AI 推論正在迅速變便宜。這對使用者與開發者而言，可能降低導入門檻、催生更多應用；但對正大舉興建晶片、雲端算力與資料中心的投資人來說，問題變得更複雜：基礎設施要提早數年投入，模型使用單價卻可能在短時間內明顯下滑。

市場報導指出，Silicon Data 的大型語言模型（LLM）Token 支出指數近期降至每百萬 Token 0.97 美元，8 月單月下跌 29%。另一項前沿模型價格指數則顯示，價格較 2023 年 3 月基期低 84%。245

高盛的核心警訊並不是「AI 變便宜就是壞事」，而是用量成長是否足以跑贏價格通縮與模型效率提升。若答案是否定的，昂貴的算力容量可能必須爭搶單位營收更低的推論工作，最終造成供給過剩與回報下滑。

真正的算式：用量必須跑贏價格下跌

Token 單價下降本身不必然利空。價格更低，可能讓原本不具經濟效益的 AI 功能變得可行，帶來更多實驗、開發與正式上線的工作負載。

但供應商面對的是另一道算式：付費 Token 總量的成長，加上自身成本下降的幅度，能否超過每個 Token 可收取價格的跌幅？

依相關報導，高盛擔心專有模型間的競爭性降價，可能削弱每 Token 的變現持久性；若運算消耗未能足夠快地成長，產業最終可能留下過多基礎設施。12

這可拆成三層理解：

• 對用戶而言，AI 更便宜是好事：成本下降有助擴大可用情境。
• 對基礎設施擁有者而言，低價未必輕鬆：若投資決策建立在算力稀缺、價格偏高的假設上，營收與回報可能受壓。
• 關鍵在需求彈性：每次降價，能否帶來足以維持甚至提高總營收與運算需求的新增用量？

為何這項風險牽動數兆美元資本支出？

高盛的基準估計顯示，2026 至 2031 年間，運算、資料中心及電力相關的 AI 資本投資合計約為 7.6 兆美元；年度支出將由 2026 年約 7,650 億美元升至 2031 年約 1.6 兆美元。高盛也明確表示，這是對假設高度敏感的估計，而非確定預測。9

這些投資大多落在壽命長、前期成本高的資產：AI 加速器、伺服器、網路設備、機房與電力設施。它們需要持續的工作負載與合理的報酬，才能支撐投資邏輯。

晶片商：重點不只在出貨，而在設備是否被有效運用

對半導體供應商而言，價格壓力不一定會立刻反映為訂單崩落。客戶可能仍在建置新 AI 產品、擴張服務，或希望先確保供應，因此持續採購。

風險會在已部署的容量超過可獲利需求時浮現。屆時，客戶可能放慢加速器與伺服器採購、提高議價力，或更重視每一美元能換到多少效能。硬體差異化高、軟體生態系完整，或能提供高效率推論方案的業者，理論上較有緩衝空間。

投資人更應問的是：設備交付後，是否轉化成長期、高利用率且可帶來營收的工作負載，而非只看出貨量。

資料中心：將面對利用率與租約經濟的檢驗

資料中心涉及土地、供電與機房建設等長期承諾。若模型推論更便宜、效率更高，客戶為產出同樣的應用成果，可能需要較少的基礎設施；這會對出租率、租約條件及專案回報形成壓力。

這不代表資料中心需求會消失。電力可得性與 AI 部署的技術要求，仍可能限制供給；但某個地區或電力市場出現物理上的容量稀缺，不代表所有地區都能維持強勁的商業回報。

因此，投資人應區分「實體供應受限」與「客戶是否正以獲利方式使用容量、續約或擴約」這兩件事。

雲端與模型託管商：靠用量、效率與附加價值補回單價

雲端平台與模型託管商可能從低推論價格中受益，因為可負擔性提高，有機會吸引更多開發者與企業工作負載上雲。不過，價格下跌也直接降低每單位使用的營收。

若要守住毛利，業者需要至少具備以下一項、最好同時具備多項條件：

1. 付費 Token 用量大幅增加，且來自穩定的正式環境使用；
2. 成本下降速度快於售價下跌；
3. 在模型之外提供更高價值的服務，例如部署、資安、資料整合與工作流程工具。

報導所述風險的一大來源，正是專有模型之間的競爭性定價。12 因此不能只看 Token 的名目價格；更重要的是客戶付費價格、供應商成本與總付費用量三者之間的關係。

AI 代理人可能是需求面的重要支撐

看多方的主要反駁在於 AI 代理人（agentic AI）。這類系統可完成多步驟任務，消耗的 Token 可能遠高於一次性的聊天機器人問答。

高盛研究預估，隨消費者與企業採用 AI 代理人，2026 至 2030 年間每月 Token 消耗量可增加 24 倍，達約 120 千兆個 Token。7

這也說明 Token 降價不等於算力需求一定下降：若 AI 代理人從展示功能走向頻繁、具實際價值的任務，總用量可能足以支撐龐大的基礎設施建設。

但這仍是預測，而非保證。基礎設施投資能否成立，最終取決於代理人是否創造使用者或企業願意持續付費的工作負載，而不只是大量低成本的測試查詢。

比 Token 報價更值得追蹤的指標

評估 AI 算力供給過剩風險時，可留意以下互相關聯的訊號：

• AI 營收成長與 Token 價格跌幅的對比：單價下降時，整體變現是否仍在擴大？
• 加速器、伺服器訂單與實際部署情況：購買的容量是否真的投入使用？
• 資料中心利用率、已簽約容量與續約率：設施啟用後，需求承諾是否依舊穩固？
• 雲端毛利率：效率改善與高附加價值服務，能否抵銷推論價格下滑？
• AI 代理人在正式環境的採用：是否帶來可重複、具關鍵性的企業流程，而非零星試用？
• 電力供應狀況：它是對有效容量的長期限制，還是需求尚未到位前的暫時瓶頸？

結論：AI 基建故事，正從擴產轉向變現與利用率的考驗

高盛的警告不是說 LLM Token 降價天生是壞事。更便宜的推論，恰可能是 AI 擴大普及的推力。

真正的風險在於，價格通縮與模型效率提升，若比代理人驅動的使用量成長更快，產業就可能出現過多昂貴容量，追逐較低毛利的工作負載。

對 AI 基礎設施投資人來說，焦點因而不再只是「還要蓋多少」，而是「蓋好的容量能否持續被有效利用並賺錢」。相對具韌性的企業，可能是那些能把更便宜的 Token 轉成長期、高價值工作負載，同時保有成本、效能或服務深度優勢的公司。17

AI 推論正在迅速變便宜。這對使用者與開發者而言，可能降低導入門檻、催生更多應用；但對正大舉興建晶片、雲端算力與資料中心的投資人來說，問題變得更複雜：基礎設施要提早數年投入，模型使用單價卻可能在短時間內明顯下滑。

市場報導指出，Silicon Data 的大型語言模型（LLM）Token 支出指數近期降至每百萬 Token 0.97 美元，8 月單月下跌 29%。另一項前沿模型價格指數則顯示，價格較 2023 年 3 月基期低 84%。245

高盛的核心警訊並不是「AI 變便宜就是壞事」，而是用量成長是否足以跑贏價格通縮與模型效率提升。若答案是否定的，昂貴的算力容量可能必須爭搶單位營收更低的推論工作，最終造成供給過剩與回報下滑。

真正的算式：用量必須跑贏價格下跌

Token 單價下降本身不必然利空。價格更低，可能讓原本不具經濟效益的 AI 功能變得可行，帶來更多實驗、開發與正式上線的工作負載。

但供應商面對的是另一道算式：付費 Token 總量的成長，加上自身成本下降的幅度，能否超過每個 Token 可收取價格的跌幅？

依相關報導，高盛擔心專有模型間的競爭性降價，可能削弱每 Token 的變現持久性；若運算消耗未能足夠快地成長，產業最終可能留下過多基礎設施。12

這可拆成三層理解：

• 對用戶而言，AI 更便宜是好事：成本下降有助擴大可用情境。
• 對基礎設施擁有者而言，低價未必輕鬆：若投資決策建立在算力稀缺、價格偏高的假設上，營收與回報可能受壓。
• 關鍵在需求彈性：每次降價，能否帶來足以維持甚至提高總營收與運算需求的新增用量？

為何這項風險牽動數兆美元資本支出？

高盛的基準估計顯示，2026 至 2031 年間，運算、資料中心及電力相關的 AI 資本投資合計約為 7.6 兆美元；年度支出將由 2026 年約 7,650 億美元升至 2031 年約 1.6 兆美元。高盛也明確表示，這是對假設高度敏感的估計，而非確定預測。9

這些投資大多落在壽命長、前期成本高的資產：AI 加速器、伺服器、網路設備、機房與電力設施。它們需要持續的工作負載與合理的報酬，才能支撐投資邏輯。

晶片商：重點不只在出貨，而在設備是否被有效運用

對半導體供應商而言，價格壓力不一定會立刻反映為訂單崩落。客戶可能仍在建置新 AI 產品、擴張服務，或希望先確保供應，因此持續採購。

風險會在已部署的容量超過可獲利需求時浮現。屆時，客戶可能放慢加速器與伺服器採購、提高議價力，或更重視每一美元能換到多少效能。硬體差異化高、軟體生態系完整，或能提供高效率推論方案的業者，理論上較有緩衝空間。

投資人更應問的是：設備交付後，是否轉化成長期、高利用率且可帶來營收的工作負載，而非只看出貨量。

資料中心：將面對利用率與租約經濟的檢驗

資料中心涉及土地、供電與機房建設等長期承諾。若模型推論更便宜、效率更高，客戶為產出同樣的應用成果，可能需要較少的基礎設施；這會對出租率、租約條件及專案回報形成壓力。

這不代表資料中心需求會消失。電力可得性與 AI 部署的技術要求，仍可能限制供給；但某個地區或電力市場出現物理上的容量稀缺，不代表所有地區都能維持強勁的商業回報。

因此，投資人應區分「實體供應受限」與「客戶是否正以獲利方式使用容量、續約或擴約」這兩件事。

雲端與模型託管商：靠用量、效率與附加價值補回單價

雲端平台與模型託管商可能從低推論價格中受益，因為可負擔性提高，有機會吸引更多開發者與企業工作負載上雲。不過，價格下跌也直接降低每單位使用的營收。

若要守住毛利，業者需要至少具備以下一項、最好同時具備多項條件：

1. 付費 Token 用量大幅增加，且來自穩定的正式環境使用；
2. 成本下降速度快於售價下跌；
3. 在模型之外提供更高價值的服務，例如部署、資安、資料整合與工作流程工具。

報導所述風險的一大來源，正是專有模型之間的競爭性定價。12 因此不能只看 Token 的名目價格；更重要的是客戶付費價格、供應商成本與總付費用量三者之間的關係。

AI 代理人可能是需求面的重要支撐

看多方的主要反駁在於 AI 代理人（agentic AI）。這類系統可完成多步驟任務，消耗的 Token 可能遠高於一次性的聊天機器人問答。

高盛研究預估，隨消費者與企業採用 AI 代理人，2026 至 2030 年間每月 Token 消耗量可增加 24 倍，達約 120 千兆個 Token。7

這也說明 Token 降價不等於算力需求一定下降：若 AI 代理人從展示功能走向頻繁、具實際價值的任務，總用量可能足以支撐龐大的基礎設施建設。

但這仍是預測，而非保證。基礎設施投資能否成立，最終取決於代理人是否創造使用者或企業願意持續付費的工作負載，而不只是大量低成本的測試查詢。

比 Token 報價更值得追蹤的指標

評估 AI 算力供給過剩風險時，可留意以下互相關聯的訊號：

• AI 營收成長與 Token 價格跌幅的對比：單價下降時，整體變現是否仍在擴大？
• 加速器、伺服器訂單與實際部署情況：購買的容量是否真的投入使用？
• 資料中心利用率、已簽約容量與續約率：設施啟用後，需求承諾是否依舊穩固？
• 雲端毛利率：效率改善與高附加價值服務，能否抵銷推論價格下滑？
• AI 代理人在正式環境的採用：是否帶來可重複、具關鍵性的企業流程，而非零星試用？
• 電力供應狀況：它是對有效容量的長期限制，還是需求尚未到位前的暫時瓶頸？

結論：AI 基建故事，正從擴產轉向變現與利用率的考驗

高盛的警告不是說 LLM Token 降價天生是壞事。更便宜的推論，恰可能是 AI 擴大普及的推力。

真正的風險在於，價格通縮與模型效率提升，若比代理人驅動的使用量成長更快，產業就可能出現過多昂貴容量，追逐較低毛利的工作負載。

對 AI 基礎設施投資人來說，焦點因而不再只是「還要蓋多少」，而是「蓋好的容量能否持續被有效利用並賺錢」。相對具韌性的企業，可能是那些能把更便宜的 Token 轉成長期、高價值工作負載，同時保有成本、效能或服務深度優勢的公司。17