彭博策略师Simon White认为，AI投资依赖三重假设：算力需求无限、Scaling Law持续有效、任务宇宙不断扩张。但Token降价、模型提升放缓及任务边界见顶正挑战这一逻辑。任一环节触顶，数万亿美元估值将重估，市场或未充分定价风险。
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。
0
评论 (0)