《AI推理经济性｜从算力扩张到资本回报》

《AI推理经济性｜从算力扩张到资本回报》

2026年10月20日。

今天阅读了三份英文专业材料。

Epoch AI研究全球AI芯片究竟能够支撑多少Agent。

微软Maia 300揭示了自研XPU、内存带宽与系统级推理效率的竞争。

SemiAnalysis则深入DeepSeek Engram，讨论如何通过HBM、DRAM与SSD之间的数据重分配，降低推理成本。

三份材料，三个不同的技术层级，却共同指向同一个问题：

未来真正稀缺的，究竟是算力，还是能够创造经济价值的有效计算？

过去几年，AI产业的核心叙事是扩张。

更多GPU，更多数据中心，更多电力，更多资本开支。

但当硬件持续交付，模型效率不断提高，推理成本持续下降，新的问题开始浮现。

庞大的算力，最终由谁使用？

数以千万计的Agent，究竟能够创造多少真实收入？

芯片性能提高，是否意味着投资回报同步提高？

当完成同样任务需要的硬件越来越少，新增需求又能否吸收不断扩张的物理供给？

这意味着，AI基础设施正在进入一个更加复杂的阶段。

从追逐算力规模，转向研究算力经济性。

需求决定计算是否有用。

硬件决定计算能否交付。

效率决定计算需要付出多少成本。

而资本回报，取决于这三者最终如何结合。

AI使用量增长，不等于收入增长。

收入增长，不等于利润增长。

利润增长，也不等于股票必然上涨。

真正需要研究的，是从芯片、内存、网络、电力、数据中心，到Token、Agent、客户收入与资本回报之间的完整传导机制。

这是一条庞大而漫长的产业链。

我不需要预测每一家公司的未来。

也不需要每天寻找一个新的投资故事。

只需要持续进入真实的技术与工业世界，阅读一手材料，理解物理约束，校准经济变量。

每天理解一个机制。

每天消除一点模糊。

每天让判断更接近现实。

研究的终点，不是知道更多信息，而是逐渐形成能够独立定价现实的能力。

2026.10.20

Sovereign Research
Pavel Sovereign

Researching the capital cycle behind AI — from chips to power.