的判断时（最快今年下半年），我们就需要在这些风险领域迅速行动。 立法流程通常是缓慢的，但我们需要向所有相关方强调这件事的紧迫性 —— 这也是我一直在传递紧急信号、撰写《技术的青春期》的原因。我希望政策制定者、经济学家、国家安全专业人士，以及所有决策者都能读到这篇文章，让他们有机会比原本更快地采取行动。 AI 福利的普惠：发达世界的市场韧性与发展中国家的本土化 Dwarkesh Patel ： 你能做些什么或倡导些什么，让 AI 的福利能更切实地落地？你已经与立法者合作，推动生物恐怖主义防范、加强保护、完善举报人制度等举措，但我总觉得，我们期待的那些 AI 福利，本身就非常脆弱，很容易被各类道德恐慌或政治经济问题扼杀。 Dario Amodei ： 其实在发达国家，我并不太担心这一点。发达国家的市场机制运行得足够好，当一件事能带来巨大的经济利益，且显然是现有最优选择时，监管体系很难真正阻止它 —— 这一点在 AI 行业本身就已经得到验证。 当 AI 福利能带来巨大的经济价值和社会价值时，监管很难真正阻碍它。 所以，对于药物研发等 AI 带来的实际福利，我并不担心发达国家会被过度阻碍，我只是担心其落地速度太慢。正如我所说，我们应该推动 FDA 的审批流程改革，也应该反对你提到的那些聊天机器人法案 —— 我个人反对所有这类法案，因为它们毫无意义。 2028 年，我们将打造出真正的 “ 天才数据中心 ” ，彼时行业营收可能达到数千亿美元的规模；而 “ 天才数据中心 ” 会成为技术加速器，推动营收快速跃迁至万亿美元级。 即便按最慢的技术扩散速度，这个过程也仅需 2 年，也就是到 2030 年。我认为，技术指数级进步与商业指数级扩散的叠加，会让我们提前实现这个目标。 Dwarkesh Patel ： 你构建的模型中， Anthropic 实现盈利的核心是当前行业处于算力约束的状态，而随着算力的持续扩张，盈利会成为必然结果，对吗？ Dario Amodei ： 并非如此。我认为行业盈利的核心，需要从整个 AI 产业的视角来分析，我们不妨假设处于经济学教科书的理想状态：行业内仅有少数几家企业，每家企业的投入规模有限，可将部分资金投入研发，推理业务的边际成本极低、毛利率极高。 尽管行业存在竞争，但 AI 模型具备显著的差异化特征，企业会为了提升竞争力而加大研发预算，但由于玩家数量有限，行业会形成卡诺均衡 —— 这种少数企业的竞争均衡，并不会像完全竞争市场那样走向零利润。 Dwarkesh Patel ： 请你进一步解释这个观点，当前行业恰好有三家头部企业，但均未实现盈利，未来究竟会发生怎样的变化？ Dario Amodei ： 首先需要明确， 当前 AI 企业的推理业务毛利率已经处于较高水平，未实现盈利是由两个因素共同导致的：第一，行业仍处于算力的指数级扩张阶段。 我们用一组简化数字来说明：去年投入 10 亿美元训练的模型，今年能带来 40 亿美元的营收，而推理成本仅为 10 亿美元，毛利率达到 75% ，这个模型本身能实现 20 亿美元的利润；但同时，企业需要投入 100 亿美元训练下一代模型，最终导致企业整体亏损。 简单来说，单个模型具备盈利性，但企业为了技术迭代的指数级算力投入，让整体处于亏损状态 。我所说的行业均衡，是当 “ 天才数据中心 ” 落地后，模型训练的算力扩张速度趋于平稳 —— 并非停止扩张，只是增速放缓，需求预判的难度也会降低，此时企业的整体盈利性就会显现。 Dwarkesh Patel ： 我 认同你对 当前行业的判断：如果将单个模型视为独立主体，它是具备盈利性的。但对于前沿 AI 实验室而言，训练下一代模型是核心生产环节，如果停止这项投入，企业可能会在短期内实现盈利，但很快会因技术落后而失去毛利率，这种盈利仅能维持两个月。 Dario Amodei ： 当行业达到最大的算力扩张规模后，会进入一个新的均衡：此时算法仍会持续进步，但训练下一代模型的算力投入，会与当前模型的研发投入大致相当。 Dwarkesh Patel ： 也就是说，这个均衡的实现，依赖于算力投入的天花板。 Dario Amodei ： 从本质上来说，经济体的资金总量是有限的，这会成为算力投入的天然约束。 Dwarkesh Patel ： 但经济本身会实现增长，这也是你的核心预测之一，而算力扩张会处于经济增长的这个阶段中。 Dario Amodei ： 这也印证了我之前提到的核心观点： AI 将推动经济实现前所未有的高速增长 。当前算力规模每年实现 3 倍扩张，但我并不认为经济能实现 300% 的年增长率 —— 我曾在《爱的机器》中提到， AI 可能推动经济实现 10% 20% 的年增长率，而非 300% 。 因此，当算力成为经济体的核心产出时，其扩张速度最终会受制于经济增长本身。 Dwarkesh Patel ： 假设算力扩张被经济增长所约束，那么前沿 AI 实验室实现盈利的前提，是持续的技术快速进步 —— 毕竟企业的毛利率由替代技术的竞争力决定，只有拥有前沿模型，才能维持高毛利率。如果失去技术领先性，盈利就无从谈起。这意味着，行业的盈