隨著AI建設熱潮持續升溫，市場對算力過剩和AI泡沫的擔憂也在積聚。但Atreides Management創始人兼首席投資官Gavin Baker在8月31日播出的a16z 部落格中給出了相反判斷。
Baker認為，真正的風險可能是建設不足，全球知識工作者有15億人，AI需求擴散才剛剛開始。若供給嚴重短缺，AI訪問成本可能不降反升，最終造成“算力不平等”。
需求爆發，供給受多重約束
Baker最核心的判斷是：AI需求在加速，但供給端跟不上，電力、晶圓、銅、施工、審批，每一環都在拖慢算力落地的速度。
他透露，在Atreides內部，從3月到8月的Token消耗量增長了100倍；而剛獲得Grok Bot Enterprise使用權的團隊中，僅兩名員工就可能讓Token支出在一個月內再增長10至20倍。“過去兩個月，一些AI上市公司股價大幅下跌，業務卻普遍在加速，這很反常。”Baker說。
David George補充：全球可能只有不到3000萬重度使用者，真正支撐起當前1000億至1800億美元的AI變現，但全球有15億知識工作者。David George表示，這意味著“從擴散程度看，我們幾乎還沒真正開始，需求空間很大，而供給卻嚴重受限”。
供給端的瓶頸更為剛性。Baker指出，建設規模龐大到“許多行業的原始生產能力都受到影響”，“如今連銅行業都有了AI投資邏輯”。他認為那怕AI熱潮最後只兌現了現在預期的十分之一，資源需求都會大到需要重新規劃。
大模型廠商策略分化，混合模型成為企業新選項
Baker認為，AI並非零和博弈，前沿模型、開放模型與應用廠商均可共存，但頭部實驗室競爭已經產生了新的方向。
OpenAI與Anthropic處於上市前策略博弈期，手握未發佈模型，會參照對手節奏調整披露時機。二者可自主在訓練與推理間調配算力，直接影響噹期營收；巨頭策略亦分化：Meta重回第一梯隊，Google則放緩前沿競速，轉向對外售賣TPU算力換取現金流。
Baker提到，市場常把開放權重誤當成開源。其實同等條件下，開放模型生成Token的算力消耗和前沿模型差不多，只是廠商毛利率更低。價格下降反而會刺激總呼叫量增長，也讓企業更願意把一部分常規任務交給開放模型。。
企業因此轉向"前沿模型+私有化微調開放模型"的混合架構：出於資料安全考量，企業基於開放模型和自有資料訓練專屬模型，再通過路由機制將複雜規劃交予前沿模型、常規任務交由低成本自有模型執行。
Baker還提到，圍繞“智能抽象層”的爭奪已經展開。他所說的智能抽象層，是指企業和使用者獲取AI能力的統一入口：使用者只提需求，後台呼叫那個模型、如何調度、如何保護資料，都由平台完成。微軟、Fireworks、Databricks以及垂直Agent廠商都在角逐這個入口，但要做到無縫調度和資料安全並不容易，最終比拚的是綜合執行能力。
一年內回本的算力生意
Baker表示當前算力投資的回報速度在他的職業生涯裡並不常見。
他引用Nebius和CoreWeave的資料說明，建設1吉瓦算力的總成本約500億美元，但客戶通常會預付一半以上，企業實際先期投入可降至250億至300億美元。算力上線後若進入現貨市場，資金回收會更快，整體回收期大約9到10個月。他說，能有公司以數百億甚至上千億美元的規模投入，並在一年內收回資金，這種機會“極為少見”。
這種回報速度還因為輝達生態而進一步放大。Baker提到，購買輝達GPU本身就可以融資，黑石、KKR、Apollo等機構都願意以較低成本參與，融資體系已經相當成熟。隨著模型能力提升、裝置使用周期拉長，每吉瓦算力的變現效率還在提高，真實的股權回收期可能比一年更短。
他舉了微軟作為反面參照。微軟去年在達沃斯為800億美元資本開支計畫站台後一度放慢建設節奏，如今“他們很後悔”。相比之下，OpenAI的激進投入在Baker看來得到了回報，無論從短期還是長期看，回報率都支撐了這種選擇。
市場隱憂與算力不平等風險
Baker表示，金融市場的歷史規律仍然適用：真正改變世界的技術，總會先推高資產價格，再引發過度建設。不過Baker認為，與以往不同的是，當前多數投入由經營現金流支撐，而不是靠債務融資，因此系統性風險相對可控，但並未消除。
Baker提醒，到2028年即使現有建設計畫全部落地，市場上也難有閒置產能，審批和政治因素還可能進一步拖慢進度。供給持續偏緊會推高Token成本，極端情況下，如果需求繼續暴增，價格不降反升也並非不可能。一旦算力變貴，能夠負擔前沿模型的將主要是大公司和富人。George還表示，那些主張算力“去增長”的人，兩年後可能又會反過來抱怨算力不平等，“卻沒意識到這恰恰是他們造成的”。(投資者內參)