高盛警告AI資料中心支出過度配置 Token商品化趨勢加速
nashnova research
高盛交易台負責人Privorotsky警告，市場對AI數據中心的資本支出可能已經過度，Token商品化正在結構性地改寫算力經濟——邊緣計算的價值仍被嚴重低估。
Token愈來愈平，點解總賬單反而更貴？
單個Token價格持續下降，但使用量爆發式增長，總支出仍在上升。這意味著→ 減價並冇慳到錢，反而刺激了更多消耗。
前沿「推理」模型（如o系列）回答問題時會產生大量「內部思考Token」，實際使用成本有時反而高過普通模型。
簡單來說＝ 大多數日常任務根本用唔到呢種深度推理，但企業卻在為此買單——呢個就係當前AI支出困境嘅核心。
一部四年前嘅筆記本就跑到AI，呢個說明咩？
Privorotsky舉例：開源模型Gemma 4 12B喺一部四年前嘅MacBook上即可運行，而且產出令人意外嘅結果。
這意味著→ 好多任務已經唔再需要數據中心級別嘅算力，本地設備已經夠用。
佢提出一個新指標：衡量AI經濟價值嘅關鍵唔係模型有幾強，而係「每瓦特、每美元可完成嘅有效任務數」。
微軟喺度佈咩局？
各大超大規模雲廠商（微軟、Google、Amazon等）正向同一策略收斂：既發佈前沿模型，亦推低成本小模型，同時將AI嵌入操作系統。
微軟動作最密集：推出MAI-Thinking-1推理模型 + Aion-1.0-Instruct小語言模型；與Nvidia合作推出本地AI開發晶片RTX Spark及DGX Station for Windows；將開源框架OpenClaw整合進Windows，驅動常駐助手Microsoft Scout。
GitHub Copilot於6月1日起由固定訂閱制切換為按Token用量計費（以「GitHub AI Credits」取代），引發開發者社區強烈反彈。這反映出 Token商品化正由模型層滲透到開發工具層。
企業會點使錢？簡單任務本地跑，複雜任務先上雲
Privorotsky判斷，隨著按用量定價日趨清晰，企業會主動優化每項任務嘅成本：簡單任務路由至本地模型，複雜任務上雲，僅喺必要時調用前沿模型。
對多數企業而言，未來有望以接近邊際電力成本嘅價格，用本地模型處理自有數據。
簡單來說＝ 好似用電咁——日常照明用屋企電，大型設備先接工業電網。呢個邏輯一旦成立，數據中心嘅壟斷地位就會被削弱。
數據中心投咗咁多錢，回報撐唔撐得住？
Privorotsky直言：相對於邊緣計算模式，市場對數據中心模式嘅資本支出存在過度配置風險。邊緣計算（將計算任務放喺靠近用戶嘅本地設備上，而非遠端數據中心）嘅價值仍被低估。
佢警告AI交易中存在大量槓桿：零售投資者滿倉且加槓桿，機構投資者口頭審慎但實際仍以高Beta、高集中度持續押注。
「追逐瓶頸」嘅投資邏輯隱含咗一個危險假設——以為今日嘅技術邊界就係明日嘅邊界。但現實係：「今日喺筆記本電腦上運行嘅模型，一年前仲需要數據中心基建。」
數據中心嘅巨額投資——押啱方向定係過度配置？
BULL
需求仍在爆發
Token總消耗量持續攀升，數據中心短期內仍係算力主力。
前沿模型不可替代
複雜推理、AGI研發仍需數據中心級算力支撐。
BEAR
本地模型快速追趕
開源小模型已能喺消費級設備運行，侵蝕數據中心需求基礎。
Token商品化壓縮回報
單價持續下降，數據中心投資嘅經濟回報面臨結構性壓力。
槓桿風險不容忽視
零售滿倉加槓桿，機構高敞口，一旦邏輯逆轉回撤將好劇烈。
簡單來說＝ 數據中心短期仲係剛需，但如果本地模型繼續以呢個速度進步，三五年後大量投資可能變成過剩產能——呢個先係Privorotsky真正警告緊嘅事。
呢件事對普通投資者意味著咩？
Token商品化能否持續壓縮數據中心投資嘅經濟回報，係檢驗當前超大規模雲廠商資本開支邏輯是否成立嘅核心變量。
這意味著→ 如果你嘅持倉集中喺數據中心概念股，需要重新評估一個前提：企業嘅AI算力需求，是否真的會無限增長地留喺雲端？
Privorotsky睇好AI對經濟嘅長期影響，但佢嘅核心觀點好清楚：唔好將今日嘅瓶頸當成永久嘅瓶頸。
市场有风险，内容仅供研究参考，不构成投资建议。