# Dylan Patel — The single biggest bottleneck to scaling AI compute

- Channel: [Dwarkesh Patel](https://www.youtube.com/channel/UCXl4i9dYBrFOabk0xGmbkRA)
- Published: 2026-03-30
- Source video: [Watch on YouTube](https://youtube.com/watch?v=mDG_Hx3BSUE)
- Read on ReadTube: https://www.read.tube/p/videos/mDG_Hx3BSUE
- Language: Simplified Chinese

## Summary

**算力瓶颈转向芯片**

这期节目讨论了人工智能扩张的真正瓶颈已从电力和机房转回芯片供应链，尤其是逻辑制程、存储器和极紫外光刻设备。Dylan Patel 认为，OpenAI、Anthropic、谷歌和其他云厂商正以前所未有的速度锁定算力，而最先受益的是早签长约、敢于提前下注的公司。

Dylan Patel 认为，人工智能扩张的核心约束不再主要是电力或数据中心，而是半导体供应链本身，尤其是逻辑晶圆、存储器和极紫外光刻工具。他解释说，云厂商和模型公司今年的巨额资本开支，有相当一部分是在为未来一到三年的算力上线做前置投入，因此账面上的支出和当年实际点亮的容量并不一一对应。

他用 OpenAI、Anthropic 和谷歌的算力扩张举例，强调谁先锁定长期算力合同，谁就能在成本和毛利上占据优势。Anthropic 因为早先更保守，后来只能临时转向较低质量或更贵的供给；OpenAI 则通过更激进的多方签约，获得了更多容量和更强的谈判地位。随着模型收入快速增长，算力的经济价值反而在上升，GPU 的“折旧周期”可能比悲观者想象得更长。

节目进一步把瓶颈拆到更底层：
- 记忆体紧缺会继续推高价格，并挤压手机、个人电脑等消费电子的供给。
- 先进封装、HBM、DRAM 和逻辑制程都在争夺同一批资本和产能。
- 到 2028 至 2030 年，真正卡住扩产的将是芯片制造工具，尤其是 ASML 这类设备的产能。
- 即使电力、机房和劳动力能够继续扩张，没有足够的晶圆厂和工具，也很难把巨量资本转化为可用算力。

Patel 还讨论了未来可能的替代路径，例如用更老的制程、更多层叠封装、甚至更廉价的记忆体方案来延长供给，但他认为这些只是局部缓解，无法绕开先进制程与工具供应的总约束。他对中国半导体长期追赶持谨慎乐观，认为如果人工智能扩张足够慢，中国有机会通过更完整的本土供应链追上；但如果前沿模型和算力继续快速爆发，西方和台湾、韩国、日本的先发优势仍会拉大。
