---

title: OpenAI 與 Anthropic 真正的命門：不是模型輸贏，而是算力經濟學何時能成立 date: 2026-04-09 source: https://www.threads.com/@kobayashi_yoshico/post/DW3ZCJ8lfTL category: articles tags:

• OpenAI
• Anthropic
• Compute Economics
• AI Infrastructure
• Burn Rate
• IPO created: 2026-04-09 updated: 2026-04-09

---

OpenAI 與 Anthropic 真正的命門：不是模型輸贏，而是算力經濟學何時能成立

概要

這則 Threads 轉述《華爾街日報》一篇非常有衝擊力的報導：

• OpenAI 與 Anthropic 正一邊衝刺 IPO
• 一邊以史無前例的速度燒錢
• 其中最可怕的，不是一般營運成本，而是 compute cost / 算力成本

貼文引用的數字尤其驚人：

• OpenAI 到 2028 年，光是最新模型研發的算力成本，預計就可能達 1210 億美元
• 即使營收大幅成長，當年仍可能面臨 850 億美元虧損

這些數字若屬實，真正值得 Allen KB 記錄的，不只是「很誇張」，而是它揭示了一個 AI 產業的核心結構問題：

未來 AI 巨頭之間真正決勝的，可能不只是模型誰更強，而是誰能先把算力經濟學做成可持續的生意。

這篇真正的重點

1. AI 公司最大的成本黑洞，不在行銷或人事，而在 compute

一般科技公司燒錢，大家通常先想到：

• 補貼市場
• 招募人才
• 擴大團隊
• 收購與國際擴張

但對 OpenAI / Anthropic 這類 frontier AI company 來說，最大黑洞是另一種東西：

• 模型訓練算力
• 大規模推理服務
• GPU / 加速器採購與租用
• 資料中心與集群運營
• 反覆迭代前沿模型的實驗成本

這類成本跟一般 SaaS 完全不同。它不是 scale 上去邊際成本就自然下降，而是： 你為了追 frontier，可能必須不斷把資本支出推向更高等級。

2. 營收翻倍不一定能追上成本曲線

這篇最可怕的一點，不是單純虧損，而是它暗示一種更危險的結構：

就算營收增長很快，成本仍可能增長得更快。

這跟很多網路平台的早期虧損不太一樣。一般平台型公司會對資本市場說：

• 現在先補貼
• 等規模起來就會賺
• 網路效應建立後邊際成本下降

但 frontier model company 的問題是：

• 產品要變強，就要更多 compute
• 使用量變大，也要更多 inference compute
• 競爭加劇，又逼你繼續投資下一代模型

也就是說，它不是單純的「先虧後賺」，而可能是： 你越成功，反而越需要更巨量的資本維持領先。

3. 這會把競爭從 model race 推向 capital race 與 infra race

這篇最值得記錄的一點，是它讓 AI 競爭的本質變得更清楚：

很多人把 OpenAI / Anthropic / Google / xAI 看成模型比賽， 但如果算力成本真到這種量級，那競爭其實會越來越像：

• 資本市場信心競賽
• GPU / datacenter 供應鏈競賽
• 雲端與基礎設施整合競賽
• 誰能讓 compute 更便宜、更有效率的工程競賽

換句話說，真正的護城河可能不只在 model capability，而在於：

• 誰能拿到更好的硬體供給
• 誰能壓低訓練與推理成本
• 誰能把高額資本消耗包裝成市場仍願意買單的成長故事

為什麼這對 IPO 特別敏感

如果這些公司要衝 IPO，問題就更直接了。

資本市場願意接受短期虧損，但通常有一個前提：

• 它相信未來存在可見的盈利邏輯
• 或至少有某種規模化後的單位經濟改善趨勢

但如果 AI 公司給出的圖像是：

• 營收成長很快
• 但 compute 成本也像無底洞
• 而且每一輪 frontier 競爭都要再投更多錢

那投資人最終會問的就不是：

• 「你模型是不是最好？」

而是：

• 「你的經濟模型到底什麼時候成立？」
• 「這個產業最後是高毛利軟體生意，還是高資本密集基礎設施生意？」

這是非常不一樣的估值故事。

這篇真正值得提煉的產業判斷

1. Frontier AI 公司已經不像傳統 SaaS，更像混合型 infra company

這篇最值得 Allen KB 收錄的地方，是它讓人重新理解這些公司的本質：

它們不是純軟體公司，因為：

• 軟體本身綁著天量算力
• 產品能力與成本結構深度耦合
• 每次 frontier 躍升都需要實體資本配合

所以它們更像：

• 軟體公司
• 雲基礎設施公司
• 資本密集研發公司

的混合體。

2. 「AI 領先」的代價，可能大到足以吞掉大部分營收增長

這篇不是在否定這些公司未來沒價值，而是在提醒：

前沿領先本身，就是一種極端昂貴的策略。

這意味著未來市場可能會分裂成兩種玩家：

1. 願意持續豪賭 frontier 的資本密集型玩家
2. 更擅長把既有模型能力產品化、商業化、成本化的公司

前者掌握敘事與前沿能力，後者可能更接近健康的現金流。

3. 最終決勝點可能是 compute economics breakthrough

如果 AI 產業真的要從「狂燒錢競賽」走向成熟產業，最需要的不是再多一點模型評測勝負，而是：

• 更有效率的訓練方法
• 更低成本的 inference
• 更好的硬體／軟體 co-design
• 更有效的模型壓縮、MoE、路由與推理最佳化

也就是說，真正決定產業下半場的，可能不是下一個 benchmark 第一名，而是： 誰能最先讓 compute economics 出現結構性改善。

對 Allen / AI 產業觀察的啟發

這篇最值得吸收的，不只是數字震撼感，而是一個判讀框架：

看 frontier AI 公司時，不能只看：

• 模型能力
• 使用者成長
• API 熱度
• 企業採用

還要看：

• 單位算力成本能否下降
• 收入是否真的能覆蓋新增計算需求
• 資本市場是否願意持續供血
• 公司到底是在賣軟體，還是在燒基礎設施換未來壟斷權

我的判斷

值得注意的點

1. 這篇真正重要的不是虧損金額有多聳動，而是 AI 產業經濟模型的可持續性問題
2. model race 正在快速變成 capital race + infra race
3. compute cost 是 frontier AI 公司最關鍵也最危險的結構性成本
4. 未來市場會更重視誰能先做出可持續的 compute economics

應持續觀察的點

1. OpenAI / Anthropic 是否能在推理成本、訓練效率上做出重大改善
2. 資本市場對高燒錢 frontier model company 的容忍度能維持多久
3. 雲端供應商與模型公司之間的合作，是否會更像資本與基礎設施綁定
4. 市場是否逐漸把「模型最強」與「商業最穩」視為兩件不同的事

一句話總結

這則 Threads 真正值得記錄的，不只是 OpenAI 與 Anthropic 燒錢有多誇張，而是它提醒我們：AI 巨頭最終要面對的核心問題，不只是模型競爭，而是誰能先讓天量算力成本與商業成長形成可持續的經濟閉環。