知名投资人、Atreides Management创办人兼首席投资长Gavin Baker近日对AI基础设施前景提出截然不同的看法。他认为, 市场目前最担心的AI资料中心「过度建设」可能并非真正风险, 更值得警惕的反而是算力供给不足。Baker指出, 全球约有15亿名知识工作者, 但目前真正大量使用AI的用户仍只是其中极小一部分, 一旦AI进一步普及, 算力需求可能远超现有供给。

Baker在8月31日播出的a16z Podcast中表示, AI需求的扩散才刚刚开始, 而电力、晶片、铜、资料中心施工及政府审批等多项供应链限制, 正共同压制算力新增速度。他甚至认为, 如果供给长期无法追上需求, AI服务价格未必会像市场普遍预期般持续下降, 反而可能出现「算力不平等」, 让大型企业及资金雄厚的使用者优先取得最先进的AI能力。

Baker以Atreides自身使用情况作为需求快速升温的例子。他透露, 公司内部Token消耗量从3月到8月已增加100倍, 而团队近期取得Grok Enterprise使用权后, 仅两名员工使用就可能让一个月的Token支出再增加10至20倍。Baker强调, 这并非浪费性支出, 而是因为AI逐渐被嵌入投资研究及其他知识型工作, 实际产生了更高的使用需求。

a16z合伙人David George则指出, 目前AI产业的收入主要仍由不到1,000万名重度使用者支撑, 相对于全球约15亿名知识工作者, AI的普及程度仍处于非常早期的阶段。他表示, 在AI原生企业中, 部分高频使用AI的工程师Token消耗量可能达到一般工程师的10至100倍, 显示企业内部的AI使用也呈现高度集中。

这种需求结构也让Baker认为, AI基础设施可能不是「盖太多」, 而是「盖得不够快」。他指出, AI资料中心的建设规模已经大到足以影响电力、半导体、铜材及其他相关产业的原始供给能力。随着AI伺服器持续增加, 从晶片到电力设备、变压器、冷却系统及资料中心土地, 都可能成为限制算力扩张的瓶颈。

Baker尤其看好AI资料中心的资本回报速度。他引用Nebius及CoreWeave等新型云端业者的经验指出, 以辉达(NVDA-US) GPU为核心的1GW资料中心, 完整建置成本约400亿至500亿美元, 而部分客户会预付约50%至60%的费用, 因此营运商实际需要先行投入的资金可大幅低于总建置成本。若资料中心上线后能以现货市场价格出租算力, 投资回收期可能缩短至约9至10个月。

换言之, 一座成本约500亿美元的1GW级AI资料中心, 在特定融资及出租条件下, 有机会在不到一年内收回前期投入资金。Baker认为, 对他的职业生涯而言, 如此庞大规模的资本投入能够搭配如此短的回收周期, 是极为罕见的投资机会。

目前AI资料中心的融资条件也正在降低大型建设项目的资本门槛。Baker指出, 辉达GPU本身已具备相对成熟的融资市场, 黑石集团(Blackstone, BX-US)、KKR(KKR-US)及阿波罗全球管理(Apollo Global Management, APO-US)等大型资产管理机构均参与相关融资。a16z对Baker访谈内容的整理显示, 在一个约500亿美元的辉达GPU资料中心部署案例中, 约350亿美元可以透过低成本债务融资, 使股东实际需要承担的股本投入降至约150亿美元, 并搭配剩余价值保障机制。

Baker认为, 随着AI模型能力提升及GPU使用周期延长, 单位算力的变现效率仍有提高空间。因此, 如果AI服务需求持续快速成长, 实际股权资金回收期甚至可能短于目前估计的9至10个月。

AI模型供应商的资源配置策略也正在出现分化。Baker认为, 前沿模型、开放权重模型及应用程式公司并非必然形成零和竞争, 不同类型的AI企业可以同时受益于整体Token需求增加。

在前沿模型领域, OpenAI与Anthropic仍处于高度竞争状态。两家公司都掌握尚未发布的新模型, 因而可以根据竞争对手的产品节奏及市场需求调整模型发布时间, 同时在训练与推理之间重新配置有限的算力资源。这种资源配置甚至可能直接影响短期营收表现, 因为同一批GPU可以选择投入模型训练, 也可以转向具有直接收入的推理服务。

大型科技企业的策略同样开始分化。Meta Platforms(META-US)重新加速前沿模型竞争, Google母公司Alphabet(GOOGL-US)则在部分前沿模型竞赛上更加谨慎, 并透过对外提供TPU算力增加现金流来源。

Baker也提醒, 市场容易把「开放权重」与真正的「开源」混为一谈。即使模型权重开放, 产生Token仍然需要大量算力。在相同使用条件下, 开放模型并不代表Token的运算成本可以消失, 主要差异在于模型服务商的毛利率及商业模式。

他认为, 开放模型价格下降反而可能刺激整体AI使用量增加。企业可以把成本较低的开放模型部署在内部, 处理大量重复性或标准化任务, 再把需要复杂推理及规划能力的工作交给前沿模型。

因此, 企业可能逐渐采用「前沿模型+私有化微调开放模型」的混合架构。企业可以使用自身资料训练专属模型, 并透过路由系统决定不同任务应该交给哪一种模型。需要复杂推理的任务交给前沿模型, 一般工作则由成本较低的自有模型完成, 同时降低资料外流及隐私风险。

Baker认为, 下一场竞争可能集中在所谓「智慧抽象层」, 也就是企业及一般使用者取得AI能力的统一入口。使用者只需要提出需求, 后端系统便自行决定应该呼叫哪一个模型、如何分配算力以及如何保护资料。

微软(MSFT-US)、Fireworks、Databricks以及各类垂直型Agent企业都在争夺这一入口。Baker认为, 真正的竞争不只是模型能力, 还包括不同模型之间的无缝调度、资料安全、成本控制及执行可靠性。

在市场对AI泡沫的讨论中, Baker也承认历史经验仍值得参考。每当一项颠覆性技术出现, 资产价格通常会先上升, 随后吸引大量资本进入并造成过度建设。但他认为, 此轮AI基础设施投资与过去部分科技泡沫存在重要差异, 因为目前相当一部分支出由大型科技企业强劲的营业现金流支撑, 而不是完全依赖高杠杆债务融资。

不过, 这并不代表市场完全没有风险。Baker警告, 即使到2028年, 如果目前已公布的AI资料中心建设计划全部完成, 市场也可能仍然缺乏大量闲置产能。电力供应、土地、许可及政治因素都可能使实际建设速度低于纸面上的规划速度。

如果供给始终处于紧张状态, Token价格下降的速度可能低于市场预期, 极端情况下甚至可能在需求暴增时上升。这将产生明显的「算力不平等」问题, 因为大型企业及资金雄厚的使用者可以承受高昂的前沿模型成本, 中小企业及一般使用者则可能被迫使用功能较弱的模型。

Baker近期也曾在社群平台指出, AI使用规模快速扩大将使算力支出成为企业竞争力的重要因素。他预期, 未来许多知识型产业可能形成一个最低AI Token支出门槛, 企业若无法负担足够的算力, 可能逐渐失去竞争力。这也是他所警告的「算力不平等」。

他的观点也得到部分市场人士呼应。黑石集团执行长Larry Fink此前警告, AI庞大的采用成本可能造成「K型经济」, 电力、半导体及资料处理能力的短缺, 将让资本实力较强的企业取得更大优势。Fink甚至预测, 算力本身未来可能形成新的资产类别。

Baker同时认为, 微软此前相对谨慎的资本支出策略可能成为反面教材。他提到, 微软去年曾宣布规模约800亿美元的AI资料中心资本支出计划, 随后一度放慢部分建设速度, 而他认为公司如今可能对此感到后悔。相较之下, OpenAI持续大规模投入算力, 在Baker看来已经证明激进建设策略具有回报。

整体而言, Baker的核心论点并不是AI基础设施完全不存在泡沫, 而是市场可能高估了「过度建设」的风险, 却低估AI使用普及后所带来的新增需求。当前AI产业的收入主要仍由不到1,000万名重度使用者贡献, 但潜在市场却涵盖约15亿名知识工作者。只要AI从少数高频使用者进一步扩散至更广泛的企业及个人, 算力需求便可能出现远高于目前市场预期的增长。

Baker因此认为, AI真正的瓶颈可能不是模型缺乏需求, 而是电力、GPU、资料中心及相关基础设施无法以足够快的速度增加。对投资人而言, 未来AI产业的关键问题可能也将从「会不会过度建设」转向「供给能否赶上需求」。

如果AI应用持续渗透企业日常工作, 资料中心、GPU、电力及高速网路的需求仍可能维持强劲。反之, 若AI普及速度不如预期, 巨额资料中心投资则可能面临利用率不足及资本回收期延长的风险。这场供需赛跑, 将成为决定下一阶段AI投资热潮能否延续的关键。