编者按：近日，曾在 OpenAI 和 Anthropic 从事预训练工作的 Jacob Coxon 宣布离开 Anthropic，并公开呼吁领先 AI 实验室协调限制模型能力继续提升。Anthropic 对齐科学负责人 Evan Hubinger 随后回应称，他认同 Coxon 对风险的主要判断，并将未来十年 AI 导致人类灭绝的概率估计在 10% 以上。

这场争论正在把「AI 减速」从伦理议题推向资本市场：如果前沿实验室真的放慢模型研发，过去几年不断上修的 AI 资本开支是否也将迎来拐点？依靠 AI 叙事获得估值溢价的科技股，又是否需要重新定价？

Beta to Alpha 作者 Saket Mehrotra 在《The bottleneck isn't the model. It never was.》一文中提出，实验室对 AI 风险的担忧，与基础设施投资降温并不是一回事。只要各家公司仍然担心在竞赛中落后，安全焦虑就可能继续推动算力投入；与此同时，产业瓶颈已经由 GPU、HBM 和先进封装逐步转向电力与电网。

这并不意味着 AI 减速对市场毫无影响。更准确地说，影响取决于减速发生在哪一层：如果只是延长安全测试、放缓模型发布，CapEx 未必随之下降；如果政府直接限制训练集群、芯片供应或数据中心用电，整个投资框架才可能发生根本变化。

以下为原文编译：

Jacob Coxon 的离职，再次把前沿 AI 的风险摆到台前。

Coxon 认为，OpenAI 和 Anthropic 正在竞相开发能够自我改进的超级智能，却没有采取足够负责任的安全措施。这并不是来自外部批评者的孤立声音。Anthropic 对齐科学负责人 Evan Hubinger 随后公开表示，他认同 Coxon 的主要判断，并估计未来十年 AI 导致人类灭绝的概率超过 10%。相关表态也获得了WIRED等媒体的报道。

但对投资者而言，另一个问题可能更加直接：当前沿实验室开始讨论减速，科技公司的 AI 资本开支是否也会随之下降？

Mehrotra 认为，至少在现阶段，两者之间不能直接画等号。AI 安全争议发生在模型和实验室治理层，而本轮 CapEx 周期的约束已经逐步下沉至芯片、封装、电力和数据中心等物理基础设施。

越担心输掉竞赛，实验室越难主动减速

按照 Coxon 的描述，前沿实验室并非没有意识到风险。真正的问题是，没有任何一家实验室愿意率先放慢速度。

其中的博弈逻辑是：如果一家实验室选择减速，其他安全意识更弱的竞争对手可能率先开发出更强大的模型。与其让不够谨慎的对手抢先突破，不如继续投入资源，确保自己成为领先者，并争取以更安全的方式控制技术。

在作者看来，这种思路很难转化为资本开支收缩，反而可能强化军备竞赛。实验室越相信自己正在参与一场决定性的技术竞争，就越难削减 GPU 采购、训练集群和数据中心投入。

因此，安全焦虑和 CapEx 增长可以同时存在。它甚至可能形成一个自我强化的循环：实验室担心 AI 能力快速提升，却又因为担心落后于对手而投入更多资源，进一步加快能力竞赛。

这是作者对行业博弈结构的解释，并非已经得到公司资本开支计划证实的结果。要判断这一逻辑是否成立，仍需观察主要云厂商和 AI 实验室是否开始调整实际采购及建设计划。

模型减速，不等于基础设施周期结束

Mehrotra 的第二个判断是，AI 产业的核心瓶颈已经迁移多次，而每一次迁移都提高了资本密集度。

最初限制模型训练的是 GPU 供应和芯片配额；随后，瓶颈转向 HBM 高带宽内存和先进封装；如今，电力供应、电网接入和数据中心建设正在成为更难迅速解决的约束。

芯片和封装能力可以通过扩充生产线缓解，但电力问题通常需要建设或重启发电设施、增加燃气轮机与变压器产能，并升级输电和并网系统。这类项目投资规模更大，建设周期也更长，无法通过一次软件升级解决。

因此，即使前沿模型的发布频率下降，已经签订的芯片订单、电力采购协议和数据中心建设项目也未必立即停止。模型研发与基础设施建设之间存在时间差，CapEx 通常不会随着舆论或研发节奏同步转向。

与此同时，减速也未必意味着算力需求自然下降。更长的安全测试、更复杂的推理过程，以及存量模型向企业和消费者场景的部署，仍可能消耗大量计算资源。

作者由此认为，投资者不应只关注社交媒体上争论最激烈的模型层，更应寻找未来 18 个月正在形成的新瓶颈。按照这一框架，目前更值得关注的稀缺资源已经由「模型智能」逐渐转向电力及其配套基础设施。

AI 科技股可能从普涨转向分化

如果模型减速不等于 CapEx 停止，它对科技股的影响就不会是简单的全面利空，而更可能体现为产业链重新定价。

首先，依赖前沿模型持续跃升、产品快速变现的公司，可能更容易受到影响。一旦模型迭代放缓，市场对收入增速、商业化节奏和估值倍数的假设可能需要调整。

其次，掌握 GPU、网络设备、供配电、制冷和数据中心资源的公司，订单逻辑未必同步恶化。只要云厂商仍在扩建基础设施，或者算力瓶颈继续向电力环节迁移，相关投资就可能保持较强惯性。

第三，市场需要区分训练和推理。即使实验室协调限制超大规模前沿训练，存量模型的推理需求、企业部署和 AI 应用普及仍可能推动算力消耗。届时，CapEx 可能发生结构变化，而非断崖式收缩。

这意味着，AI 减速首先改变的可能不是整个科技行业的增长方向，而是不同资产共享同一套 AI 估值逻辑的局面。过去，模型公司、云厂商、半导体企业和电力基础设施供应商都能从 AI 叙事中获得溢价；如果模型能力竞赛放缓，市场可能开始更严格地区分技术领先、商业化能力和订单兑现。

真正改变 CapEx 逻辑的变量是监管

Mehrotra 认为，真正可能打断本轮 AI 资本开支周期的，并不是又一次供应链短缺，而是政府从系统外部设置硬性限制。

GPU、HBM、电力和变压器不足，本质上仍是可以通过增加投资缓解的瓶颈。它们可能推迟数据中心上线，却也会引导资本流向新的稀缺环节。

监管则不同。如果政府直接限制高端芯片采购、训练集群规模、模型训练所需算力或数据中心用电，企业将难以仅靠增加投资突破约束。在这种情景下，云厂商的 CapEx 预期、基础设施订单和 AI 相关科技股估值才可能同时面临下修。

不过，原文将这种情况视为低概率尾部风险，而非基准情景。该判断同样需要持续验证，不能被理解为监管风险已经得到排除。随着 AI 实验室内部的担忧公开化，外部政策压力仍可能上升。

接下来，市场真正需要观察的不是「AI 减速」这一笼统口号，而是三个更具体的信号：前沿实验室是否将减速写入正式研发计划，主要云厂商是否削减数据中心订单，以及监管是否开始直接触及芯片、算力与能源供给。

Coxon 的离职证明，前沿 AI 的安全争议已经从外部批评进入实验室内部。但从研究人员表达担忧，到科技公司实际削减资本开支，中间仍隔着竞争压力、建设惯性与基础设施短缺等多个环节。

AI 减速未必立即终结 CapEx 周期，但它可能终结所有 AI 资产共享同一套上涨逻辑的阶段。

[原文链接]