芯片算力狂飙，就业数据为何毫无反应

芯片在狂奔，就业数据在装睡

英伟达掏了200亿美元，收购了一家叫Groq的公司。不是买技术授权，是把人和IP一起端走。

这个数字什么概念？Groq在2024年那轮融资时估值大概28亿。两年时间，翻七倍。英伟达上一次这么干，是2020年收购Mellanox，花了69亿，那笔交易被业内称为“黄仁勋买下了AI数据中心的神经系统”。这次200亿买Groq，买的不是网络，是推理。

IEEE Spectrum最近一篇长报道把2026年的推理硬件格局捋了一遍，几件事放在一起看，信号很清楚。Tensordyne出了款叫Napier的芯片，用对数数字系统做计算——你可以粗暴理解为，传统芯片算加法是“3+5=8”，它换了一套数学语言，让乘法变得像加法一样便宜。号称每用户每秒1300 token，功耗不到英伟达的十分之一。HBM4开始投产，英伟达下一代Vera Rubin要吃下这批产能。OpenAI和亚马逊已经在部署Cerebras的晶圆级芯片。再加上英伟达买Groq。

四条线，指向同一个方向：推理成本正在被暴力压缩。

我盯着这组信息看了很久，脑子里跳出来的第一个念头跟芯片没关系。我想起耶鲁预算实验室9月那份报告。

他们追踪了AI引入以来美国劳动力市场的变化。结论是：职业结构尚未出现与AI引入明显一致的改变。AI使用指标和就业或失业变化之间，没有关联。合成双重差分分析跑下来，AI相关的劳动市场足迹不清晰。翻译成大白话：我们正在经历人类历史上最激进的算力基础设施投资，但就业数据像没事人一样。

这不对劲。

我先说我的判断：这种静默比大规模失业更值得警惕。大规模失业至少会触发社会反应、政策调整、再培训体系启动。而静默意味着，冲击正在发生，但反馈回路还没接通。等数据终于显形的时候，调整窗口可能已经关了一半。

当然，说这话的我，三个月前还在跟朋友争论“AI替代的是任务不是岗位”。我当时的逻辑是：历史上每次技术革命都这样，蒸汽机没让工人永久失业，计算机没让白领消失。这个逻辑本身没错。但我后来意识到，它有一个隐含前提——时间尺度。

蒸汽机替代手工纺织用了差不多五十年。计算机普及到改变办公流程，从80年代到2000年代，二十年。而推理成本从“贵得离谱”到“便宜到可以忽略”，按照Napier芯片和Groq交易的节奏，可能只需要三到五年。

压缩的不是替代本身，是替代的缓冲期。

我跟一个在杭州做跨境电商的朋友聊过这事。他公司三十来号人，客服团队八个人。去年他开始用AI处理售前咨询，今年初把客服缩到三个，上个月只剩一个——专门处理AI搞不定的情绪化投诉。他说了句话让我印象很深：“我不是不想留人，是留人的成本比AI贵十倍，而且AI不会离职。”

他说的“贵十倍”是个粗略估算。但如果Napier芯片真能把推理功耗打到英伟达的十分之一，这个倍数很快会变成一百倍。

问题来了：他那七个被裁掉的客服，去哪了？

耶鲁的数据说，他们没有被统计到“AI导致的失业”里。可能转行了，可能去做了别的岗位，可能暂时退出劳动力市场。单个案例看不出来，宏观数据也看不出来。但把时间轴拉长到三五年，如果每个中小企业都像我这个朋友一样做，累积效应会在某个节点突然显形。

这就是静默的含义。不是没有变化，是变化还没被记账。

那为什么芯片端这么急？

因为推理需求在爆炸。Anthropic说Claude Code产出了大部分内部代码，工程师交付量是2021到2025年的八倍。METR发现模型能完成的任务时长在加速翻倍。这些信号都在说同一件事：模型正在从“偶尔用一下的工具”变成“持续运转的基础设施”。基础设施的算力成本必须降下来，否则商业模式跑不通。

所以英伟达花200亿买Groq，买的是一张门票——确保自己在推理时代仍然是收费站。Tensordyne搞对数数字系统，Cerebras做晶圆级芯片，都是在赌同一件事：谁先把推理成本打到地板价，谁就定义下一个十年的计算规则。

芯片在按季度迭代。就业数据在按年度更新。两者之间的节奏差，就是那七个客服被裁掉之后，社会还没来得及反应的空白地带。

麦肯锡今年的技术趋势报告里有句话被很多人忽略了：AI已消除网络安全攻防的时间缓冲，超四分之三漏洞为零日漏洞。把这个逻辑挪到劳动力市场——AI也在消除就业调整的时间缓冲。以前你有二十年学新技能、换赛道、等下一代人长起来。现在可能是五年，甚至更短。

我不是在说“AI要消灭工作”。我是在说，当基础设施的迭代速度把社会调整周期甩开一个数量级的时候，用“历史上每次都这样”来安慰自己，是一种危险的懒惰。

写到这里我看了眼窗外，楼下快递站的小哥还在分拣，动作很快。他大概不知道，分拣机器人的推理芯片正在以每年成本减半的速度进化。耶鲁的数据也不会记录他——如果他明年还在干，数据说“无变化”；如果他明年不干了，数据可能说“个人原因”。

静默就是这样运作的。

芯片不会等人。数据也不会等人。等它们终于对上账的那天，我希望我们手里不只有一份漂亮的推理成本曲线。