过去这一年，全世界在以创纪录的速度建算力。四大云厂商2026年资本开支合计约7250亿美元，比上一年涨77%，高盛预测2025到2030年累计投入会到5.3万亿。HBM、CoWoS、先进制程、数据中心机房和电网，整条链在同时扩产。按老规矩，这么干算力过剩是必然结局——传统资本周期下，供给总会追平需求，然后出清。上世纪80年代造船、2001年电信、2010年代光伏，剧本大同小异。但这个判断依赖一个前提：供给不改变需求结构，或对需求的反作用弱而慢。AI算力打破了这个前提。Token价格三年降了一千倍，处理的任务量两年涨了三百倍，一个编程任务从几百Token膨胀到1300万Token，AI开始用15美元的成本自己产出实验和论文。算力把价格打下来后，AI创造的新需求反馈更快、更强、更猛烈了。

本文提出递归算力资本周期（RCCC）框架，把需求对供给的反应拆成三种性质不同的需求效应：Price Effect（算力变便宜，更多场景可行）、Capability Effect（模型变强，更重的任务变得可做）、Recursive Effect（计算产生新能力和新任务，今天的算力直接影响明天的需求），并提出核心问题：当需求由递归计算驱动、而供给受物理世界约束时，过剩是否仍是必然结局？

一、传统资本周期是怎么运作的

传统资本周期讲的是一个循环：高利润→资本进入→产能增加→供给过剩→价格下跌→回报率恶化→资本退出。某个行业开始赚钱，资本涌进来，但产能不会立刻实现。建一座先进晶圆厂、造一艘散货船都要两到三年。所有人在同样的高利润信号下做了同样的决定，等两三年后产能同时落地时，供给超过需求，价格崩塌。这就是产能释放时滞的杀伤力：投资决策和产能落地之间隔好几年，市场行情可能已经翻转。

电信光纤是最具代表性的样本。1996年后五年行业投了超5000亿美元铺光纤，产能在2001年前后集中释放，崩盘后85%到95%的光纤闲置，WorldCom破产。其实便宜带宽后来催生了YouTube、AWS、Netflix流媒体，但需求比产能落地晚到了五到七年，那批铺光纤的公司没活到需求到来的那天。这条规律如此稳定，被Edward Chancellor总结成操作指南：所有人扩产时卖出这个行业股票，所有人收缩时买入。它之所以一直有效，依赖一个很少被点明的前提：供给最终总能追上需求。因为传统资本周期有两个特性：一，需求反馈慢——以年计，产能持续后供给终归超过需求；二，需求反馈有天花板——需求基本盘由人口、基建、贸易量等外部变量决定，供给的刺激改变需求水平，改变不了长期增速。两条加在一起，扩产迟早追平需求，过剩近乎必然。

AI算力不一样。一方面，需求反馈从"按年"走向"按月"，比传统行业快很多，且持续加速迭代，AI还自我创造下一轮算力需求。另一方面，供给受物理世界硬约束，晶圆厂、电力等基础设施建设增速有天花板。如果需求能持续加速而供给有上限，"供给最终追上需求"就不一定成立。

二、需求侧的三种效应

AI算力的总需求可分解为：算力需求（D）≈任务数量（N）×单任务计算量（C）。传统软件需求主要由N驱动，C基本是常数。AI的特殊性在于：新增供给通过三种效应同时推高N和C，且第三种效应会改变N和C本身的增长速度。

Price Effect：更便宜，所以更多任务。根据Epoch AI数据，同等能力模型推理单价约以每年50倍速度下降，2024年以来加速到每年200倍；2026年7月OpenAI把GPT-5.6 Luna输入价降到每百万Token 0.20美元，比上一代便宜80%。但总支出暴涨：企业LLM API支出2025上半年从35亿美元翻倍到84亿，平均企业AI预算从2024年120万美元涨到2026年700万。单价降、账单涨，这是Jevons效应：蒸汽机效率提高后煤炭总消耗反而增加。Price Effect传统行业也有，但AI需求响应速度快很多——Token降价后一两个月调用量就爆发，而不是几年。

Capability Effect：更重的任务开始可行。模型每变强一档，"能交给AI的任务"边界外扩一次，单任务计算量跳一个台阶。普通聊天几千Token；推理模型回答同一问题会烧一到三万thinking token，膨胀20到100倍；自主coding agent阶段一个任务消耗20万到80万Token，是chatbot的50倍。2026年5月工程师Jarred Sumner用Claude Code在11天里把75万行Zig代码移植成Rust，测试通过率99.8%。Epoch AI估计推理在总AI算力中占比会从2023年约三分之一升到2030年75%。Agent替代的是劳动，愿意支付的天花板不是软件订阅预算，而是所替代劳动的经济价值。这是在改变需求结构，不只是让已有需求变便宜。

Recursive Effect：任务自生成，计算生产新的计算。这是真正新出现的一层，沿三个维度同时展开。沿时间展开：持续学习让模型部署后持续从交互中吸收数据更新参数，训练从"半年一次"变成永不停机。沿搜索空间展开：世界模型在行动前模拟大量未来路径，test-time compute让同一问题计算量随搜索深度和分支宽度膨胀。沿自我迭代展开：AI开始参与AI研发本身，自动提出假设、设计实验、跑实验、分析结果、改进模型。上一轮计算输出直接成为下一轮输入。Google DeepMind的AlphaEvolve优化了训练其自身底座模型的基础设施。ICLR 2026为递归自我改进开设专门workshop，过去两年arXiv上相关论文超1250篇。RCCC主张的是它第一次同时满足三个条件：需求反馈发生在一个周期之内、强度自我递增、上限初次不可见。前两种效应抬高需求水平，后一种效应改写需求增长速度。

三、供给侧的天花板

需求侧活在数字世界，几个月就能爆发。供给侧活在物理世界：每个新增FLOP最终落在实体的硅片、封装、服务器、电缆上。先进制程晶圆厂从动工到投产两到三年；ASML是全球唯一EUV光刻机供应商；HBM每加一代堆叠层数都要重爬良率曲线；最慢的是电力——大型数据中心要电几百兆瓦，变电站审批、电网建设、发电扩容每项都以年计。芯片、HBM、封装、电力、网络、冷却是系统，缺一不可，最慢的决定整体速度。Epoch AI数据：前沿训练算力近年约每年增长5倍，美国数据中心电力容量可行长期增速约每年10%到30%。算法改进当天部署，再聪明的模型也无法一夜变出变电站和厂房。

四、从"必然过剩"到"四种状态"

传统资本周期只有一条回路。AI算力多长出一条正反馈：负反馈：资本进入→算力增加→价格下跌→回报率恶化→资本退出。正反馈：资本进入→算力增加→成本下降+能力提升→任务更多、更重、自我繁殖→需求增加→资本继续进入。两条回路同时运行方向相反。过剩还是短缺不再能从扩产规模直接推出。

RCCC供需函数由三个方程构成：方程一·供需缺口x=D/K，大于1是短缺，小于1是过剩。方程二·供需缺口动态Δln x≈gD(K,A)−gK，gK≤gmax，缺口变化率等于需求增长率与供给增长率之差。方程三·递归结构A(t+1)=A(t)+φ(K,A)，∂φ/∂K>0且∂φ/∂A>0。这是整个函数最关键的一条：更多算力投入提升AI能力A，AI能力越强同样一单位研发算力产生更大能力增量。这一轮算力买下一轮智力，下一轮智力创造下下轮需求。传统行业里"扩产→能力→需求增速"传导要么不存在要么弱而慢，传统理论把gD当外生常量，只要扩产持续方程二右边终将变负，过剩是默认结局。AI改变的是K增加通过方程三推高下一期需求增速，右边会不会变负从此取决于递归效应R的强度，不再有确定答案。

由此导出四种状态：一，过剩加深（x<1，Δln x<0），传统资本周期典型状态；二，过剩收窄（x<1，Δln x>0），当前过剩需求正追上来，如光纤2005-2007年；三，短缺收敛（x>1，Δln x<0），当前短缺供给正追上来，传统理论认为这是短缺的常态终局；四，递归短缺（x>1，Δln x>0持续），已经短缺缺口还在扩大，传统框架里不存在。

眼下的GPU市场明确处于短缺一侧：NVIDIA每一代GPU量产前就被全部预订，H100云租赁价2025年末到2026年初涨了40%，2026年8月宣布企业GPU全线涨价约15%，HBM短缺把DRAM合约价2026年初推到一个季度环比涨超50%。在如此规模扩产中价格不降反升，本身就是需求增速快于供给增速的证据。

但这不是安全证书。短缺本身正在驱动更激进扩产，如果递归效应中途减速——比如coding agent渗透率见顶——而两三年前批的项目照常落地，系统就可能从短缺滑向过剩，和光纤同一逻辑。区别在于递归效应可能把短缺期拉得更长，让更多资本在短缺期涌入，反转一旦到来，过剩规模和资本损失都可能超过光纤时代。

RCCC框架有三个明确局限。其一，需求是用Token消耗、API调用量口径衡量的使用需求而非有效需求，使用量爆发中有多少来自补贴调用、多少来自真正愿意按商业价格支付的任务无法精确区分。其二，递归效应强度尚无量化验证，现有证据只是方向性的，不能确认是否强到足以维持第四种状态。其三，该框架是分析工具而不是预测，识别四种可能状态但不判断最终停留在哪一种。

值得下注的从来不是"有没有过剩"，而是"递归效应把过剩推后了多久，以及你的资本能不能活到那一天"。铺光纤的人和造船的人不是因为看错方向而破产，是因为看对了方向但算错了速度。