一张十年5170亿算力账单，看懂Claude的算力饥渴

qq_34419312

49人浏览 · 2026-09-09 14:59:01

qq_34419312 · 2026-09-09 14:59:01 发布

文章目录

P.S. 无意间发现了一个巨牛的人工智能教程，非常通俗易懂，对AI感兴趣的朋友强烈推荐去看看，传送门https://blog.csdn.net/qq_34419312

上个月我还在朋友圈刷到有人晒"财富自由的第一步"，这个月 Anthropic 直接给我演示了什么叫一步到位：去年这个时候，它的算力承诺还只有 1-2 GW，11 个月后，这个数字变成了 14.8 GW，还附带一张十年期的账单，合计 5170 亿美元。

有人问这算不算冲动消费？我只能说，我冲动消费顶多买双球鞋，人家冲动消费，直接买下了未来十年的电。

1. Claude 的算力饥渴是怎么来的

1.1 两个产品的增长，快把机房吃穷了

一切的起点不是协议本身，而是协议背后的需求：Claude Code 和 Cowork。

Claude Code 是给程序员用的编程助手，Cowork 是给团队用的协同 AI。这俩产品有个共同点：每次请求烧的 token 比聊天多得多，而且粘性极强——一旦你习惯了让 Claude Code 补全代码，就再也回不去了。跟外卖一个道理：习惯了点外卖，就回不去吃泡面了。

Anthropic 自己发布的《Economic Index》报告里写着：2025 年下半年，Claude 的日活请求量出现了阶梯式跃升，时间节点跟 Claude Code 的发布严丝合缝。翻译成人话：程序员们开始把它当生产力工具，而不是聊天玩具。

一个典型的编码会话动不动就是几十次 API 调用：解读需求、生成代码、审查修改、解释原理。一万个开发者每天用，烧掉的算力是纯聊天的十倍起步。我猜 Claude 后台看到最多的请求大概是：“这段代码为什么炸了？”

这里还有个扎心的对比：同样是用户，编码用户是掏钱的，聊天用户很多是白嫖的。付费用户多了收入就涨，收入涨了就要训更大的模型，模型大了就要更多算力。完美的正循环，就是钱包有点疼。

1.2 从"够用就好"到"梭哈"，转折点在哪

Anthropic 以前是出了名的保守派。2023 年之前，他们的基建哲学就四个字：够用就好。算力投资永远跟着产品节奏走，绝不提前囤货。这有点像老一辈的理财观：现金为王，落袋为安。

转折点出现在 2025 年 10 月。之后他们密集签下了跟 Amazon、Google、Microsoft 的一堆协议，画风突变。

原因也不复杂：窗口在收窄。OpenAI 那边数据中心呼呼地建，Anthropic 要是还按老节奏慢慢来，就得面对训练排队、推理延迟上升、用户等到骂娘。产品体验一崩，用户就跑，用户一跑，故事就编不下去了。

顺便说一句，14.8 GW 不是拍脑袋拍出来的。它是按 Claude 3.7 和后续版本的性能目标倒推出来的：既要扛住编码场景的指数级增长，又不能让延迟拉胯。也就是说，这是精算过的，不是"先签了再说"。

但我还是想吐槽一句：14.8 GW 是什么概念？我家台式机电源才 750W，也就是说这相当于……算了，我数不清，先不给自己找不痛快。

2. 5170 亿美元，到底买了个啥

2.1 三笔账

这 14.8 GW 的合同，按花钱方式大致分三块：

云算力租赁：约 2800 亿美元
芯片采购：约 1300 亿美元
数据中心及相关基建：约 1070 亿美元

云算力租赁 2800 亿
芯片采购 1300 亿
数据中心 1070 亿

云算力是绝对的大头。原因很朴素：GPU 的使用周期要 5-10 年才能摊销完，短期买断不划算。这就像租房和买房的区别——房东（云厂商）负责装修折旧，你（Anthropic）只负责住，家电坏了还不用你修。唯一的问题是这个房租有点贵。

用结构化的方式看，大概是这么个清单：

{
  "总规模": "14.8 GW（十年期）",
  "云算力租赁": "约 2800 亿美元",
  "芯片采购": "约 1300 亿美元",
  "数据中心": "约 1070 亿美元",
  "部署节奏": "2027-2030 年分批上线"
}

2.2 各家云厂商怎么分猪肉

来看这张"别人家公司的采购单"：

AWS：约 5 GW，对应 1000 亿美元以上的十年期承诺；
Google Cloud + Broadcom 的 TPU 组合：3.5 GW，预计 2027 年起陆续上线，成本约 210 亿美元；
Microsoft + NVIDIA：1 GW，规模不大，属于补充配置；
AMD：约 2 GW 的新型芯片；
SpaceX：最特殊。它不直接卖算力，而是通过 Colossus 数据中心提供物理空间和电力。Anthropic 直接租下了 Colossus 1 的全部容量，里面有超过 22 万张 NVIDIA GPU，H100、H200、GB200 全都有。

22 万张 GPU 是什么概念？就是那种"我从 1 数到 22 万要多久"的数学题，现在直接变成了一家公司的日常库存。

2.3 签约 ≠ 用满

这里有个很容易误会的点：14.8 GW 是合同上限，不代表每年都用满。

真实情况是分阶段部署，大部分在 2027 到 2030 年间陆续上线。Anthropic 没有一次性把数据中心建完，而是通过多轮协议把优先级锁死。说白了就是：先把坑占了，慢慢再填萝卜。

按行业惯例，算力支出和收入的比例通常在 2:1 到 3:1 之间。Anthropic 现在的年化收入约 300 亿美元（有的口径说在逼近 650 亿），也就是说，就算 14.8 GW 全部用满，也得几年时间才能逐步把负载释放出来。

翻译一下：这是一个长达十年的"分期付款"故事，而且首付还没交完。

3. 这不是冲动消费，是算过的账

3.1 收入到底撑不撑得住

5170 亿美元，乍一看像空头支票。但你把它除以十年，每年约 517 亿。再看收入：2026 年 8 月的年化收入已经到了 300 亿美元，超过 OpenAI 同期的 250 亿，是目前全球营收最高的基础模型公司。按这个增速，五年后到 500-600 亿是大概率事件。

关键不是"现在付不付得起"，而是"未来的现金流能不能覆盖现在的承诺"。前提是需求曲线别断崖式下跌。什么叫断崖式下跌？大概就是全人类突然集体不用 AI、改回手翻字典查词——我觉得这个概率比中彩票还低。

另外要澄清一下：5170 亿不是已经花出去的钱。大部分是未来十年按需支付的运营费用（OpEx），不是一次性资本支出（CapEx），没用上的容量不会自动产生成本。

这操作有个学名，叫把算力当成期货来管理。散户炒期货容易爆仓，巨头炒算力期货……至少账面好看。

3.2 为什么租不买？因为买了更亏

很多人有个直觉：买设备比租便宜。短周期内没错，但在 AI 算力这个场景里，长期租赁往往更划算。

以 H100 为例，服役周期 3-5 年，之后性能就被新一代产品拉开差距。2024 年买一批，到 2029 年利用率断崖式下滑，要么升级要么砸手里。租的话，设备迭代风险直接甩给云厂商，Anthropic 只需要为实际用掉的算力付钱。GPU 贬值速度，比我手里安卓手机都快。

再算一笔账：5170 亿如果一次性资本化，资产负债表上会多出一座固定资产山，现金流和融资能力都得遭殃。OpEx 模式的好处是支出随收入线性扩张，财务结构轻盈。

说白了就是：全款买车的是勇士，分期租车的是聪明人。虽然租到最后发现租金加起来比全款还多……算了，这题超纲了。

顺手放段代码，帮大家理解这笔账怎么算的：

# 十年合约的年均支出
total = 5170   # 亿美元
years = 10
annual = total / years
print(f"年均支出: {annual} 亿美元")

# 对比当前年化收入
arr_now = 300   # 亿美元
print(f"支出是收入的 {annual / arr_now:.1f} 倍")

# 五年后的乐观估计
arr_future = 550   # 亿美元
print(f"五年后支出占收入比: {annual / arr_future * 100:.0f}%")

输出：年均 517 亿，是现在收入的 1.7 倍，五年后降到 94% 左右。这就是传说中的"用时间换空间"，跟房贷一个道理。

3.3 多供应商：不把鸡蛋放一个篮子

Anthropic 的算力版图覆盖四个硬件平台：NVIDIA GPU、AWS Trainium、Google TPU、AMD GPU。

这不是资源分散，是刻意设计的风险对冲。单一供应商的坏处很明显：议价能力弱、供应一断就抓瞎、技术路线被绑死。Anthropic 的做法是把训练和推理负载分散到不同架构上——Claude 已经在超过 100 万枚 Trainium2 芯片上跑过（AWS Rainier 集群），还通过 Google-Broadcom 拿到下一代 TPU 产能，NVIDIA GPU 继续扛推理和高密度训练。

多供应商还有个隐藏福利：议价权。每个云厂商都知道你有备选，谈判桌上说话都硬气。这就跟同时约三家装修公司报价一样，一家比一家低，最后你选了最贵的那家——哦不好意思，那是我们家的情况。

当然代价也有：运维复杂度直线上升。不同硬件要不同的工具链、监控体系、排障流程。Anthropic 的选择是：用工程复杂度换长期供应链安全。典型的"用今天的头秃换明天的头发"。

4. 这场算力军备赛，下一步怎么走

4.1 16 GW vs 30 GW，差在哪

先摆事实：Anthropic 目前锁定约 16 GW（含此前已有的 1-2 GW）；OpenAI 的目标规划在 2026-2027 年达到 30 GW 以上，主力合作方是 Microsoft Azure。双方差距大约 10-15 GW。

训练端差距其实不大。当前最强模型的训练算力需求集中在 10-20 EWFLOP 量级，16 GW 和 30 GW 都能覆盖，区别只是冗余度和扩容弹性。真正的差距在推理端——Claude Code 和 Cowork 的用户增长曲线超预期，推理流量指数级膨胀，这时候算力合同的边际成本才是拉开差距的地方。

说白了：训练是考试，推理是日常营业。考试大家都能及格，日常营业才见真章。