美国人工智能大模型与GPU已经是“赢者通吃”的领域，但风险也是越来越高。
《澳大利亚金融评论区》头版报道称，大企业急于利用人工智能，却遭遇成本上升的现实。人工智能大模型，GPU的价格越来越贵，已经严重背离价值理论。
该国最大的公司正越来越多地改变其人工智能应用方式，担心尽快采用自动化工具会导致成本飙升，却无法带来实际的生产率提升。
联邦银行首席执行官马特·科明表示，该国最大的贷款机构越来越将人工智能视为一种“稀缺资源”，而这项技术的使用反而使人类判断力更具价值。
“你可以利用人工智能生成大量的数据、噪音和无用信息，而辨别其中的差异是一项非常重要的技能和能力。”科明周二在悉尼举行的澳大利亚金融评论人工智能峰会上表示。 “在早期，你希望人们开始使用这些工具，而且它们的成本并不高……但现在模型的运行方式、你能输入的上下文信息数量，成本并非呈线性增长。”
在全球范围内，那些急于使用人工智能工具并通过削减员工开支和提高生产率而受益的公司，如今都在关注成本问题。这些成本的基本单位是令牌，用于衡量通过诸如Anthropic公司的Claude等模型处理的数据量。 成本因模型而异。例如，Claude的Opus模型，每百万输入令牌（即提出的问题）收费5美元（6.97澳元），工具给出的答案每百万令牌收费25美元。到目前为止，规则是1000个令牌大约等于750个单词。 随着公司在数万名员工中推广工具，支出可能会迅速增加，而且根据任务不同，消耗量差异很大。
据用于构建人工智能代理的平台MindStudio称，进行复杂文档分析的员工每天可能消耗50万个令牌，而随意提问三个问题的用户可能只使用3000个。 科尔斯首席执行官利亚·韦克特表示，尽管这家超市巨头尚未面临成本飙升的情况，但它已经成为潜在问题。
物理人工智能（AI）GPU价格持续走高，核心原因是AI算力需求爆发、先进制程与高带宽显存（HBM）成本飙升、系统级集成复杂度上升，以及英伟达等厂商在数据中心GPU市场的寡头定价权。‌‌

美国人工智能大模型与GPU领域已呈现“赢者通吃”格局，核心风险集中在市场过度集中、资本不可持续与技术垄断三方面。‌‌

‌大模型端‌：OpenAI 和 Anthropic 等极少数头部企业占据生成式AI商业化收入的近 ‌89%‌（2026年数据），依赖千亿级参数训练与天价算力（单模型训练成本超1亿美元），形成“数据-算力-生态”护城河，中小玩家难以复制，创新被挤压。

‌GPU算力端‌：‌英伟达主导全球AI芯片市场超80%份额‌（H100/B100系列），其芯片价格飙升（单卡超3万美元）且供应受限，导致训练与推理成本持续攀升，整个行业利润向芯片层倾斜（“卖铲人”吃肉），应用层普遍亏损。‌‌

‌系统性风险‌：标普500近 ‌40%权重由AI相关巨头（英伟达、微软、谷歌、Meta、AMD）主导‌，一旦AI商业化落地不及预期或算力需求见顶，极易引发市场剧烈震荡；同时，算力资源地缘集中（美国+台积电+ASML）加剧“卡脖子”隐患，而开源模型进展缓慢又延缓去中心化可能。‌‌