递归算力资本周期：AI算力过剩会是必然结局吗？

本文来自微信公众号： AI超维度 ，作者：北京汉·索罗

过去这一年，全世界在以创纪录的速度建算力。

四大云厂商2026年资本开支合计约7250亿美元，比上一年涨77%，高盛预测2025到2030年累计投入会到5.3万亿。HBM、CoWoS、先进制程、数据中心机房和电网，整条链在同时扩产。

按老规矩，这么干算力过剩是必然结局。因为传统资本周期理论下，如此大规模扩产的默认答案是：供给过剩，价格走低，然后出清——上世纪80年代的造船、2001年的电信、2010年代的光伏，剧本大同小异。

但这个判断依赖一个前提：供给不改变需求结构，或对需求的反作用弱而慢。传统资本周期下，基础设施也会创造新的用途。只是这类反馈远慢于产能释放，所以只要扩产持续，供给总会追平需求。

现在AI算力打破了这个前提：Token的价格三年时间降了一千倍后，但处理的任务量两年涨了三百倍，一个编程任务从几百Token膨胀到1300万Token，AI开始用15美元的成本自己产出实验和论文。

算力把价格打下来后，AI创造的新的需求反馈更快、更强、更猛烈了。

本文提出递归算力资本周期（RCCC Recursive Compute Capital Cycle）框架，把需求对供给的反应拆成三种性质不同的需求效应：Price Effect（算力变便宜，更多场景可行）、Capability Effect（模型变强，更重的任务变得可做）、Recursive Effect（计算产生新能力和新任务，今天的算力直接影响明天的需求），并提出一个核心问题：当需求由递归计算驱动、而供给受物理世界约束时，过剩是否仍是必然结局？

一、传统资本周期是怎么运作的

传统资本周期讲的是一个循环：

高利润→资本进入→产能增加→供给过剩→价格下跌→回报率恶化→资本退出

某个行业开始赚钱，资本就会涌进来，但产能是不会立刻实现的。建一座先进的晶圆厂、造一艘散货船，都要两到三年。所有人在同样的高利润信号下做了同样的决定，等两三年后产能同时落地时，供给超过了需求，价格崩塌。

这就是产能释放时滞带来的杀伤力：投资决策和产能落地之间隔着好几年，在这段时间里市场行情可能已经完全翻转。

电信光纤是最具代表性的样本。1996年以后的五年，行业投了超过5000亿美元铺光纤，产能在2001年前后集中释放，崩盘后85%到95%的光纤闲置，WorldCom破产。

其实便宜的带宽最后是催生了新的需求的：YouTube在2005年出现，AWS是2006年，Netflix流媒体是2007年。铺光纤的人方向判断没错，只不过需求比产能落地晚到了五到七年，那批铺光纤的那批公司，没有活到需求到来的那天。

这条规律如此稳定，以至于被Edward Chancellor总结成了一句投资操作指南：所有人扩产时卖出这个行业的股票，所有人收缩时买入。它之所以一直有效，依赖的是一个很少被点明的前提：供给最终总能追上需求。

因为传统资本周期理论下有两个特性：一，需求反馈慢——需求响应以年计，产能持续后，供给终归会超过需求；二，需求反馈有天花板——需求的基本盘由人口、基建、贸易量这些行业外的变量决定，供给的刺激改变的是需求水平，改变不了需求的长期增速。两条加在一起，扩产迟早追平需求，过剩近乎必然。

AI算力不一样。一方面，需求反馈从“按年”走向“按月”，比传统行业快很多，而且在持续加速和迭代，不只是更多人用AI，而且AI还自我创造下一轮算力需求。另一方面，供给受到物理世界的硬约束，晶圆厂、电力等基础设施建设的增速有天花板。如果需求能持续加速而供给有上限，那么“供给最终追上需求”就不一定成立。

下面分别展开这两个方向。

二、需求侧的三种效应

AI算力的总需求可以分解为：

算力需求（D）≈任务数量（N）×单任务计算量（C）

直白点说，就是有多少个任务，每个任务烧多少算力。传统软件的需求主要由N驱动，C基本是常数。AI的特殊性在于：新增供给通过三种性质不同的效应同时推高N和C，而且第三种效应会改变N和C本身的增长速度。

Price Effect：更便宜，所以更多任务

根据Epoch AI追踪的数据：同等能力模型的推理单价约以每年50倍的速度下降，2024年以来加速到每年200倍；2026年7月，OpenAI把GPT-5.6 Luna的输入价降到每百万Token 0.20美元，比上一代便宜80%。

但总支出暴涨：企业LLM API支出2025年上半年从35亿美元翻倍到84亿，平均企业AI预算从2024年的120万美元涨到2026年的700万。单价降、账单涨，这就是经济学上著名的Jevons效应：蒸汽机效率提高后，煤炭总消耗反而增加了。

但Price Effect在传统行业同样也有：比如钢铁便宜了用量也会涨。它抬高的是需求水平，算不上是AI的专利。只是需求响应的速度要快很多——token降价之后一两个月，调用量就爆发，而不是几年。

Capability Effect：更重的任务开始可行

模型每变强一档，“能交给AI的任务”边界就外扩一次，而每往外扩一步，单任务的计算量就跳一个台阶。普通聊天几千个Token；推理模型回答同一个问题，先在内部搜索、反思、验证，会一口气烧一到三万个thinking token，膨胀20到100倍；到了自主coding agent阶段，一个任务得消耗20万到80万Token，是chatbot的50倍左右。2026年5月，工程师Jarred Sumner用Claude Code在11天里把75万行Zig代码移植成Rust，测试通过率99.8%。这种规模的工程任务一年前根本不可能交给AI。因为没有任何产品能让AI持续运行十一天、处理这么大的代码库。

Epoch AI估计，推理在总AI算力中的占比会从2023年的约三分之一升到2030年的75%。训练本身并没有减少，是单个任务变重了。

钢铁史上也走过从型钢到高强钢的一轮，只不过用了几十年；而AI的任务边界一年就外扩一次。更重要的是需求上限变了：Agent替代的是劳动，愿意为Agent支付的天花板就不是今天的软件订阅预算，而是它所替代那部分劳动的经济价值。这是在改变需求的结构，不只是让已有需求变便宜。

Recursive Effect：任务自生成，计算生产新的计算

这是真正新出现的一层。AI前沿研究正在沿多个维度同时展开，每个维度都在发明新的算力消耗方式。具体可归纳为三个同时展开的方向：

沿时间展开。持续学习让模型部署后不再是冻结的权重文件，而是持续从交互中吸收数据、更新参数。训练从”半年一次”变成永不停机，算力需求不再有断点。

沿搜索空间展开。世界模型在行动前模拟大量未来路径，test-time compute让同一个问题的计算量随搜索深度和分支宽度膨胀。模型不只是回答问题，而是在内部展开一棵搜索树。

沿自我迭代展开。AI开始参与AI研发本身：自动提出假设、设计实验，跑实验、分析结果，改进模型。上一轮计算的输出（结果）直接成为下一轮计算的输入（生产资料）。

Google DeepMind的AlphaEvolve就优化了训练其自身底座模型的基础设施。ICLR 2026为这种递归自我改进（RSI）开设了专门的workshop，过去两年arXiv上相关论文超过1250篇。

类似的自增强在PC和互联网时代出现过——更多计算机长出更多软件，更多软件要求更多计算机。RCCC并不主张"递归需求反馈史无前例"，主张的是它第一次同时满足三个条件：需求反馈发生在一个周期之内、强度自我递增、而且上限初次不可见。前两种效应抬高的是需求的量，后一种效应改写的，是需求的增长速度。而新的展开维度还在被发明出来——用今天的技术路线图预测2030年的需求，几乎一定会低估。

三、供给侧的天花板

需求侧活在数字世界：驱动力本质上是软件和算法层面的，几个月就能爆发。DeepSeek降价没多久，调用量就炸开了。

供给侧活在物理世界：每一个新增FLOP，最终都要落在实体的硅片、封装、服务器、电缆上。先进制程晶圆厂从动工到投产两到三年；ASML是全球唯一的EUV光刻机供应商；HBM每加一代堆叠层数都要重爬良率曲线；最慢的是电力——一座大型数据中心要电几百兆瓦，变电站审批、电网建设、发电扩容，每一项都以年计。而且，芯片、HBM、封装、电力、网络、冷却是一个系统，缺一不可，最慢的决定了整体速度。

Epoch AI的数据让这个落差非常具体：前沿训练算力近年约每年增长约5倍，而美国数据中心电力容量的可行长期增速约每年10%到30%。算法改进当天就能部署，但再聪明的模型也无法一夜之间变出一座变电站和一栋厂房。

四、从"必然过剩"到"四种状态"

传统资本周期只有一条回路。AI算力多长出了一条正反馈：

负反馈：资本进入→算力增加→价格下跌→回报率恶化→资本退出

正反馈：资本进入→算力增加→成本下降+能力提升→任务更多、更重、自我繁殖→需求增加→资本继续进入

两条回路同时运行，方向相反。负反馈把系统推向过剩，正反馈把系统拉向短缺。最终结果取决于两条回路的相对强度——过剩还是短缺，不再是一个可以从扩产规模直接推出的结论。

前面三节分别建立了需求侧的三种效应和供给侧的物理约束。本文提出RCCC供需函数（RCCC Supply-Demand Function），用于判断AI算力在任意时点处于过剩还是短缺、以及这种状态的演化方向。函数由三个方程构成：

方程一·供需缺口x=DK

供需缺口方程：D为算力需求，K为有效算力供给。需求除以有效供给是X——X大于1是短缺，小于1是过剩。资本周期的核心问题，归结为X往哪走。

方程二·供需缺口动态Δln x≈gD(K,A)−gKgK≤gmax

供需缺口动态方程。缺口的变化率，等于需求增长率与供给增长率之差。缺口是扩大还是收窄，是一场增速的赛跑：需求增长率是g_D（由Price Effect（P）、Capability Effect（C）和Recursive Effect（R）三种效应驱动，是当前供给水平K与AI能力A的函数），g_K为供给增长率，由物理扩产（H）和效率提升（E）构成，受物理产能增速上限g_max约束。右边是正的，则缺口扩大；右边是负的，则缺口收窄。

方程三·递归结构A(t+1)=A(t)+φ(K,A)∂φ∂K>0∂φ∂A>0

递归结构方程。这是整个函数中最关键的一条。∂φ/∂K>0意味着更多算力投入会提升AI能力A。而∂φ/∂A>0意味着AI能力越强，同样一单位研发算力能产生更大的能力增量。这一轮算力买下一轮智力，下一轮智力创造下下轮的需求，研发会加速。

前两个方程，传统行业也有，但第三个方程不存在：传统行业里，"扩产→能力→需求增速"这条传导要么不存在，要么弱而慢——带宽便宜确实养活了视频网站，但那是好几年之后的事，而且落在别人的行业里。所以传统理论可以把g_D当作外生常量：只要扩产持续，方程二的右边终将变负，过剩是默认结局。AI改变的是一个变量的量级——K增加除了推高供给增速，还会通过方程三推高下一期的需求增速，右边会不会变负，从此取决于递归效应R的强度，不再有确定答案。

由此导出四种可能的状态：

传统周期只在前三种状态里循环：短缺被产能追平、滑向过剩、需求再慢慢爬起来。第四种是RCCC框架打开的新可能：递归效应足够强、足够快的话，短缺可以不回归。

眼下的GPU市场明确处于短缺的一侧：NVIDIA每一代GPU——Hopper、Blackwell、Rubin——量产前就被全部预订。而且H100云租赁价在2025年末到2026年初涨了40%；NVIDIA在2026年8月宣布企业GPU全线涨价约15%；HBM短缺把DRAM合约价在2026年初推到一个季度环比涨超50%。在如此规模的扩产中价格不降反升，本身就是需求增速快于供给增速的证据。

但这不是安全证书。短缺本身正在驱动更激进的扩产：新厂动工、订单排到两三年后。如果递归效应中途减速——比如coding agent渗透率见顶，每个开发者都已经在用AI写代码，这个方向的需求不再增长——而两三年前批的项目照常落地，系统就可能会从短缺滑向过剩，和光纤同一个逻辑。区别在于：递归效应可能把短缺期拉得更长，让更多资本在短缺期涌入。而这种情形下，反转一旦到来，过剩的规模和资本损失都可能超过光纤时代。

本文提出了递归算力资本周期（RCCC）框架，通过引入递归结构方程，指出AI算力中新增供给可能提高需求增长率本身，从而打开了一种传统理论中不存在的可能性：递归短缺——扩产不仅不能消灭短缺，反而可能加速需求增长。

但该框架有三个明确的局限。其一，需求是用Token消耗、API调用量的口径衡量的，那是使用需求而非有效需求，资本周期最终看的是有经济价值支撑的需求，而使用量爆发中有多少来自补贴调用、多少来自真正愿意按商业价格支付的任务，目前无法精确区分。其二，递归效应的强度尚无量化验证，现有证据只是方向性的（AlphaEvolve优化自身基础设施、AI参与研发比例上升），还不能确认递归效应是否强到足以维持第四种状态。其三，该框架是分析工具而不是预测，它识别四种可能的状态，但不判断AI算力最终会停留在哪一种。

以下问题可以在未来的研究中被检验：使用需求向有效需求的转化速度（跟踪AI相关收入增速和资本回报率）；需求形成速度是否在AI能力阶梯的每一级都快于产能释放速度；递归效应的实际强度（AI参与研发的占比变化、研发周期的压缩幅度）。

铺光纤的人和造船的人，都不是因为看错了方向而破产，是因为看对了方向，但算错了速度。所以值得下注的从来不是"有没有过剩"，而是"递归效应把过剩推后了多久，以及你的资本能不能活到那一天"。

参考文献

[1]Goldman Sachs Research,"Private Markets Are Expected to Have a Growing Role in Data Center Financing," June 12,2026.https://www.goldmansachs.com/insights/articles/private-markets-expected-to-have-growing-role-in-data-center-financing

[2]Zacks Investment Research,"Sector and Market Earnings Trends," May 6,2026,p.3.https://test.public.fidelityresearch.com/NationalFinancialNet/Api/ViewReport?date=46148.2153009259&displayText=Earnings+Trends&doctag=Earnings_Trends_Commentary_20260506&feedID=2853&source=Zacks&versionTag=49SQEEUVA2J06GCV8FR2GDSPOC

[3]E.Chancellor(ed.),Capital Returns:Investing Through the Capital Cycle—A Money Manager’s Reports 2002–15,Palgrave Macmillan,2016.https://link.springer.com/book/10.1007/978-1-137-57165-6

[4]A.M.Odlyzko,"Internet traffic growth:Sources and implications," Proceedings of SPIE,vol.5247,pp.1–15,2003.https://www-users.cse.umn.edu/~odlyzko/doc/itcom.internet.growth.pdf

[5]W.S.Jevons,The Coal Question:An Enquiry Concerning the Progress of the Nation,and the Probable Exhaustion of Our Coal-Mines,Macmillan,1865.https://www.econlib.org/library/YPDBooks/Jevons/jvnCQ.html?chapter_num=9

[6]G.Appenzeller,"Welcome to LLMflation–LLM inference cost is going down fast," Andreessen Horowitz,November 12,2024.https://a16z.com/llmflation-llm-inference-cost/

[7]B.Cottier et al.,"LLM inference prices have fallen rapidly but unequally across tasks," Epoch AI,March 12,2025.https://epoch.ai/data-insights/llm-inference-price-trends

[8]Stanford University HAI,AI Index Report 2025,April 7,2025.https://hai.stanford.edu/ai-index/2025-ai-index-report

[9]OpenAI,"Advancing the price-performance frontier with GPT-5.6," July 30,2026.https://openai.com/index/advancing-the-price-performance-frontier-with-gpt-5-6/

[10]Menlo Ventures,"2025 Mid-Year LLM Market Update:Foundation Model Landscape+Economics," July 31,2025.https://menlovc.com/perspective/2025-mid-year-llm-market-update/

[11]Google,"Alphabet investor presentation:June 2026," June 3,2026.https://blog.google/alphabet/investor-presentation-june-2026/

[12]J.Sumner,"Rewriting Bun in Rust," Bun,July 8,2026.https://bun.com/blog/bun-in-rust

[13]C.Lu et al.,"The AI Scientist:Towards Fully Automated Open-Ended Scientific Discovery," arXiv:2408.06292,August 12,2024.https://arxiv.org/abs/2408.06292

[14]C.Snell et al.,"Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters," arXiv:2408.03314,August 6,2024.https://arxiv.org/abs/2408.03314

[15]A.Novikov et al.,"AlphaEvolve:A coding agent for scientific and algorithmic discovery," Google DeepMind,arXiv:2506.13131,June 16,2025.https://arxiv.org/abs/2506.13131

[16]ICLR 2026 Workshop,"Recursive Self-Improvement," April 26,2026.https://recursive-workshop.github.io/

[17]M.Chen,L.Wang,and B.Qu,"Recursive Self-Improvement in AI:From Bounded Self-Refinement to Autonomous Research Loops," arXiv:2607.07663,July 8,2026(revised September 6,2026).https://arxiv.org/abs/2607.07663

[18]Epoch AI,"Can AI scaling continue through 2030?," August 20,2024.https://epoch.ai/publications/can-ai-scaling-continue-through-2030

[19]Epoch AI,"Data on AI Chip Components," dataset,updated July 23,2026.https://epoch.ai/data/ai-chip-components

[20]SemiAnalysis,"The Great GPU Shortage–Rental Capacity–Launching our H100 1 Year Rental Price Index," April 2,2026.https://newsletter.semianalysis.com/p/the-great-gpu-shortage-rental-capacity

[21]B.Ford and I.King,"Nvidia Customers Notified About AI-Related Price Hikes Above 15%," Bloomberg News,August 22,2026.https://news.bloomberglaw.com/artificial-intelligence/nvidia-customers-notified-about-ai-related-price-hikes-above-15

[22]TrendForce,"Memory Makers Prioritize Server Applications,Driving Across-the-Board Price Increases in 1Q26,Says TrendForce," January 5,2026.https://www.trendforce.com/presscenter/news/20260105-12860.html