Anthropic 与 Google 的算力交易预示 GPU 价格或将飙升十倍

Anthropic 与 Google 的算力交易，已将 GPU 稀缺从抽象预测变成迫在眉睫的基础设施问题。在现货算力价格较 2 月低点上涨超过 40% 后，Google 从 SpaceX 获得了约 11 万张 Nvidia GPU 的使用权。

Anthropic 则作出了更广泛的承诺，租用了 SpaceX 位于孟菲斯附近的 Colossus 1 数据中心内可用的容量。这些协议表明，前沿实验室愿意为安全、可靠、可大规模支持训练和推理的集群支付高额溢价。

这颠覆了一个熟悉的假设：更先进的芯片和持续改进的软件必然会让 AI 逐步变得更便宜。如今真正的较量，是硬件成本下降与机器智能经济价值快速上升之间的竞争。如果高能力模型能从每张 GPU 中创造更多收入，买方就可以在需求崩溃之前将算力价格抬得更高。

Anthropic 与 Google 的交易重新定义了算力市场

最重要的变化并不是两家 AI 公司租用了更多 GPU，而是有保障的容量如今带有战略性溢价。

Google 的协议使其能够使用约 11 万张 Nvidia GPU，以及配套的处理器、内存和基础设施。相关容量将逐步上线；若 SpaceX 未能达成交付目标，合同中还设有保障条款。

Google 将这项安排描述为应对 Gemini Enterprise 需求意外强劲的过渡性容量。该公司本已运营着庞大的内部基础设施，其中包括自研张量处理单元。因此，它决定向外部租赁资源，比普通云服务合同更具分量。

这笔交易表明，拥有大型数据中心并不能消除短期稀缺。容量必须位于正确的地点，具备合适的网络、电力、安全条件和部署时机。来得太晚的芯片无法应对眼前的客户需求。

Anthropic 面临的是另一种约束。其 Claude 模型吸引了不断增长的企业和开发者使用需求，而此前有限的算力曾迫使公司限制访问。与 SpaceX 的协议让它能够广泛使用 Colossus 基础设施，以及不断扩充的 GB200 容量。

根据合同细节，Anthropic 或 SpaceX 均可在通知后退出协议。这种灵活性很重要，因为长期 AI 需求依然难以预测。

Google 在初始期限结束后也获得了类似的终止选择权。这些条款降低了承诺风险，但并未抹去协议所传递的信号：两家领先实验室没有等待更便宜的供应，而是接受了重大的容量义务。

SpaceX 处于两项安排的核心，因为 xAI 以不同寻常的速度建成了 Colossus。该设施将 GPU、网络、冷却、电力和运维专业能力整合为可用容量。SpaceX 如今可以将这套组装完成的系统出售给外部实验室。

这种差别至关重要。买方并非只是从仓库中租用芯片，而是在购买对同步基础设施的使用权；这类基础设施能在无需数月建设和集成的情况下运行大型 AI 工作负载。

据报道，Google 的算力协议涵盖的算力约相当于 Anthropic 在 Colossus 1 可用算力的一半。SpaceX 未披露为 Google 提供服务的具体设施。

这种不确定性限制了对两份合同进行精确比较的可能性。底层 GPU 代际、网络设计、服务义务和使用权都可能显著影响价值。单纯的 GPU 数量无法反映这些差异。

不过，整体结论依然成立。Anthropic 与 Google 的协议为即时、可靠的前沿算力确立了市场价格。这个市场看起来远比公开现货报价所显示的紧张。

为什么 Anthropic 与 Google 的需求带有容量溢价

现货算力与前沿规模算力是不同的产品，即使两者都使用 Nvidia GPU。

现货容量是提供商在拥有闲置资源时出售的可中断或机会性访问。它可适用于实验、灵活的批处理任务以及能够承受中断的工作负载，却难以成为许多前沿业务的可靠基础。

大型模型训练要求数千个加速器在较长时间内协同工作。故障、网络薄弱或资源可用性不均，都会让昂贵硬件处于闲置状态。因此，可靠性会影响每一个有效训练周期的实际成本。

推理则提出了另一项要求。推理是运行已训练模型以回答用户请求的过程。企业客户期待低延迟、可预测的可用性，以及围绕敏感信息的严格控制。

当前沿实验室的客户工作负载包含私有代码或企业文档时，它无法依赖分散的现货实例。它需要具备一致安全策略的受控集群，并保有足够的冗余容量来吸收需求峰值。

这一差距解释了为何报道中的 Anthropic 与 Google 条款，相比基础现货价格显得昂贵。合同包含容量锁定选项，可在其他买家可能争夺同一批机器时确保访问权。

研究算力资产定价的学者认为，GPU 小时与可储存商品的行为不同。今天未使用的容量无法保存到明年交付；当这一小时结束时，它就消失了。

这一特性使算力更接近电力或运输能力。供给必须在特定时间和地点满足需求。因此，即使硬件总装机量持续增长，短缺仍可能导致价格突然波动。

期限合同还捆绑了运维服务。提供商必须维护电力、冷却、网络、替换硬件和软件兼容性。买方支付的是集群可用的产出，而不仅仅是其组件库存。

安全性又增加了一层要求。前沿模型权重属于宝贵的知识产权，而推理流量可能包含敏感客户数据。实验室需要比匿名现货市场通常提供的更强隔离和监督。

规模同样改变了利用率。当工作负载需要一个大型同步集群时，一张可用 GPU 的价值微乎其微。能够同时交付大量加速器的提供商，拥有的是更稀缺的产品。

Dwarkesh Patel 的算力价格论点估计，现货价格较 2 月低谷上涨了超过 40%。他认为，公开报价仍低估了前沿实验室的成本。

这一结论有其合理性，但确切的合同溢价仍不明确。公开披露并未揭示每一种芯片型号、性能保证、网络规格或服务承诺。与简单的按小时报价比较时，仍应仅作方向性参考。

Google 将其与 SpaceX 的协议称为短期过渡性容量。这一表述支持一种更狭义的解读：溢价可能反映紧迫的时间需求，而非整个 GPU 市场发生永久变化。

不过，紧急需求本身就具有经济意义。如果多家实验室在新数据中心建成前都需要容量，临时稀缺可能会贯穿重叠的建设周期。届时，每位买家都将与拥有相似截止期限的项目竞争。

这些协议也挑战了“超大规模云厂商总能通过内部资源解决短缺”的观点。Google 拥有定制芯片和全球云基础设施，但它仍认为外部 Nvidia 容量足够有价值，值得通过合同锁定。

Anthropic 与多家基础设施提供商保持合作关系，但它同样寻求了一个大型 SpaceX 集群。多元化可以提升韧性，却也会将需求分散到有限的一批顶级设施中。

这给 OpenAI、Meta、Microsoft、Amazon 和专业云运营商带来压力。它们必须在客户到来前锁定电力和加速器，同时避免在模型需求放缓时出现过剩容量。

由此形成的市场，受制于时机、可靠性和选择权。醒目的 GPU 数量揭示了规模，却无法体现当模型需要它们时，GPU 已经就绪的全部价值。

真正的机制是更智能的 AI，而不只是更稀缺的芯片

只有当模型创造价值的速度超过基础设施扩张速度时，算力价格才会持续上涨。

仅靠芯片短缺无法永远支撑十倍涨幅。更高的价格会吸引投资、推动效率提升，并促使工作负载转向替代方案。持久上涨要求需求持续快于这些应对措施。

Patel 的核心论点始于模型经济学。如果一套相当于 H100 的系统最终能以人类水平完成软件工程工作，其生产价值将大幅超过今天的租用价值。

这并不是预测一张 H100 会真正取代一名工程师，而是一个理解支付意愿的框架。买方会根据算力能够产生的收入或节省的成本出价。

当前模型仍需要监督，在漫长且模糊的项目中也经常失败。不过，编码智能体的进步说明了能力为何重要。一个能完成更多高价值工作的模型，可以为更多推理支出提供合理依据。

推理需求在这里变得尤为重要。训练只需创建一次模型，而推理服务于每一次客户请求。因此，成功的 AI 产品可以将模型能力转化为对 GPU 小时的持续需求。

前沿实验室面临艰难的分配决策：它们可以将容量用于训练未来模型，也可以服务当前用户。更多推理有助于创造收入，但也会减少可用于实验和更大规模训练运行的算力。

当收入增长快于实体算力时，可能出现三种调整：实验室利润率上升、算力价格上涨，或推理消耗更大比例的可用容量。

竞争限制了第一种选择。如果同类模型仍以较低成本提供，实验室就无法维持异常高的利润率。能力差距必须足够大，客户才会接受溢价。

第三种选择也有限制。实验室希望获得收入，但它们仍相信更好的模型需要持续投入训练。将大部分容量转向当前推理，会削弱这项努力。

这就使算力价格上涨成为一种平衡机制。拥有高利润需求的实验室可以出价高于生产率较低的买家，容量随后会流向预期回报最高的工作负载。

这一逻辑形成了反馈循环。更好的模型带来更多收入，使其开发者能够锁定更多算力。更多算力又支持进一步训练、更广泛的分发和更多产品改进。

挑战者则面临相反的循环。没有可观收入的初创企业，必须在证明模型能够竞争之前为容量筹集资金。租赁价格上涨会扩大这一融资缺口。

Anthropic 与 Google 的交易之所以重要，是因为两家公司都能将大型集群商业化。Google 可以将 Gemini 覆盖到云客户、生产力产品、搜索和开发者服务中。Anthropic 则可以通过 Claude 服务企业用户和编码工作负载。

较小的开发者通常无法匹敌这种广度。它们可能需要依赖应用收入、风险投资，或通过更大的云平台获得访问权。无论走哪条路径，它们都会受到资金更雄厚买家所设定价格的影响。

模型效率可能会加剧这种集中化。当算力成本高昂时，若更强的模型能以更少的 token 成功完成任务，其吸引力就会更大。即使服务溢价更高，客户也可能更愿意选择它。

这类似于在固定交付成本下发生的质量升级。当底层资源变得昂贵时，为更好的结果多付一点钱反而可能显得更经济。较差的模型会通过更长的尝试或失败的尝试浪费稀缺的容量。

不过，同样的机制也可能对前沿实验室不利。开放模型、专用系统和更小的架构能够降低许多任务所需的算力。买家并不总是需要能力最强的通用模型。

一家需要总结常规支持工单的公司，可能会选择紧凑型模型。一个处理复杂代码库改动的编程团队，则可能有理由采用前沿系统。更高的算力价格会扩大这种工作负载分层。

可能的结果并非每一项 AI 任务都普遍涨价，而是市场会出现更清晰的分化。高价值工作负载将竞争高端算力，而常规工作负载则会转向更便宜、更高效的系统。

十倍增长是一种情景，而非既定预测

这一价格论点取决于不确定的能力提升、受限的供给以及有限的替代选择同时出现。

最有力的证据涉及当前的稀缺性。现货价格已回升，前沿实验室签署了大型合同，供应商也在扩建集群。这些事实并不能证明未来价格会增长十倍。

Patel 明确将其论点表述为一种情景。它假设 AI 系统接近人类水平的软件工程能力，并且其经济产出仍具价值。这两个条件都值得审视。

编程基准测试并不能完整代表生产环境中的工程工作。真实工作包括收集需求、与人协作、驾驭遗留系统，以及为失败承担责任。孤立任务上的进展未必能均衡地迁移到现实中。

即使 AI 变得足够强大，额外的机器劳动力也可能降低每项已完成任务的市场价值。编程能力的突然供给增加，可能会压缩软件利润率，并降低客户的支付意愿。

新的需求可能抵消这种压缩。更低的开发成本或许会让此前不具经济性的项目变得可行，从而扩大整个软件市场。经济史上不乏生产率提升增加需求、而非消灭价值的例子。

无法保证其中任何一种效应必然占据主导。采用速度、客户预算、监管和组织变革，都会影响模型能力转化为收入的速度。

供给同样会作出反应。Nvidia 持续推出更新的加速器，而 AMD 和定制芯片提供了替代选择。云服务商可以优化网络、调度和模型服务，从已部署硬件中获取更多产出。

旧款 GPU 并不会立刻失去价值。它们可以从前沿训练转用于推理、微调、研究或要求较低的工作负载。这种逐级复用扩大了有效供给。

软件改进同样重要。量化会降低模型使用的数值精度，从而减少内存和算力需求。蒸馏则将选定的行为迁移到运行成本更低的小型系统中。

更好的批处理可以同时服务多个请求。推测式解码可让较小模型提出 token，再由较大模型验证，从而加快生成速度。路由机制则可以为困难请求保留昂贵模型。

这些技术削弱了模型使用量与原始 GPU 需求之间的联系。应用可以增长，而算力不必以同样的速度增加。这种模式已多次降低每单位有用 AI 产出的成本。

市场已经展现过两个方向。早期阶段，随着供给扩张和供应商竞争，GPU 租赁价格曾下降。随后需求收紧市场，并推高了部分价格。

J.P. Morgan 在 2026 年初的分析发现，多类 GPU 租赁价格在前一年有所下降。该分析还指出，旧款加速器在最初的折旧假设之后仍然具有实用价值。

这种历史性的下跌是重要的制衡因素。从低点反弹 40% 并不能证明存在永久向上的曲线。它可能只是部分逆转了此前的调整。

Anthropic 与 Google 合同的比较也存在数据局限。公开报道将 GPU、CPU、内存、网络和服务义务混合在一起。用合同价值除以 GPU 数量，可能得出具有误导性的小时价格估算。

不同加速器提供的产出不同。GB200 和 GB300 系统不能被视为可与独立 H100 单元互换。集群设计还会进一步影响训练速度和推理吞吐量。

使用权同样重要。拥有专属、持续可用容量的客户，比使用可抢占实例的买家获得更多价值。服务合同还可能包含人员配置、维护和交付保障。

电力限制仍然是看涨逻辑中更有力的一部分。新型加速器需要电力连接、冷却设备、变压器、许可和合适的土地。这些项目的周期比软件需求更长。

制造也构成另一项瓶颈。尖端芯片依赖专用制造设备、先进封装和高带宽内存。扩大其中一个环节，并不能消除其他环节的限制。

不过，稀缺性会推动替代。开发者可以推迟训练、在其他地区租用资源、优化模型，或向竞争性供应商购买容量。企业也可以使用应用程序接口，而非自行管理集群。

算力期货可能改善规划。CME Group 宣布计划推出基于 GPU 租赁基准的合约，但仍须接受监管审查。这类工具将使供应商和买家能够管理未来的价格风险。

算力期货市场不会创造物理容量，但仍可能改善价格发现，并揭示市场参与者是否预期稀缺将持续。

研究人员警告，实体期限合同包含真实的容量期权。因此，金融期货价格可能低于有保障的租赁合同。两者之间的差异衡量的不仅是对现货价格的预期。

所有这些不确定性都使精确倍数不可靠。十倍这一说法最适合作为压力测试。它提出的问题是：如果由能力驱动的需求增长速度远快于工厂和数据中心的响应速度，会发生什么？

对买家而言，有用的教训并不是假设推理成本每年都会降低。成本模型应纳入这样的情形：容量趋紧、高端集群仍然昂贵，以及模型效率改善不均衡。

对投资者而言，结论同样需要限定。更高的租赁价格可能有利于基础设施供应商，但建设延误和客户集中度会带来风险。一份大合同并不保证每一个新数据中心都能获得可观回报。

接下来三个信号将揭示什么

三个可观察信号将显示，Anthropic 与 Google 的交易究竟代表短暂拥堵，还是 AI 算力的持久重估。

第一个信号是 SpaceX 合同的交付情况。Google 的容量计划逐步提升，如果 SpaceX 未能达到承诺的 GPU 目标，将面临补救措施。Anthropic 也在将业务扩展到 Colossus 2 的 GB200 容量。

按时交付将表明 SpaceX 能够将快速建设转化为可靠的第三方基础设施。延误则会证明大型集群仍然难以投入运行，从而强化稀缺性论点。

这种解读并非单向。成功交付也会增加大量供给。如果这些集群能够在无需进一步紧急合同的情况下满足需求，那么持续价格加速上涨的理由就会减弱。

第二个信号是披露的推理需求。Google 将其协议与超出预期的 Gemini Enterprise 采用情况联系起来。Anthropic 此前的使用限制同样表明，可用算力限制了客户访问。

关注这些公司是否持续提高限额、扩大企业可用性，并报告更强劲的使用量。若在容量增加后需求依然持续，将支持这样一种观点：有价值的推理会迅速吸收新增供给。

放缓则指向另一种情况。它可能意味着客户正在抵制成本、转向更小的模型，或发现智能体无法产生足够可靠的价值。任何一种结果都会削弱能力驱动的价格论点。

第三个信号是 GPU 价格指数与模型效率之间的关系。多代加速器价格普遍上涨，意味着需求正在从单一受限集群向外扩散。

每项完成任务的价格若保持稳定或下降，则说明了另一种情况。供应商可能会对每个 GPU 小时收取更高费用，而软件会从该小时中提取更多有用产出。客户最终关心的是任务的经济性。

这一差异应指导开发者。不要只针对某种加速器的标价进行优化。应衡量每单位算力能产出多少可靠任务、被接受的代码改动或客户成果。

企业也应将模型价格与工作流程价值区分开来。昂贵的模型若能准确完成困难工作，仍可能是经济的。便宜的模型若频繁失败、需要重复调用和人工审查，则可能变得昂贵。

较小的 AI 公司吸收供给冲击的方式更少。它们应在容量收紧前设计好路由、缓存和回退系统。对单一供应商的依赖，可能将市场波动转化为运营中断。

开发者还需要记录模型在真实工作中的表现。一个可搜索的工程知识库可以在不断变化的基础设施选择中保留评估、事故、架构决策和供应商假设。

更广泛的战略问题涉及集中化。如果资金最雄厚的实验室能比竞争对手更快地将更优模型转化为收入，它们就可以在下一个集群上出价高于竞争者。这种优势会不断累积。

然而，效率、专业化和开放模型仍是有意义的制衡力量。昂贵的通用智能为围绕更狭窄任务设计的系统创造了空间。并非每项工作负载都需要现有最大模型。

因此，Anthropic 与 Google 的协议揭示的是一场竞争，而非已经完成的转变。能力正在使算力更有价值，而工程仍在努力让每项任务所需的算力更少。

未来几个月，请依次关注集群交付、推理采用情况和任务级效率。这些信号共同将显示，当前的溢价究竟反映的是过渡时期，还是一种新的市场结构。

团队现在应针对两种结果测试自身计划。如果高端算力大幅涨价，什么会失效？如果效率最终胜出，哪些投资又会变得浪费？