AI Token 平價化，基建投資仲值唔值得追？

AI 推理愈來愈平，對用家未必係壞事：成本低咗，更多公司同開發者有機會將模型放入實際產品。但對正在大舉興建 GPU 叢集、雲端容量、數據中心同電力設施的投資者而言，問題就變成：使用量增長，夠唔夠快去抵銷每個 Token 收費的急跌？

高盛的警告，核心正正係這個時間差。基建通常要提早多年投資，但模型使用的單位價格可以喺短時間內大幅下調。據報道，Silicon Data 的 LLM Token Expenditure Index 近日跌至每百萬 Token 0.97 美元，8 月單月下跌 29%。另一個前沿模型價格指數則顯示，價格較 2023 年 3 月的基準低 84%。245

如果付費 Token 用量未能以更快速度增長，市場可能出現一個尷尬局面：大量成本高、壽命長的算力容量，要爭奪單位收入更低的推理工作。影響不只限於模型公司，而係會沿住整條 AI 基建供應鏈傳導。

真正要計：用量增長能否跑贏價格通縮

Token 價格下跌本身唔等於利淡。平價 AI 可以令更多應用變得可行，刺激測試、開發同部署，從而帶動總消耗上升。

不過，供應商要守住收入與毛利，必須做到兩件事之一，最好兩樣都有：付費 Token 總量大幅上升，或者自身成本下降得比售價更快。高盛的憂慮是，專有模型之間的競爭性減價，可能削弱每個 Token 的變現能力；若算力消耗升得唔夠快，最終便可能留下過多基建容量。12

可以咁理解：

• 對用家而言，AI 平咗係好事：更多功能和工作流程用得起。
• 對基建擁有人而言，平價未必容易賺錢：尤其當投資計劃建基於算力稀缺、收費較高的假設。
• 關鍵在需求彈性：減價後新增的用量，能否令總收入及總算力需求不跌反升。

點解資本開支風險咁大？

因為今輪擴建規模極大。高盛的基準估算指，2026 至 2031 年間，計算設備、數據中心及電力相關的 AI 資本投資合共約 7.6 萬億美元；年度開支料由 2026 年約 7,650 億美元，升至 2031 年約 1.6 萬億美元。高盛亦明確指出，這些屬高度依賴假設的估算，並非確定預測。9

當中不少支出投向使用期長的資產：加速器、伺服器、網絡設備、機房和供電設施。要令這些投資有合理回報，靠的唔係「設備交咗貨」就得，而係持續有可收費、可盈利的工作負載。

晶片商：訂單強，唔代表最終使用率一定強

對半導體供應商來講，價格壓力未必會即刻反映為需求崩跌。客戶可能仍會為推出 AI 產品、搶先部署，或者確保供應而持續落單。

真正的風險會喺已部署容量開始多過有利可圖的需求時浮現。屆時，客戶可能放慢新增加速器及伺服器採購、對價格更敏感，或者更着重每一美元買到幾多效能。擁有明顯硬件差異、成熟軟件生態，或推理效率較高方案的公司，理論上較有緩衝。

所以，投資者不應只望設備出貨量，更要問：這些設備有冇被真正用起來，並產生可持續的收入？

數據中心營運商：要過「使用率」呢一關

數據中心涉及土地、電力和設施等重大而長期的承諾。若模型推理變得更平或者更有效率，客戶要產出同等應用效果所需的基建可能減少，繼而對入伙率、租約條款和項目回報造成壓力。

這不代表數據中心需求會消失。電力供應與 AI 部署的技術要求，仍然可以令某些地區的容量緊張。不過，某個地方缺電、缺機房，並不等於所有地區的經濟回報都會理想。投資者要將「實體供應稀缺」和「客戶有冇持續盈利地使用容量、續約或加租」分開睇。

雲端平台與模型供應商：要靠規模、效率和增值服務補數

雲端平台及模型託管商可受惠於低價推理，因為成本下降有助吸引更多開發者與企業工作負載上雲。但同一時間，單位用量收入亦會下降。

要保住毛利，供應商一般需要以下組合：

1. 大幅提高 Token 用量，而且要來自持續運行的生產應用；
2. 提升效率，令自身成本跌得快過對客戶的收費；
3. 提供較高價值服務，例如部署、保安、數據整合與工作流程工具。

高盛相關報道所指的風險，正是專有模型競爭加劇下的定價壓力。12 因此，不應只睇每百萬 Token 幾多錢，而要一齊睇客戶價、供應商成本，以及總付費用量三者的關係。

AI 代理可能係最大反向力量

利好一方在於 AI 代理：它們可以執行多步驟任務，所消耗的 Token 有機會遠多過一般聊天機械人互動。高盛研究預測，隨着消費者和企業採用 AI 代理，2026 至 2030 年每月 Token 消耗量可增加 24 倍，至約 120 千萬億個 Token。7

這亦解釋咗點解 Token 平價化不必然代表算力需求下降。若 AI 代理由示範工具，變成高頻而有價值的實際工作，總用量可以足以支撐龐大的基建投資。

但這始終係預測，唔係保證。整個基建投資論述，最終取決於代理能否創造企業或用家願意長期付費的工作負載，而唔係大量低成本的試玩式查詢。

投資者應留意的指標

要判斷「算力會否供過於求」，以下數字往往比 Token 標價更有用：

• AI 收入增長對比 Token 價格跌幅：單位價跌緊，總變現有冇仍然擴大？
• 加速器與伺服器訂單對比實際部署：買返嚟的容量，有冇投入運作？
• 數據中心使用率、已簽約容量及續約情況：設施落成後，客戶承諾是否仍然穩固？
• 雲端毛利率：效率提升和增值服務，能否抵銷較低的推理收費？
• AI 代理的生產環境採用率：有冇形成可重複、具業務關鍵性的流程，而唔係零星試驗？
• 電力供應：它是持久的有效容量限制，還是需求尚未追上前的短期樽頸？

結論

高盛並非話 LLM Token 價格下跌必然係壞事。更平的推理，完全可以成為 AI 普及的催化劑。

風險在於，價格通縮加上模型效率進步，若令收入和所需算力下降得快過 AI 代理帶動的使用量增長，市場就可能出現太多昂貴容量，去競逐回報較低的工作。

對 AI 基建投資者來講，故事已不再只是「不停擴容」，而係一場關於使用率與變現能力的考驗。較有韌性的企業，可能係那些能將平價 Token 轉化成持續、高價值工作負載，同時在成本、效能或服務深度上保有優勢的公司。17