What Truly Determines 2028 Capex Is Not Coding, But RSI

除了 Coding，AI 还没有找到下一个万亿美元级应用，因此到了 2028 年前后，AI 资本开支（CapEx）增速大概率会见顶。

市场永远是对的，这个逻辑看起来也非常顺畅：

AI 公司烧了数千亿美元，目前真正跑出来的大商业化方向只有 Coding；如果还没看到新的应用兑现收入，市场不再想等了，市场会认为云厂商和前沿实验室（Frontier Lab）自然会削减投资，AI 基础设施周期也会结束，时间点就是 2028 年。

然而，就发生在几天前，NVIDIA 与 SSI（Safe Superintelligence Inc.）共同宣布的一则消息，却恰恰说明：

这个叙事可能抓错了真正的变量。

补充介绍一下，SSI 由 OpenAI 联合创始人兼前首席科学家 Ilya Sutskever 于 2024 年 6 月创立，公司宣称其 “唯一目标与唯一产品” 就是安全的超级智能（SSI），将此作为使命、名称和整个产品路线图。

在这份公告里，SSI 宣布：

NVIDIA 将对 SSI 进行重大投资（substantial investment），双方建立长期战略合作关系；未来 12 个月，SSI 的算力将提升 10 倍（10× Compute）；SSI 认为自己的研究已经进入 “值得大规模扩张（worth scaling）” 的新阶段。

很多人只是把上述事件理解成不过又一笔融资而已，但如果把它放到整个前沿实验室（Frontier Lab）的发展脉络中看，它其实是一个关键的产业信号：

真正驱动下一轮 CapEx 的，可能不只是新的 AI 应用，而是又回到了训练（training），而且洽洽是处于某种临界点的训练。

还记得么？

在上周那份爆火的纪要中根本不关心 AI 的应用，原话是 “因为能看到后面真的是有更大的西瓜，前面真的只是一些小芝麻…因为后面的 AGI 机会应该是非常大的，后面的 AGI 机会永远是非常大的…”。

所以，“除了 Coding，AI 还没有找到下一个万亿美元级应用” 这个叙事可能从一开始就是不全面的。市场之所以认为 2028 年 CapEx 会见顶，本质上建立在一个假设之上：

CapEx 应该只单方面由商业化的需求来决定。

但是，你要理解，AI 时代的 Frontier Lab 从来都不是一家普普通通的公司！OpenAI、Anthropic、DeepMind、SSI、DeepSeek 等等是代表人类去追求更高人类智能的公司。

这些 Lab 今天最大的竞争，不是谁先做出第二个 GitHub Copilot，而是谁先做出下一代用 SSI 的话术来说就是 “值得大规模扩张（worth scaling）” 的领先模型。

也就是说，Frontier Lab今天采购 GPU、存储的第一目的，并不是为了满足今天已有的 Inference 需求，而是为了再次革命性的提升自己未来模型的能力。

那份纪要也显示，对于 Frontier Lab 而言，决定 CapEx 的第一变量，从来不是某一个应用赛道，而是下一代模型是否可以革命性的继续提升能力。

那么，NVIDIA 为什么要投资 SSI？

SSI 公告中最值得关注的一句话，其实不是十倍算力扩张，而是：

Our research is worth scaling.

你应该明白这句话的份量。

如果 Scaling 已经失效，如果增加 GPU 不能再革命性的提升模型能力，那么没有任何一家 Lab 会继续投入数十亿美元去扩建算力。这一点，比任何市场观点都更值得关注。

更关键的是，SSI 宣布大规模的扩大训练，并不是个案。过去半年，几乎所有的 Frontier Lab 释放出的信号高度一致。

• OpenAI 继续扩建训练集群。

• Anthropic 持续融资建设新的 AI 基础设施。

• xAI 不断扩建 Colossus。

• Meta 持续建设 GW 级 AI 园区。

• Google 继续扩大 TPU 部署。

• 如今 SSI 宣布未来一年算力增加 10 倍。

这些事件都有一个共同特点：

没有一家公司的行动体现出 “训练结束了”，相反，它们都在增加训练能力。

事实上，Frontier Lab 现在讨论最多的一个方向是：

Recursive Self-Improvement（RSI，递归自我改进）

如果把过去两年的 Frontier Lab 技术路线分成几个阶段，大致可以这样理解：

• 2024–2025：预训练（Pretraining）→ 推理（Reasoning）

• 2025–2026：推理（Reasoning）→ AI Agent → 商业化（Monetization）

• 现在（2026 下半年开始）：推理没有结束，而是开始服务于下一轮更大的训练（Training）周期，目标是 RSI（Recursive Self-Improvement，自递归自我改进）。

过去大家有一个误区，认为推理时代是不是意味着 Training 的重要性下降？

现在答案已经越来越明确，不是的。

原因就在于，以前 Training 是人训练模型，而未来 Training 变成 AI 训练 AI，这完全不是一个数量级的对 AI 基础设施的要求。所以，OpenAI 提出了 Automated AI Researcher，Anthropic 大量让 Claude 参与模型研发，Google AlphaEvolve 已经开始利用 AI 寻找新的算法。

这些都属于 Training Automation，也就是 RSI。

过去训练一次 GPT 的模型，过程是收集数据→训练→发布→结束，而 RSI 则是：

模型 A→生成新算法→训练模型 B→模型 B 继续优化训练流程→训练模型 C→模型 C 继续发现更好的 RL 策略→……→……

整个过程周而复始，训练的过程变成：

Continuous Training（持续训练），不是一个月或两个月训练一次，而是一直训练，训练永远不停。

例如，为了验证一个新的算法，以前是训练一次，而现在可能同时跑 100 个版本、1000 个版本、10000 个版本，最后只留下最好的一个，其余全部废掉。

这样做的原因很简单。

如果 AI 每天能够提出 100 个新的训练方案，那么，只有拥有足够 GPU 的Frontier Lab一天两天就能完成全部验证；而缺少 GPU 的Frontier Lab一天只能完成 5 个、10 个验证，速度立刻被拉开，于是：

Compute Advantage 就变成了 Research Advantage，最后又变成 Model Advantage，是不是降维打击？

进入 RSI 阶段后，所谓数百万张以上的卡集群并不是一个夸张的概念。因为持续训练和自动实验都需要巨量的 Training Compute。

这将显著提升对超大规模、高带宽训练集群的需求，并为 Rubin 及 Rubin Ultra 这一代产品创造比 Blackwell 时代更大的刚性需求。

为什么 SSI 事件值得重视？

因为它第一次非常明确地告诉市场：

大模型的研究已经进入 Worth Scaling，这是一个临界点。

在 NVIDIA 看来，未来最重要的客户，不只是购买 GPU 的客户，更是未来持续进行超大规模训练的 Frontier Lab。

当然，这并不意味着 AI 的商业化不重要。

但是，把 “Coding 之外暂时没有同等规模的新应用” 直接推导为 “2028 年 CapEx 必然见顶”，中间还缺少一个关键前提：

前沿模型能力已经停止提升，Frontier Lab 也不再认为扩大训练值得继续投入。

而从目前公开发生的事实来看，这个前提完全没有得到任何验证。

相反，我们看到的是，几乎所有 Frontier Lab 都在继续扩建训练基础设施。这些事实说明，产业链主要参与者仍然认为，更大的训练规模、更频繁的模型迭代和持续的研发投入仍然具有革命性的价值。

还得是那句话：

“因为能看到后面真的是有更大的西瓜，前面真的只是一些小芝麻。”

本文来源：少数派观点局