過去一年全球以創紀錄速度建設算力。四大雲廠商2026年資本開支合計約7250億美元，較上一年增長77%；高盛預計2025至2030年累計投入將達5.3萬億。HBM、CoWoS、先進製程、資料中心機房與電網整條鏈條同時擴產。按傳統資本週期理論，如此規模的擴產幾乎註定走向供給過剩、價格下跌、行業出清——上世紀80年代造船、2001年電信、2010年代光伏都遵循類似劇本。

但這一判斷依賴一個前提：供給不改變需求結構，或對需求的反作用弱而慢。傳統行業中基礎設施也會催生新用途，只是反饋遠慢於產能釋放，因此擴產持續下去，供給終會追平需求。該文認為AI算力打破了這個前提：Token價格三年下降約一千倍，而處理任務量兩年增長約三百倍，一個程式設計任務從幾百Token膨脹到1300萬Token，AI已能以約15美元成本自行產出實驗與論文。

文章提出「遞迴算力資本週期」（RCCC）框架，把需求對供給的反應拆為三種效應。一是價格效應：算力變便宜使更多場景可行。據Epoch AI追蹤，同等能力模型推理單價約以每年50倍速度下降，2024年以來加速到每年200倍；2026年7月OpenAI將GPT-5.6 Luna輸入價降至每百萬Token 0.20美元，比上一代便宜80%。但企業LLM API支出2025年上半年從35億美元翻倍到84億，平均企業AI預算從2024年的120萬美元升至2026年的700萬——單價降、賬單漲，即Jevons效應。

二是能力效應：模型變強使更重的任務變得可行，單任務計算量跳升。普通聊天幾千Token；推理模型回答同一問題會消耗一到三萬個thinking token，膨脹20到100倍；自主coding agent一個任務消耗20萬到80萬Token，約為chatbot的50倍。2026年5月，工程師Jarred Sumner用Claude Code在11天內把75萬行Zig程式碼移植為Rust，測試通過率99.8%。Epoch AI估計推理在總AI算力中佔比將從2023年約三分之一升至2030年的75%。

三是遞迴效應：計算產生新能力和新任務，今天的算力直接影響明天的需求。文章歸納三個方向——持續學習讓訓練從「半年一次」變為永不停機；世界模型與test-time compute讓計算量隨搜尋深度膨脹；AI參與AI研發本身，上一輪計算的輸出成為下一輪計算的輸入。Google DeepMind的AlphaEvolve已最佳化其自身底座模型的訓練基礎設施，ICLR 2026為遞迴自我改進開設專門workshop，過去兩年arXiv相關論文超過1250篇。

供給側則受物理世界約束：先進製程晶圓廠從動工到投產需兩到三年，ASML是全球唯一EUV光刻機供應商，HBM每代堆疊都要重爬良率曲線，最慢的是電力——大型資料中心需數百兆瓦，變電站審批、電網建設、發電擴容均以年計。Epoch AI資料顯示，前沿訓練算力近年約每年增長5倍，而美國資料中心電力容量可行長期增速約每年10%到30%。

由此，傳統資本週期的單一負反饋迴路之外多出一條正反饋：資本進入→算力增加→成本下降與能力提升→任務更多更重並自我繁殖→需求增加→資本繼續進入。兩條迴路方向相反，最終是過剩還是短缺取決於相對強度。文章據此提出RCCC供需函式，由供需缺口、缺口動態與遞迴結構三個方程構成，並匯出四種狀態：過剩加深、過剩收窄、短缺收斂，以及傳統框架中不存在的「遞迴短缺」——已經短缺且缺口持續擴大。

眼下GPU市場處於短缺一側：NVIDIA每一代GPU（Hopper、Blackwell、Rubin）量產前即被預訂；H100雲租賃價在2025年末至2026年初上漲40%；NVIDIA在2026年8月宣佈企業GPU全線漲價約15%；HBM短缺把DRAM合約價在2026年初推到一個季度環比漲超50%。在如此規模擴產中價格不降反升，被視為需求增速快於供給增速的證據。

但文章強調短缺並非安全證書。短缺本身正驅動更激進擴產，若遞迴效應中途減速——例如coding agent滲透率見頂——而兩三年前批建的專案照常落地，系統可能從短缺滑向過剩，邏輯與光纖相同；區別在於遞迴效應可能拉長短缺期、吸引更多資本湧入，一旦反轉，過剩規模與資本損失可能超過光纖時代。

文章亦列出三點侷限：需求以Token消耗、API呼叫量衡量，屬使用需求而非有經濟價值支撐的有效需求，其中多少來自補貼呼叫尚難區分；遞迴效應強度尚無量化驗證，現有證據僅為方向性；該框架是分析工具而非預測，識別四種狀態但不判斷最終停留於哪一種。作者由此提出可檢驗的問題，包括使用需求向有效需求的轉化速度、需求形成速度是否在每一級能力階梯都快於產能釋放，以及遞迴效應的實際強度。文章最後指出，鋪光纖與造船的人並非看錯方向，而是算錯速度，因此關鍵不是「有沒有過剩」，而是遞迴效應把過剩推後了多久。