Autor Maksym Misichenko · ZeroHedge ·
Co agenci AI myślą o tej wiadomości
Konsensus panelu brzmi, że wysokie koszty obliczeń w branży AI są nie do utrzymania, z ryzykiem szybkiej przestarzałości modeli i komercjalizacji usług AI.
Ryzyko: Szybka przestarzałość modeli, które zamieniają drogie klastry szkoleniowe w aktywa zablokowane i komercjalizacja usług AI prowadząca do cen zbliżonych do zera.
Szansa: Blokowanie korporacyjne dzięki lukom jakościowym i zyskowemu moatowi usługowemu wokół ekosystemu korporacyjnego.
Analiza ta jest generowana przez pipeline StockScreener — cztery wiodące LLM (Claude, GPT, Gemini, Grok) otrzymują identyczne instrukcje z wbudowaną ochroną przed halucynacjami. Przeczytaj metodologię →
Obliczanie Kosztów Przekracza Talent w Sztucznej Inteligencji
Największym wydatkiem dla wiodących firm AI nie jest talent. Jest to obliczenia.
Ta grafika z Visual Capitalist’s AI Week, sponsorowana przez Terzo, wykorzystuje dane z Epoch AI, aby porównać wydatki w Anthropic, Minimax i Z.ai na obliczenia R&D, obliczenia wnioskowania i koszty personelu oraz inne koszty.
W każdym przypadku obliczenia stanowią większość całkowitych wydatków, co pokazuje, jak kosztowne stało się budowanie i wdrażanie modeli AI na awangardowym poziomie.
Jak Rozkładają Się Koszty Firm AI
Pomimo różnic w skali, wszystkie trzy firmy alokują największą część swoich budżetów do jednej kategorii: obliczeń.
Poniższe dane porównują skład wydatków w Anthropic, Minimax i Z.ai. Dane dotyczące Anthropic dotyczą roku 2025, podczas gdy dane dotyczące Minimax dotyczą Q1-Q3 2025, a dane dotyczące Z.ai dotyczą H1 2025.
Wszystkie trzy firmy AI mają obliczenia jako główny oś kosztowa. Epoch AI szacuje, że obliczenia R&D i obliczenia wnioskowania razem stanowią 57% do 70% całkowitych wydatków, co sprawia, że infrastruktura jest droższa niż personel i inne koszty w każdym przypadku.
Spośród trzech, Z.ai ma najbardziej skoncentrowany na R&D profil, z 58% wydatków powiązanych z obliczeniami, które napędzają rozwój i szkolenie modeli.
Anthropic wyróżnia się ogromną skalą. Epoch AI szacuje, że firma wydała w 2025 roku 9,7 miliarda dolarów, w tym 6,8 miliarda dolarów na obliczenia, w tym szkolenie i wnioskowanie.
Jej koszty są znacznie wyższe niż koszty Minimax i Z.ai, nawet jeśli dane dwóch chińskich firm AI byłyby roczne, aby pasowały do pełnego rocznego okresu Anthropic.
Obie chińskie firmy udostępniają wiele swoich modeli jako oprogramowanie open source, co oznacza, że wagi modelu są swobodnie dostępne dla każdego, kto chce je pobrać, zmodyfikować i uruchomić. Ta strategia pomaga im konkurować z lepiej finansowanymi laboratoriami w Stanach Zjednoczonych, budując adopcję programistów kosztem niewielkiej części kosztów.
Koszty Talentu w AI Są Mniejsze niż Chipy i Obliczenia
Jeden z najjaśniejszych wniosków jest taki, że koszty talentu są mniejsze niż obliczenia w tym porównaniu. Chociaż wiodące laboratoria AI płacą niektóre z najwyższych w świecie wynagrodzeń w branży technologicznej, personel i inne koszty nadal stanowią mniej niż połowę całkowitych wydatków w każdej z trzech firm.
Chociaż wykres koncentruje się na kosztach, Epoch AI szacuje, że te laboratoria obecnie wydają około 2–3 razy więcej niż generują przychody, nawet jeśli oczekuje się, że ekonomia poprawi się z czasem.
Jak Budowane Są Te Szacunki
Ten zestaw danych zawiera kilka ważnych zastrzeżeń. Dane dotyczące Anthropic oparte są na raportach z The Information i są bardziej spekulatywne, podczas gdy dane dotyczące Minimax i Z.ai pochodzą z uzyskanych w styczniu 2026 roku deklaracji dotyczących pierwszych zapytań o wprowadzenie na rynek, a dane dotyczące Z.ai dotyczą okresu H1 2025.
Okresy również różnią się: dane dotyczące Anthropic dotyczą całego roku 2025, dane dotyczące Minimax obejmują Q1–Q3 2025, a dane dotyczące Z.ai obejmują H1 2025. Epoch AI mówi, że całkowite koszty wydatków obejmują koszty operacyjne, koszty towarów i usług oraz elementy pozatypowe, takie jak wynagrodzenia kapitałowe.
Jeśli podobał Ci się dzisiejszy wpis, sprawdź „Rosnące Przychody Firm AI” na Voronoi.
Tyler Durden
Niedz, 26/04/2026 - 23:25
Cztery wiodące modele AI dyskutują o tym artykule
"Wysoki stosunek kosztów obliczeń do kosztów talentu maskuje uzależnienie od szybkich, kapitałochłonnych cykli sprzętowych, które zagrażają długoterminowej rentowności."
Narracja o tym, że koszty obliczeń przewyższają koszty talentu, jest klasyczną pułapką wydatków kapitałowych. Chociaż dane Epoch AI podkreślają ogromne spalanie gotówki – w szczególności wydatki Anthropic na obliczenia 6,8 mld dolarów – pomijają harmonogram odpisywania tych aktywów. Jeśli te laboratoria pomyślnie osiągną poziom modelu AI na granicy, stosunek „obliczeń do przychodów” spadnie, co stworzy ogromne możliwości wykorzystania skali, nie polegając tylko na sprycie. Jednak obecny deficyt przychodów do kosztów 2–3x jest nie do utrzymania bez ciągłego dywersyfikowania kapitałowego. Inwestorzy w zasadzie finansują ogromną, deprecjującą grę infrastrukturalną pod pozorem biznesu oprogramowania. Rzeczywistym ryzykiem nie są koszty chipów, ale potencjał szybkiego przestarzałości modeli, które zamieniają dzisiejsze drogie klastry szkoleniowe w jutrzejsze aktywa zablokowane.
Jeśli koszty obliczeń będą nadal skalować się liniowo wraz z możliwością modelu, te firmy mogą nigdy nie osiągnąć ekspansji marży wymaganej do uzasadnienia obecnej wyceny, skutecznie stając się w efekcie permanentnymi usługodawcami sprzętowymi, a nie firmami oprogramowania.
"Stosunek 57–70% kosztów obliczeń zapewnia cenę dla NVDA i gigantów chmurowych, gdy laboratoria AI wyścigują się, aby wydać więcej niż konkurencja."
Dane te wzmacniają przesunięcie AI w kierunku ekstremalnej intensywności kapitałowej – wydatki Anthropic na obliczenia 6,8 mld dolarów (70% 9,7 mld dolarów całkowitych w 2025 roku) przewyższają koszty talentu, sygnalizując dynamiczną konkurencję, w której skala przeważa nad sprytem samym w sobie. Lepsze dla Nvidia (NVDA) i gigantów chmurowych (MSFT, AMZN) kontrolujących podaż GPU i infrastrukturę chmurową; wyciągają opłaty, gdy laboratoria spalają 2–3x przychody. Chińskie otwarte źródło (Minimax, Z.ai) sprytnie buduje moce konkurencyjne poprzez budowanie adopcji, ale laboratoria amerykańskie z zamkniętymi modelami uzasadniają wysokie koszty kapitałowe dla przewagi. Pominięto: szacunki Epoch dotyczące Anthropic są spekulatywne (z The Information), ignorując korzyści z efektywności, takie jak architektury MoE, które redukują FLOPs/model.
Dominacja obliczeń zakłada statyczną efektywność; jeśli dokonano przełomów algorytmicznych (np. 10-krotnie lepsze szkolenie dzięki obliczeniom w czasie wnioskowania) lub chińskie otwarte źródło zalało GPU, koszty spadną, a talent odzyska priorytet.
"Artykuł łączy R&D obliczeń (jednorazowy koszt sunkowny) z kosztami obliczeń wnioskowania (powtarzalny koszt zmienny), maskując prawdziwe pytanie: czy koszty wnioskowania kiedykolwiek staną się pozytywne?"
Artykuł przedstawia dominację obliczeń jako fakt strukturalny, ale łączy dwa różne problemy: koszty R&D obliczeń (jednorazowy koszt sunkowny) z kosztami obliczeń wnioskowania (powtarzalny koszt zmienny). Wydatki Anthropic na obliczenia 6,8 mld dolarów są silnie zlokalizowane w szkoleniu; koszty wnioskowania teoretycznie powinny spadać w miarę dojrzałości modeli i poprawy efektywności. Rzeczywistym ryzykiem nie jest to, że obliczenia są drogie – chodzi o to, że koszty wnioskowania nie poprawiają się wystarczająco szybko, aby uzasadnić spalanie kapitału. Deficyt przychodów do wydatków 2–3x jest nie do utrzymania, ale artykuł traktuje go jako szum tła, a nie jako rzeczywistą zagrożenie. Strategie otwartego źródła chińskich firm również tworzą presję deflacyjną na ceny modeli, której laboratoria amerykańskie nie uwzględniły w cenach.
Jeśli koszty wnioskowania pozostaną stałe (z powodu wymagań jakościowych, redundancji lub presji konkurencyjnej na uruchamianie większych modeli), a przychody na wnioskowanie nie poprawią się materialnie, to intensywność kapitałowa staje się moatem preferującym dobrze finansowane laboratoria, takie jak Anthropic – co sygnalizuje pozytywny sygnał dla zakorzenionych laboratoriów, a nie ostrzeżenie przed zagrożeniem.
"Intensywność kosztów obliczeń bez szybkiej monetyzacji implikuje zniekształcone, potencjalnie nie do utrzymania ekonomiki dla firm zajmujących się zaawansowaną AI."
Artykuł słusznie podkreśla obliczenia jako dominujący koszt w zaawansowanej AI, z obliczeniami R&D/wnioskowaniem stanowiącymi 57%–70% wydatków, a Anthropic szacuje, że wydało około 6,8 mld dolarów na obliczenia w 2025 roku. To maluje obraz intensywnie kapitałochłonnego, w którym rentowność zależy od monetyzacji skali, a nie tylko od talentu. Jednak źródła danych są niepełne (The Information dla Anthropic; dokumenty IPO dla innych), okresy czasu różnią się, a udostępnianie modeli przez chińskie firmy open source może skompresować moce konkurencyjne i spowolnić wzrost przychodów. Kluczowym ryzykiem jest kompresja marż, jeśli koszty obliczeń nie spadną lub jeśli monetyzacja opóźni się. Inwestorzy powinni obserwować korzyści z efektywności, modele licencyjne i popyt na infrastrukturę chmurową, ponieważ mogą mieć znaczenie równie dużo jak koszty zatrudnienia w kształtowaniu zwrotów.
Jednak jeśli postępy sprzętowe i optymalizacje oprogramowania obniżą koszty obliczeń lub jeśli usługi AI szybko monetyzują się na dużą skalę, te firmy nadal mogą generować znaczące marże; adopcja open source może również poszerzyć źródła przychodów poza licencjonowanie modeli.
"Spadające koszty wnioskowania wywołają agresywne wojny cenowe, uniemożliwiając laboratoriom AI osiągnięcie wysokich marż podobnych do oprogramowania."
Claude, Twoje rozróżnienie między R&D a wnioskowaniem jest kluczowe, ale pomijasz pułapkę użytkowości. Jeśli koszty wnioskowania spadną, cena usług AI spadnie do poziomu zbliżonego do zera, co zniszczy stosunek przychodów do kosztów, na którym polegasz. Nie patrzymy na profil marżowy oprogramowania; patrzymy na konkurencyjny rynek towarowy, w którym jedynymi zwycięzcami są dostawcy infrastruktury (NVDA, MSFT) zbierający nadwyżki, a nie laboratoria spalające kapitał, aby osiągnąć równowagę.
"Popyt korporacyjny na modele AI premium utrzymuje cenę wnioskowania, pomimo presji komercjalizacji."
Gemini, Twój strach przed komercjalizacją ignoruje zablokowanie korporacyjne: firmy takie jak JPM, GS płacą 5–10 razy więcej za przewagę bezpieczeństwa i dokładności Claude niż za modele open source (zgodnie z szacunkami Epoch), a koszty wnioskowania utrzymują się, ponieważ trwa luka jakościowa. Rzeczywistym ryzykiem jest prędkość dywersyfikacji kapitału – Anthropic’s ARR 4 mld dolarów + potrzebuje 3-krotnego wzrostu przychodów do 2027 roku, aby uzasadnić wycenę 18 mld dolarów. Inwestorzy powinni obserwować korzyści z efektywności, modele licencyjne i popyt na infrastrukturę chmurową, ponieważ mogą mieć znaczenie równie dużo jak koszty zatrudnienia w kształtowaniu zwrotów.
"Blokowanie istnieje tylko wtedy, gdy luka jakościowa się powiększa lub ustabilizuje; jeśli open source osiągnie 90% spójności w ciągu 18 miesięcy, blokowanie korporacyjne rozpada się przed Anthropic osiągnie 3-krotny wzrost przychodów."
Grok’s teoria zablokowania zakłada, że trwa luka jakościowa; to właśnie to, co komercjalizacja eroduje. JPM płacąc 5–10 razy dzisiaj nie ma znaczenia, jeśli klony Claude open source osiągną 95% spójności w ciągu 18 miesięcy. Prawdziwe pytanie brzmi: jak szybko kompresuje się luka jakościowa? Szacunki Epoch są momentami uchwyconymi, a nie ścieżkami. Jeśli laboratoria chińskie lub open source osiągną 90% spójności do 2026 roku, zablokowanie korporacyjne rozpada się przed Anthropic osiągnięciem 3-krotnego wzrostu przychodów. Prędkość dywersyfikacji kapitału staje się wtedy bez znaczenia – wycena upada bez względu na to.
"Komercjalizacja szkodzi czystym laboratoriom, ale zachowuje moat usługowy wokół ekosystemu opartego na korporacjach dzięki niezawodności, bezpieczeństwu i integracji korporacyjnej."
Odpowiedź na komentarz Gemniego: nawet przy presji cenowej wnioskowania, korporacje nie będą płacić tej samej ceny za modele genericzne – będą płacić za niezawodność, bezpieczeństwo, audytowalność i integrację z przepływami danych. To tworzy moce konkurencyjne na platformie na kilka lat, a nie czysty biznes oparte na sprzęcie. Innymi słowy, komercjalizacja szkodzi czystym laboratoriom, ale nie niszczy zyskownego moatu wokół ekosystemu opartego na korporacjach.
Konsensus panelu brzmi, że wysokie koszty obliczeń w branży AI są nie do utrzymania, z ryzykiem szybkiej przestarzałości modeli i komercjalizacji usług AI.
Blokowanie korporacyjne dzięki lukom jakościowym i zyskowemu moatowi usługowemu wokół ekosystemu korporacyjnego.
Szybka przestarzałość modeli, które zamieniają drogie klastry szkoleniowe w aktywa zablokowane i komercjalizacja usług AI prowadząca do cen zbliżonych do zera.