半导体与 AI 概念股从历史高点回撤 30%至40%后，市场重新出现“泡沫破裂”的判断。BlockTempo 援引 Kerman Kohli 在 Substack 发布的文章称，这轮下跌未必指向需求终点，关键不在股价本身，而在一个更底层的问题：市场究竟认为算力需求是有限，还是无限。
Kohli 的核心判断是，当超大型云厂商的算力订单积压在 1.5 年内从 5000 亿美元升至 2 万亿美元时，若仍要把这一轮投入简单归为泡沫，就需要拿出更强的证据。
股价大幅回撤后，争议回到算力需求本身
文章称，很多投资者把半导体、AI 和内存类股票的回调视为顶部信号，并据此认定此前的行情已经结束。Kohli 则将讨论收束到一个问题上：“你认为对算力的需求是有限的还是无限的？”
他提到，外界常把企业端采用节奏，直接外推为整个 AI 市场的真实需求。但如果把视角从企业软件采购转向更广义的算力上线，需求来源并不只来自企业。按文中划分，至少有四类群体持续消耗算力：
- 政府，用于军事和国防目的
- 科学家，用于医学和其他前沿研究
- 企业，用于构建新产品并在不受劳动力限制的情况下扩张
- 个人，用于编程、设计、创作和提问等活动
这四类买方愿意支付的价格上限并不相同。Kohli 认为，即便某一类需求会因价格退出，也不能据此推定不会有预算更高的下一类买家接手。对主权政府和超大型云厂商来说，算力支出并不是可随意压缩的项目；对不少企业而言，算力也是劳动力成本的替代品。
“过度建设”判断，建立在人类已满足现状的前提上
Kohli 在文中进一步拆解了“建设过度”这类观点背后的假设。若市场认为 AI 基础设施已经建得太多，实质上等于默认以下判断成立：政府不再需要更智能的武器和防御能力，科学家对现有研究进展已经满意，企业不再追求新产品和增长，个人也不再希望借助工具完成更多事情。
文章认为，只要不接受这些前提，就很难得出“算力需求已经见顶”的结论。Kohli 的说法是，如果人类和上述群体不会对现有智能水平感到满足，那么算力需求就不会有明确边界。
在这一框架下，他把当前市场理解为一场围绕算力展开的大规模竞赛，而不少投资者仍在用更传统的周期思路理解它。
云厂商 2 万亿美元订单积压，谁在为算力排队
围绕 AI 资本开支，市场最常见的质疑之一，是超大型云厂商是否把自由现金流押得过重，进而高估了未来需求。
Kohli 对这一问题的回答，是把公有云服务的定价机制放回商业现实中看。他认为，云服务商本身就非常擅长从客户身上提取利润。文章写道，这些平台长期把正常的非 CPU 算力成本抬高 10 至 20 倍，用户还需要为日志、数据传输以及其他多项基础服务继续付费。
其背后的关键，在于云生态的锁定效应。Kohli 提到，GCP 和 AWS 体系内部的带宽较便宜，但一旦数据和工作负载向外迁移，成本就会显著上升。由于租户环境与裸机之间存在明显脱节，客户从一家超大型云平台迁出，往往会变成持续多年的工程。对云厂商而言，如果客户的数据和算力都部署在自家体系内，却告诉对方 GPU 已经售罄，结果可能就是客户逐步转向竞争对手。
也正因为如此，文中认为“没有足够算力”对超大型云厂商是生存级风险。维持充足供给，不只是增长问题，也关系到客户留存。
自建 AI 推理机器与 GCP 对比：按需定价 4.6 个月回本
为说明公有云定价溢价，Kohli 在文中举了一个自建机器的例子。他提到，自己此前搭建过一台成本 1.5 万美元的 AI 推理机器，并将其与 Google Cloud 的同类 GPU 实例进行对比。
按照文中引用的 Google Cloud 加速优化实例定价，类似配置机器的按需价格约为每月 3248 美元；若采用三年预留方案，则约为每月 1444 美元。
他同时指出，自己的机器搭载 128GB DDR5 内存，而 Google Cloud 对应实例为 180GB 的某种内存，但未说明是 DDR4 还是 DDR5。
基于这一组数据，Kohli 给出的计算结果是：
- 若按 GCP 按需价格比较，自建机器约 4.6 个月回本
- 若按三年承诺价格比较，回本期约为 10 个月
文章称，其他机器的回报测算也大致类似。以 2024 年末发布的 H200 集群为例，文中称其回本周期不到 2 年。
不过，Kohli 也明确表示，这一计算没有纳入土地、电力、融资和现场人员等成本，因此更适合作为说明性案例，而不是完整财务模型。即便如此，这仍被用来说明超大型云厂商在算力租用上的定价能力。
旧 GPU 租金上涨，文章称硬件可能“不折旧反升值”
在更激进的判断里，Kohli 认为硬件未必会像传统设备那样持续折旧。文章写道，5 年前的 GPU 不仅在保值，租赁成本还在上升。
他把硬件拆成两个部分理解：一部分是计算本身，随着技术演进理论上会越来越便宜；另一部分是内存，价值则可能随着时间推移上升。按这套框架，新芯片在计算效率上的提升，未必会完全压低整体硬件价值，因为内存成本变化可能抵消这部分影响。
如果这一判断成立，那么超大型云厂商此前资本开支的投资回报率，可能高于市场当前预期。
文章还提到，关于超大型云厂商的信用风险，Gavin Baker 的一则 X 平台帖文做过总结，但原文在摘要中未展开该帖文的具体内容。
从 5000 亿美元到 2 万亿美元，订单积压被视为最直接信号
面对“需求是否真实存在”的质疑，Kohli 没有试图为每一个客户逐一建模，而是把“有人排队付钱”视为最强信号。文章称，在假定这些客户是理性行为者的前提下，持续扩大且由客户驱动的订单积压，本身就说明他们预期相关投入能够带来正向回报。
文中援引 EpochAI 的数据称，算力订单积压从 2025 年初的 5000 亿美元，在 1.5 年内增长到超过 2 万亿美元。Kohli 据此认为，把这一规模的投入全部视为虚假需求，或认定其都无法实现正 ROI，这种说法并不容易成立。
他同时回应了另一种反驳，即大型实验室可能占据了其中很大比例，因此不能代表广泛市场需求。文章给出的说法是，依据 EpochAI 的口径，前沿实验室确实构成一部分需求，但并不等于全球算力需求的全部。
开源模型并未抹平高端硬件需求
对于开源模型是否会削弱前沿实验室和高端算力需求，Kohli 的判断也偏向谨慎乐观。文章把相关问题拆成训练与推理两部分来看。
在训练侧，文中称，一个新的 SOTA（最先进）模型，成本可能高达数亿美元，因此可以被看作一项投资资产，随后再通过推理环节逐步释放生命周期价值，尽管其折旧曲线可能很陡。
与此同时，开源模型会持续扩散，并以更低成本与前沿实验室竞争算力需求。Kohli 认为，这一竞争是真实存在的，但并不意味着前沿模型完全失去溢价。
文章的逻辑是，SOTA 模型并不会被所有用户拿来解决所有问题，但它们能够处理现有模型类无法完成的任务，因此仍然存在愿意为能力边界付费的用户。
文中举了 Kimi K3 作为例子。Kohli 认为，外界在讨论开源时忽略了一个关键限制：SOTA 模型往往体量极大，运行它们所需的硬件并非家用环境能够轻易提供。按文中说法，Kimi K3 本身需要接近 1.5TB 至 2TB 的内存。
他还提到，Kimi 在开放 K3 后就耗尽了容量。这意味着，即便模型已经开放，仍然要有人为其提供服务能力，也仍然需要足够强的硬件承载。
因此，文章认为，实验室未来会被迫提高竞争力，但这不会直接摧毁其业务模式，因为部分工作负载仍会为前沿能力支付溢价，真正能提供这类模型运行容量的基础设施同样稀缺。至于这种溢价最终能维持多大，文中并未给出确定答案。
推理利润率 50%至70%，需求仍要落到某种硬件上
在推理业务上，Kohli 给出的判断更明确。文章称，推理已经被证明可以盈利，服务提供商层面的利润率在 50%至70%之间。
即使部分客户离开托管服务商，自行采购硬件，相关需求也不会消失，只会转移到新的设备购买上。文中据此认为，在推理已成为主导型工作负载的情况下，需求仍明显高于供给。
对于大型实验室，Kohli 并未给出极端结论。他认为，认为这些机构会直接失败并不成立。虽然缺少足够清晰的利润率数据，但他认为可以合理假设，这些机构在推理服务优化上的能力已接近行业标准；同时，拥有数千万到数亿月活用户的平台，也不能简单被归类为庞氏骗局或欺诈项目，且其收入仍在快速增长。
在他的框架里，就算 SOTA 模型本身的回报还不够可观，也不能据此推导出市场不会奖励更强能力的新模型。因为前沿模型代表的是 AI 能解决的下一类问题，而退出这场竞争，日后追赶的代价会更高。
AI 不是铁路或互联网的简单类比，关键在“递归需求”
文章指出，许多投资者习惯把 AI 基础设施建设拿去类比铁路、互联网或其他旧有基建周期。但 Kohli 认为，这种类比遗漏了 AI 与传统基建的一个根本差异：算力会催生新的算力需求。
按文中表述，铁路和互联网的发展，需要更多用户采用技术，并受制于单个用户的使用上限；AI 的不同之处在于，一旦找到一个 ROI 为正的用例，组织或个人就可以继续投入更多算力，把它变成持续赚钱的机器。
这也是他所谓“递归需求”的核心。算力不是只被动满足外部需求，它还会因为 AI 代理、自动化流程和更多新任务的生成，反过来推高自身需求。
文章还提到，不同用户对 AI 的实际体验差异很大。多数人可能仍把它当作单轮问答工具，但在作者自己的使用中，随着代理工程能力增强，AI 已经变得不可或缺，这也使其算力支出继续增加。
AI 交易同时“被忽视、过度拥挤、严重误解”
在资产定价层面，Kohli 把 AI 交易形容为当下最有意思的交易之一，因为它同时具备三个特征：被忽视、过度拥挤、严重误解。
文章称，许多市场参与者，包括大型机构投资者，并没有真正理解技术复杂度，以及这些变化如何影响企业资产负债表和利润表。像 Kimi K3 这类被简化处理的新闻标题，甚至会引发内存股大规模抛售，尽管在 Kohli 看来，K3 恰恰属于可运行模型中内存需求最大的类型之一。
文中还提到，相关股票虽然已经上涨，但仍以个位数远期市盈率交易，而市场等于在押注其利润和需求会在 2028 年或 2029 年大幅下滑。
文章将机器人、人口变化与全球数据中心扩建并列讨论
在更长期的讨论中，Kohli 认为，很多算力预测并未把未来 5 年机器人的崛起计入其中。他在文中写道，做空算力，等于做空机器人。
按照文章的表述，在全球人口下降的背景下，传统依赖更多劳动者带来更高产出的增长模型正在失效；如果没有 AI 和机器人，经济将缺乏新的增长与价值创造路径。
基于这一判断，他把更多算力上线视为维持人类进步的必要条件。文中甚至进一步写到，北美的算力上线能力基本已到上限，加拿大和澳大利亚会成为下一步扩张方向；随后，数据中心建设会继续向全球推进，直到空间用尽，再转向太空建设更多数据中心。
这一部分属于作者对长期趋势的判断。与此同时，文章也指出，市场对供给侧的跟踪往往更精确，因为晶圆厂时间表和财报电话会议信息可以衡量供给进度；相较之下，需求侧的即时变化更容易被低估。
结论仍回到同一个问题：算力需求是否有限
通篇分析最终又回到 Kohli 一开始提出的问题。文章认为，算力不是普通商品，它既可以替代劳动力，也是国家安全资源，还是一种会递归放大自身需求的生产资料。
如果相信需求有限，就等于相信人类已经对现有智能水平感到满足；如果相信需求无限，那么当前围绕 AI 与算力展开的资本开支，代表的就是一场经济范式转移的开端。
就这篇文章本身而言，Kohli 给出的答案很明确：他并不认为近期半导体与 AI 股票的 30%至40% 回调，已经足以证明泡沫结束，相反，这更像是市场仍未充分定价“算力需求无上限”这一命题。