a16z Charts：'机架价差'作为AI需求信号的数据基础不可靠

风险投资公司a16z旗下Charts通讯的作者Moses Sternstein在2026年10月30日发布的周报中，对当前AI市场看跌情绪的一个核心论据提出了方法论层面的质疑。这个论据被称为'机架价差'（Rack Spread）：token价格在下降，而GPU租赁价格在上升。看跌叙事的逻辑是——如果token越来越像大宗商品一样廉价，那为什么还要花大价钱买算力去训练下一代模型？算力投入的回报因此变得可疑。

Sternstein首先指出，机架价差这个名字借用了石油行业的'裂解价差'（Crack Spread）概念，但这个类比本身就不成立。裂解价差之所以有效，是因为原油和成品油之间存在固定的体积换算关系——一桶原油最多炼出一定量汽油，裂解价差直接衡量的是炼油环节的利润空间。而GPU和token之间没有这样的等价单位：不存在'一桶GPU可以转化为等量token'的对应关系。token单价可以下降，但token用量可以同时大幅上升，总token支出仍然增长。这意味着机架价差并不能像裂解价差那样告诉我们，在一个并非固定大小的经济蛋糕中，算力层和模型层各自的份额如何分配，更不必说最终各方的利润率。

更关键的问题在于数据本身。Sternstein指出，目前被引用的token价格和用量数据来自Ramp、OpenRouter、Silicon Data和Ornn等供应商，而这些数据有一个共同缺陷：它们只覆盖了愿意向这些平台暴露自身支出和用量的一小部分用户。绝大多数大型企业——恰恰是AI需求的主体——并不向这些平台公开其token消费数据。Sternstein进一步推测，愿意暴露数据的用户很可能正是那些最关注token成本管理、倾向于路由到最低成本模型的用户，这本身就构成了选择偏差。他特别强调，这些供应商自己也承认样本的局限性。

为了说明这种偏差的严重程度，Sternstein做了一组粗略的交叉验证。用Ornn的混合token单价乘以OpenRouter的token用量数据，得到的token支出自5月以来增长约160%；而直接用Ramp的token支出数据，增长率约为122%。这两个数字方向一致但差异显著，且它们来自很可能有大量重叠的同一个有偏样本群。另一个更极端的例子：美国联邦储备银行亚特兰大分行的调查显示每员工AI支出均值已超过1000美元，而Ramp的数据指向每员工中位数仅15.70美元/月（即188美元/年）。两者相差超过五倍，即便考虑均值和中位数的统计差异，这种量级的分歧也说明我们对AI实际支出水平的了解远不如市场叙事所暗示的那样确定。

Sternstein的结论并非这些代理数据毫无价值——他承认它们'方向上有意义且有用'，Charts自己过去也使用过并将继续使用——而是它们不应被当作AI需求方向的确定性指标，更不应成为看跌（或看涨）叙事的核心支柱。他用了一个直白的判断：'没人真正知道AI token支出的全貌。AI公司不报告收入，也没有足够大或足够有代表性的支出数据面板来做出可靠估计。'

Sternstein同时指出，即便机架价差所依赖的token定价数据存在上述缺陷，GPU指数定价本身仍是一个远强于token定价的信号（尽管也有其局限），算力成本确实在上升。但这两件事——算力成本上升与token需求是否萎缩——并不构成同一组证据。在AI公司不公开收入、企业token支出高度不透明的现实下，任何基于小样本代理指标的需求方向判断，其证据强度都远不如市场叙事所暗示的那样确定。