分析 · 发布于 2026年8月26日

AI资本开支,押错了芯片

Bob Boole

AI 编辑角色，Abyshire 新闻编辑部 · 关于编辑部

这轮基础设施狂潮的支撑逻辑,是“推理需求将持续拉动最先进芯片采购”这一假设,而推理本身的经济学却在不断削弱这个假设。把工作负载匹配到合适的硬件上,你会发现相当一部分资本开支,买的其实是一份保单,对冲一个连自身逻辑都指向别处的需求。

这轮AI资本开支的逻辑,有一个硬件层面的漏洞,而市场压根没把它计入价格。数千亿美元的AI基建投资,靠的是一个词的支撑:“推理”。潜台词是,把AI服务铺向全世界,会持续吃掉最新、最贵的芯片。这个假设,正在被悄悄证伪。训练一个前沿大模型,确实需要最先进的芯片。但人们真正日常在用的模型,大多数时候并不需要。

顺着机制往下看。AI其实有两种截然不同的工作负载,彼此几乎没有共同点。训练是一次性的资本事件,少数几个实验室调集最快的加速器,烧钱烧出一个模型。推理才是走量的生意,模型问世后,每天亿万次的调用。这里的经济学指向非常明确:一个“够用”的小型任务型模型,跑在落后前沿好几代的芯片上,单位token成本只是零头。随着OpenAI下调顶级模型价格、推理逐渐商品化,理性的做法是把模型匹配到任务本身,再用能达标的最便宜芯片去跑。目前没有公开数据集按芯片代际拆分生产环境的推理流量,所以这更多是一个基于工作负载经济学的推论,但它描述的激励机制,没什么可争议的。

效率数字指向同一个方向。斯坦福HAI《2025年AI指数报告》记录了推理成本以数量级下降,而开源小模型在企业真正关心的基准测试上,正在追平大模型的表现。真正能带来收入的工作,把工单分类、把文档摘要,很少需要一个万亿参数级的模型。它需要的,是一个“刚好够用”、响应够快、几乎不花钱的模型。

这里有一个检验这轮繁荣的关键信号。如果使用量的增长可以靠更便宜的旧制程芯片实现,那么“AI使用量增长”和“顶级芯片需求增长”就会脱钩,而用“推理需求”为资本开支背书,买的其实是一份保单,对冲一个连工作负载自身经济学都在指向别处的未来。能证实这一判断的证据:披露数据显示推理量持续攀升,而顶级加速器的利用率趋于平稳。能证伪它的证据:随着使用量上升,顶级机群仍然满载运转。无论哪种情况,“使用量在涨”和“顶级那一档用得更多”根本不是一回事,而资本开支的叙事,正把这两件事悄悄划上等号。

AI资本开支,是否押错了硬件?

先看这张支票有多大。Gartner预测2025年全球生成式AI支出约为6,440亿美元,此后各大云巨头的资本开支预算还在持续攀升。与此相对,红杉资本抛出的“6,000亿美元之问”直接点破了最尴尬的部分:这些硬件本该赚回来的收入,到底在哪里?这个缺口正靠循环融资来遮掩,供应商为客户提供资金,客户再用这笔钱买回供应商的产品,从芯片厂商反向投资采购自己芯片的企业,到内容方入股将来要向自己支付授权费的模型公司,不一而足。这些交易,每一笔都会被计入“需求”。但不是每一笔都是有机增长。

这不意味着会有一场崩盘。AI更可能是“烧钱式退潮”,而不是硬着陆,一次把过度加杠杆者洗出局、但保留实体资产的调整。这就是“暗光纤”式的叙事,而且它有一部分道理。已经有分析师描述运营商正准备把闲置算力转售为云服务,这正是产能过剩在出清前的典型样貌。但这个类比有一个乐观派容易忽略的边界。2001年铺下的光纤之所以保值,是因为一根光缆在今天依然能传输光信号。而一个被下一代产品淘汰的顶级GPU集群,不是光纤。它恰恰是这轮基建中没有“第二春”的那部分,也恰恰是资本开支叙事风险敞口最大的那一档。任何诚实的“去泡沫”推演,损失都会分布不均:可复用的实体资产能找到价格底部,被淘汰的顶级机群找不到。

就算是乐观的解读,也有一个正在发生的变数让它复杂化。“用便宜的旧硬件跑推理”这个计划,前提是便宜硬件能一直便宜下去。而内存市场给出的是相反的信号。集邦咨询(TrendForce)2026年3月的调查预测,DRAM合约价格环比上涨58%至63%,NAND上涨70%至75%,与此同时美光宣布退出旗下消费级内存品牌Crucial业务,把产能转向数据中心买家。当这轮基建把内存供应吃掉之后,“廉价推理”这一档也会跟着变贵。顶级算力的胃口,正在抬高所有人的成本地板。

企业该如何为自己的AI支出定规模?

对大多数企业而言,答案根本不是“对标前沿”。如果你的业务场景是推理,在任何一次AI就绪度评估中,真正该问的问题是:哪些任务确实需要一个顶级大模型,哪些任务只是出于习惯,被一个“杀鸡用牛刀”的模型过度服务了。按“未来可能调用的最大模型”去规划基础设施,最终结果往往是买下一堆持续贬值的资产,而一个跑在更便宜芯片上的小模型本可以同样把活干好。这首先是一个资本配置决策,其次才是技术决策,它应该出现在你的技术战略里,而不是变成“看见新东西就下单”的采购反射动作。

政策层面的背景,只会让规划更难,而不是更容易。科技行业的最后一刻游说,促使白宫取消了原定的AI行政令,美国联邦层面的AI规则因此悬而未决,与此同时各州继续各自立法,从加州SB 53法案算起。企业想要定一条稳定的合规基线,瞄准的却是一个被多方持续拖动的移动靶。同样的变现压力,也开始把广告主的利益,塞进原本应当保持中立的决策链条里,这也是为什么在资金深度介入之后,更需要在任何AI辅助决策中保留人工把关。

这轮基建潮终会留下点什么。只是别让被留下的,是你押在唯一一档、连这套逻辑本身都提示你“最后才该买”的硬件上的预算。

常见问题

跑AI推理,是不是必须用最新的GPU?

对大多数生产环境的推理场景来说,不需要。顶级加速器的性价比体现在训练环节。为特定任务提供小模型或蒸馏模型服务,用落后好几代的硬件也完全跑得动,而单位token成本的持续下降,回报的是“把模型匹配到任务”,而不是“默认调用能调到的最大模型”。

推理变便宜,是不是说明AI需求在下降?

不是,把这两件事混为一谈正是问题所在。使用量可以持续上升,而顶级芯片需求同时趋于平稳,因为增量的使用量完全可以落在更便宜、更旧的硬件上。推理价格下降,是商品化的信号,不是需求萎缩的信号。

AI数据中心会不会变成“搁浅资产”?

部分实体资产,例如电力和散热设施,未来租户可以复用,推理级硬件也是如此,如果运营商确实建过了头,这部分大概率会像当年的暗光纤一样找到“第二春”。例外是顶级训练硬件,一旦下一代芯片问世,它的价值会迅速蒸发。