AI进步呈指数级，但资本投入超指数：增长能持续吗？

指数曲线背后的隐忧

过去几年，几乎所有衡量AI进步的指标——无论是模型能力、推理性能还是基准测试得分——都紧密贴合一条指数曲线。这意味着AI能力的提升速度一直在稳步加快，呈现出我们熟悉的"每隔一段时间翻一倍"的节奏。

但一位研究者在社交平台上提出了一个更值得深思的观察：在同一时期（2023至2026年），AI领域的资本支出（capex）增长不是普通的指数级，而是略微超指数的——也就是说，增长率本身也在不断攀升。换句话说，产业投入的加速度，比产出能力的加速度还要快。

这个细微但关键的差异，揭示了当前AI繁荣背后一个容易被忽视的结构性问题。

把AI看作一个输入输出系统

如果我们把整个AI产业抽象成一个系统：输入是外部投资，输出是AI能力的进步，那么从数学上看，这个系统的响应是略微次线性的。

这个判断的逻辑并不复杂：当你需要超指数级地注入资源，才能换取仅仅是指数级的能力提升时，说明单位投入所能撬动的产出正在边际递减。系统没有展现出"投入越多、效率越高"的理想特性，反而是在用越来越激进的资金堆砌，来维持看似平稳的能力增长曲线。

这种视角把AI的发展从单纯的技术叙事，拉回到了资源与回报的经济学框架之中。能力的指数增长固然令人振奋，但如果它的燃料是以更快速度膨胀的资本，那么这条曲线的可持续性就必须打上问号。

次线性（sublinear）响应是控制论与系统工程中的概念：若输出增长速率持续低于输入增长速率，系统便呈现次线性特征。与之对应的是超线性响应——即每增加一单位投入，带来的产出增量反而更大，类似于"规模报酬递增"。当前AI系统的表现恰好相反：算力与资金的边际回报正在收窄。这一现象部分源于主流训练范式（预训练大语言模型）的Scaling Law本身并非完美线性——在参数量和数据量达到一定规模后，损失曲线的下降斜率会逐渐放缓，需要投入指数级更多的计算量才能换取同等幅度的性能提升。这正是业界近年积极探索"后训练"（post-training）、强化学习与推理时扩展（inference-time scaling）等替代路径的根本原因之一。

外部资源注入无法永续

问题的核心在于：超指数级地注入外部资源，在长期内是不可持续的。

外部投资——无论来自风险资本、科技巨头的资产负债表，还是公开市场——都不是无限的。任何以不断加速的速率消耗资源的系统，终将撞上资源的天花板。资本市场的耐心、GPU的供应、能源的约束、投资者对回报的要求，都会在某个节点形成硬约束。

换言之，当前AI进步的指数曲线，部分是被一股无法长期维持的资金洪流托举起来的。一旦外部注入的增速放缓，哪怕只是从"超指数"回落到"指数"甚至"线性"，叠加系统本身的次线性响应，AI能力的进步节奏可能会明显受到拖累。

值得注意的是，"硬约束"的到来未必以剧烈崩溃的形式出现，更可能是渐进式的增速放缓。资本市场对AI基础设施的耐心通常以"盈利兑现时间窗口"衡量：若主要超大规模云厂商（hyperscaler）在未来两到三个财年内无法展示与资本开支相称的AI收入增长，资本市场对新一轮算力扩张的支持意愿就会系统性下滑。这种预期管理层面的收紧，有时比实物资源瓶颈更早到来，并以估值重定价和融资环境收紧的形式向整个产业链传导，进而影响中小模型公司的生存空间。

关闭资源循环才是关键

那么出路在哪里？原帖给出的答案是：AI产业必须实现与之匹配的指数级利润，关闭资源循环。

所谓"关闭资源循环"，指的是让AI产业从依赖外部输血，转向自我造血。如果AI能够产生指数级增长的真实利润——而不仅仅是指数级增长的估值与融资——那么这些利润就可以反哺到下一轮的研发与算力投入中，形成一个内部可自持的增长飞轮。

这才是维持长期指数级进步的真正条件。只有当AI创造的经济价值，能够以匹配其能力增长的速率回流到产业内部，整个系统才不再依赖外部资源的持续加码，增长曲线也才拥有了内生的、可持续的动力来源。

**资源循环（resource loop）**的概念在商业上等价于"单位经济效益转正后的再投资飞轮"。历史上，云计算产业提供了一个可参照的先例：AWS早期同样需要大规模外部资本建设基础设施，但随着付费客户规模扩张，云服务利润开始以指数速率反哺数据中心扩容，形成自我强化的增长闭环。AI产业目前面临的挑战在于，其主要变现形态——API调用订阅、企业服务合同——的增速尚未追上算力成本的膨胀速度。若AI Agent、自动化工作流等高附加值应用场景能够实现大规模商业落地，则有望加速这一循环的闭合。

对行业的启示

这个分析框架，为当下关于AI泡沫与可持续性的讨论提供了一个清晰的量化视角。它提醒我们区分两件事：能力的进步和商业的闭环。

技术指标的漂亮曲线，并不等同于商业模式的健康。当资本以超指数速度涌入，而变现能力尚未形成同等量级的回路时，产业就处在一个脆弱的平衡点上。接下来几年，衡量AI行业是否真正进入可持续发展阶段的核心指标，或许不再是模型跑分，而是——它能否把烧掉的钱，以更快的速度赚回来。

对投资者、创业者和政策制定者而言，这意味着需要更多关注AI的盈利路径与单位经济效益，而不仅仅是能力演示。谁能率先"关闭资源循环"，谁才真正握住了下一阶段竞争的主动权。