AI減速之後，CapEx和科技股的邏輯會不會變？

原文標題： The bottleneck isn't the model. It never was.
原文作者： Saket Mehrotra, Beta to Alpha

編者按：近日，曾在 OpenAI 和 Anthropic 從事預訓練工作的 Jacob Coxon 宣布離開 Anthropic，並公開呼籲領先 AI 實驗室協調限制模型能力繼續提升。Anthropic 對齊科學負責人 Evan Hubinger 隨後回應稱，他認同 Coxon 對風險的主要判斷，並將未來十年 AI 導致人類滅絕的概率估計在 10% 以上。

這場爭論正在把「AI 減速」從倫理議題推向資本市場：如果前沿實驗室真的放慢模型研發，過去幾年不斷上修的 AI 資本開支是否也將迎來拐點？依靠 AI 敘事獲得估值溢價的科技股，又是否需要重新定價？

Beta to Alpha 作者 Saket Mehrotra 在《The bottleneck isn't the model. It never was.》一文中提出，實驗室對 AI 風險的擔憂，與基礎設施投資降溫並不是一回事。只要各家公司仍然擔心在競賽中落後，安全焦慮就可能繼續推動算力投入；與此同時，產業瓶頸已經由 GPU、HBM 和先進封裝逐步轉向電力與電網。

這並不意味著 AI 減速對市場毫無影響。更準確地說，影響取決於減速發生在哪一層：如果只是延長安全測試、放慢模型發布，CapEx 未必隨之下降；如果政府直接限制訓練集群、晶片供應或數據中心用電，整個投資框架才可能發生根本變化。

以下為原文編譯：

Jacob Coxon 在 X 上發布離職聲明，呼籲前沿 AI 實驗室協調放慢能力競賽

Jacob Coxon 的離職，再次把前沿 AI 的風險擺到台前。

Coxon 認為，OpenAI 和 Anthropic 正在競相開發能夠自我改進的超級智能，卻沒有採取足夠負責任的安全措施。這並不是來自外部批評者的孤立聲音。Anthropic 對齊科學負責人 Evan Hubinger 隨後公開表示，他認同 Coxon 的主要判斷，並估計未來十年 AI 導致人類滅絕的概率超過 10%。相關表態也獲得了WIRED等媒體的報導。

但對投資者而言，另一個問題可能更加直接：當前沿實驗室開始討論減速，科技公司的 AI 資本開支是否也會隨之下降？

Mehrotra 認為，至少在現階段，兩者之間不能直接畫等號。AI 安全爭議發生在模型和實驗室治理層，而本輪 CapEx 週期的約束已經逐步下沉至晶片、封裝、電力和數據中心等物理基礎設施。

越擔心輸掉競賽，實驗室越難主動減速

按照 Coxon 的描述，前沿實驗室並非沒有意識到風險。真正的問題是，沒有任何一家實驗室願意率先放慢速度。

其中的博弈邏輯是：如果一家實驗室選擇減速，其他安全意識更弱的競爭對手可能率先開發出更強大的模型。與其讓不夠謹慎的對手搶先突破，不如繼續投入資源，確保自己成為領先者，並爭取以更安全的方式控制技術。

在作者看來，這種思路很難轉化為資本開支收縮，反而可能強化軍備競賽。實驗室越相信自己正在參與一場決定性的技術競爭，就越難削減 GPU 採購、訓練集群和數據中心投入。

因此，安全焦慮和 CapEx 增長可以同時存在。它甚至可能形成一個自我強化的循環：實驗室擔心 AI 能力快速提升，卻又因為擔心落後於對手而投入更多資源，進一步加快能力競賽。

這是作者對行業博弈結構的解釋，並非已經得到公司資本開支計劃證實的結果。要判斷這一邏輯是否成立，仍需觀察主要雲廠商和 AI 實驗室是否開始調整實際採購及建設計劃。

模型減速，不等於基礎設施週期結束

Mehrotra 的第二個判斷是，AI 產業的核心瓶頸已經遷移多次，而每一次遷移都提高了資本密集度。

最初限制模型訓練的是 GPU 供應和晶片配額；隨後，瓶頸轉向 HBM 高帶寬內存和先進封裝；如今，電力供應、電網接入和數據中心建設正在成為更難迅速解決的約束。

晶片和封裝能力可以通過擴充生產線緩解，但電力問題通常需要建設或重啟發電設施、增加燃氣輪機與變壓器產能，並升級輸電和並網系統。這類項目投資規模更大，建設週期也更長，無法通過一次軟體升級解決。

因此，即使前沿模型的發布頻率下降，已經簽訂的晶片訂單、電力採購協議和數據中心建設項目也未必立即停止。模型研發與基礎設施建設之間存在時間差，CapEx 通常不會隨著輿論或研發節奏同步轉向。

與此同時，減速也未必意味著算力需求自然下降。更長的安全測試、更複雜的推理過程，以及存量模型向企業和消費者場景的部署，仍可能消耗大量計算資源。

作者由此認為，投資者不應只關注社交媒體上爭論最激烈的模型層，更應尋找未來 18 個月正在形成的新瓶頸。按照這一框架，目前更值得關注的稀缺資源已經由「模型智能」逐漸轉向電力及其配套基礎設施。

AI 科技股可能從普漲轉向分化

如果模型減速不等於 CapEx 停止，它對科技股的影響就不會是簡單的全面利空，而更可能體現為產業鏈重新定價。

首先，依賴前沿模型持續躍升、產品快速變現的公司，可能更容易受到影響。一旦模型迭代放緩，市場對收入增速、商業化節奏和估值倍數的假設可能需要調整。

其次，掌握 GPU、網路設備、供配電、製冷和數據中心資源的公司，訂單邏輯未必同步惡化。只要雲廠商仍在擴建基礎設施，或者算力瓶頸繼續向電力環節遷移，相關投資就可能保持較強慣性。

第三，市場需要區分訓練和推理。即使實驗室協調限制超大規模前沿訓練，存量模型的推理需求、企業部署和 AI 應用普及仍可能推動算力消耗。屆時，CapEx 可能發生結構變化，而非斷崖式收縮。

這意味著，AI 減速首先改變的可能不是整個科技行業的增長方向，而是不同資產共享同一套 AI 估值邏輯的局面。過去，模型公司、雲廠商、半導體企業和電力基礎設施供應商都能從 AI 敘事中獲得溢價；如果模型能力競賽放緩，市場可能開始更嚴格地區分技術領先、商業化能力和訂單兌現。

真正改變 CapEx 邏輯的變數是監管

Mehrotra 認為，真正可能打斷本輪 AI 資本開支週期的，並不是又一次供應鏈短缺，而是政府從系統外部設置硬性限制。

GPU、HBM、電力和變壓器不足，本質上仍是可以通過增加投資緩解的瓶頸。它們可能推遲數據中心上線，卻也會引導資本流向新的稀缺環節。

監管則不同。如果政府直接限制高端晶片採購、訓練集群規模、模型訓練所需算力或數據中心用電，企業將難以僅靠增加投資突破約束。在這種情景下，雲廠商的 CapEx 預期、基礎設施訂單和 AI 相關科技股估值才可能同時面臨下修。

不過，原文將這種情況視為低概率尾部風險，而非基準情景。該判斷同樣需要持續驗證，不能被理解為監管風險已經得到排除。隨著 AI 實驗室內部的擔憂公開化，外部政策壓力仍可能上升。

接下來，市場真正需要觀察的不是「AI 減速」這一籠統口號，而是三個更具體的信號：前沿實驗室是否將減速寫入正式研發計劃，主要雲廠商是否削減數據中心訂單，以及監管是否開始直接觸及晶片、算力與能源供給。

Coxon 的離職證明，前沿 AI 的安全爭議已經從外部批評進入實驗室內部。但從研究人員表達擔憂，到科技公司實際削減資本開支，中間仍隔著競爭壓力、建設慣性與基礎設施短缺等多個環節。

AI 減速未必立即終結 CapEx 週期，但它可能終結所有 AI 資產共享同一套上漲邏輯的階段。

[原文鏈接]