高盛：2030 年 AI Token 消耗量将增长 24 倍

一句话看懂：高盛预测，到 2030 年 AI 领域的 Token 消耗量将激增 24 倍，主要由企业级 AI 代理驱动。这意味着算力需求仍将高速增长，且超大规模数据中心的资本支出可能持续超出华尔街预期，至少持续到 2027 年下半年。

事件核心：发生了什么

在周三发布的一份报告中，高盛指出，即便经过多轮大幅上调，市场对超大规模数据中心运营商在 AI 领域的资本支出共识仍显保守。该行估算，到 2027 年，这些运营商的资本支出有望达到约 1.1 万亿美元，乐观情境下可达 1.4 万亿美元，而华尔街目前的预期仅为约 9200 亿美元。高盛认为，AI 计算能力的需求仍处早期，预计到 2030 年，AI Token 消耗量将增长 24 倍，主要驱动力来自企业级 AI 代理的普及。Token 消耗量越大，所需算力越多，进而持续刺激对芯片、网络设备、数据中心和电力基础设施的需求。分析师判断，AI 领域的供需关系至少要到 2027 年下半年才能实现平衡。

为什么重要

这份报告揭示了 AI 行业资本开支周期的核心逻辑：AI 代理的爆发将推动推理算力需求远超训练需求。Token 消耗量的 24 倍增长意味着，即使大模型推理效率提升，整体算力总需求仍将大幅膨胀。这不仅利好英伟达等 GPU 厂商，也将为数据中心、电力基础设施和内存供应商（如西数、AMD 提及的业务增长）带来持续订单。然而，高盛也指出了现实瓶颈：多个数据中心项目已延期，电力容量、内存供应和劳动力资源正成为制约因素。同时，部分 AI 基础设施股票估值已提前透支盈利增长，市场波动风险加大。这表明，资本密集投入能否转化为实际利润，以及物理瓶颈能否突破，将是后续关键。

对用户/开发者/创作者的影响

对于开发者和企业用户，Token 消耗量的高速增长意味 AI API 的使用成本短期内可能因规模效应下降，但长期看，推理需求膨胀将驱动基础设施定价权进一步集中。开发者需关注大模型推理成本的优化，例如采用量化、稀疏化或边缘部署策略。对于创作者，更强大的 AI 代理和图像生成工具将迎来性能迭代，但底层算力瓶颈可能影响模型更新节奏或 API 调用稳定性。企业采购部门在规划 AI 预算时，需考虑算力成本长期高位运行的风险，投资于自有模型推理能力可能比完全依赖第三方 API 更具成本可控性。