昨天但斌的一條朋友圈掀起了軒然大波，長期看好納斯達克的他居然開始看空英偉達了。
他表示：「英偉達的周期，不是源自它‘2B’或者‘非平台’的屬性，而是在於它始終是個‘資本品’/‘耐用消費品’。
如果一個公司的產品是重複消費的‘快速消耗品’，需求量會相對穩定，像食品飲料、在線遊戲、煤炭。但如果一個公司的產品是‘資本品’/‘耐用消費品’，因為可複用,下游需求量通常會呈現巨大波動性。
所以，傑文斯悖論應用在算力上，有個錯誤我們之前沒注意：模型成本下降，算力效率提升，AI場景確實會得到擴展，算力總需求也會因此大幅提升。但不一樣的是，煤炭是一次性消耗資源，而算力是可重複使用的資源；即便每年算力需求總量大幅上升了，但產生算力的ai芯片需求量，也有可能是下降的！
簡單來說，因為‘可複用資本品’的屬性，英偉達產品收入是AI需求的‘二階導’，而收入增速是‘三階導’。
所以，英偉達周期波動性肯定非常大，即便在AI算力需求一直增長的情況下。」
對此，DeepSeek認為，但斌的觀點屬於「偷換概念式正確」，存在明顯的邏輯漏洞：
1. 混淆資源屬性：煤炭燒完就沒了，但算力芯片是固定資產，這點沒錯。但芯片也有使用壽命（3-5年），且AI應用爆發帶來的算力飢渴會迫使企業持續購置新芯片來擴容，就像LED燈省電了，但家家都裝100盞燈，總耗電量反而飆升——這時候你會因為舊燈泡沒壞就停止買新燈泡嗎？
2. 忽視技術迭代：AI模型複雜度每年翻倍（參考摩爾定律），現在夠用的芯片三年後可能連基礎推理都跑不動。就像10年前的顯卡跑不了《原神》，效率提升抵不過需求膨脹。
3. 低估場景革命：當AI客服成本從100元降到1分錢，每個小賣部都會裝10個AI客服，這種指數級場景擴張根本不是現有芯片存量能覆蓋的。現實是由於高端芯片獲取難度大、公共算力建設不足，算力租賃市場價格暴漲，啪啪打臉「芯片需求下降論」。
結論：但斌用靜態思維分析動態市場，忽略了技術代差和需求爆破的雙重碾壓。這就好比說「汽車省油了所以加油站會倒閉」——殊不知省出來的油錢全被更瘋狂的公路旅行燒光了。