Caveman 走红的背后：AI token 成本与万亿 capex 困境

围绕大模型推理成本与 token 消耗的经济学讨论，正在催生一类相当另类的工具。The Register 近日一篇评论专栏介绍了名为 Caveman 的 Claude Code 技能：它会剥离 LLM 输出中所有「非必要」的语义成分，让模型以近乎调侃的方式模仿远古编程者的极简表达。

Caveman：把 token 压到极限的「穴居人」风格

据该专栏描述，Caveman 通过削减助词、连接词乃至大部分语法修饰，把一段原本冗长的代码生成结果精简成接近关键词堆叠的输出，进而显著降低单次调用的 token 消耗。该专栏作者将其视为 token 最小化（token minimization）趋势下「最新、也最超现实」的一个产物。

• 工具形态：Claude Code 上的一个 Skill，本地裁剪模型输出。
• 核心思路：牺牲可读性换取 token 用量与成本下降。
• 行业背景：token 最小化技术长期存在，但因成本压力上升而重新受到关注。

万亿美元 capex 与 token 经济压力

专栏指出，AI 行业今年预计的资本开支规模已达万亿美元量级，hyperscaler（超大规模云厂商）正大量举债以支撑算力扩张。国际清算银行（BIS）在一份分析中，将当前的 AI 投资热潮类比于历史上的运河、铁路与电气化浪潮——新技术曾鼓励巨额投资，但回报曲线远不及预期。

与此同时，token 成本正在重新被审视：

• 在 LLM 表现最显著的「生产可运行代码」场景中，成本仍然过高；
• 前沿模型的训练与测试投入巨大，但产品迭代周期短至数月便可能过时；
• 业界开始意识到，企业从 AI 中获得的收入弹性并不如设想的那样充足。

向硬件供应链外溢的压力

AI 不仅是「吃掉所有钱」，还在和整个科技产业竞争能源、芯片、数据中心机位以及注意力。该专栏援引数据指出，内存供应链已出现 300%–400% 的年化通胀，对 OEM 厂商的财务构成压力。

• OEM 设备更新周期被迫拉长；
• 本地化（on-prem）与混合部署模式因硬件涨价而吸引力下降；
• 算力、电力与产能层面的瓶颈，可能反过来抑制 AI 承诺的增长曲线。

该评论最后以略带文学性的笔触提醒：当一项技术在全球经济中占据如此庞大的体量，其自身能否在不依赖持续巨额投入的前提下「自给」，正成为投资人和监管者越来越难以回避的问题。