分析師：AI萬億投資押注「算力需求無上限」，三重假設存隱患
nashnova research
彭博策略師懷特指出，萬億美元AI資本開支實際押注的是算力需求永遠增長這一前提，而支撐它的三重假設——傑文斯悖論、Scaling Law、任務邊界——任何一環斷裂，當前估值體系都可能被重新定價。
萬億資金到底在賭甚麼？
表面上賭的是大模型商業化，但真正的底層假設更激進：算力需求近乎沒有上限。
OpenAI奧特曼稱Token需求「無上限」，英偉達黃仁勳談「雙重指數效應」——行業領袖都在強化這個敘事。
這意味著→ 若前提成立，再多資本開支都能被消化；若不成立，萬億投資就是建在流沙上。
第一重假設：越平就會用得越多？
看多者常用傑文斯悖論（一種經濟學規律：單位成本越低，總使用量反而越大）來論證需求會無限擴張。
現實中Token價格確實持續下探，反映出模型供給增加、行業競爭加劇。
簡單來說＝ 減價確實能刺激新場景，但前提是有足夠多「值得用AI做的事」。若供給增長快過真實任務需求，價格戰只會壓利潤，不會撐需求。
第二重假設：模型會一直變強嗎？
Scaling Law（投入更多數據、參數和算力，模型能力就持續提升）是AI實驗室燒錢的核心信仰。
懷特指出，這條規律並未被證明能無限延續。一旦能力提升放緩，商業模式就會從「創造更強智能」滑向推理服務。
這意味著→ 訓練約佔Token消耗的20%–40%，若Scaling Law提前觸頂，訓練端算力需求首先受衝擊，OpenAI、Anthropic的高估值亦會失去支撐。
第三重假設：「任務宇宙」有多大？
即使模型繼續變強，算力需求能否無限擴張，取決於大語言模型還能接手多少新任務。
AI研究員肖萊把智能提升比作「把球打磨得更圓」——越接近最優，邊際回報越低。
這反映出一個更深層的限制：大量現實問題具有「計算不可約性」，無法靠從訓練數據找規律來高效解決。簡單來說＝ 有些問題天生就不適合大模型，任務的天花板本身就是算力需求的天花板。
市場已經嗅到了甚麼？
AI科技股今年仍靠盈利和營收預期改善在升，但前瞻市盈率卻在下降。
這意味著→ 投資者願意為遠期AI增長支付的估值倍數正在收縮——賺錢還可以，但對「未來故事」的信心在打折。
懷特認為，市場對競爭加劇、利潤率下滑已有警覺，但對「無限算力需求」這個核心假設的懷疑仍然不夠充分。
這條增長鏈斷在哪裡最危險？
萬億押注依賴一條完整鏈條：模型持續變強 → 可處理任務不斷增加 → Token需求持續增長 → 算力需求不斷擴張。
三重假設中，任何一環提前觸頂，都會令「需求永無止境」的敘事失效。
說白了＝ 不需要三個假設同時崩塌——只要一個提前到頂，整條鏈就會斷裂，而建立在這條鏈上的AI基礎設施投資邏輯都將面臨重新定價。
市场有风险，内容仅供研究参考，不构成投资建议。