GPU短缺还能持续多久？AI算力经济学的深度剖析
Cointime 报道， 定义AI繁荣的GPU短缺可能还将持续两到三年，但拐点的预警信号已经显现。要判断需求增长的持续性，需要区分两种工作负载：有边界任务与无边界任务。
有边界需求与无边界需求
有边界任务存在完成节点。一旦某个简单流程被自动化到足够好的程度，买方就会转向最便宜的“够用”模型。无边界任务则会持续奖励更多的智能。软件工程可以测试更多方案、更快交付；投资与交易团队可以不断寻找超额收益，额外一单位智能带来的边际价值并不递减。AI实验室则不断把算力投向下一代模型，以追求AGI。据报道，Anthropic和OpenAI约把自身60%的算力留给内部AI训练。
正是这些负载支撑了前沿算力的稀缺性，因为在额外投入智能这件事上并不存在饱和点。
前沿需求强劲但高度集中
前沿需求集中在极少数开放式用途上，例如软件工程、投资与交易，以及AI研发本身。这种集中是双向的。看多的一面在于渗透空间仍然很长，AI的采用远未均匀铺开；风险的一面在于，当下的需求在下行时同样会形成反身性。
更便宜的智能，创造的需求必须大于它摧毁的
中国开源模型以及更广泛的模型竞争正在压低智能的成本，这是一个结构性且不可逆的趋势。对有边界任务而言，这带来直接的替代风险。更小的模型或开源模型追上来，买方开始优化成本，前沿模型的溢价随之收窄。
价格下降也会扩大使用量。这里的赌注在于，这种“杰文斯式”反应足够强，使付费消费的增长快于价格下跌。如果代币价格下跌50%，而付费使用量上升40%，那么在计入新增产能之前，收入仍会降到起点的70%。这就是为什么只看代币总消耗量的增长还不够。幸运的是，目前的数据与杰文斯式反应相符：更便宜的智能打开了新用途，智能体运行更多步骤，每个工作流也能消耗更多代币。
这个周期在两个方向上都具有反身性
上行周期是自我强化的：更高的代币支出改善模型与产品，从而吸引更多收入和资本；这些资本又为更多的代币支出和工厂建设提供资金。同样的循环也可以反向运转，尤其在需求高度集中时。需求或融资的冲击会削减代币预算，或者仅仅是产能增长导致利用率下降。收入与估值走弱随后限制融资渠道，促使AI公司采取更谨慎的预算、削减内部训练开支，把更多算力资源推向市场。利用率下滑可能触发芯片卖方和超大规模厂商的承诺义务，进而拖累其市值。考虑到这些公司的体量与重要性，影响还可能扩散至更广泛的市场，进一步削弱需求和融资能力。
最先出现的压力可能来自客户高度集中、且加了杠杆的新型云厂商：它们拥有工厂，也背负债务。
早期预警信号
基准情形是，需求还将比供给增长快两到三年。但关键问题在于，哪些早期迹象会预示拐点。先从最老的GPU看起。当供给追上来时，它们应当是最先失去溢出需求的。其次观察加杠杆的新型云厂商的利息支出占收入比重。负担上升意味着融资成本的增长快于收入。最后，跟踪这两个趋势恶化的速度。老GPU经济性下滑更快，或利息负担上升更陡，都可能在整体利用率数据之前发出拐点信号。新型云厂商能否以快于债务在高利率下滚动续作的速度，上调算力价格？
