分析师：AI万亿投资押注"算力需求无上限"，三重假设存隐患
nashnova research
万亿资金到底在赌什么？
表面上赌的是大模型商业化，但真正的底层假设更激进：算力需求近乎没有上限。
OpenAI奥特曼称Token需求"无上限"，英伟达黄仁勋谈"双重指数效应"——行业领袖都在强化这个叙事。
这意味着→ 如果这个前提成立，再多的资本开支都能被消化；如果不成立，万亿投资就是建在流沙上。
第一重假设：越便宜就会用得越多？
看多者常用杰文斯悖论（一种经济学规律：单位成本越低，总使用量反而越大）来论证需求会无限扩张。
现实中Token价格确实在持续下探，反映出模型供给增加、行业竞争加剧。
用大白话说＝ 降价确实能刺激新场景，但前提是有足够多"值得用AI做的事"。如果供给增长快于真实任务需求，价格战只会压利润，不会撑需求。
第二重假设：模型会一直变强吗？
Scaling Law（投入更多数据、参数和算力，模型能力就持续提升）是AI实验室烧钱的核心信仰。
怀特指出，这条规律并没有被证明能无限延续。一旦能力提升放缓，商业模式就会从"创造更强智能"滑向推理服务。
这意味着→ 训练约占Token消耗的20%–40%，若Scaling Law提前触顶，训练端算力需求首先受冲击，OpenAI、Anthropic的高估值也会失去支撑。
第三重假设："任务宇宙"有多大？
即使模型继续变强，算力需求能否无限扩张，取决于大语言模型还能接手多少新任务。
AI研究员肖莱把智能提升比作"把球打磨得更圆"——越接近最优，边际回报越低。
这反映出一个更深层的限制：大量现实问题具有"计算不可约性"，无法靠从训练数据找规律来高效解决。用大白话说＝ 有些问题天生就不适合大模型，任务的天花板本身就是算力需求的天花板。
市场已经嗅到了什么？
AI科技股今年仍靠盈利和营收预期改善在涨，但前瞻市盈率却在下降。
这意味着→ 投资者愿意为远期AI增长支付的估值倍数正在收缩——赚钱还行，但对"未来故事"的信心在打折。
怀特认为，市场对竞争加剧、利润率下滑已有警觉，但对"无限算力需求"这个核心假设的怀疑仍然不够充分。
这条增长链条断在哪里最危险？
万亿押注依赖一条完整链条：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。
三重假设中，任何一环提前触顶，都会让"需求永无止境"的叙事失效。
用大白话说＝ 不需要三个假设同时崩塌——只要一个提前到顶，整条链就会断裂，而建立在这条链上的AI基础设施投资逻辑都将面临重新定价。
市场有风险，内容仅供研究参考，不构成投资建议。