Станет ли стоимость ИИ-вычислений в 10 раз дороже? Разбор сценарного анализа Anthropic от Дваркеша Пателя

Введение

На протяжении большей части компьютерной эпохи направление развития казалось очевидным: производительность чипов неуклонно растёт, облачная инфраструктура постоянно расширяется, а эффективная цена вычислений снижается.

ИИ может нарушить эту закономерность.

В статье от 29 июля 2026 года технологический интервьюер и писатель Дваркеш Патель представил намеренно радикальный сценарий: способность передового ИИ превращать вычисления в экономическую ценность резко возрастает, в то время как физическое предложение передовых вычислительных мощностей расширяется гораздо медленнее.

В этом сценарии рыночная цена высококлассных ИИ-вычислений может вырасти в 10 раз или более, прежде чем в конечном итоге вернуться к долгосрочной траектории снижения затрат.

Аргументация начинается с провокационного сравнения.

Если ИИ-агент, работающий на вычислительной мощности, эквивалентной одному NVIDIA H100, способен выполнять работу высокооплачиваемого инженера-программиста, то почему арендная цена этого GPU по-прежнему определяется главным образом амортизацией оборудования и облачной конкуренцией?

Почему его цена не приближается к экономической ценности человеческого труда, который он заменяет или усиливает?

В оригинале этот мысленный эксперимент расширяется до более широких прогнозов об ИИ-лабораториях, центрах обработки данных, производственных мощностях передовых полупроводников и о том, что мир может вступить в период серьёзной инфляции вычислительных мощностей.

С самого начала следует чётко обозначить несколько важных оговорок:

• Человекоподобный инженер-программист, работающий на мощности, эквивалентной одному H100, — это гипотетическая будущая возможность, а не результат текущих бенчмарков.
• Официально подтверждённая годовая выручка Anthropic превысила 47 миллиардов долларов в мае 2026 года, но цифры в 100–150 миллиардов долларов к концу года и 1 триллион долларов в следующем году, предложенные Пателем, являются сценарными допущениями, а не прогнозами Anthropic.
• Рост цены вычислений в 10 раз — это экономический аргумент, а не подтверждённый рыночный прогноз.
• Цены на облачные GPU варьируются в зависимости от модели чипа, срока контракта, уровня загрузки, сети, безопасности и уровня обслуживания; единой цены на H100 не существует.

При соблюдении вышеуказанных условий этот мысленный эксперимент ценен тем, что поднимает вопрос, которого индустрия часто избегает:

Что произойдёт, когда экономическая ценность, создаваемая ИИ, будет расти быстрее, чем мир успевает создавать инфраструктуру для его работы?

Кремниевая рабочая сила: когда один H100 начинает работать как инженер с зарплатой 250 тысяч долларов

Аргументация начинается со смены единицы сравнения.

Сегодня вычислительные мощности обычно оцениваются как инфраструктура:

• Цена за GPU-час
• Цена за токен
• Цена за сервер в месяц
• Цена за зарезервированный кластер
• Цена за ватт или за мегаватт

Вопрос Пателя звучит так: что произойдёт, когда то же самое оборудование станет вместилищем автономной рабочей силы?

Представьте ИИ-инженера-программиста, способного:

• читать большие кодовые базы
• реализовывать функции
• отлаживать сбои
• запускать тесты
• проверять пул-реквесты
• расследовать инциденты
• работать непрерывно
• выдавать результаты, сопоставимые с работой опытного инженера-человека

Если этому агенту для работы требуется примерно одна H100-эквивалентная вычислительная мощность, то GPU перестаёт быть просто серверным компонентом. Он становится частью цифровой производственной системы.

Мысленный эксперимент с 250 тысячами долларов

Патель берёт в качестве ориентира рыночную стоимость сильного инженера-программиста из Кремниевой долины — 250 тысяч долларов в год.

Затем он сравнивает её с годовой оценкой аренды H100 по спотовым ценам — примерно 16 тысяч долларов.

Подразумеваемый разрыв составляет:

250 000 / 16 000 ≈ 15,6 раза

В этом упрощённом мысленном эксперименте GPU, способный нести эквивалентную цифровую рабочую силу, выглядит сильно недооценённым относительно той трудовой ценности, которую он может создавать.

Этот расчёт не является прямым предсказанием того, что каждый H100 будет сдаваться в аренду за 250 тысяч долларов.

Он упускает несколько важных факторов:

• Агенту может потребоваться мощность более чем одного H100.
• GPU не может поддерживать идеальную загрузку круглый год.
• Сервисная инфраструктура включает CPU, память, сеть, хранилище, электроэнергию, охлаждение и эксплуатацию.
• Инженеры-люди делают не только генерацию кода.
• Если цифровая рабочая сила будет быстро расширяться, зарплаты могут измениться.
• Поставщики моделей могут получать основную часть экономической ценности через ценообразование API, а не через аренду GPU.
• Конкуренция и рост эффективности могут снизить объём вычислений, необходимых для каждой задачи.

Более узкая точка зрения Пателя состоит в том, что когда вычисления способны приносить более ценные результаты, готовность платить за них может резко возрасти.

Почему ценность труда не рухнет немедленно

Естественное возражение состоит в том, что добавление миллионов ИИ-инженеров-программистов снизит рыночную стоимость труда в разработке ПО.

Если программное обеспечение станет изобильным, цифровой инженер может больше не стоить 250 тысяч долларов.

Патель признаёт такую возможность, но считает, что это не произойдёт автоматически.

Стандартная экономическая логика обычно отвергает представление о том, что «объём полезной работы фиксирован». Дополнительные квалифицированные работники создают новые продукты, новые компании, новые специальности и новый спрос.

С этой точки зрения, массовый приток способных работников не просто делит существующую работу между большим числом участников. Он расширяет границы экономически возможного.

ИИ может вызвать аномально быстрый шок предложения труда, поэтому исторические аналогии могут быть неприменимы. Тем не менее, Патель считает разумным, что предельная ценность ИИ-вычислений останется высокой по мере того, как новое ПО и услуги становятся возможными.

Этот аргумент наиболее убедителен в полностью цифровой работе

Одно из полезных возражений в обсуждении под статьёй Пателя состоит в том, что сравнение ценности труда наиболее сильно работает, когда вся задача может быть выполнена в цифровой среде.

Разработка ПО близка к этому идеалу:

• Входные данные цифровые.
• Выходные данные цифровые.
• Тестирование часто автоматизировано.
• Распространение быстрое.
• Многие циклы обратной связи работают на машинной скорости.

Когда доминируют физические ограничения, это сравнение становится слабее.

ИИ-система может быстро спроектировать лекарство, но клинические испытания по-прежнему требуют пациентов, регуляторов, производства и времени. Она может оптимизировать завод, но строительство, лицензирование, цепочки поставок и оборудование остаются подчинёнными физическим ограничениям.

В этих областях интеллект может перестать быть главным узким местом задолго до того, как вычислительные мощности смогут полностью взять на себя всю ценность замещаемого человеческого труда.

Рост доходов от ИИ может опережать рост предложения вычислительных мощностей

Вторая часть аргументации переходит от отдельного GPU к финансовому положению передовых ИИ-лабораторий.

Anthropic — главный пример, поскольку её недавний рост доходов исключительно стремителен.

Официально объявленные данные Anthropic:

• Годовой показатель выручки (annualized run-rate) на конец 2025 года — около 9 миллиардов долларов
• В апреле 2026 года — более 30 миллиардов долларов
• В начале мая 2026 года — более 47 миллиардов долларов

Это показатели годового темпа (run-rate), а не аудированная выручка за полный год.

Они описывают скорость роста, подразумеваемую выручкой на конкретный момент времени.

![Изображение показывает рост выручки Anthropic (годовой темп). 2022 год — около $10M, 2023 — около $100M, конец 2025 — около $1B, февраль 2024 — около $14B, март 2025 — около $19B, апрель 2026 — около $30B, середина мая 2026 — около $47B. Также показано, что фактический годовой темп в первом квартале 2026 года значительно превысил ожидания, достигнув ~$9B, с потенциалом роста в ~80 раз. Дирио

Amodei называет это «безумным темпом роста — десятикратным увеличением каждый год». Этот график связан с прогнозом роста выручки Anthropic в документе и наглядно демонстрирует динамику её доходов.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/08/27321613-b67f-40b5-b15f-43c37a8cc0be-0b44034b-99ac-407c-98dc-22191c3ab493.png)

Исходная точка Patel — наблюдение: выручка Anthropic выросла примерно на порядок по сравнению с прошлым годом.

Затем он построил намеренно экстремальный гипотетический сценарий:

• К концу 2026 года годовой оборот Anthropic достигает примерно 100–150 миллиардов долларов.
• Та же общая тенденция сохраняется.
• К концу следующего года выручка приближается к 1 триллиону долларов.

Patel прямо отмечает, что эта траектория не является обязательной и не имеет глубинной причины. Она зависит от будущих возможностей ИИ, темпов внедрения продуктов, ценообразования и конкуренции.

Цель сценария — не утверждать, что Anthropic прогнозирует триллионную выручку, а задать вопрос: если ИИ-компания действительно растёт такими темпами, какие ещё условия должны выполняться?

Рост выручки не соответствует росту вычислительных мощностей

Patel сопоставляет гипотетический десятикратный рост выручки с оценочным трёхкратным ежегодным расширением вычислительных мощностей ИИ.

Epoch AI оценивает, что в 2025 году глобальный объём вычислительных мощностей ИИ в эквиваленте H100 вырос примерно вдвое (то есть утроился), хотя агентство также подчёркивает неопределённость оценок на уровне компаний и на перспективу.

Возникающий разрыв составляет примерно:

Рост потребностей ИИ-бизнеса: 10 раз
Рост физических мощностей:     3 раза
Разрыв:                        примерно 3,3 раза

Если выручка ведущей лаборатории растёт значительно быстрее доступных ей вычислительных мощностей, то должна измениться некоторая комбинация из трёх вещей:

1. Лаборатория получает более высокую маржу прибыли.
2. Рыночные цены на вычислительные мощности растут.
3. Большая доля мощностей лаборатории направляется на

доходные инференс-сервисы вместо исследований и обучения.

Patel считает, что все три процесса уже частично происходят.

Вариант первый: рост маржи ведущих лабораторий

Провайдеры моделей несут высокие фиксированные издержки на обучение моделей, а затем продают полученные способности множеству клиентов.

Это создаёт потенциальный эффект масштаба.

Одни и те же обученные способности можно продавать через:

• потребительские подписки
• корпоративные лицензии
• API
• программные продукты
• платформы агентов
• облачные партнёрства

Предельные издержки одного дополнительного запроса могут быть значительно ниже ценности, которую этот запрос создаёт.

Patel отмечает, что маржа на инференс у ведущих лабораторий значительно улучшилась. Однако его конкретные данные о марже инференс-сервиса Fable от Anthropic явно представлены как приблизительные оценки, а не как проверенные корпоративные показатели.

Высокая маржа может поглотить часть разрыва между ростом выручки и ростом вычислительных мощностей.

Сложность — в масштабе.

В сценарии Patel на 1 триллион долларов, если цены и распределение мощностей не будут скорректированы в достаточной степени, маржа должна вырасти до высоких уровней — около 95%. Он считает, что даже для ведущих технологических платформ это исключительно высокий показатель.

Точная требуемая маржа зависит от многих переменных, но более важный вывод остаётся в силе: только маржа вряд ли сможет примирить взрывной спрос с ограниченной инфраструктурой.

Вариант второй: больше мощностей переходит от обучения к инференсу

Второй вариант — направить большую долю вычислительных мощностей на обслуживание клиентов.

Epoch AI оценивает, что расходы OpenAI на инференс-мощности в 2024 году составили около 1,8 миллиарда долларов, а на исследовательские мощности — около 5 миллиардов. Таким образом, расходы на инференс составили примерно четверть от общего объёма заявленных вычислительных затрат.

По мере расширения коммерческого использования доля инференса может вырасти ещё больше.

Это помогает поддерживать выручку, но передовые лаборатории сталкиваются со стратегической дилеммой.

Инференс-сервисы оплачивают текущие счета.

Обучение и эксперименты создают модели, которые могут определить следующее поколение продуктов.

Лаборатория, направляющая большую часть мощностей на обслуживание текущих моделей, может генерировать более прямую выручку, но у неё останется меньше инфраструктуры для:

• обучения более крупных моделей
• проведения экспериментов
• обучения с подкреплением
• оценки
• генерации данных
• архитектурных исследований
• долгосрочной разработки моделей

Patel описывает эффект маховика в Кремниевой долине: текущий доход от инференса помогает привлекать финансирование, финансирование покупает больше мощностей, мощности обучают более сильные модели, а более сильные модели приносят больше выручки.

Эти лаборатории обычно не считают сегодняшние модели конечной целью. Они ожидают, что нынешние передовые системы вскоре будут превзойдены.

Это делает их неготовыми полностью превратиться в высокомаржинальных облачных провайдеров, обслуживающих статичное поколение моделей.

Вариант третий: рост цен на передовые вычислительные мощности

Оставшийся механизм — цены.

Если ИИ-лаборатории и их клиенты могут создавать больше экономической ценности на единицу вычислительной мощности, они способны агрессивнее конкурировать за ограниченную инфраструктуру.

Это не означает, что цена за GPU-час вырастет одинаково везде.

Передовым лабораториям нужен особый класс вычислительных мощностей:

• крупные непрерывные кластеры
• высокоскоростные межсоединения
• предсказуемая доступность
• высокий уровень безопасности
• высокая утилизация
• стабильное электроснабжение
• быстрое развёртывание
• долгосрочный доступ
• защита весов моделей и клиентских данных

Спотовые инстансы с открытого рынка не могут полностью заменить безопасный многолетний контракт на инфраструктуру мощностью в несколько гигаватт.

Сделки Anthropic и Google с SpaceXAI

Недавние контракты отражают премию за немедленную доступность мощностей.

Anthropic официально подтвердила соглашение с SpaceXAI на доступ к Colossus 1, а затем заявила о расширении мощностей на Colossus 1 и Colossus 2.

SpaceXAI описывает Colossus 1 как содержащий более 220 тысяч GPU NVIDIA, включая системы H100, H200 и GB200.

Axios сообщает, что Anthropic согласилась платить примерно 1,25 миллиарда долларов в месяц до 2029 года за эту договорённость.

TechCrunch затем сообщил о регуляторном документе, согласно которому Google будет платить SpaceX около 920 миллионов долларов в месяц с октября 2026 по июнь 2029 года за доступ к примерно 110 тысячам GPU и связанным компонентам.

Это не обычные закупки облачных ресурсов по требованию.

Они отражают ценность быстрого получения масштабной доступной инфраструктуры в условиях, когда строительство новых дата-центров, подключение к электросетям и поставки чипов могут занимать годы.

Patel оценивает, что подразумеваемая цена за GPU-час в сделке Google примерно вдвое превышает текущую спотовую цену на сопоставимое смешанное аппаратное обеспечение.

Это сравнение приблизительно, поскольку контракты включают не только голые GPU, а аппаратная комбинация охватывает разные поколения ускорителей.

GPU становятся фабриками, а не просто серверами

В исходной статье используется промышленная аналогия.

В эпоху интернета компании конкурировали за:

• Трафик
• Каналы распространения
• Ранжирование в поиске
• Входы через магазины приложений

Конкуренция в сфере передового ИИ добавила более материальное измерение:

• Электроэнергия
• Передовые чипы
• Память
• Земля под центры обработки данных
• Охлаждение
• Подключение к электросетям
• Сети
• Крупные синхронизированные кластеры

Кластеры передовых GPU ближе к промышленным производственным линиям, чем к обычным наборам арендованных серверов.

Их продукция — не физические товары, а интеллект с экономической ценностью:

• Код
• Исследования
• Поддержка
• Дизайн
• Аналитика
• Медиа
• Решения
• Действия агентов

Компании, контролирующие самые мощные модели и самые надёжные вычислительные мощности, способны производить больше таких цифровых работ.

Почему крупные лаборатории не могут полагаться только на спотовый рынок

Спотовые мощности имеют несколько недостатков для передовых задач:

• Экземпляры могут быть прерваны.
• Оборудование может быть распределено по разным местам.
• Производительность сети может быть нестабильной.
• Мощности могут исчезать в периоды пикового спроса.
• Требования к безопасности и обработке данных могут быть трудно выполнимы.
• Длительные тренировочные запуски требуют стабильной и скоординированной инфраструктуры.

Лаборатории, обучающие или запускающие такие модели, поэтому ценят гарантированные вычислительные мощности больше, чем покупатели, выполняющие краткосрочные пакетные задачи.

Это помогает объяснить, почему контрактные вычислительные мощности сохраняют премию, даже когда публичные облачные предложения кажутся дешевле.

Предложение ограничено физическими множителями

Аргумент Пателя опирается на утверждение, что предложение вычислительных мощностей не может реагировать на значительные шоки спроса достаточно быстро.

Он обобщает годовой рост вычислительных мощностей как произведение трёх широких множителей:

Годовой рост вычислительных мощностей ИИ ≈
1,4× улучшение аппаратного обеспечения
× 1,2× новые мощности по производству пластин
× 1,8× перераспределение передовых пластин в пользу ИИ
≈ 3,0×

Эти цифры — оценки, а не неизменные физические константы.

Они призваны показать источники недавнего роста.

Множитель один: более совершенные чипы

Улучшения в полупроводниковых технологиях повышают эффективные вычисления на ватт, на чип и на доллар вложений.

Потенциальные выгоды включают:

• Более мелкие технологические узлы
• Лучшая архитектура
• Вычисления с меньшей точностью
• Более высокая пропускная способность памяти
• Передовая упаковка
• Более быстрые межсоединения
• Лучшее программное обеспечение и ядра

Скорость прогресса не безгранична.

Каждое новое поколение технологического узла становится сложнее и дороже. Плотность мощности, утечки, выход годных, перемещение памяти и упаковка всё чаще становятся определяющими факторами фактической производительности.

Системы ИИ также могут повышать эффективность за счёт улучшений на уровне моделей и программного обеспечения, что может частично компенсировать дефицит аппаратного обеспечения. Поэтому любой прогноз цен на вычислительные мощности зависит от темпов повышения эффективности относительно роста спроса.

Множитель два: больше заводов и оборудования

Новые полупроводниковые мощности требуют нескольких лет на планирование, финансирование, строительство, установку оборудования, валидацию и наращивание производства.

Цепочка поставок сильно зависит от специализированных систем, включая оборудование для экстремальной ультрафиолетовой литографии.

Передовые заводы также требуют:

• Квалифицированной рабочей силы
• Надёжных коммунальных услуг
• Поставок химикатов
• Водных ресурсов
• Упаковочных мощностей
• Тестовых мощностей
• Оборудования с длительными сроками поставки

Патель считает, что доступность EUV-оборудования будет ограничивать быстрое расширение мощностей как минимум до конца этого десятилетия.

Более высокие цены могут стимулировать инвестиции, но не могут мгновенно создать полностью валидированный передовой завод.

Множитель три: перераспределение существующих передовых мощностей в пользу ИИ

Значительная часть недавнего роста чипов для ИИ связана с переносом передовых производственных мощностей с других продуктов.

Смартфоны, персональные компьютеры, сетевые чипы и другие устройства конкурируют за одни и те же передовые узлы и упаковочные ресурсы.

Патель ссылается на оценку, согласно которой к концу 2027 года доля ИИ в мощностях N3 компании TSMC может вырасти с примерно 60% до 86%.

Это оценка модели предложения, а не публичное руководство TSMC по мощностям.

Смысл очевиден: рычаг перераспределения работает только до тех пор, пока не-ИИ спрос занимает мощности, которые можно перенаправить.

Как только ИИ уже потребляет большую часть мощностей соответствующего узла, этот рычаг роста значительно ослабевает.

Другие узкие места могут возникнуть раньше

Даже если предложение пластин расширится, вся система может быть ограничена следующими факторами:

• Высокопроизводительная память
• Передовая упаковка
• Оптические сети
• Трансформаторы и оборудование для электросетей
• Строительство центров обработки данных
• Генерация электроэнергии
• Охлаждение
• Разрешения и лицензии
• Финансирование

Предложение вычислительных мощностей остаётся ограниченным.

Таким образом, это цепочка, а не продукт одного завода.

Эффективные мощности определяются самым медленным критическим звеном.

Почему высокие затраты на вычисления могут пойти на пользу самым сильным моделям

Источник далее представляет неочевидный аргумент: если вычисления становятся дороже, покупатели не обязательно перейдут на более слабые модели.

Они могут даже предпочесть самые сильные модели.

Патель связывает это с эффектом Альчиана–Аллена.

Когда фиксированные затраты добавляются к товарам разного качества, версии более высокого класса могут стать относительно более привлекательными, потому что премия за качество составляет меньшую долю в общей цене.

Упрощённый пример

Предположим, базовая стоимость вычислений составляет 20 долларов в час.

Сильная модель выполняет задачу за один час с премией в 5 долларов за модель:

Сильная модель:
20 долларов вычислений + 5 долларов премии = 25 долларов

Слабая модель не имеет премии, но из-за повторов и неэффективного вывода требует двух часов:

Слабая модель:
2 × 20 долларов вычислений = 40 долларов

Модель, которая выглядит бесплатной, на самом деле дороже в расчёте на одну выполненную задачу.

Ключевой показатель — не цена за токен или лицензия модели, а стоимость за успешный результат.

Эффективность становится ценовым преимуществом

Более мощные модели могут снижать затраты за счёт:

• Меньшего количества токенов
• Меньшего числа попыток
• Меньшего числа вызовов инструментов
• Меньшего числа ручных исправлений
• Более короткой длительности задач
• Лучшего планирования
• Более надёжного выполнения

Если вычисления дешёвые, затраты на неэффективные попытки могут быть терпимыми.

Если вычисления дорогие, растрата вычислительных мощностей становится более болезненной.

Лаборатория, которая может извлечь максимально полезный результат из каждого дефицитного часа GPU, возможно, сможет устанавливать значительную премию.

Это не означает, что маленькие модели исчезнут

Самая радикальная версия исходной статьи утверждает, что у посредственных моделей может не быть будущего.

Этот вывод слишком широк.

Меньшие и специализированные модели сохраняют привлекательность в следующих случаях:

• Более низкая задержка
• Меньшие требования к памяти
• Развёртывание на устройствах
• Защита конфиденциальности
• Предсказуемые структурированные выходы
• Достаточное качество для узких задач
• Значительно меньшее потребление вычислительных мощностей
• Возможность кастомизации с открытыми весами

Лёгкий классификатор не должен быть передовым программирующим агентом.

Аргумент Альчиана–Аллена применим, когда обе модели потребляют схожую дорогую инфраструктуру, а более слабой модели требуется значительно больше работы для достижения того же результата.

Когда меньшая модель действительно более эффективна для конкретной задачи, сила этого аргумента ослабевает.

Некоторые текущие применения ИИ могут быть вытеснены из-за высоких цен

Патель утверждает, что рост цен на вычисления может перераспределить мощности из низкоценных применений.

Если один GPU может запускать агента, приносящего высокоценное программное или коммерческое результат, то альтернативные издержки использования того же оборудования для одноразового медиаконтента становятся значительно выше.

Это может затронуть следующие применения:

• Низкоценный короткий контент
• Массовые фейковые взаимодействия
• Повторяющуюся генерацию изображений или видео
• Очень дешёвые потребительские выводы
• Продукты со слабой готовностью платить

Рынок не обязательно уничтожает сам контент.

Он может вместо этого перевести такой контент на:

• Более маленькие модели
• Более старое оборудование
• Выводы на устройствах
• Кэшированные выходы
• Более эффективные архитектуры
• Генерацию с более низким разрешением
• Вычисления в непиковые часы

Ключевым моментом является распределение ресурсов.

Дефицитные передовые вычисления будут стремиться流向 рабочие нагрузки с наивысшей готовностью платить.

Почему этот прогноз может быть ошибочным

Исходная статья также представляет несколько возражений.

Они важны, потому что прогнозы о вечном дефиците ресурсов часто оказываются неверными.

Возражение одно: человеческий труд — не правильный ценовой якорь

Сравнение с инженером на 250 000 долларов предполагает, что GPU может получать доход, близкий к текущей экономической ценности инженера.

Это предположение может не сработать по следующим причинам:

• Зарплаты в программной инженерии могут снизиться.
• ИИ может создавать много результатов, которые трудно монетизировать.
• Человеческое доверие, ответственность, отношения и суждение могут по-прежнему иметь ценность.
• Агентам может потребоваться контроль человека.
• Физические ограничения реального мира могут доминировать.
• Конкуренция может подтолкнуть цены на модели к себестоимости.

Некоторые комментаторы отмечают, что начальная ценность цифровых работников может быть высокой, но как только ИИ-труд станет изобильным, она может стабилизироваться на уровне около 50 000 долларов.

В таком сценарии ценность вычислений всё ещё может расти, но не обязательно в 15 раз.

Возражение два: повышение эффективности может обогнать рост спроса

Цена за токен не эквивалентна цене вычислений.

Модели и сервисные системы постоянно улучшаются за счёт:

• Квантизации
• Дистилляции
• Разреживания
• Лучших ядер
• Спекулятивного декодирования

Кэш

• Маршрутизация
• Улучшенная архитектура
• Лучшее использование оборудования

В будущем низкоценные видео- или чат-ответы могут требовать лишь малой доли текущих вычислительных затрат.

Даже если вычисления для передовых агентов станут дорогими, цена на универсальные ИИ-сервисы может продолжать снижаться, поскольку они будут переходить на более эффективные модели и оборудование.

Контраргумент третий: открытые модели усиливают конкуренцию

Модели с открытыми весами могут оказывать давление на цены передовых API.

Если несколько моделей предлагают схожие возможности, пользователи могут переключаться между следующими вариантами:

• Управляемые коммерческие API
• Облачные развертывания с открытыми весами
• Частные кластеры
• Отечественные сервис-провайдеры
• Специализированные модели

Это ограничивает способность одной лаборатории получать сверхвысокую норму прибыли.

Дефицит вычислений по-прежнему может поднимать цены на базовую инфраструктуру, но конкуренция моделей определяет, какую долю ценности лаборатория сможет сохранить.

Контраргумент четвертый: предложение реагирует на высокие цены

Классический ответ на дефицит — инвестиции.

Более высокие цены на вычисления стимулируют:

• Больше фабрик
• Больше мощностей по корпусированию
• Больше производства памяти
• Больше генерирующих мощностей
• Лучшее охлаждение
• Альтернативные ускорители
• Новых облачных провайдеров
• Более эффективное программное обеспечение

Патель также согласен, что вычисления в конечном итоге снова подешевеют.

Его аргумент касается текущего переходного периода, когда рост спроса может опережать реакцию долгосрочной физической инфраструктуры.

Пари Саймона—Эрлиха

Источник сравнивает прогнозы о вычислениях со знаменитым пари между биологом Полом Эрлихом и экономистом Джулианом Саймоном.

В 1980 году Эрлих выбрал корзину из пяти металлов, поспорив, что их реальные цены вырастут за следующие десять лет.

К 1990 году цены корзины с поправкой на инфляцию упали, и Эрлих выплатил Саймону пари.

Это пари часто используется для аргументации, что прогнозы дефицита недооценивают инновации, замещение и реакцию предложения.

Историческая интерпретация более

сложна. Анализ показывает, что другой стартовый период мог бы привести к другим победителям.

Патель признает, что его аргумент о вычислениях похож на прогнозы дефицита, которые часто оказывались ошибочными.

Он считает, что вычисления могут отличаться от добычи металлов из-за меньшей краткосрочной эластичности предложения:

• У передовых ИИ-ускорителей мало заменителей.
• Передовые фабрики не могут появиться быстро.
• EUV-оборудование производится высококонцентрированной цепочкой поставок.
• Электроснабжение и сетевая инфраструктура центров обработки данных требуют времени.
• Передовые лаборатории нуждаются в крупных скоординированных кластерах, а не в произвольных массовых чипах.

Таким образом, разногласия в основном касаются времени.

Смогут ли ценовые сигналы и инновации расширить эффективное предложение вычислений до того, как спрос ИИ превысит текущее строительство?

Более сбалансированная модель ценообразования вычислений

Вместо того чтобы рассматривать «10 раз» как фиксированный прогноз, аргумент лучше преобразовать в набор измеримых переменных.

Переменные спроса

• Рост возможностей передовых моделей
• Доход на GPU-час
• Уровень внедрения агентов
• Готовность предприятий платить
• Степень замещения труда
• Создание новых приложений
• Доля вычислений на инференс
• Маржа провайдеров моделей

Переменные предложения

• Объемы поставок ускорителей
• Производительность оборудования на ватт
• Поставки пластин на передовых техпроцессах
• Мощности корпусирования
• Поставки HBM
• Электропитание ЦОД
• Скорость подключения к сетям
• Утилизация кластеров
• Эффективность сервисов
• Альтернативные чипы

Переменные рыночной структуры

• Количество конкурирующих передовых моделей
• Качество моделей с открытыми весами
• Концентрация облачных провайдеров
• Долгосрочные инфраструктурные контракты
• Географические и регуляторные ограничения
• Доступность капитала
• Способность маршрутизировать рабочие нагрузки на более дешевые модели

Рост цен в 10 раз более вероятен, если:

• Возможности и монетизация быстро растут.
• Передовые лаборатории конкурируют за ограниченные кластеры.
• Предложение расширяется лишь примерно в 3 раза в год.
• Рост эффективности не компенсирует рост спроса.
• Одна-две лаборатории сохраняют значительное преимущество по качеству.

Менее вероятен, если:

• Рост возможностей замедляется.
• Рост доходов нормализуется.
• Открытые модели становятся близкими заменителями.
• Эффективные малые модели поглощают большинство рабочих нагрузок.
• Новое оборудование и электроэнергия появляются быстрее ожидаемого.
• Программное обеспечение значительно сокращает вычисления на выполненную задачу.

Значение этого сценария для ИИ-компаний

Даже если стоимость вычислений не вырастет в 10 раз, аргумент остается практически значимым.

Измеряйте стоимость выполненной задачи

Отслеживайте:

• Общее количество входных и выходных токенов
• Количество токенов инференса
• Количество вызовов инструментов
• Количество повторов
• Время ручной корректировки
• Сквозную задержку
• Доля успешных операций
• Стоимость инфраструктуры

Если более дешевая модель постоянно ошибается, на деле она не дешева.

Используйте маршрутизацию моделей

Оставляйте дорогие передовые модели для задач, которые действительно от них выигрывают.

Используйте меньшие модели для:

• Классификации
• Извлечения
• Маршрутизации
• Форматирования
• Повторяющихся структурированных операций

Передавайте наверх только сложные случаи.

Проектируйте с учетом переносимости вычислений

Не привязывайте весь продукт к одной модели или одному GPU-провайдеру.

Полезные абстракции включают:

• Шлюзы моделей
• Наборы для оценки
• Переносимые промпты
• Независимость от провайдера

Память

• Несколько аппаратных бэкендов
• Пакетное и асинхронное выполнение

Оптимизируйте контекст и использование инструментов

Длительные циклы агентов могут тратить вычисления из-за повторяющегося контекста и чрезмерно больших выходов инструментов.

Направления улучшений:

• Кэширование промптов
• Ретрив контекста
• Фильтрация выходов инструментов
• Стратегии повторов
• Условия завершения
• Параллельное выполнение
• Проверка результатов

Обеспечьте мощности до того, как они понадобятся

Компании с предсказуемым спросом могут выиграть от:

• Зарезервированных инстансов
• Многолетних облачных контрактов
• Скидок за гарантированное использование
• Нескольких инфраструктурных партнеров
• Локальных мощностей для стабильных рабочих нагрузок

Правильная стратегия зависит от уровня утилизации. Зарезервированное оборудование дорого, когда простаивает.

Значение для инвесторов и политиков

Этот аргумент также смещает внимание с бенчмарков моделей на инфраструктуру.

Важные области включают:

• Передовое производство полупроводников
• Литографию
• HBM
• Корпусирование
• Электропитание ЦОД
• Трансформаторы
• Оптические сети
• Охлаждение
• Сетевую инфраструктуру
• Финансирование облаков

Если интеллект станет ключевым экономическим ресурсом, контроль над этими уровнями приобретет стратегическое значение.

Результатом может стать концентрация.

Лаборатории с лучшими моделями и наибольшими доходами могут перебивать цену новых игроков за дефицитные вычислительные ресурсы. Эти ресурсы помогают улучшать модели, что усиливает доход и облегчает следующую заявку.

Это усиливающийся цикл:

Лучшие модели
    ↓
Более ценные продукты
    ↓
Больше доходов
    ↓
Больше доступа к вычислениям
    ↓
Больше обучения и инференса
    ↓
Лучшие модели

Риск заключается в том, что производство интеллекта может сосредоточиться в руках немногих компаний, способных на огромные инфраструктурные вложения.

Часто задаваемые вопросы

Почему Дэвакеш Патель считает, что стоимость ИИ-вычислений может вырасти в 10 раз?

Патель считает, что более умные ИИ-модели могут приносить больше дохода на единицу вычислений, а реальное предложение передовых вычислений растет гораздо медленнее. Если спрос и готовность платить будут расти быстрее, чем предложение чипов, электроэнергии и ЦОД, рыночные цены могут резко вырасти.

Прогнозирует ли Anthropic годовой доход в 1 триллион долларов?

Нет. Anthropic официально сообщает, что годовой объем дохода в пересчете на текущий темп превысил 47 миллиардов долларов в мае 2026 года. Цифры в 100–150 миллиардов к концу года и 1 триллион в следующем году — это допущения в мысленном эксперименте Пателя, а не корпоративные ориентиры.

Почему H100 сравнивают с инженером с зарплатой 250 000 долларов в год?

Это сравнение исследует, как могли бы цениться вычисления, если бы система, эквивалентная H100, могла содержать ИИ-агента, выполняющего работу, сопоставимую с высокооплачиваемым инженером. Это гипотетический ориентир ценности, а не доказательство того, что каждый H100 уже заменяет инженера.

Как быстро растут мировые ИИ-вычисления?

Epoch AI оценивает, что в 2025 году общий объем мировых ИИ-вычислений в эквиваленте H100 вырос примерно в три раза. Будущий рост неопределен и зависит от производительности чипов, производства, корпусирования, электроэнергии, строительства и капитальных вложений.

Почему затраты передовых лабораторий могут превышать публичные spot-цены на GPU?

Передовым лабораториям нужны безопасные, надежные, масштабные кластеры с высокоскоростными сетями и предсказуемой производительностью.

Долгосрочная доступность. Публичные spot-инстансы не эквивалентны выделенным многолетним развертываниям с сотнями тысяч синхронизированных ускорителей.

Всегда ли дорогие вычисления выгодны самой сильной модели?

Не всегда. Когда самая сильная модель достигает того же результата с меньшим числом токенов, меньшим числом повторов или за меньшее время, дорогие вычисления действительно ей выгодны. Но для узких, низколатентных, приватных или периферийных задач меньшие специализированные модели могут оставаться экономически более выгодными.

Будут ли ИИ-вычисления дорогими вечно?

Патель не утверждает, что вычисления останутся дорогими навсегда.

Его аргументация касается переходного периода — в течение которого спрос на ИИ может превысить возможности расширения цепочек поставок полупроводников и дата-центров; в более долгосрочной перспективе аппаратное обеспечение и автоматизация могут снова сделать вычислительные мощности дешевле.

Какие доказательства могут опровергнуть гипотезу «цена вычислений ×10»?

Если рост доходов от ИИ замедлится, возможности моделей достигнут потолка, открытые модели станут почти эквивалентной заменой, эффективность сервисов будет расти быстрее, чем спрос, или расширение производства полупроводников и электроснабжения окажется быстрее ожидаемого, этот аргумент будет ослаблен.

Связанные инструменты

• Epoch AI: исследования и данные о вычислительных мощностях ИИ, масштабировании моделей, инфраструктуре и экономике ведущих лабораторий.
• NVIDIA H100 Tensor Core GPU: официальные спецификации ускорителя, опубликованные NVIDIA; этот ускоритель является ключевым вычислительным элементом в мысленном эксперименте Пателя.
• AWS EC2 P5 instances: официальные облачные инстансы Amazon на базе GPU NVIDIA H100, предназначенные для крупномасштабных ИИ-нагрузок.
• Google Cloud A3 VMs: документация Google Cloud по GPU-вычислениям, включая доступность и конфигурации ускорителей.
• CoreWeave Cloud GPU: специализированная облачная платформа, предоставляющая крупномасштабную GPU-инфраструктуру для ИИ-нагрузок.
• NVIDIA Triton Inference Server: система инференс-сервисов для повышения уровня использования, пакетной обработки и эффективности развертывания ИИ-моделей.

Связанные ссылки

• Двакеш Патель: почему вычисления могут подорожать в 10 раз: оригинальная статья, представляющая сценарий трудовой стоимости H100 и аргумент о дефиците вычислений.
• Анонс раунда Series H от Anthropic: официальное заявление Anthropic от мая 2026 года, подтверждающее годовой доход свыше 47 миллиардов долларов и крупные партнерства в области вычислений.
• Партнерство Anthropic–Google–Broadcom в области вычислений: официальное описание Anthropic своего расширения до мультигигаваттных TPU и достижения годового дохода в 30 миллиардов долларов.
• Партнерство SpaceXAI и Anthropic в области вычислений: официальное объявление о предоставлении Anthropic доступа к кластеру GPU Colossus 1.
• Epoch AI: ведущие лаборатории пока не используют большую часть ИИ-вычислений: оценки глобальных вычислительных мощностей ИИ, доли ведущих лабораторий, темпов роста и инфраструктурных ограничений.
• [Epoch

AI: расходы OpenAI на вычисления в 2024 году](https://epoch.ai/data-insights/openai-compute-spend): оценка распределения вычислений OpenAI в 2024 году между исследованиями, обучением и инференсом.

• Тенденции в области ИИ-суперкомпьютеров: исследование роста производительности ИИ-суперкомпьютеров, стоимости аппаратного обеспечения, количества чипов и потребностей в электроэнергии.

Резюме

Аргумент Двакеша Пателя о десятикратном удорожании вычислений начинается с простой идеи: если один GPU способен разместить ИИ-агента, выполняющего высокоценную интеллектуальную работу, то готовность платить за этот GPU может сместиться в сторону ценности этой работы, а не исторической стоимости сервера.

В сочетании с быстрым ростом доходов Anthropic и оценками того, что глобальные вычислительные мощности ИИ расширяются примерно в 3 раза в год, этот аргумент становится еще более убедительным. Если коммерческий спрос на ИИ будет расти быстрее, корректировка неизбежно произойдет через норму прибыли, распределение вычислений, рост цен на инфраструктуру или некоторую комбинацию этих факторов.

Этот прогноз далеко не определен. Повышение энергоэффективности, открытые модели, более компактные специализированные системы, новые фабрики чипов, новые ускорители и замедление роста возможностей — все это может предотвратить десятикратное удорожание. Исторические прогнозы дефицита ресурсов также часто недооценивали способность к адаптации.

Действительно устойчивое прозрение заключается не в том, что вычисления должны подорожать ровно в 10 раз, а в том, что более умный ИИ может повышать экономическую ценность каждого GPU быстрее, чем физический мир способен производить и обеспечивать энергией новые GPU.