数万亿美元AI资本开支背后，真正被押注的并不只是大模型商业化，而是一个更激进的前提：算力需求将长期持续增长，甚至近乎没有上限。

彭博宏观策略师Simon White近日撰文指出，OpenAI CEO 奥特曼曾将Token需求形容为“无上限”，英伟达CEO黄仁勋也谈到Token增长的“双重指数效应”。但与此同时，Token价格近期持续下探，显示AI算力供需关系正在发生变化。

White认为，当前AI投资逻辑实际上建立在三重假设之上：Token使用量持续增长、Scaling Law继续有效，以及可由AI处理的“任务宇宙”不断扩张。一旦其中任何一环出现偏差，数万亿美元资本对应的估值逻辑都可能面临重估。

Token价格下探，“算力越便宜、需求越多”还能成立吗？

当前AI投资逻辑可以简化为：算力需求≈可经济执行的任务数量×每项任务所需算力。从供给端看，无论专有模型还是开源模型，Token成本都在下降，背后反映的是模型供给增加和行业竞争加剧。

看多者通常援引“杰文斯悖论”：技术进步降低单位成本后，会刺激更多使用场景出现，最终推动总需求增长。AI过去也确实存在类似趋势，模型越便宜，开发者和企业越愿意调用。

但White指出，问题在于这种正反馈并非无限。如果算力供给增长最终快于实际任务需求，Token价格仍会持续承压；而价格下降能否创造足够多的新需求，最终取决于AI可处理任务的边界。

Scaling Law并非铁律，训练算力存在萎缩风险

支撑无限算力需求的第二大支柱，是Scaling Law，即投入更多数据、参数和算力后，模型能力能够持续提升。过去几年，这一规律确实推动AI实验室不断扩大训练规模，并成为资本持续涌入的重要依据。

但White认为，Scaling Law能否长期有效并没有得到保证。如果模型能力提升开始放缓，AI实验室的商业模式可能逐渐从“持续创造更强智能”转向推理服务，而后者很难支撑OpenAI、Anthropic等公司当前的高估值。

递归自我改进（RSI）被寄予厚望，但目前资本军备竞赛仍高度集中于LLM架构。值得注意的是，训练约占Token消耗的20%至40%，一旦Scaling Law提前触及瓶颈，训练端算力需求可能首先受到冲击。

“任务宇宙”存在天花板，智能回报或将递减

即使模型能力继续提升，算力需求能否无限扩张，还取决于LLM能够处理多少新的任务。投资者Giovanni Cattani曾将任务按持续时间和边界划分，其中无界、长时域任务理论上最消耗算力，而这恰恰也是当前AI能力重点突破的方向。

但更根本的问题是，智能本身是否存在经济意义上的上限。AI研究员François Chollet曾将智能提升比作“把球打磨得更圆”，意味着能力越接近最优水平，继续投入的边际回报可能越低。

White还指出，大量现实问题具有“计算不可约性”，无法仅靠LLM从训练数据中寻找规律来高效解决。也就是说，模型更强并不意味着所有任务都会变得更容易、更便宜，“任务宇宙”本身可能存在天花板。

AI估值已现裂痕，但市场或许仍低估风险

市场已经出现一些值得警惕的信号。今年AI科技股仍受盈利、营收和利润率预期改善推动，但前瞻市盈率（Forward P/E）却明显下降，意味着投资者愿意为更远期的AI增长支付的估值倍数正在收缩。

这可能意味着市场已经开始下调对AI长期增长的部分预期，也可能反映出投资者对竞争加剧、利润率下滑的担忧。但White认为，市场对“无限算力需求”这一核心假设的怀疑可能仍不够充分。

归根结底，数万亿美元AI资本押注的是一条完整的增长链条：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。如果其中任何一环提前触顶，今天建立在“需求永无止境”之上的AI基础设施投资逻辑，都可能面临重新定价。