IT之家 7 月 13 日消息，过去一年，随着投资者押注半导体（881121）将在全球 AI 基础设施建设中扮演核心角色，芯片股迎来了一轮强劲上涨。
不过，近期芯片板块再次出现剧烈波动，也引发市场讨论：这是否意味着 AI 需求正在降温？
IT之家注意到，上周接受 CNBC 采访时，多位 AI 行业高管对此表示并不认同。他们认为，尽管企业如今在 AI 使用成本方面变得更加谨慎，但整体需求依然十分旺盛，并没有放缓迹象。
Playground Global 合伙人、英特尔（INTC）前 CEO 帕特 · 基辛格（Pat Gelsinger）当地时间上周三表示：“我认为 AI 的需求几乎是无限的。”
他认为，目前真正限制 AI 发展的只有能源（850101）供应。“随着智能水平不断提升，能够创造的经济价值几乎是无限的，几乎所有行业都能从中受益。”基辛格表示。
数据中心和芯片企业：供给依然跟不上需求
近期芯片股波动背后有多个原因。其中之一是 Meta（META） 宣布将出售多余的 AI 算力。虽然这一消息推动 Meta（META） 股价上涨，但也让市场开始担忧，整个行业是否已经出现算力过剩。
今年，马斯克旗下 xAI 也曾出租闲置算力，进一步加剧了这种担忧。
另一方面，全球存储芯片（886042）巨头三星电子本周预计利润将大幅增长，但股价却出现下跌。由于过去一年三星股价累计上涨超过 360%，市场开始质疑其未来还有多大上涨空间。
不过，多位业内人士表示，这些事件并未影响 AI 算力和基础设施的真实需求。
AI 云计算（885362）公司 Nebius 首席营收官马克 · 博罗季茨基（Marc Boroditsky）表示：“我们目前经历的需求非常惊人，需求远远超过我们的供给能力，而且这种情况已经持续了相当长时间。”Nebius 正利用英伟达（NVDA） GPU 建设 AI 数据中心。
AI 芯片公司 cerebras systems（CBRS） 首席执行官安德鲁 · 费尔德曼（Andrew Feldman）认为，Meta（META） 和 xAI 出租闲置算力只是个别案例。他说：“从整个行业来看，算力需求远远超过可用产能，我们缺少数据中心，也缺少很多支撑 AI 算力所需的关键资源。”今年早些时候上市的 Cerebras 是众多挑战英伟达（NVDA）数据中心地位的新兴 AI 芯片公司之一。
另一家韩国 AI 芯片初创公司 Rebellions（获得三星电子和 SK 海力士投资）也表示，市场需求依旧十分强劲。Rebellions CEO 朴成允（Sungyun Park）表示：“AI 基础设施建设的势头依然非常强。”
他认为，Meta（META） 和 xAI 的举动并不意味着大型云服务商（Hyperscaler）已经过度投资 AI 基础设施。
与此同时，数据中心光通信设备（881129）厂商 Lumentum 表示，其产品未来五年的产能已经全部售罄。Lumentum CEO 迈克尔 · 赫尔斯顿（Michael Hurlston）表示：“我们正尽可能扩大产能，以满足未来五年的市场需求。”
过去一年，Lumentum 股价累计上涨约 600%，成为 AI 数据中心建设热潮的重要受益者之一。
企业开始更加关注 AI 投资回报
除了算力需求之外，另一个市场关注的话题是：企业究竟愿意为 AI 支付多少钱。
此前，企业曾流行所谓的“Tokenmaxxing”—— 鼓励员工尽可能多地使用 AI，即使使用成本很高也无所谓。当时主要使用的是 OpenAI、Anthropic 等头部 AI 公司提供的大模型。
但如今，企业开始更加关注 AI 的投资回报率（ROI）。
尤其是在 DeepSeek、阿里巴巴（BABA）等公司推出成本更低的开源模型后，OpenAI、Anthropic 等前沿大模型高昂的使用成本越来越受到企业关注。
Nebius 的博罗季茨基表示，“Tokenmaxxing”只有在能够真正带来投资回报时才有意义。他说，企业 CFO（首席财务官）开始控制 AI 开支，并不是为了削减预算，而是希望把钱花在真正能够创造价值的地方。
“企业现在正进入更加理性的阶段。这几乎发生在每一次技术浪潮中，而这种理性化并不会削弱 AI 的长期需求。”
不同 AI 模型将承担不同任务
业内人士认为，未来企业不会只依赖一种 AI 模型，而是根据不同场景选择不同模型。
虽然 OpenAI 等公司的前沿模型仍然性能最强，但 DeepSeek、阿里巴巴（BABA）等开源模型已经在许多任务上接近其表现，而且成本更低。
Cerebras CEO 费尔德曼表示，未来不同类型的 AI 工作负载将交给不同模型完成。例如，最复杂的问题仍然交由最先进的大模型处理，而一些较为简单的任务，则会转向成本更低、效率更高的模型。
他打了一个比方：“去超市买东西，你没必要开一辆大型巴士。”
他认为，随着企业越来越熟悉 AI 的部署方式，不同模型将像不同类型的交通工具一样，各自承担最适合自己的任务，从而进一步提升 AI 的整体使用效率。
