决定2028年CapEx的，不是Coding，而是RSI
市场正在形成一个越来越有影响力的判断：除了 Coding，AI 还没有出现第二个万亿美元级应用，因此到 2028 年前后，AI 资本开支的增速可能见顶。
这个推论听起来合理，但我认为它漏掉了一个更重要的变量：前沿模型是否仍能通过扩大训练获得显著的能力提升。
商业化不是唯一变量
按照传统公司的逻辑，资本开支最终要由收入支撑。如果新的 AI 应用迟迟不能兑现收入，云厂商和模型公司自然应该减少基础设施投资。
但前沿实验室的竞争方式不同。OpenAI、Anthropic、DeepMind、xAI、Meta、SSI 等机构建设算力，首先不只是为了满足当前的推理需求，而是为了训练下一代模型。
所以，决定它们是否继续投入的关键问题，不只是“下一个大应用在哪里”，还包括“增加算力能否继续换来模型能力的跃升”。
只要这个答案仍然是肯定的，训练基础设施就有继续扩张的动力。
SSI释放出的关键信号
SSI 由 Ilya Sutskever 于 2024 年创立，目标是研发安全的超级智能。它与英伟达宣布建立长期合作关系，并计划在未来 12 个月把算力提高到原来的 10 倍。
比十倍扩张更值得注意的，是 SSI 对自身研究阶段的判断：研究已经“值得大规模扩张”。
这句话意味着，SSI 相信更多算力仍能有效推动研究进展。如果扩展训练已经失效，继续投入巨额资金建设算力就没有意义。
SSI 也不是孤例。素材中列举的 OpenAI 训练集群、Anthropic 基础设施、xAI 的 Colossus、Meta 的吉瓦级园区以及 Google 的 TPU 部署，都指向同一个事实：前沿实验室并没有表现出“训练已经结束”，反而仍在扩大训练能力。
推理正在回到训练
过去两年的技术路线，经历了从预训练到推理，再从推理走向 Agent 和商业化的变化。这容易让人以为，推理能力增强之后，训练的重要性会下降。
现在出现的方向恰恰相反：推理能力开始被用于改进下一轮训练。
这就是递归自我改进，也就是 RSI。模型不只回答人类的问题，还可以参与寻找算法、设计训练方案、改进强化学习策略，再用这些成果训练下一代模型。
训练因此不再是“收集数据、训练一次、发布模型”的单向流程，而可能变成持续循环：模型提出新方案，训练新模型，新模型再改进训练过程。
算力优势会变成研究优势
当 AI 可以自动生成大量训练方案时，研究瓶颈就会从“能不能提出想法”转向“能不能快速验证想法”。
同一天产生的一百个方案，有足够算力的实验室可以并行验证；算力不足的实验室只能选择少数方案慢慢尝试。时间一长，算力差距就会转化为实验速度差距，再转化为模型能力差距。
这也改变了训练的算力需求。未来需要支持的可能不是偶尔进行的一次大训练，而是大量并行实验和持续不断的模型迭代。
如果 RSI 成立，超大规模、高带宽训练集群就不只是基础设施储备，而会成为研究系统本身的一部分。新一代 GPU 和训练平台面对的需求，也可能比单纯推理扩张更刚性。
2028年见顶仍缺一个前提
Coding 之外暂时没有出现同等规模的新应用，并不等于 AI 商业化不重要。长期看，没有收入支撑的资本开支不可能无限增长。
但从“新应用尚未出现”直接推导出“2028 年资本开支必然见顶”，还缺少一个前提：前沿模型的能力提升已经停滞，扩大训练不再值得投入。
至少从素材列举的实验室扩建行动来看，这个前提尚未得到验证。产业参与者仍在用真金白银押注更大的训练规模、更快的实验速度和更频繁的模型迭代。
因此，判断下一轮 AI 资本开支，不能只盯着应用收入。真正需要持续观察的，是训练扩展是否仍然有效，以及 AI 能否真正进入自动研究、持续训练和递归改进的循环。
如果这个循环跑通，决定 2028 年资本开支的主要力量，可能不是又出现了一个怎样的应用，而是模型开始参与创造下一代模型。