高盛警告AI数据中心支出过度配置 Token商品化趋势加速
nashnova research
高盛交易台负责人Privorotsky警告，市场对AI数据中心的资本支出可能已经过度，Token商品化正在结构性地改写算力经济——边缘计算的价值仍被严重低估。
Token越来越便宜，为什么总账单反而更高？
单个Token的价格持续下降，但使用量爆发式增长，总支出仍在上升。这意味着→ 降价并没有省钱，反而刺激了更多消耗。
前沿"推理"模型（如o系列）在回答问题时会产生大量"内部思考Token"，实际使用成本有时反而高于普通模型。
用大白话说＝ 大多数日常任务根本用不到这种深度推理，但企业却在为它买单——这是当前AI支出困境的核心。
一台四年前的笔记本就能跑AI，这说明什么？
Privorotsky举例：开源模型Gemma 4 12B在一台四年前的MacBook上即可运行，且产出令人意外的结果。
这意味着→ 很多任务不再需要数据中心级别的算力，本地设备已经够用。
他提出一个新指标：衡量AI经济价值的关键不是模型有多强，而是"每瓦特、每美元可完成的有效任务数"。
微软在布什么局？
各大超大规模云厂商（微软、谷歌、亚马逊等）正在向同一策略收敛：既发布前沿模型，也推低成本小模型，同时把AI嵌入操作系统。
微软动作最密集：推出MAI-Thinking-1推理模型 + Aion-1.0-Instruct小语言模型；与英伟达合作推出本地AI开发芯片RTX Spark及DGX Station for Windows；将开源框架OpenClaw集成进Windows，驱动常驻助手Microsoft Scout。
GitHub Copilot于6月1日起从固定订阅制切换为按Token用量计费（以"GitHub AI Credits"替代），引发开发者社区强烈反弹。这反映出 Token商品化正在从模型层渗透到开发工具层。
企业会怎么花钱？简单任务本地跑，复杂任务才上云
Privorotsky判断，随着按用量定价日趋清晰，企业将主动优化每项任务的成本：简单任务路由至本地模型，复杂任务上云，仅在必要时调用前沿模型。
对多数企业而言，未来有望以接近边际电力成本的价格，用本地模型处理自有数据。
用大白话说＝ 就像用电一样——日常照明用自家电，只有大型设备才接工业电网。这个逻辑一旦成立，数据中心的垄断地位就会被削弱。
数据中心投了这么多钱，回报能撑住吗？
Privorotsky直言：相对于边缘计算模型，市场对数据中心模式的资本支出存在过度配置风险。边缘计算（把计算任务放在靠近用户的本地设备上，而非远端数据中心）的价值仍被低估。
他警告AI交易中存在大量杠杆：零售投资者满仓且加杠杆，机构投资者口头谨慎但实际仍通过高贝塔、高集中度持续押注。
"追逐瓶颈"的投资逻辑隐含了一个危险假设——认为今天的技术边界就是明天的边界。但现实是："今天在笔记本电脑上运行的模型，一年前还需要数据中心基础设施。"
这件事对普通投资者意味着什么？
Token商品化能否持续压缩数据中心投资的经济回报，是检验当前超大规模云厂商资本开支逻辑是否成立的核心变量。
这意味着→ 如果你的持仓集中在数据中心概念股，需要重新评估一个前提：企业的AI算力需求，是否真的会无限增长地留在云端？
Privorotsky看好AI对经济的长期影响，但他的核心观点很清楚：别把今天的瓶颈当成永久的瓶颈。
市场有风险，内容仅供研究参考，不构成投资建议。