What Truly Determines 2028 Capex Is Not Coding, But RSI

除了 Coding，AI 還沒有找到下一個萬億美元級應用，因此到了 2028 年前後，AI 資本開支（CapEx）增速大概率會見頂。

市場永遠是對的，這個邏輯看起來也非常順暢：

AI 公司燒了數千億美元，目前真正跑出來的大商業化方向只有 Coding；如果還沒看到新的應用兑現收入，市場不再想等了，市場會認為雲廠商和前沿實驗室（Frontier Lab）自然會削減投資，AI 基礎設施週期也會結束，時間點就是 2028 年。

然而，就發生在幾天前，NVIDIA 與 SSI（Safe Superintelligence Inc.）共同宣佈的一則消息，卻恰恰説明：

這個敍事可能抓錯了真正的變量。

補充介紹一下，SSI 由 OpenAI 聯合創始人兼前首席科學家 Ilya Sutskever 於 2024 年 6 月創立，公司宣稱其 “唯一目標與唯一產品” 就是安全的超級智能（SSI），將此作為使命、名稱和整個產品路線圖。

在這份公告裏，SSI 宣佈：

NVIDIA 將對 SSI 進行重大投資（substantial investment），雙方建立長期戰略合作關係；未來 12 個月，SSI 的算力將提升 10 倍（10× Compute）；SSI 認為自己的研究已經進入 “值得大規模擴張（worth scaling）” 的新階段。

很多人只是把上述事件理解成不過又一筆融資而已，但如果把它放到整個前沿實驗室（Frontier Lab）的發展脈絡中看，它其實是一個關鍵的產業信號：

真正驅動下一輪 CapEx 的，可能不只是新的 AI 應用，而是又回到了訓練（training），而且洽洽是處於某種臨界點的訓練。

還記得麼？

在上週那份爆火的紀要中根本不關心 AI 的應用，原話是 “因為能看到後面真的是有更大的西瓜，前面真的只是一些小芝麻…因為後面的 AGI 機會應該是非常大的，後面的 AGI 機會永遠是非常大的…”。

所以，“除了 Coding，AI 還沒有找到下一個萬億美元級應用” 這個敍事可能從一開始就是不全面的。市場之所以認為 2028 年 CapEx 會見頂，本質上建立在一個假設之上：

CapEx 應該只單方面由商業化的需求來決定。

但是，你要理解，AI 時代的 Frontier Lab 從來都不是一家普普通通的公司！OpenAI、Anthropic、DeepMind、SSI、DeepSeek 等等是代表人類去追求更高人類智能的公司。

這些 Lab 今天最大的競爭，不是誰先做出第二個 GitHub Copilot，而是誰先做出下一代用 SSI 的話術來説就是 “值得大規模擴張（worth scaling）” 的領先模型。

也就是説，Frontier Lab今天採購 GPU、存儲的第一目的，並不是為了滿足今天已有的 Inference 需求，而是為了再次革命性的提升自己未來模型的能力。

那份紀要也顯示，對於 Frontier Lab 而言，決定 CapEx 的第一變量，從來不是某一個應用賽道，而是下一代模型是否可以革命性的繼續提升能力。

那麼，NVIDIA 為什麼要投資 SSI？

SSI 公告中最值得關注的一句話，其實不是十倍算力擴張，而是：

Our research is worth scaling.

你應該明白這句話的份量。

如果 Scaling 已經失效，如果增加 GPU 不能再革命性的提升模型能力，那麼沒有任何一家 Lab 會繼續投入數十億美元去擴建算力。這一點，比任何市場觀點都更值得關注。

更關鍵的是，SSI 宣佈大規模的擴大訓練，並不是個案。過去半年，幾乎所有的 Frontier Lab 釋放出的信號高度一致。

• OpenAI 繼續擴建訓練集羣。

• Anthropic 持續融資建設新的 AI 基礎設施。

• xAI 不斷擴建 Colossus。

• Meta 持續建設 GW 級 AI 園區。

• Google 繼續擴大 TPU 部署。

• 如今 SSI 宣佈未來一年算力增加 10 倍。

這些事件都有一個共同特點：

沒有一家公司的行動體現出 “訓練結束了”，相反，它們都在增加訓練能力。

事實上，Frontier Lab 現在討論最多的一個方向是：

Recursive Self-Improvement（RSI，遞歸自我改進）

如果把過去兩年的 Frontier Lab 技術路線分成幾個階段，大致可以這樣理解：

• 2024–2025：預訓練（Pretraining）→ 推理（Reasoning）

• 2025–2026：推理（Reasoning）→ AI Agent → 商業化（Monetization）

• 現在（2026 下半年開始）：推理沒有結束，而是開始服務於下一輪更大的訓練（Training）週期，目標是 RSI（Recursive Self-Improvement，自遞歸自我改進）。

過去大家有一個誤區，認為推理時代是不是意味着 Training 的重要性下降？

現在答案已經越來越明確，不是的。

原因就在於，以前 Training 是人訓練模型，而未來 Training 變成 AI 訓練 AI，這完全不是一個數量級的對 AI 基礎設施的要求。所以，OpenAI 提出了 Automated AI Researcher，Anthropic 大量讓 Claude 參與模型研發，Google AlphaEvolve 已經開始利用 AI 尋找新的算法。

這些都屬於 Training Automation，也就是 RSI。

過去訓練一次 GPT 的模型，過程是收集數據→訓練→發佈→結束，而 RSI 則是：

模型 A→生成新算法→訓練模型 B→模型 B 繼續優化訓練流程→訓練模型 C→模型 C 繼續發現更好的 RL 策略→……→……

整個過程週而復始，訓練的過程變成：

Continuous Training（持續訓練），不是一個月或兩個月訓練一次，而是一直訓練，訓練永遠不停。

例如，為了驗證一個新的算法，以前是訓練一次，而現在可能同時跑 100 個版本、1000 個版本、10000 個版本，最後只留下最好的一個，其餘全部廢掉。

這樣做的原因很簡單。

如果 AI 每天能夠提出 100 個新的訓練方案，那麼，只有擁有足夠 GPU 的Frontier Lab一天兩天就能完成全部驗證；而缺少 GPU 的Frontier Lab一天只能完成 5 個、10 個驗證，速度立刻被拉開，於是：

Compute Advantage 就變成了 Research Advantage，最後又變成 Model Advantage，是不是降維打擊？

進入 RSI 階段後，所謂數百萬張以上的卡集羣並不是一個誇張的概念。因為持續訓練和自動實驗都需要巨量的 Training Compute。

這將顯著提升對超大規模、高帶寬訓練集羣的需求，併為 Rubin 及 Rubin Ultra 這一代產品創造比 Blackwell 時代更大的剛性需求。

為什麼 SSI 事件值得重視？

因為它第一次非常明確地告訴市場：

大模型的研究已經進入 Worth Scaling，這是一個臨界點。

在 NVIDIA 看來，未來最重要的客户，不只是購買 GPU 的客户，更是未來持續進行超大規模訓練的 Frontier Lab。

當然，這並不意味着 AI 的商業化不重要。

但是，把 “Coding 之外暫時沒有同等規模的新應用” 直接推導為 “2028 年 CapEx 必然見頂”，中間還缺少一個關鍵前提：

前沿模型能力已經停止提升，Frontier Lab 也不再認為擴大訓練值得繼續投入。

而從目前公開發生的事實來看，這個前提完全沒有得到任何驗證。

相反，我們看到的是，幾乎所有 Frontier Lab 都在繼續擴建訓練基礎設施。這些事實説明，產業鏈主要參與者仍然認為，更大的訓練規模、更頻繁的模型迭代和持續的研發投入仍然具有革命性的價值。

還得是那句話：

“因為能看到後面真的是有更大的西瓜，前面真的只是一些小芝麻。”

本文來源：少數派觀點局