加载失败
这篇帖子围绕 AI 进入“稀缺时代”的说法展开，核心是训练和推理对 GPU、显存、电力和晶圆厂产能的需求，可能开始撞上现实瓶颈。评论多次提到 Open Weight models（开放权重模型），因为它们可以在用户本地机器上运行，把一部分算力压力转移到终端设备；也提到 Claude Code（Anthropic 的代码代理产品）在简单文件编辑上仍会浪费 token。另一条线索集中在 ASML（荷兰半导体设备公司，EUV 光刻机制造商）和半导体供应链，认为芯片扩产、光刻设备和电力都不可能像软件一样迅速放大。讨论还延伸到 AI labs 的烧钱是否只是用亏损换市场份额，以及未来 inference 是否会因 ASIC（专用集成电路）和云端价格变化而快速商品化。
不少评论认为，算力越紧张，越会逼出对 harness design 和 small models 的真正优化。有人举 Claude Code（Anthropic 的代码代理产品）在处理带 tabs 的文件时反复失败为例，说明基础工具链里仍有大量 token 在被浪费，低垂果实并不少。另一些人把中国的低成本 specialized models 经验拿来对比，认为美国在充裕预算下更容易做出臃肿系统，并用 OS/2 vs Windows、Lisa vs Mac 的历史说明约束往往比资源更能催生实用产品。
一条很强的观点是，Open Weight models（开放权重模型）已经离 SOTA 只有 6 到 12 个月，足以覆盖很多公司产品需求。评论举例说，客服语音机器人甚至可以在 8GB VRAM 加上 ASR/TTS（自动语音识别/语音合成）上运行，而如果用户本来就要买 MacBook 或带 Nvidia GPU 的桌面，这部分算力几乎是顺手复用。有人把 distillation（蒸馏）称为 equalizing force，认为它会持续抬高小模型的可用性。反方则提醒，这种模式主要是在复用本来就存在的工作站算力，真正新增场景未必能缓解整体 scarcity。
讨论中最硬的约束被归结为电力和芯片产能，而不是单纯的需求热度。有人直接说美国受 energy 约束、中国受 compute power 约束，并提到中国每年新增约 500 GW 风光发电，意味着即使芯片只做到一半的每瓦性能，扩张仍可能继续。另一条线把瓶颈指向 ASML（荷兰半导体设备公司，EUV 光刻机制造商）和 EUV lithography（极紫外光刻），因为晶圆厂、关键零部件和上游供应链都很难短期扩产；即便用 DUV（深紫外光刻）和 multiple patterning 绕开，也会牺牲效率。还有人提到半导体厂商对扩产极为谨慎，因为行业长期经历 boom-bust cycle，甚至有人认为这种限制可能会持续 5 到 10 年。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7] [来源8] [来源9] [来源10] [来源11]
一派认为，labs 疯狂烧钱本身就说明“算力不够”的说法站不住脚，就像超市以 1 美元买橙子、0.5 美元卖出，不能再说自己缺橙子。反驳者指出，如果更低价格会触发指数级需求，那么现在的亏损其实是在为未来的市场份额和客户关系下注，而不是证明供给充裕。还有人用“买船运茶”的类比说明训练是前期资本开支、推理才是持续现金流，并声称 inference 有 60%+ margins；但质疑者随即提醒，这些 margin 数字并未公开审计，存在把投资错记成成本的风险，甚至可能重演 Worldcom 式的会计幻觉。
[来源1] [来源2] [来源3] [来源4] [来源5] [来源6] [来源7]
有人认为当前 inference system 已经在走下坡路，厂商只是借着 scarcity 的名义继续收割。更激进的说法是，LLM inference 很快会像 cloud 一样 commodity 化，而 ASIC LLM inference（面向推理的专用集成电路）只需要 2 到 3 年就能追上。反对者则强调，前沿模型迭代太快，等 ASIC 量产时可能已经落后好几代，因此在模型尚未平台化前，云端更聪明的 tokens 仍然更划算。还有人拿 GB200 和 A100 价格上涨来反证需求强劲，说明这些设备并非闲置，而是被高利用率持续吸走。
Open Weight models（开放权重模型）: 权重公开、可本地部署或微调的模型，能把一部分算力压力转移到用户自己的设备上。
distillation（蒸馏）: 用大模型的输出训练小模型，让低成本模型尽量逼近大模型能力的方法。
ASML / EUV lithography: ASML 是制造 EUV 光刻机的荷兰公司，而 EUV 是先进芯片制造的关键瓶颈环节。
ASIC: 为特定工作负载定制的专用芯片；在 LLM inference 中可能更高效，但也更容易被新模型架构快速淘汰。