当单位智能的价格一路走低，整个算力链条反而更紧张了——这不是矛盾，而是黄仁勋押注的核心逻辑。
发生了什么
据 The Decoder 引用 a16z 的数据，AI 市场正在呈现一种典型的 Jevons 悖论：token 价格持续下降，但 H100 GPU 的租赁价格并没有同步走低，部分时段甚至保持坚挺或上涨。
换句话说，模型推理的单价在降，但支撑推理的硬件租金没有跟着降。如果单纯把 AI 看作一门“卖 token”的生意，这很难解释；但如果把 token 看作一种被价格弹性放大的商品，逻辑就顺了。
为什么重要
Jevons 悖论描述的是：当某种资源的使用效率提升、单位成本下降时，总消耗量往往不降反升。蒸汽机如此，电力如此，今天的 AI 推理也在走同一条路。
token 变便宜，直接后果是更多场景变得经济可行——更长的上下文、更频繁的 agent 调用、更密集的自动化流程。每一次降价，都会把一批原本算不过账的用例拉进可商用区间。需求增长的速度，跑赢了成本下降的速度。
这解释了为什么 H100 租金没有崩。云厂商和模型公司面对的不是“单价下滑导致收入萎缩”，而是“单价下滑但调用量爆炸”。只要总算力消耗在涨，上游的芯片和租赁市场就仍然紧俏。
对黄仁勋来说，这是最理想的剧本：英伟达不需要靠维持高价 token 来赚钱，它需要的是整个行业把 token 用得更凶。token 越便宜，用的人越多，最终都要回到 GPU 上。
影响与看点
对开发者而言，推理成本下降意味着产品设计的约束在松动。过去需要精打细算的上下文长度、调用频次、多轮 agent 循环，现在可以更激进地尝试。但这也意味着竞争焦点会从“谁能用得起模型”转向“谁能把便宜算力转化成真正的产品价值”。
对云厂商和芯片供应商而言，风险在于这条链条的脆弱性。整个逻辑成立的前提是需求持续增长。一旦 token 需求增速放缓，而价格仍在下降，压力会从模型层向上传导——先是云厂商的租赁收入承压，再是芯片订单的预期被重新定价。
值得关注的点有三个：一是 H100 及后续型号的租金走势，能否继续与 token 价格脱钩；二是推理侧的单位经济模型，是否真能靠规模摊薄；三是 agent 类应用的实际调用量，是否足以支撑“需求跑赢降价”的判断。
一个独立的判断是：Jevons 悖论在 AI 领域大概率成立，但它不是永动机。它成立的时间窗口，取决于还有多少真实场景没被便宜 token 激活。窗口关闭之前，算力生意依然是好生意；窗口一旦收窄，最先感受到寒意的，会是那些把增长预期建立在“token 永远更便宜、需求永远更多”之上的玩家。
