一场关于实验室经济学的对话，把未来几年算力流向的轮廓勾勒了出来。讨论围绕一个正在发生的转变展开：随着递归自我改进（RSI）临近，重心正从推理侧重新回到训练侧。

训练需求重新抬头

过去一段时间，行业注意力更多放在推理成本下降和推理效率提升上。但按照这次交流的判断，RSI一旦逼近，训练环节会再次成为算力消耗的主战场。原因在于，系统需要反复用自身输出来迭代能力，这种循环对训练规模的要求远高于单纯服务外部请求。

两家实验室的算力占比

对话中提到，Anthropic和OpenAI正走在一条轨道上：在未来几年内，它们有望控制全球大部分可用浮点运算能力。这里说的是“可用”算力，不是所有已部署芯片的理论峰值，而是真正能被调度、用于前沿模型训练的算力池。

这意味着，算力分布的不对称会进一步加剧。小型实验室和独立研究团队能拿到的有效训练资源，可能被压缩到更窄的区间。

从推理到训练的再平衡

这次讨论把“推理—训练”的钟摆又拨了回来。此前行业普遍认为，模型成熟后推理会占大头，训练占比逐步下降。但如果RSI成为下一阶段的主线，训练侧的资本开支和能源消耗会重新膨胀。

对算力供应商来说，客户集中度会继续上升。对下游应用方来说，模型能力的迭代速度可能更快，但议价空间也会更小。整个生态的利润分配，会向掌握训练算力的头部实验室倾斜。