例如，在19世纪的英国，蒸汽机技术的革新大幅提高了煤炭的燃烧效率，但这并未减少煤炭的使用量，反而因工业规模扩大，推动了煤炭需求的急剧上升。类似的现象在能源、交通、制造等多个领域屡见不鲜，成为经济学中一个广为讨论的悖论。当这一理论被应用到算力领域时，形成了一个类似的假设─随着晶片制造工艺的提升、云计算的普及以及平行计算架构的优化，算力的成本正在持续下降。理论上，这一趋势将刺激更大规模的算力消耗，进而形成“越便宜、越扩张”的回圈。
然而，杰文兹悖论能否成立的关键在于，算力需求是否具有足够的价格弹性。换言之，如果单位算力的价格下降，需求必须以足够快的速度增长，才能抵销单位效率提升所带来的节约效应。而现实情况并非如此简单。算力需求的增长不仅受价格驱动，还受到资料可得性、演算法复杂度、行业适配度等多重因素的制约。因此，仅仅依赖算力成本的下降，并不足以推动所有行业全面进入“算力消费爆炸”的阶段。
最后，算力市场的现实困境在于需求弹性的非对称性。从实际市场表现来看，算力需求的价格弹性呈现出显着的非对称性，不同市场主体的反应存在较大分化。
一是，模型参数数量并不能无约束地扩张，同时DeepSeek的发展也表明，在提升模型性能方面，参数数量的增加并非唯一途径。通过引入创新的架构和训练方法，DeepSeek实现了高效的计算和卓越的性能。
二是，对于普通企业和个人开发者而言，算力需求的增长受到诸多限制。1）资料治理的范式困境。AI模型的训练依赖于大量高品质资料，而资料获取的成本和合规风险在许多行业都极为严峻。2）技术跃迁的生态壁垒。并非所有企业都具备深度学习的专业能力，许多中小企业难以建立高效的AI开发流程，即便算力成本下降，也无法有效利用这些资源。3）创新周期的效益拐点。AI模型的参数规模达到一定阈值后，算力投入的边际收益递减。因此，在未来的算力革命中，技术创新的重心可能不再是单纯扩展计算能力，而是提升算力利用效率。需求弹性也将从“野蛮扩张”步入“理性收敛”的新阶段，算力市场的发展逻辑或将发生深刻变革。 |
