智通財經APP獲悉，一份經美國網紅財經平台ZeroHedge在社交媒體傳播的高盛Delta One交易台便箋圖表顯示，人工智能算力Token價格暴跌，可能削弱AI算力主題對於股票市場估值的關鍵支撐——近年來全球股市牛市軌跡正是基於AI算力主題持續大漲。這張關於Token價格暴跌的圖表顯示，除非算力消耗量持續激增，足以抵消價格自由落體式下滑的影響。從另一個角度來看，單位Token成本下降刺激調用量、推理深度與智能體循環激增，RSI又為持續訓練打開第二條算力需求激增曲線。
但是，隨着OpenAI與Anthropic、SSI主導的AI大模型研發正跨入「遞歸自我改進(RSI)」新階段，以及包括近期英偉達強勁業績與展望，加之一系列兆瓦級別算力容量合約主導的AI算力產業鏈繁榮擴張釋放出的持續積極擴張算力資源需求，現有的AI算力產業基本面數據尚不支持「全行業算力資源已經系統性過剩」的這一悲觀假設，反而顯示出AI算力需求越降價越炸裂。
這份經ZeroHedge傳播的高盛Delta One交易台便箋，並非高盛官方研究團隊公開發布的正式行業基準預測。其核心估值公式在於模型服務收入≈Token單價×Token消費量。若價格指數單月下降29%，在業務結構不變的簡化假設下，Token用量必須增長約40.8%，才能保持總收入不變;若同時考慮芯片吞吐率和每瓦性能持續提升，需要維持底層硬件需求，Token數量、每Token計算量與推理時長的綜合增速還需更高。
Token降價可以通過傑文斯悖論(Jevons Paradox)刺激更廣泛、更長時間的調用，但無法自動保證模型廠商收入或基礎設施回報;當前更合理的市場預判觀點在於：全球企業總AI算力需求仍處於強勁擴張期，但老一代的舊AI加速器、高槓杆雲廠商和缺乏長期客戶合同的數據中心，可能率先出現局部、代際性的過剩。
近期討論火熱所謂的傑文斯效應，又稱「傑文斯悖論」，是一個反直覺的經濟學理論：當前沿技術進步提高了某種資源(如能源、原材料或AI算力基礎設施資源)的使用效率時，它會降低單位成本，從而刺激市場需求大規模擴張，最終導致所有類型資源的總消耗量不降反增。該概念由英國經濟學家威廉·斯坦利·傑文斯(William Stanley Jevons)於1865年在《煤炭問題》一書中首次提出。
AI Token價格自由落體，算力過剩警報再度響起?
Zerohedge在社交媒體上分享的這份機構報告指出，前沿人工智能開發者之間日益激烈的競爭正在大幅壓縮Token成本。Zerohedge援引高盛Delta One交易台警告稱，人工智能Token價格暴跌，可能削弱AI交易熱潮對於股票市場估值的支撐，除非算力消費量激增，足以抵消價格自由落體式下滑的影響。
ZeroHedge在社交媒體上分享的這份機構報告指出，最前沿的那些AI大模型開發商之間日益激烈的競爭，正在推動每Token成本大幅壓縮，使當前的變現結構越來越難以維持。高盛交易台特別提到Meta新近發布的Muse Spark 1.3——該模型在基準測試中展現出極強競爭力——以及市場對於OpenAI即將推出一款名為Astra的模型的廣泛Token成本下行猜測。
隨着推理工作負載開始一部分轉向更本地化、更低成本的硬件系統，高盛交易台對按Token收費能否成為長期商業模式提出了質疑。報告寫道：「再加上越來越多的推理轉向更便宜的本地硬件系統，我們很難相信按Token計價會成為一種可持續的終局商業模式。」報告強調，這種轉變將直接影響股票市場。
高盛交易台進一步警告稱，更廣泛的AI普及與更低的Token銷售價格相結合，並不會自動構成對投資者們的持續積極利好;如果生成AI輸出的成本下降速度快於總體消費量的增長速度，整個行業就可能出現AI算力基礎設施供給過剩。
該交易台明確警告，除非即將發布的AI模型能夠推動基礎能力實現根本性性能與智能等級躍升，否則「出現階段性算力過剩將成為一種現實可能」。
隨着每百萬Token跌破一美元，反直覺的跡象在於——閉源模型意外領跌降價潮。這場市場重新評估與重新定價Token繁榮發生之際，整個行業的價格正在持續下降。知名市場分析公司Silicon Data用於追蹤大語言模型市場成本的基準指數遲遲未能觸底，近期跌至每百萬Token 0.97美元的歷史新低。高盛交易台在研究報告中指出，僅在8月，該指數就暴跌了29%。
過去兩周，開放權重模型與專有模型的價格均有所下降;不過，Silicon Data表示，一些高性能的前沿閉源模型的大幅降價纔是推動整體市場價格下跌的主要力量。
RSI崛起——AI開始參與製造下一代AI大模型!Token降價不是算力退潮，真正變量是「量增能否跑贏價跌」
ZeroHedge援引的高盛Delta One交易台便箋，提出的是一個條件性壓力測試，而不是「全球算力已經過剩」的事實判斷。
現有產業數據尚不支持「全行業算力已經系統性過剩」。英偉達2027財年第二季度營收按年增長106%至962億美元，數據中心收入增長117%至890億美元，並將2028財年約70%的收入增長展望明確界定為「受供應約束的展望」。
此外，據媒體最新報道，Anthropic分別簽署了約350億美元的Lambda算力協議，以及一份為期六年、價值約450億美元、對應約460兆瓦容量的Nscale協議。韓國8月半導體出口更是按年層面在去年高基數背景之下實現激增209%至466.5億美元，創歷史新高;高盛正式研究則預計2026年全球AI投資將達到約1萬億美元。
AI服務器存儲芯片組件仍是最清晰的AI算力產業鏈層面供給瓶頸。市場調研機構TrendForce預計2026年第三季度傳統DRAM與NAND Flash合約價分別在高基數之上按月上漲13%—18%和10%—15%;HBM與服務器RDIMM預計佔2026年全球DRAM位元供應量的51%，2027年HBM合約價仍可能上漲70%—140%。其更激進的預測是，DRAM與NAND將由2026年佔主要雲服務商資本開支的47%升至2027年的68%，但這一比例同時受到存儲價格暴漲推動，並非純粹代表採購量增長。
企業端當前真正優化的則是「每項成功任務成本」(Cost per Successful Task)，而不只是每百萬Token標價。Gemini 3.8 Flash雖然維持每百萬輸入Token 0.75美元、輸出Token 3.75美元的價格，但由於輸出Token增加約30%、智能體調用輪次上升，其每項基準任務成本反而較上一代提高約40%。
與此同時，高盛官方研究團隊的一份報告顯示，AI智能體主導的代理式AI工作流將推動Token月消費量在2026—2030年間增長24倍至120千萬億枚，並判斷未來12—18個月芯片仍可能短缺。因此，Token降價可以通過傑文斯悖論刺激更廣泛、更長時間的調用，但無法自動保證模型廠商收入或基礎設施回報，總算力需求仍處於強勁擴張期，但老舊加速器、高槓杆雲廠商和缺乏長期客戶合同的數據中心，可能率先出現局部、代際性的過剩。
單位Token成本下降刺激調用量、推理深度與智能體循環激增，RSI則為持續訓練打開第二條算力需求曲線。遞歸自我改進(Recursive Self-Improvement，即RSI)並不等同於模型突然獲得自我意識;其當前可驗證形態，是讓AI逐步參與訓練策略規劃、算法生成、代碼編寫、實驗設計、結果評估、錯誤修復和下一輪訓練乃至接下來數輪AI訓練。
RSI趨勢帶來一個重要的直接推論：AI算力優勢直接變成研究優勢，研究優勢直接變成模型優勢;那些擁有足夠GPU的AI實驗室一天能完成全部驗證，缺少GPU的前沿AI實驗室一天只能完成5個甚至更少任務驗證，速度差距立刻被拉開。
谷歌明確表示，Gemini 3.8 Flash的進步部分來自能夠「遞歸評估並改進底層模型」的長時間智能體循環;OpenAI則因前沿模型能力進步速度與安全保障能力之間出現錯位，暫時放緩部分前沿訓練;SSI獲得英偉達投資及Vera Rubin系統支持後，計劃在12個月內將算力擴大一個數量級。這些信號證明AI輔助AI研發處於落地進程，而這一進程將帶來愈發龐大AI算力需求。但尚不能證明完全自主、可持續的指數級RSI已經實現。
RSI強化的是算力需求的持續性，因此再具體的AI投資層面，未來投資者們應同步觀察Token消費增速能否跑贏單位成本降幅、集群利用率與租約續簽率、每單位算力帶來的模型能力提升，以及模型收入能否覆蓋AI芯片、AIK服務器機架組件、電力鏈條設備、存儲與孖展成本。
RSI可能為算力創造獨立於終端用戶需求的「第二需求曲線」：訓練不再是「訓練—發布—結束」，而是模型提出算法、並行運行數百至數千個實驗、評估結果並啓動下一輪訓練的持續閉環;智能體還會通過更長推理鏈、反覆調用工具和多模型協作增加測試時算力(Test-Time Compute)。如果OpenAI與Anthropic這類全球最頂級實驗室將算力由高收入的推理業務重新分配至訓練，短期收入可能驟降，但總算力消耗並不會下降，反而可能因爭奪模型領先地位而上升。