彭博宏觀策略師Simon White近日撰文指出，當前數萬億美元AI資本開支背後，真正被押注的並非僅僅是大模型商業化，而是一個更為激進的前提：算力需求將長期持續增長，甚至近乎沒有上限。這一判斷建立在三重假設之上，而其中任何一環出現偏差，都可能引發AI估值邏輯的重估。

White在文章中援引了多位行業領袖的觀點：OpenAI CEO奧特曼曾將Token需求形容為“無上限”，輝達CEO黃仁勳則談到Token增長的“雙重指數效應”。然而，近期Token價格持續下探，顯示AI算力供需關係正在發生變化，這為“算力越便宜、需求越多”的樂觀邏輯蒙上陰影。

當前AI投資邏輯可簡化為一個公式：算力需求≈可經濟執行的任務數量×每項任務所需算力。從供給端看，無論專有模型還是開源模型，Token成本都在下降，背後反映的是模型供給增加和行業競爭加劇。看多者通常援引“傑文斯悖論”：技術進步降低單位成本後，會刺激更多使用場景出現，最終推動總需求增長。AI過去確實存在類似趨勢——模型越便宜，開發者和企業越願意呼叫。

但White指出，這種正反饋並非無限。如果算力供給增長最終快於實際任務需求，Token價格仍會持續承壓；而價格下降能否創造足夠多的新需求，最終取決於AI可處理任務的邊界。

支撐無限算力需求的第二大支柱是Scaling Law，即投入更多資料、引數和算力後，模型能力能夠持續提升。過去幾年，這一規律推動AI實驗室不斷擴大訓練規模，併成為資本持續湧入的重要依據。然而White認為，Scaling Law能否長期有效並沒有得到保證。如果模型能力提升開始放緩，AI實驗室的商業模式可能逐漸從“持續創造更強智慧”轉向推理服務，而後者很難支撐OpenAI、Anthropic等公司當前的高估值。值得注意的是，訓練約佔Token消耗的20%至40%，一旦Scaling Law提前觸及瓶頸，訓練端算力需求可能首先受到衝擊。

即使模型能力繼續提升，算力需求能否無限擴張，還取決於LLM能夠處理多少新的任務。投資者Giovanni Cattani曾將任務按持續時間和邊界劃分，其中無界、長時域任務理論上最消耗算力，而這恰恰也是當前AI能力重點突破的方向。但更根本的問題是，智慧本身是否存在經濟意義上的上限。AI研究員François Chollet曾將智慧提升比作“把球打磨得更圓”，意味著能力越接近最優水平，繼續投入的邊際回報可能越低。White還指出，大量現實問題具有“計算不可約性”，無法僅靠LLM從訓練資料中尋找規律來高效解決——模型更強並不意味著所有任務都會變得更容易、更便宜，“任務宇宙”本身可能存在天花板。

市場已經出現一些值得警惕的訊號。今年AI科技股仍受盈利、營收和利潤率預期改善推動，但前瞻市盈率（Forward P/E）卻明顯下降，意味著投資者願意為更遠期的AI增長支付的估值倍數正在收縮。這可能意味著市場已經開始下調對AI長期增長的部分預期，也可能反映出投資者對競爭加劇、利潤率下滑的擔憂。但White認為，市場對“無限算力需求”這一核心假設的懷疑可能仍不夠充分。

歸根結底，數萬億美元AI資本押注的是一條完整的增長鏈條：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。如果其中任何一環提前觸頂，今天建立在“需求永無止境”之上的AI基礎設施投資邏輯，都可能面臨重新定價。