数万亿美元 AI 资本开支背后，真正被押注的并不只是大模型商业化，而是一个更激进的前提：算力需求将长期持续增长，甚至近乎没有上限。
彭博宏观策略师 Simon White 近日撰文指出，OpenAI CEO 奥特曼曾将 Token 需求形容为 " 无上限 "，英伟达 CEO 黄仁勋也谈到 Token 增长的 " 双重指数效应 "。但与此同时，Token 价格近期持续下探，显示 AI 算力供需关系正在发生变化。
White 认为，当前 AI 投资逻辑实际上建立在三重假设之上：Token 使用量持续增长、Scaling Law 继续有效，以及可由 AI 处理的 " 任务宇宙 " 不断扩张。一旦其中任何一环出现偏差，数万亿美元资本对应的估值逻辑都可能面临重估。
Token 价格下探，" 算力越便宜、需求越多 " 还能成立吗？
当前 AI 投资逻辑可以简化为：算力需求≈可经济执行的任务数量 × 每项任务所需算力。从供给端看，无论专有模型还是开源模型，Token 成本都在下降，背后反映的是模型供给增加和行业竞争加剧。
看多者通常援引 " 杰文斯悖论 "：技术进步降低单位成本后，会刺激更多使用场景出现，最终推动总需求增长。AI 过去也确实存在类似趋势，模型越便宜，开发者和企业越愿意调用。
但 White 指出，问题在于这种正反馈并非无限。如果算力供给增长最终快于实际任务需求，Token 价格仍会持续承压；而价格下降能否创造足够多的新需求，最终取决于 AI 可处理任务的边界。
Scaling Law 并非铁律，训练算力存在萎缩风险
支撑无限算力需求的第二大支柱，是 Scaling Law，即投入更多数据、参数和算力后，模型能力能够持续提升。过去几年，这一规律确实推动 AI 实验室不断扩大训练规模，并成为资本持续涌入的重要依据。
但 White 认为，Scaling Law 能否长期有效并没有得到保证。如果模型能力提升开始放缓，AI 实验室的商业模式可能逐渐从 " 持续创造更强智能 " 转向推理服务，而后者很难支撑 OpenAI、Anthropic 等公司当前的高估值。
递归自我改进（RSI）被寄予厚望，但目前资本军备竞赛仍高度集中于 LLM 架构。值得注意的是，训练约占 Token 消耗的 20% 至 40%，一旦 Scaling Law 提前触及瓶颈，训练端算力需求可能首先受到冲击。
" 任务宇宙 " 存在天花板，智能回报或将递减
即使模型能力继续提升，算力需求能否无限扩张，还取决于 LLM 能够处理多少新的任务。投资者 Giovanni Cattani 曾将任务按持续时间和边界划分，其中无界、长时域任务理论上最消耗算力，而这恰恰也是当前 AI 能力重点突破的方向。
但更根本的问题是，智能本身是否存在经济意义上的上限。AI 研究员 Fran ois Chollet 曾将智能提升比作 " 把球打磨得更圆 "，意味着能力越接近最优水平，继续投入的边际回报可能越低。
White 还指出，大量现实问题具有 " 计算不可约性 "，无法仅靠 LLM 从训练数据中寻找规律来高效解决。也就是说，模型更强并不意味着所有任务都会变得更容易、更便宜，" 任务宇宙 " 本身可能存在天花板。
AI 估值已现裂痕，但市场或许仍低估风险
市场已经出现一些值得警惕的信号。今年 AI 科技股仍受盈利、营收和利润率预期改善推动，但前瞻市盈率（Forward P/E）却明显下降，意味着投资者愿意为更远期的 AI 增长支付的估值倍数正在收缩。
这可能意味着市场已经开始下调对 AI 长期增长的部分预期，也可能反映出投资者对竞争加剧、利润率下滑的担忧。但 White 认为，市场对 " 无限算力需求 " 这一核心假设的怀疑可能仍不够充分。
归根结底，数万亿美元 AI 资本押注的是一条完整的增长链条：模型持续变强→可处理任务不断增加→ Token 需求持续增长→算力需求不断扩张。如果其中任何一环提前触顶，今天建立在 " 需求永无止境 " 之上的 AI 基础设施投资逻辑，都可能面临重新定价。
