ARTICLE · 1015151
AI 半导体终局推演(下):AI 基建最终会过度建设吗?
这篇文章试图回答四个彼此咬合的问题：为什么 AI 半导体建设周期可能比互联网更长？coding 之后，ARR 的下一棒来自哪里？AI 基建最终会不会过度建设，资本开支的账究竟算不算得平？开放权重模型崛起后，又会怎样改变专有模型的收入与利润？
先把结论摆出来：AI 的基础设施周期确实可能比互联网更长，但不是因为指数增长永不结束，而是因为用户渗透率与人均 token 使用量两条 S 曲线正在接力。短中期，头部模型公司的需求仍足以支撑扩张；长期，高利润与供给时滞又会把行业推向过建。开放权重模型会重分配利润，却未必会逆转 token 总需求与基础设施大周期。
以下数字大多来自原文作者估算、原文所引图表或第三方汇总，并非公司审计披露。ARR、GW、毛利率与远期产能的统计口径并不完全一致，本文会在保留原论证的同时标出关键边界。
01｜为什么 AI 基建周期比互联网更长
互联网革命中的硬件与基础设施收入，主要沿着一条轴增长：用户数量，也就是渗透率。
早期互联网接入通常是固定月费。一个用户每月付 50 美元，上网浏览十倍的网页，并不意味着要支付十倍费用。固定费率服务缺少第二条可持续的指数增长轴，一旦渗透率饱和，收入与基础设施需求也会随之降速。
移动互联网的边缘设备——智能手机——遵循相似逻辑。消费电子必须依靠大规模生产摊薄成本，而要取得大众市场规模，平均售价又不能无限提高。因此，智能手机硬件在渗透率达到一定水平后，复合增长天然会遇到天花板。
这也是为什么互联网时代的硬件需求，在渗透率越过 S 曲线中点后开始放缓。2000 年 3 月互联网泡沫破裂时，美国互联网渗透率大约在 50% 左右。一项技术从 10% 普及到 50%，往往是整条曲线上速度最快的阶段。
AI 不同。AI 硬件需求最终汇总到一个单位：token。它的增长至少有两条轴：
用户数量与企业采用率继续扩大； 每个用户、每家企业消耗的 token 持续增加。
两条增长曲线不是相加，而是相乘。可以把它近似理解为：
AI 算力需求 ≈ 用户数 × 人均使用量 × 单位 token 的计算成本
这正是本轮 AI 对硬件如此“饥渴”的根本原因。用户渗透率决定有多少人使用 AI，人均 token 决定每个人把多少工作交给 AI；两者最终都转换为训练、推理、存储、网络与电力需求，把基础设施天花板推得远高于互联网时代。
原文引用 Ramp AI Index，称美国企业付费订阅采用率已经越过 50%。但这里必须强调：Ramp 的企业付费率不是全体人口或全部企业的总体 AI 渗透率。 它受到样本范围、客户结构与“付费”定义影响，只能作为企业支付行为的一项代理指标，不能直接证明整个社会的第一条 S 曲线已经过半。
图 1｜原文所引 Ramp AI Index。总体付费订阅采用率为 55.7%，但该指标不等同于全体人口或全部企业的 AI 渗透率。
如果说第一条曲线正在接近拐点，那么第二条曲线——人均 token 使用量——在 2026 年仍可能处于很早的阶段。
原文引用的数据称，美国企业内部人均 AI 月支出中位数约为 11.95 美元，前 10% 企业约为 650 美元，前 1% 约为 7,400.50 美元。作者进一步推测，长期人均 AI 支出可能达到白领薪资的 10%，即每月约 1,000 美元。
这个长期目标只是作者情景，不是由前 1% 企业支出直接推出的必然结果。但中位数与头部之间的巨大差距，至少说明企业采用强度仍高度分化，人均使用量远未形成稳定上限。
图 2｜原文所引 Ramp AI Index。中位数、前 10% 与前 1% 的差距很大；头部高支出不能直接当作未来中位数。
因此，今天的增长主引擎正在从“更多人开始用”转向“每个人用得更多”。两条 S 曲线像接力赛一样完成交棒，形成历史上少见的基础设施需求：第一条渗透率曲线还没有完全结束，第二条人均 token 曲线已经启动。
不过，所有指数增长在触及天花板前，看起来都像没有终点。AI 建设也不例外。它的特殊之处只是多了一条增长轴接棒，所以这种“指数增长会一直持续”的错觉可能维持更久。
还有第二个重要差异。互联网时代一次请求的网络与计算边际成本极低，软件复制和分发几乎不额外消耗硬件。token 时代的推理却有显著成本。商业模式也因此从“流量 × 转化率”部分转向“每个 token 的毛利”。用户使用越多，就需要更多推理计算，AI 时代的收入增长与硬件消耗绑得更紧。
02｜ARR 的下一棒，仍然是广义 coding
当 coding agent 证明商业价值、ARR 快速爬坡后，市场很自然地追问：如果开发者群体已经广泛采用 coding agent，下一轮 token 与 ARR 增长靠什么接棒？是 AI for Science，还是某种递归式自我改进？
我的判断仍然是 coding——但不是狭义的“程序员写代码”，而是作为通用执行内核的广义 coding。
原文所引行业数据展示了 AI 采用率在各行业间的扩散：科技与媒体最高，金融保险、制造、零售、医疗、建筑、住宿餐饮依次向下。这张图不能直接告诉我们各行业消耗了多少 token，却说明 AI 使用不再局限于软件行业。
图 3｜原文所引 Ramp AI Index 行业采用率。不同产业处于不同阶段，也意味着下一轮增量更可能来自跨行业扩散与使用强度提升。
世界数字化的趋势没有停止。越来越多任务正在后台被悄悄转译为代码，即使用户从未看见一行代码，系统日志里仍可能把它记录为 coding 工作负载。
最常见的例子是编辑文件、Excel 和 PowerPoint。代理在后台启动 Linux 沙箱，通过代码读写文档、处理数据、生成图表，再调用工具检查结果。金融运营、CRM、法律文件整理也是同一套机制，差别只在于调用什么工具、采用什么验证器。
更专业的工作同样可以被重构：半导体架构探索可转化为 SystemC 模型与仿真问题；生物医药中的分子结构分析和模拟有大量步骤可以代码化；投行研究报告中的模型搭建，也可以被代理转换成可执行任务。
这些任务共同遵循一条闭环：
观察与分析 → 执行 → 验证
狭义开发者 coding，只是第一个把这条高频闭环完整跑通的大型任务门类。这也是 coding 相比普通聊天消耗更多 token 的原因。未来，深度研究、文档协作、计算机操作等开放式任务都会继承相似逻辑。产品在用户眼中也许叫 co-work 或 computer use，后台默认执行内核仍然是代码、工具调用与验证。
原文估计，广义 coding 已占模型 ARR 的 60%—70%；若只按开发者定义计算，可能约为 40%，另外 20%—30% 来自被 coding agent 执行结构吸收的非编程任务。这些占比缺少统一披露口径，应视为作者对工作负载的分类估算，而不是可审计的收入拆分。
真正接棒的，不是另一个孤立的“超级场景”，而是非程序员借助 coding 基础设施完成非编程产品任务。coding 仍在增长，只是逐渐隐身。
原文图表还显示，AI 重度使用企业与典型企业的差距正在拉大。以 2025 年 4 月为 1 倍，到 2026 年 6 月，全部行业头部企业达到 17.1 倍，典型企业为 2.1 倍；信息行业、金融保险以及专业服务中，也出现相似分化。
图 4｜原文所引“AI Power Users Pulling Away From The Field”。它说明增长不只来自更多企业开始使用，也来自少数企业把更多工作流迁移给 AI。
原文进一步称，截至 2026 年 6 月，在 OpenAI 企业客户中，Codex 已占 Codex 与 ChatGPT 合计输出 token 的 64%；自 2 月以来，法律、销售与招聘、营销部门的 Codex 周活增长倍数远高于工程部门。这里的公司内部指标需要以原始披露口径为准，但其叙事方向很清楚：coding 基础设施正在向非工程职能扩散。
从 Anthropic 的行业收入结构估算看，狭义开发者与软件公司约占 40%，金融服务与保险超过 20%，法律、医药与生命科学、消费与零售电商也占有相当份额。不同时间点的 Anthropic ARR 数字存在多种媒体与作者估算口径，本文不把这些垂直占比解释为经审计的固定结构。
过去我们说“软件吞噬世界”。当大模型把 coding 门槛大幅降低后，这句话正在加强为“coding 吞噬世界”：coding 是 agent 最熟练的执行模态，agent 再借助 coding 把使用量扩散到所有知识工作。
但不能像原文那样简单断言“已经没有重大挑战”。长时运行、跨系统操作、自治、可靠性、安全、权限管理与责任归属，都可能成为结构性限制，而不只是工程收尾。采用速度还取决于用户学习曲线、企业数据是否分散、内部工具集成是否充分，以及组织有没有自上而下的 KPI 推动。
这里还受阿姆达尔定律约束：整体效率取决于无法加速的部分。例如，药物研发的临床环节无法只靠 token 大幅提速。如果一半流程不能加速，那么其余部分即使快一千倍，整体提速上限也接近两倍。更现实的价值，不是让每条链路无限提速，而是并行探索更多方向，把瓶颈从“做出决策”转向“完成验证”。
原文把 Anthropic 在 6—7 月的收入放缓归因于算力不足、反蒸馏治理关闭部分账户，以及竞争带来的份额变化，而不是广义 agent coding 需求见顶。由于其中涉及的具体模型版本命名无法独立核验，本文不把它当作确定事实。更稳妥的结论是：一次短期增速变化，不能单独证明需求触顶，也不能单独证明需求无上限。
03｜算力这笔账，究竟怎么算
从需求侧看，人均 token 仍有增长载体。接下来要切换到出资方：资本开支的上限在哪里？举债与自由现金流转负能否持续？算力的单位经济是否成立？
AI 时代与互联网时代有一个重要区别。互联网基础设施的建设者与最大受益者往往不是同一批公司；AI 时代，OpenAI、Anthropic 等头部模型公司既是主要算力购买者或承租者，也是模型收入的直接受益者。因此，原文选择从两家公司的 ARR 与有效算力出发做粗略推演。
原文称，截至 6 月底，Anthropic 以约 2GW 有效算力创造约 620 亿美元 ARR。用这个估算，可得约 310 亿美元 ARR/GW，与作者取整后的 300 亿美元/GW 接近；若只计推理工作负载，作者称收入/GW 接近 500 亿美元。
但成本端必须纠正一个关键算术：如果 1GW 数据中心建造成本按 500 亿美元、六年直线摊销，简单年化是 约 83.3 亿美元，不是 100 亿美元。除非额外计入融资、电力、运维、网络或其他费用，原文没有给出这部分解释。
更重要的是，ARR/GW 不能直接推出 60% ROIC。 ARR 是收入年化口径，ROIC 是投入资本回报率，中间至少还缺：训练与推理算力分摊、集群利用率、折旧、电力、网络、冷却、运维、云服务商分成、模型研发费用、营运资本与税费。因此，“收入约为简单年化建造成本的三倍”只能说明收入密度看上去很高，不能等同于已证明 60% 资本回报率。
原文所引月末 ARR 曲线显示，OpenAI 与 Anthropic 合计 ARR 从 2025 年初约 70 亿美元迅速升至 2026 年 7 月约 1,050 亿美元，2026 年 8 月估计约 1,230 亿美元。图中数字来自 Paul Bonnet 汇总，且 8 月分项取整后为 480 亿加 740 亿、合计 1,220 亿，与图示 1,230 亿有轻微差异，应视为估算图而非财报。
图 5｜Paul Bonnet 汇总的 OpenAI + Anthropic 月末 ARR。2026 年后段含估计值，且不同段落存在快照与口径差异。
原文内部对 Anthropic ARR 也有多套快照：一处写 6 月底约 620 亿美元，一处写 7 月约 650 亿美元，后文又写 7 月末约 720亿—750 亿美元；OpenAI 则约 450 亿美元。图 5 对 7 月合计取约 1,050 亿美元，8 月估计取约 1,230 亿美元。这些数字可能来自不同时间点、不同估值或年化方法，不能混在一起当作一套连续财务报表。
在这些前提下，作者推演的算力路径是：
2026 年 7 月，两家公司合计约 6—7GW； 2026 年末，合计约 11GW； 2027 年末，合计约 20—24GW； 2028 年，情景值约 45GW； 2030 年末，规划或情景值约 100GW。
如果 ARR 与上线算力同步增长，那么 6—7GW 扩到 11GW，对应算力增长约 57%—83%；用 6.5GW 中点计算约为 69%。原文称半年 ARR 再增约 60% 大体可以跟上算力，但随后又把它写成“每月增长 10%”。这两者并不相等：
连续 6 个月每月复合增长 10%，累计约为 77.2%； 半年累计增长 60%，对应月复合增速约 8.2%。
到 2027 年末，若算力达到 20—24GW，作者认为 token ARR 全年再增长 1—1.5 倍，就能维持算力与收入大致同步。这个判断仍取决于“新增算力有效上线、利用率足够、价格与毛利不显著恶化、训练和推理结构相近”等假设。
2028 年之后的可见度更低。原文假设 2028 年 ARR 增长 80%，可以支撑两家公司合计 45GW；再假设 2029—2030 年 ARR 累计增长 100%，便认为 2030 年约 100GW 合理。但这里也要纠正：从 45GW 到 100GW，累计增长是 约 122%，两年 CAGR 约为 49.1%，不是累计 100%、年复合仅 40%。如果 ARR 两年只翻倍，在其他条件不变时只能线性对应约 90GW；要到 100GW，还需要推理效率、定价、利用率或资本效率的额外改善。
所以，更谨慎的表达不是“100GW 的账已经算平”，而是：在高收入密度持续、ARR 与有效算力同步、成本与价格结构不显著恶化的前提下，2027 年甚至 2028 年的扩张有可能成立；2030 年则是对多重变量高度敏感的情景推演。
举债与自由现金流转负当然是一场赌博。但如果单位经济确实足够好、需求持续概率也足够高，那么主动承担融资风险并非完全不理性。原文甚至认为融资成本升到 8% 以上，2027—2028 年算力回报仍可能覆盖借贷风险。这个判断必须视为投资观点，而不是已经验证的融资安全线。
04｜不直接卖 token 的算力，也不能简单算成零回报
OpenAI 与 Anthropic 的账可以用 ARR/GW 粗算，剩下的算力怎么办？
这部分更难量化，因为相当多计算资源不会直接产生 token 收入，而是记入研发费用或支撑原有业务。原文举例称，Meta 计划增加约 5GW，用于模型训练以及搜索、广告与推荐；Google 的模型训练、搜索、广告和推荐负载也类似。它们不一定单独开票，却可能提高广告转化、推荐质量、用户时长或防守现有产品。
一个容易被忽视的事实是：产业中的大量 AI/ML 算力至今并不用于“卖 token”，而仍在运行搜索、广告、推荐与传统机器学习工作负载。于是，当市场看到 2027—2028 年惊人的算力数字时，容易把所有 GW 都理解成生成式 AI 的直接收入产能；但公司内部看到的却是训练、推理和传统负载共同争抢资源。
这就造成了两种相反的体感：
供应链和大型科技公司内部看到的是算力严重不足；宏观市场看到的是资本开支过量与收入无法匹配。
两者可以同时为真。把没有直接收入但具有战略价值的研发算力，以及仍在增长的传统 AI/ML 负载纳入后，“完全无法解释”的算力占比会缩小。但这依然只是定性判断，因为战略价值最终仍要通过收入、防守、成本节约或产品竞争力兑现。
原文还认为，新增算力正在向头部模型公司集中。受电力并网约束，2027 年美国可能只能新增约 20—25GW，而 OpenAI 与 Anthropic 或占其中约 10GW，接近一半；2025 年两家占新增算力的比例据称只有约 25%。这些数字缺少统一项目清单和并网口径，应理解为作者对供给结构的估计。其逻辑是：如果头部模型公司的单位经济相对更强，那么新增 GW 越向头部集中，总体可解释性也越高。
还有一条更容易被忽略的外溢链：coding agent 加快了软件与机器学习行业的迭代，也加快了整个世界的数字化；数字活动增加后，传统硬件基础设施需求同样会上升。
可以把它概括为：
token= 决策与智能；CPU= 执行与验证。
当决策能力大幅增加，执行与验证需求也会同步增加。模型生成方案后，需要 CPU、存储、网络和业务系统真正落地；机器学习迭代加快、使用场景增加，也会继续拉动 GPU、ASIC 与数据基础设施。AI 半导体周期因此不只是“更多加速卡”，而是一整条执行与验证体系的扩张。
05｜短期不是泡沫，长期却几乎必然过建
现在回答最核心的问题：AI 基建会不会产生泡沫？
我的答案是：会，而且最终大概率以过度建设收场；但“最终会过建”与“今天已经是泡沫”不是同一个判断。
为什么过建几乎不可避免？因为推理市场当前看起来太赚钱。原文称，专有模型推理毛利率可超过 70%，托管开放权重模型并出售 token 的 token factory 毛利率可超过 60%，短期 GPU 集群合同也可能有 60% 以上毛利。文中还给出了个别厂商更高的估计。这些都缺少统一成本口径：是否计入云分成、折旧、电力、闲置率、模型研发与获客，会显著影响毛利数字。因此，不能把具体百分比当成行业普遍事实。
但竞争机制本身成立：只要市场相信推理利润丰厚，所有有分发、有融资、有工程能力的玩家都会建设新型云与算力平台。每家公司都担心丢掉份额、错过高速增长，没有人愿意主动退场。
与此同时，数据中心从规划到交付通常有一至两年时滞。企业今天根据短缺做出的扩张决定，会在未来某个时间集中落地。届时即便需求仍增长，只要增长速度低于新增供给，过剩就会出现。
因此，“何时过建”比“会不会过建”更重要。按原文当前需求与规划判断，至少未来两年还看不到明显过剩；如果模型发生阶跃式改进，例如从推理进一步跨入更可靠的 agent，或者应用范式创新持续推高 AI 支出，过建时点还会被向后推。
真正的拐点会在某一时刻到来：模型与应用带来的需求跃迁，再也追不上基础设施扩张速度。那时，利用率下降、价格竞争、合同条件恶化和融资压力会逐步显现，过度建设才从纸面风险变成经营现实。
高毛利并不是过建的充分条件。电力并网、芯片供应、融资成本、模型效率提升、token 降价和客户集中，都可能让拐点提前或推后。更高效的模型一方面降低单次任务算力，另一方面也可能因价格下降和能力提升扩大总使用量——最终结果取决于效率增益与需求弹性谁更快。
过建也不意味着整条产业链都同样受损。算力供给过剩会压低数据中心、GPU 租赁与基础设施层毛利，让模型公司获得更便宜的推理资源，应用层也能以更低价格创造新需求。换言之，泡沫破裂可能首先表现为利润池迁移，而不是 AI 使用量突然归零。
原文还把 SpaceX 视为未来重要供给者，理由是其执行能力、潜在成本优势与建设野心可能加剧竞争。这属于作者预测，现阶段不能当作已落地的算力份额事实。
短期短缺与长期过建并不矛盾。恰恰因为今天短缺、利润高、每家企业都害怕错过，行业才会集体做出最终导致过剩的决定。
06｜开源会冲击闭源，但先改变的是利润分配
开放权重模型崛起，会不会拖累专有模型 ARR？首先要问：两者的能力差距会不会持续缩小？
原文判断，前沿开放权重模型与头部专有模型之间的能力差，可能维持在约六个月左右。支撑模型进步的三道护城河是：
算力规模； 数据规模； 自迭代能力。
在数据上，原文称 OpenAI 与 Anthropic 当年合计投入超过 100 亿美元，中国实验室也在投入数十亿美元，因此数据规模差距正在缩小但仍存在。这一金额缺少公开统一口径，可能包含采购、合成、标注、合作与基础设施等不同项目，应视为作者估算。
在算力上，原文认为海外数据中心建设、供应链转运和国产加速器放量，会继续缩小差距；但当前数量级差距仍在。涉及出口管制与转运的表述高度敏感，实际可获得算力受政策、合规、芯片性能、软件生态与集群效率共同影响，不能简化成“限制已经被绕开”。
最难追赶的是自迭代：下一代模型越来越依赖上一代模型生成数据、评估结果、辅助研究与改进训练流程。上一代越强，下一代可能越强，路径依赖会让领先者持续占优。
原文曾用若干无法独立核验的模型名称举例，本文不把这些名称当作事实，也不据此证明“六个月差距”。这个时间差应保留为作者预测，而非稳定规律。
再看收入层。OpenRouter 与 Vercel 等路由平台上，开放模型 token 份额据称从 28% 升至 62%。这个变化值得重视，但样本偏差很大：路由平台更集中于小微企业、开发者与多模型用户，绝大多数专有模型 token 并不会出现在这些平台上。因此，这个份额不能外推为全球开放模型总体份额。
原文估计，截至 7 月，全球开放模型相关收入合计约 100 亿美元，北美约 40亿—50 亿美元；若只计算北美开放模型 token factory、AWS Bedrock 与 Azure 上的相关收入，ARR 不足 40 亿美元，而专有模型约 1,200 亿美元，比例约 3%。这些数字来自作者拆分，不同公司可能同时包含闭源托管、定制、平台服务和其他收入，不能视作严格可比的市场统计。
原文对中国市场的拆分估算为：智谱约 10 亿美元、阿里约 12 亿美元、DeepSeek 约 5 亿美元、Kimi 约 3 亿美元、MiniMax 约 2 亿美元；美国侧则列出 Fireworks、Together、Baseten 等厂商。由于这些大多不是同一时间、同一业务范围、同一会计口径的公开审计数，本文只保留其方向性含义：开放模型商业收入正在增长，但与头部专有模型相比，短期仍有明显规模差距。
北美开放模型推理在 2026 年上半年据原文估计增长约三倍。Fireworks 被举例为 token 量与 ARR 同时快速上升，但这并没有显示出相对专有推理市场的绝对增速优势。
企业自己部署开放模型，也不必然更便宜。若推理栈、量化、调度、缓存和集群利用率没有优化好，自建成本甚至可能超过调用专有 API。数据安全、主权与可控性是另一套价值维度；只从成本看，交给专业 token factory 托管往往更经济。
美国开放模型供应商也受融资和算力约束。原文称 Fireworks、Baseten、Together 的融资大致在十亿美元量级，而按当时 1GW 算力年租金约 200 亿美元的估算，单家融资可租用的容量有限。为了扩张，它们往往需要客户在 Azure 或 AWS 上自带算力。
中国开放模型扩张更快，但 token factory 同样受到算力约束，本土需求尚未被充分满足，短期很难大规模向美国输出服务。跨境销售还面临企业信任、数据合规与政策风险。路由平台可以降低模型接入摩擦，却不能消除底层算力、付款、监管与服务稳定性约束。
这件事后来得到了官方确认，但状态必须写准确。NVIDIA 于 2026 年 9 月 3 日宣布，已同意以约 129.3 亿美元收购 Hugging Face，并承诺后者继续支持开放模型、多云和多加速器生态。截至本文编辑日，更准确的说法是“双方已宣布并同意这笔交易”，而不是“收购已经完成交割”。这一动作说明 NVIDIA 正在继续向模型分发与开放生态上游延伸，但交易本身并不能证明开放模型必然赢得最终市场。
原文图 6 把两组指标放在一起：上图是 Ramp 所示“使用模型服务/推理平台的 AI 付费企业占比”从 2026 年 1 月的 4.5% 升至 6 月的 5.8%；下图是 Silicon Data 的 token 价格指数，2026 年 8 月整体约为每百万 token 1.29 美元、专有模型约 3.07 美元、开放权重模型约 0.66 美元。
图 6｜原文所引 Ramp 与 Silicon Data 数据。Ramp 的“模型服务/推理平台”使用率不必然等于纯开放模型渗透率，只能作为代理指标；价格指数也受模型组合、输入输出比例与质量差异影响。
这张图传达的方向是：开放权重模型更便宜、使用率在上升，但目前仍偏小众。价格优势会迫使专有模型采取更强的分层防御。
原文用高通与联发科长达多年的竞争作类比：旗舰型号守住技术与品牌天花板，低价型号主动填满价格带，不给低成本竞争者留下丰厚利润池。放到模型市场，专有厂商可以用最强模型维持能力上限与品牌，再用更便宜的次旗舰争夺大规模调用。
这一产品分层也能得到 OpenAI 官方资料支持。GPT‑5.6 系列包括旗舰级 Sol、平衡型 Terra 和低成本 Luna；OpenAI 于 7 月 30 日宣布将 Luna 的价格下调 80%、Terra 下调 20%，随后又继续调整 Sol 的阶段性价格。它验证的是一种竞争策略，而不是长期市场结果：旗舰守能力与品牌，低价档守规模和份额。 降价能扩大使用量，也会压低单位 token 收入，因此最终效果仍取决于需求弹性、推理效率和毛利结构。
联发科芯片早已不只是“够用”，在高负载场景也曾不断接近高通。即便如此，高通仍依靠旗舰定位、产品分层和生态关系守住高端市场。这个历史类比并不保证模型市场会复刻手机芯片，但说明低成本竞争者可以压缩利润，而领先者也可以通过分层定价延长优势。
所以，开放模型对专有模型的冲击是真实的，却更可能先体现在价格、毛利与利润分配，而不是在一年内让闭源 ARR 突然坍塌。
还有一个相邻问题：企业“tokenmaxxing”浪潮结束，会不会拖累 ARR？原文认为，高额 token 配额主要是推动内部采用的短期手段。部分美国大公司会设置日常上限，但额度很高，95% 以上员工远未用满，中位使用量仍然很低。由于这些比例同样缺少原始企业样本，不能当作普遍统计；它能够支持的只是一个更克制的判断：多数组织离“人人都成为重度 AI 用户”还有距离，人均使用量仍可能增长。
07｜终局不是停止，而是时间尺度与利润池迁移
AI 基建前景之所以比互联网时代更模糊，是因为资本开支具有很强可见度，需求却缺乏同等可见度。数据中心、芯片、电力与网络必须提前数年规划；未来用户会产生多少 token、模型效率如何变化、价格降到哪里，却没人能精确预测。
收入和支出之间的时间错配，又叠加了一层金融风险。当所有参与者继续加码，负自由现金流、债务融资与巨额长期合同可能把产业风险传导到更广泛的资本市场。原文甚至认为，其规模足以影响美国国债发行环境；这是宏观推断，不宜当作单一因果事实。
尽管如此，我仍保留原文的基本判断：即使没有出现全新的应用范式，至少到 2027—2028 年，AI 基建更像是需求尚未满足，而不是供给已经全面过剩。
但这不是一句“永远没有泡沫”。最终过建仍然大概率发生。问题从来不是某个数字绝对正确，而是应该用什么时间单位观察它：
在今天的供应链现场，看到的是电力、芯片和有效集群不够； 在两三年后的资本周期里，可能看到集中交付、价格下行和利用率承压； 在更长时间里，低价算力又可能催生新的模型与应用需求。
“算力即智能，智能可以创造巨大收入”，是一种估值框架，不是会计恒等式。算力只有被高效调度、转化为可靠能力、嵌入真实工作流并由客户付费，才会成为经济价值。
AI token 需求的两条指数曲线以前所未有的速度接力。广义 coding 推动万物数字化的过程，也许才跑完第一棒。开放权重模型会压低价格并改变利润分配，但不一定改变总需求扩张的方向。
供应链视角与宏观市场视角之所以截然相反，是因为近处的人看见“不够”，远处的人看见“太多”。两种震荡同样剧烈，也都可能正确。
当算力开始承担判断与认知，我们已经没有完全可复用的历史参照。支出的可见性制造了今天的恐惧，需求的不可见性却也藏着这个时代最大的机会。
看不清路径，不一定意味着看错方向。
每一条 S 曲线最终都会结束。但文明从未停在任何一条曲线的尽头。
需要特别说明：这篇“下篇”并不是整个系列的最终完结。 原文结尾仍把三个问题留给下一篇：开放权重模型会怎样影响半导体？半导体资本开支“内战”中谁会胜出？如果存储与内存拿走过多利润，又会发生什么？这些问题将在后续继续推演，本篇不提前替作者给出答案。
补充核验：NVIDIA 收购公告：https://blogs.nvidia.com/blog/nvidia-to-acquire-hugging-face；OpenAI GPT‑5.6 系列：https://openai.com/index/gpt-5-6；OpenAI 调价说明：https://openai.com/index/advancing-the-price-performance-frontier-with-gpt-5-6。
来源说明：本文依据 X 用户 @fi56622380 发布的《AI Semiconductor Endgame 2026 (III)》进行完整中文编译与编辑审校；原文中的 ARR、GW、收入、毛利率、企业采用率、模型份额及远期规划，多为作者估算、图表汇总或情景预测，并非本文独立审计结果。涉及公司经营与产业趋势的内容请以公司正式披露、监管文件及原始数据源为准。
原文地址：https://x.com/fi56622380/status/2093040177711329673
风险提示：本文仅用于产业研究与信息交流，不构成任何投资建议、证券推荐、收益承诺或交易依据。技术迭代、政策、融资、电力、供应链、价格与需求均可能使实际结果显著偏离文中推演。