递归算力资本周期：AI需求正改写“过剩必然论”

事件概述

随着全球四大云厂商2026年资本开支预计达7250亿美元，AI算力基础设施进入大规模扩产期。传统资本周期理论认为，这种规模的供给激增必然导致产能过剩和价格崩盘。然而，本文提出的“递归算力资本周期（RCCC）”框架挑战了这一观点，指出AI需求的特殊性——特别是其自我生成的递归特性——可能改变供需平衡的动态，打开“递归短缺”的可能性，但也伴随着更大的资本错配风险。

核心信息

1. 传统周期的失效前提
传统资本周期遵循“高利润→扩产→供给过剩→价格崩盘”的路径，其核心前提是供给最终总能追上需求。以电信光纤为例，尽管带宽便宜后催生了YouTube等应用，但需求滞后于产能落地5-7年，导致早期投资者破产。该规律依赖两个假设：需求反馈慢（以年计）且存在天花板（由人口、基建决定）。

2. AI需求侧的三种新效应
AI算力需求公式为 D ≈ N（任务数量）× C（单任务计算量），新增供给通过三种效应同时推高N和C，并改变其增长速度：

• 价格效应（Price Effect）：Token价格三年下降千倍，引发Jevons效应，调用量爆发。例如，OpenAI GPT-5.6 Luna输入价降至每百万Token 0.20美元，企业API支出翻倍。这主要抬高需求水平，响应速度极快（按月计）。
• 能力效应（Capability Effect）：模型变强使得更重任务可行。普通聊天仅几千Token，而自主Coding Agent单任务消耗20万-80万Token。任务边界从软件订阅预算扩展至替代劳动的经济价值，改变了需求结构。
• 递归效应（Recursive Effect）：这是最关键的变量。AI开始参与自身研发（如AlphaEvolve优化基础设施、自动实验设计），上一轮计算的输出成为下一轮的输入。这使得需求增速本身被改写，而非仅仅增加需求总量。

3. 供给侧的物理硬约束
与数字世界的需求不同，供给侧受限于物理现实：

• 时滞长：先进制程晶圆厂建设需2-3年，电力扩容（变电站、电网）以年计。
• 增速瓶颈：前沿训练算力年增约5倍，而美国数据中心电力容量年增速仅为10%-30%。芯片、HBM、封装、电力构成系统瓶颈，最慢环节决定整体速度。

4. RCCC框架下的四种状态
引入递归结构方程 A(t+1) = A(t) + φ(K,A) 后，供需动态变为两条回路的博弈：

• 负反馈：资本进入→供给增加→价格下跌→退出（导向过剩）。
• 正反馈：资本进入→成本降/能力升→任务更多/自生成→需求增→继续进入（导向短缺）。

由此导出四种状态：

1. 过剩加深：传统周期典型状态。
2. 过剩收窄：需求正在追赶供给（如光纤后期）。
3. 短缺收敛：供给正在追赶需求。
4. 递归短缺：短缺状态下，缺口仍在扩大。若递归效应足够强，短缺可不回归，这是传统框架不存在的新可能。

值得关注

• 当前状态：市场明确处于短缺一侧。NVIDIA GPU全线涨价，H100租赁价上涨，HBM合约价季度环比涨超50%，表明需求增速快于供给增速。
• 潜在风险：短缺驱动更激进扩产。若递归效应中途减速（如Coding Agent渗透见顶），而两年前开工的产能集中落地，系统将重演光纤式过剩，且因资本规模更大，损失可能更惨重。
• 关键观察指标：
  • 有效需求转化：使用量（Token/API调用）向有经济价值支撑的有效需求的转化速度。
  • 递归强度：AI参与研发的占比变化及研发周期压缩幅度。
  • 时间差赛跑：需求形成速度是否始终快于产能释放速度。

结论并非预测AI算力最终是过剩还是短缺，而是强调“看对方向但算错速度”的风险。投资的关键在于判断递归效应将过剩推后多久，以及资本能否存活至那一天。