知名投資人、Atreides Management創辦人兼首席投資長Gavin Baker近日對AI基礎設施前景提出截然不同的看法。他認為, 市場目前最擔心的AI資料中心「過度建設」可能並非真正風險, 更值得警惕的反而是算力供給不足。Baker指出, 全球約有15億名知識工作者, 但目前真正大量使用AI的用戶仍只是其中極小一部分, 一旦AI進一步普及, 算力需求可能遠超現有供給。
Baker在8月31日播出的a16z Podcast中表示, AI需求的擴散才剛剛開始, 而電力、晶片、銅、資料中心施工及政府審批等多項供應鏈限制, 正共同壓制算力新增速度。他甚至認為, 如果供給長期無法追上需求, AI服務價格未必會像市場普遍預期般持續下降, 反而可能出現「算力不平等」, 讓大型企業及資金雄厚的使用者優先取得最先進的AI能力。
Baker以Atreides自身使用情況作為需求快速升溫的例子。他透露, 公司內部Token消耗量從3月到8月已增加100倍, 而團隊近期取得Grok Enterprise使用權後, 僅兩名員工使用就可能讓一個月的Token支出再增加10至20倍。Baker強調, 這並非浪費性支出, 而是因為AI逐漸被嵌入投資研究及其他知識型工作, 實際產生了更高的使用需求。
a16z合夥人David George則指出, 目前AI產業的收入主要仍由不到1,000萬名重度使用者支撐, 相對於全球約15億名知識工作者, AI的普及程度仍處於非常早期的階段。他表示, 在AI原生企業中, 部分高頻使用AI的工程師Token消耗量可能達到一般工程師的10至100倍, 顯示企業內部的AI使用也呈現高度集中。
這種需求結構也讓Baker認為, AI基礎設施可能不是「蓋太多」, 而是「蓋得不夠快」。他指出, AI資料中心的建設規模已經大到足以影響電力、半導體、銅材及其他相關產業的原始供給能力。隨著AI伺服器持續增加, 從晶片到電力設備、變壓器、冷卻系統及資料中心土地, 都可能成為限制算力擴張的瓶頸。
Baker尤其看好AI資料中心的資本回報速度。他引用Nebius及CoreWeave等新型雲端業者的經驗指出, 以輝達(NVDA-US) GPU為核心的1GW資料中心, 完整建置成本約400億至500億美元, 而部分客戶會預付約50%至60%的費用, 因此營運商實際需要先行投入的資金可大幅低於總建置成本。若資料中心上線後能以現貨市場價格出租算力, 投資回收期可能縮短至約9至10個月。
換言之, 一座成本約500億美元的1GW級AI資料中心, 在特定融資及出租條件下, 有機會在不到一年內收回前期投入資金。Baker認為, 對他的職業生涯而言, 如此龐大規模的資本投入能夠搭配如此短的回收週期, 是極為罕見的投資機會。
目前AI資料中心的融資條件也正在降低大型建設項目的資本門檻。Baker指出, 輝達GPU本身已具備相對成熟的融資市場, 黑石集團(Blackstone, BX-US)、KKR(KKR-US)及阿波羅全球管理(Apollo Global Management, APO-US)等大型資產管理機構均參與相關融資。a16z對Baker訪談內容的整理顯示, 在一個約500億美元的輝達GPU資料中心部署案例中, 約350億美元可以透過低成本債務融資, 使股東實際需要承擔的股本投入降至約150億美元, 並搭配剩餘價值保障機制。
Baker認為, 隨著AI模型能力提升及GPU使用週期延長, 單位算力的變現效率仍有提高空間。因此, 如果AI服務需求持續快速成長, 實際股權資金回收期甚至可能短於目前估計的9至10個月。
AI模型供應商的資源配置策略也正在出現分化。Baker認為, 前沿模型、開放權重模型及應用程式公司並非必然形成零和競爭, 不同類型的AI企業可以同時受益於整體Token需求增加。
在前沿模型領域, OpenAI與Anthropic仍處於高度競爭狀態。兩家公司都掌握尚未發布的新模型, 因而可以根據競爭對手的產品節奏及市場需求調整模型發布時間, 同時在訓練與推理之間重新配置有限的算力資源。這種資源配置甚至可能直接影響短期營收表現, 因為同一批GPU可以選擇投入模型訓練, 也可以轉向具有直接收入的推理服務。
大型科技企業的策略同樣開始分化。Meta Platforms(META-US)重新加速前沿模型競爭, Google母公司Alphabet(GOOGL-US)則在部分前沿模型競賽上更加謹慎, 並透過對外提供TPU算力增加現金流來源。
Baker也提醒, 市場容易把「開放權重」與真正的「開源」混為一談。即使模型權重開放, 產生Token仍然需要大量算力。在相同使用條件下, 開放模型並不代表Token的運算成本可以消失, 主要差異在於模型服務商的毛利率及商業模式。
他認為, 開放模型價格下降反而可能刺激整體AI使用量增加。企業可以把成本較低的開放模型部署在內部, 處理大量重複性或標準化任務, 再把需要複雜推理及規劃能力的工作交給前沿模型。
因此, 企業可能逐漸採用「前沿模型+私有化微調開放模型」的混合架構。企業可以使用自身資料訓練專屬模型, 並透過路由系統決定不同任務應該交給哪一種模型。需要複雜推理的任務交給前沿模型, 一般工作則由成本較低的自有模型完成, 同時降低資料外流及隱私風險。
Baker認為, 下一場競爭可能集中在所謂「智慧抽象層」, 也就是企業及一般使用者取得AI能力的統一入口。使用者只需要提出需求, 後端系統便自行決定應該呼叫哪一個模型、如何分配算力以及如何保護資料。
微軟(MSFT-US)、Fireworks、Databricks以及各類垂直型Agent企業都在爭奪這一入口。Baker認為, 真正的競爭不只是模型能力, 還包括不同模型之間的無縫調度、資料安全、成本控制及執行可靠性。
在市場對AI泡沫的討論中, Baker也承認歷史經驗仍值得參考。每當一項顛覆性技術出現, 資產價格通常會先上升, 隨後吸引大量資本進入並造成過度建設。但他認為, 此輪AI基礎設施投資與過去部分科技泡沫存在重要差異, 因為目前相當一部分支出由大型科技企業強勁的營業現金流支撐, 而不是完全依賴高槓桿債務融資。
不過, 這並不代表市場完全沒有風險。Baker警告, 即使到2028年, 如果目前已公布的AI資料中心建設計畫全部完成, 市場也可能仍然缺乏大量閒置產能。電力供應、土地、許可及政治因素都可能使實際建設速度低於紙面上的規劃速度。
如果供給始終處於緊張狀態, Token價格下降的速度可能低於市場預期, 極端情況下甚至可能在需求暴增時上升。這將產生明顯的「算力不平等」問題, 因為大型企業及資金雄厚的使用者可以承受高昂的前沿模型成本, 中小企業及一般使用者則可能被迫使用功能較弱的模型。
Baker近期也曾在社群平台指出, AI使用規模快速擴大將使算力支出成為企業競爭力的重要因素。他預期, 未來許多知識型產業可能形成一個最低AI Token支出門檻, 企業若無法負擔足夠的算力, 可能逐漸失去競爭力。這也是他所警告的「算力不平等」。
他的觀點也得到部分市場人士呼應。黑石集團執行長Larry Fink此前警告, AI龐大的採用成本可能造成「K型經濟」, 電力、半導體及資料處理能力的短缺, 將讓資本實力較強的企業取得更大優勢。Fink甚至預測, 算力本身未來可能形成新的資產類別。
Baker同時認為, 微軟此前相對謹慎的資本支出策略可能成為反面教材。他提到, 微軟去年曾宣布規模約800億美元的AI資料中心資本支出計畫, 隨後一度放慢部分建設速度, 而他認為公司如今可能對此感到後悔。相較之下, OpenAI持續大規模投入算力, 在Baker看來已經證明激進建設策略具有回報。
整體而言, Baker的核心論點並不是AI基礎設施完全不存在泡沫, 而是市場可能高估了「過度建設」的風險, 卻低估AI使用普及後所帶來的新增需求。當前AI產業的收入主要仍由不到1,000萬名重度使用者貢獻, 但潛在市場卻涵蓋約15億名知識工作者。只要AI從少數高頻使用者進一步擴散至更廣泛的企業及個人, 算力需求便可能出現遠高於目前市場預期的增長。
Baker因此認為, AI真正的瓶頸可能不是模型缺乏需求, 而是電力、GPU、資料中心及相關基礎設施無法以足夠快的速度增加。對投資人而言, 未來AI產業的關鍵問題可能也將從「會不會過度建設」轉向「供給能否趕上需求」。
如果AI應用持續滲透企業日常工作, 資料中心、GPU、電力及高速網路的需求仍可能維持強勁。反之, 若AI普及速度不如預期, 巨額資料中心投資則可能面臨利用率不足及資本回收期延長的風險。這場供需賽跑, 將成為決定下一階段AI投資熱潮能否延續的關鍵。
