AI投资潮开始进入央行视野

01 触发事件

7 月 6 日，IMF 总裁格奥尔基耶娃在华盛顿表示，各国央行评估抗击通胀的措施时，必须考虑 AI 驱动增长放缓的可能性。她同时警告，经济对 AI 投资热潮依赖过度、资产估值过高，正在影响全球市场，波动可能持续。

原文没有披露具体 AI 投资规模、通胀数值或央行政策调整，但它释放了一个清晰信号：AI 已经不再只是科技行业的资本开支议题，而开始进入货币政策框架。

问题不在于央行是否相信 AI 会提高 productivity，而在于 AI investment cycle 足够大，大到可能影响利率、资产价格和金融稳定。

这符合 aggregation theory：AI 的经济影响并非只来自模型 API 收入，而来自围绕模型采购、GPU 基建、数据中心、电力、融资和网络设备的资本聚合。模型能力本身是必要条件，但资本密集度决定了增长在宏观层面的传导速度。

格奥尔基耶娃提到的两种情景尤其关键：

第二种情景常被忽略。AI 基础设施不像传统消费支出，其订单前置、折旧周期长，而且高度依赖未来现金流预期。一旦融资条件收紧或模型价格下降过快，先受冲击的可能是 GPU 订单、数据中心债务和高估值公司的资本配置，而不是终端用户。

对 AI builder 来说，这比一份泛泛的央行评论更重要。它意味着 AI 的下一阶段竞争将同时接受两个审视：技术是否成立，以及投入规模是否与可捕获价值匹配。

这更像 2000 年前后的电信基础设施周期，而不是 2007 年 iPhone 发布。

2007 年 iPhone 打开的是新需求：移动计算、App Store 和移动互联网形成了新的 distribution。2022 年 ChatGPT 则降低了模型交互门槛，让此前受限的 capability 变成可调用接口。

但资本市场对 AI 的定价方式，更接近 1999—2000 年的 fiber boom。基础设施建设走在可验证现金流之前，市场先把未来需求资本化。后来，通信能力没有失败，部分投资人的预期却失败了。

这里可能存在一个结构性矛盾：AI 比网站更可能提高 productivity，因为它是通用技术；但 GPU 投资比网站更资本密集，也更容易形成过剩产能。技术价值成立，不等于每个价格、每个估值和每个投资决定都成立。

我没在内部跑过 IMF 的情景假设，不能据此判断它具体在押注哪条政策路径。但这个历史对照提醒我们，AI boom 可能同时创造长期生产率红利与阶段性资本错配。

这周不需要因为这条消息立刻削减模型调用，但该重新检查三个决策。

第一，不要把单模型降价自动视为需求增长。

如果 API 价格下降主要来自推理效率、MoE routing、KV cache 管理和硬件升级，它可能扩大 usage。但若降价来自供应商争夺算力利用率，同时应用端付费意愿没有同步上升，那么 price cut 可能是在补贴 usage，而不是形成健康市场。

第二，优先选择能积累 switching cost 的应用。

央行担忧的不是某个聊天界面，而是围绕 AI 投资形成的大量固定成本。应用层如果只有模型调用封装，很难在资本周期转向时维持定价权。更稳的路径是接入工作流、积累专有数据、嵌入权限与审计流程，或者控制关键 distribution。

对独立 AI 产品创业者而言，这个判断更直接：模型 capability 会继续商品化，但 workflow ownership、data flywheel 和客户迁移成本不一定。

第三，重新计算 inference gross margin。

不要只看厂商公布的每百万 token 标价。把 prompt caching、reasoning token、工具调用、失败重试和上下文膨胀一起算进去，再评估模型路由是否真的节省成本。Batch API 折扣是否值得采用，也取决于请求延迟容忍度，而不是一个固定比例。

对 developer tooling 团队则相反：如果客户正在重新审查 ROI，团队席位和用量预算会比过去更难扩张。产品必须证明节省的是完整交付周期，而不是单纯减少模型 token。

我可能高估了这条新闻的拐点性质。

IMF 总裁的表述很宽泛，没有提供 AI 投资过热的数据，也没有证明货币政策已经因此改变。宏观市场波动还有利率、地缘政治和能源价格等大量解释，不能把所有风险都归因到 AI 资本开支。

更重要的反方判断是：AI investment cycle 可能强化，而不是放缓。

若模型价格持续下降、开发者采用加速、token demand 反而增长，那么更便宜的 inference 会扩大应用规模，足以吸收新增算力。届时市场担心的不是过度投资，而是产能建设速度跟不上 demand。GPU 租赁价格、云厂商 capex 和模型 API 使用量会比这段新闻更快地给出答案。

另一个风险是我过度偏向应用层套利。如果 AI productivity 改善真实发生，宏观增长率提升可能迫使央行维持更紧的金融条件。它不会立刻摧毁 AI startup，但会提高融资成本、拉长回款周期，并淘汰只能依赖补贴增长的产品。

所以我真正的结论不是“AI 投资要崩”，而是：AI 已经进入宏观定价阶段。接下来被重新审视的，不只是模型 benchmark，还有每单位收入的算力成本、每家公司的 distribution，以及客户为什么无法换掉你。