最近，OPEN CODE发出了警告，说全球算力已经严重过剩了。

我自己简单计算了一下，算力的确已经严重过剩。这个判断的起点是DeepSeek官方技术报告里披露的一组数字：其单一集群的服务吞吐量达到每天155万亿Token，这已经是全球消耗量最大的大模型服务规模。

把视野放宽到全球，即便把豆包日均120万亿Token、OpenAI和谷歌等主要玩家的调用量粗略叠加，全球大模型推理的日消耗总量大致在400到600万亿Token的区间内。也就是说，DeepSeek一家占了其中相当大的份额，而全球其余所有厂商加在一起，也不过是它的两三倍。

再看硬件侧的供给能力。根据微软Azure官方文档披露的规格，GB300 NVL72单机架的LLM推理吞吐约为每秒110万Token，换算下来一天就是约95万亿Token。按照这个效率，要承载DeepSeek那155万亿Token的日吞吐，理论上大约需要一千多台GB300 NVL72机架。

而摩根士丹利的预测是，2026年全年GB200与GB300 NVL72机架的出货量将达到7万至8万台。这还仅仅是英伟达一个产品线的出货预期，尚未计入AMD、谷歌TPU、华为昇腾以及其他自研ASIC芯片所提供的算力增量。

如果7到8万台机架全部投入推理服务，即便只按每台每天95万亿Token的保守口径计算，理论日吞吐能力也将达到数千万亿Token的量级，远远超出前述全球400到600万亿的估算需求。

当然有人会说，推理目前只占算力总需求的一部分，训练仍然消耗大量芯片。但中国信通院2026年的报告已经指出，推理算力占AI算力总负载的比重预计达到70.5%，训练占比已降至不足三成。即便把训练需求也纳入考量，将推理侧的需求估算翻倍来覆盖训练负载，供给端的扩张速度仍然显得过于激进。

九大云厂商2026年合计资本支出预计突破8867亿美元，同比增幅接近90%，集邦咨询同时上调了AI服务器出货增幅预期。资本开支的增速远高于Token消耗的增速，这个剪刀差本身就是过剩的信号。

更关键的是，单卡效率还在持续提升。DeepSeek通过自研推理框架DeepInfer，将单卡每小时的Token收入做到了38美元，而同期B300云租赁列表价仅为每小时15到20美元。这意味着头部厂商用同样的硬件榨出了远超行业平均水平的吞吐能力。当技术效率以这样的速度爬升时，硬件出货量每增加一分，实际有效算力的膨胀幅度会远大于出货数字本身所暗示的规模。

7万到8万台GB300 NVL72的出货预期，配上持续优化的推理框架，所释放出的Token供给能力，与全球实际消耗之间已经拉开了肉眼可见的差距。算力过剩不是猜测，而是从官方吞吐数据、全球消耗量级、硬件出货预测和单卡效率演进四条线索交叉验证后得出的直接结论。