AI算力过剩，传统周期理论是否失效？

近年来，全球AI算力投资呈现爆炸式增长态势。据高盛预测，2025至2030年间，全球AI算力相关资本开支累计将达到5.3万亿美元，其中四大云厂商2026年资本开支合计约7250亿美元，较上一年增长77%。然而，这种大规模扩张是否必然导致算力过剩，成为业界热议的话题。

在传统资本周期理论中，大规模产能扩张往往会导致供给过剩、价格下跌和行业出清。例如上世纪80年代的造船业、2001年的电信行业以及2010年代的光伏产业都经历了类似的周期性波动。但AI算力市场似乎正在打破这一规律。OpenAI预计2026年至2030年累计负自由现金流约2780亿美元，算力和基础设施累计开支达8560亿美元，而同期收入预计从360亿美元增长至3500亿美元。

关键在于AI算力市场的独特性。与传统行业不同，AI算力的需求增长速度显著快于供给。根据Epoch AI的数据，同等能力模型的推理单价每年以50倍的速度下降，2024年以来加速到每年200倍。与此同时，企业LLM API支出从2025年上半年的35亿美元翻倍至84亿美元，平均企业AI预算从2024年的120万美元增至2026年的700万美元。

这种需求增长并非简单的线性扩展，而是呈现出递归效应。AI不仅能够处理更复杂的任务（Capability Effect），还能通过自身计算生成新的任务和应用场景（Recursive Effect）。例如，GPT-5.6 Luna的输入价降至每百万Token 0.20美元后，企业AI预算迅速膨胀，显示出Jevons效应在AI领域的放大效应。

图表1展示了传统资本周期理论下的供需关系，当供给增速超过需求增速时，必然出现过剩。但在AI算力领域，需求增速却持续加快，形成了独特的供需动态。

图表2进一步阐释了AI算力需求的三种效应：价格效应（Price Effect）、能力效应（Capability Effect）和递归效应（Recursive Effect）。这三种效应共同推动着AI算力需求的指数级增长。

图表3则描绘了递归效应的具体机制，显示了AI如何通过自身计算生成新的任务和应用场景，形成一个自我强化的增长循环。

这种新型供需关系对整个产业链产生了深远影响。数据中心运营商、服务器制造商和网络设备供应商都面临着前所未有的机遇与挑战。AI数据中心的功率密度快速上升，液冷系统、供配电和绿电采购成为选址的关键因素。同时，通信运营商和IDC厂商的传统机房价值正在被重新评估，数据中心已演变为算力、网络、能源和资本高度耦合的基础设施平台。

对于芯片厂商而言，大客户订单成为锁定产能的关键。英伟达、甲骨文等公司都依赖与OpenAI等头部AI公司的长期合作来支撑其业务发展。一旦AI算力需求放缓或融资受阻，压力将沿着供应链向上游传导，影响整个产业链的稳定运行。

尽管AI算力市场展现出强大的增长潜力，但其资本密集型特征也带来了显著风险。算力集群建设周期长、折旧压力大，而模型技术和推理需求变化迅速，可能导致投资回收周期延长。此外，过度依赖外部融资也可能带来财务风险，特别是当市场需求不及预期时。

总体来看，AI算力市场正在经历一场深刻的变革。传统资本过剩理论在AI领域可能不再适用，取而代之的是一个由需求驱动的递归增长周期。这一趋势不仅改变了算力市场的供需格局，也对整个科技产业的生态体系产生了深远影响。