过去一年全球以创纪录速度建设算力。四大云厂商2026年资本开支合计约7250亿美元，较上一年增长77%；高盛预计2025至2030年累计投入将达5.3万亿。HBM、CoWoS、先进制程、数据中心机房与电网整条链条同时扩产。按传统资本周期理论，如此规模的扩产几乎注定走向供给过剩、价格下跌、行业出清——上世纪80年代造船、2001年电信、2010年代光伏都遵循类似剧本。

但这一判断依赖一个前提：供给不改变需求结构，或对需求的反作用弱而慢。传统行业中基础设施也会催生新用途，只是反馈远慢于产能释放，因此扩产持续下去，供给终会追平需求。该文认为AI算力打破了这个前提：Token价格三年下降约一千倍，而处理任务量两年增长约三百倍，一个编程任务从几百Token膨胀到1300万Token，AI已能以约15美元成本自行产出实验与论文。

文章提出「递归算力资本周期」（RCCC）框架，把需求对供给的反应拆为三种效应。一是价格效应：算力变便宜使更多场景可行。据Epoch AI追踪，同等能力模型推理单价约以每年50倍速度下降，2024年以来加速到每年200倍；2026年7月OpenAI将GPT-5.6 Luna输入价降至每百万Token 0.20美元，比上一代便宜80%。但企业LLM API支出2025年上半年从35亿美元翻倍到84亿，平均企业AI预算从2024年的120万美元升至2026年的700万——单价降、账单涨，即Jevons效应。

二是能力效应：模型变强使更重的任务变得可行，单任务计算量跳升。普通聊天几千Token；推理模型回答同一问题会消耗一到三万个thinking token，膨胀20到100倍；自主coding agent一个任务消耗20万到80万Token，约为chatbot的50倍。2026年5月，工程师Jarred Sumner用Claude Code在11天内把75万行Zig代码移植为Rust，测试通过率99.8%。Epoch AI估计推理在总AI算力中占比将从2023年约三分之一升至2030年的75%。

三是递归效应：计算产生新能力和新任务，今天的算力直接影响明天的需求。文章归纳三个方向——持续学习让训练从「半年一次」变为永不停机；世界模型与test-time compute让计算量随搜索深度膨胀；AI参与AI研发本身，上一轮计算的输出成为下一轮计算的输入。Google DeepMind的AlphaEvolve已优化其自身底座模型的训练基础设施，ICLR 2026为递归自我改进开设专门workshop，过去两年arXiv相关论文超过1250篇。

供给侧则受物理世界约束：先进制程晶圆厂从动工到投产需两到三年，ASML是全球唯一EUV光刻机供应商，HBM每代堆叠都要重爬良率曲线，最慢的是电力——大型数据中心需数百兆瓦，变电站审批、电网建设、发电扩容均以年计。Epoch AI数据显示，前沿训练算力近年约每年增长5倍，而美国数据中心电力容量可行长期增速约每年10%到30%。

由此，传统资本周期的单一负反馈回路之外多出一条正反馈：资本进入→算力增加→成本下降与能力提升→任务更多更重并自我繁殖→需求增加→资本继续进入。两条回路方向相反，最终是过剩还是短缺取决于相对强度。文章据此提出RCCC供需函数，由供需缺口、缺口动态与递归结构三个方程构成，并导出四种状态：过剩加深、过剩收窄、短缺收敛，以及传统框架中不存在的「递归短缺」——已经短缺且缺口持续扩大。

眼下GPU市场处于短缺一侧：NVIDIA每一代GPU（Hopper、Blackwell、Rubin）量产前即被预订；H100云租赁价在2025年末至2026年初上涨40%；NVIDIA在2026年8月宣布企业GPU全线涨价约15%；HBM短缺把DRAM合约价在2026年初推到一个季度环比涨超50%。在如此规模扩产中价格不降反升，被视为需求增速快于供给增速的证据。

但文章强调短缺并非安全证书。短缺本身正驱动更激进扩产，若递归效应中途减速——例如coding agent渗透率见顶——而两三年前批建的项目照常落地，系统可能从短缺滑向过剩，逻辑与光纤相同；区别在于递归效应可能拉长短缺期、吸引更多资本涌入，一旦反转，过剩规模与资本损失可能超过光纤时代。

文章亦列出三点局限：需求以Token消耗、API调用量衡量，属使用需求而非有经济价值支撑的有效需求，其中多少来自补贴调用尚难区分；递归效应强度尚无量化验证，现有证据仅为方向性；该框架是分析工具而非预测，识别四种状态但不判断最终停留于哪一种。作者由此提出可检验的问题，包括使用需求向有效需求的转化速度、需求形成速度是否在每一级能力阶梯都快于产能释放，以及递归效应的实际强度。文章最后指出，铺光纤与造船的人并非看错方向，而是算错速度，因此关键不是「有没有过剩」，而是递归效应把过剩推后了多久。