最新跡象顯示，海外科技公司正越來越多地轉向以晶片為抵押的貸款來籌集資金，用於它們龐大的AI投資。這些晶片正是訓練其大型語言模型的核心。此類貸款往往以GPU作為抵押，並由科技集團的租賃協議提供擔保，在AI軍備競賽中廣受歡迎。該行業目前每年都會在晶片領域耗資數千億美元，儘管這些晶片往往很快就會過時。而越來越多的投資者眼下也正被高達7%-17%左右的誘人收益率所吸引，這類貸款收益率通常高於科技公司自身發行的債務。“投資者非常興奮，”King & Spalding律師事務所專門從事金融與重組業務的合夥人David Ridenour表示，“人們甚至願意接受‘概不議價’的條款，擠破頭也要擠進這些GPU交易中。”GPU融資徹底火了自2023年末雲端運算服務商CoreWeave開創先河以來，隨著高端晶片需求激增與價格飆升，GPU抵押債務正日益普及。據花旗集團估算，GPU及配套伺服器可佔資料中心項目總成本的30%至40%。此類貸款通常由科技公司和投資機構設立的特殊目的載體(SPV)承接，用於批次採購高性能晶片，隨後租賃給科技企業用於訓練人工智慧模型。這種安排使得債務規模迅速增長的大型科技集團，能夠將這些貸款從其公司資產負債表中剝離。上月，阿波羅宣佈為Valor Equity Partners管理的數字基礎設施基金提供35億美元融資方案，該基金將購入輝達的GB200晶片並租賃給馬斯克旗下的xAI公司。人工智慧雲服務提供商IREN Limited本月早些時候也從高盛和摩根大通獲得36億美元貸款承諾，用於採購與微軟AI合同相關的晶片。據熟悉GPU融資的律師透露，此類交易中貸款方往往需迅速行動並開出大額支票。“大型機構基本會這樣問：‘你是否願意參與一個兩周內結項的交易，並投入幾億美元？’”該律師表示。而此類貸款的日益盛行，也凸顯了投資者對資產擔保型融資的渴求——銀行與私募信貸基金正尋求以穩定現金流為擔保的特殊債務。這些交易通常會包含一項“不可撤銷條款”（hell or high water），防止科技公司提前終止租賃。這有助於降低因AI技術快速演進導致GPU過時的風險。最大風險：GPU折舊？然而，部分投資者仍擔憂GPU的經濟壽命可能短於預期，且由於該新興產業缺乏價格歷史資料，老舊AI晶片的市場價值往往存疑。一些投資者還表示，目前的估值也可能因短期晶片供應短缺而被人為推高。橡樹資本結構化信貸策略主管Jen Marques強調：“我們必須確保GPU的使用壽命遠超投資攤銷周期。”一位多次拒絕GPU融資提案的投資者坦言：“這類裝置往往三年內就會過時，這簡直是場豪賭。”該投資者進一步指出：“（違約後）轉售幾年前的GPU，就像是在鞭打一匹死馬(意指徒勞無功)。”“這是一個非常新的領域，很多人都在努力應對GPU壽命的問題，”A&O Shearman律師事務所美國能源、基礎設施與自然資源聯席主管Dorina Yessios則表示，“這必須納入承銷考量，就像其他裝置融資一樣。”目前，三大評級機構之一的穆迪也已開始對GPU擔保債務進行評級，並聲明一旦基礎租賃期結束，它就會撤銷信用評級。穆迪全球項目與基礎設施融資團隊的高級副總裁John Medina表示，“通常情況下，我們評級的交易在首個租賃期內就會償還所有資金，因此你無需考慮(GPU)使用壽命的期限。” (財聯社AI daily)

導讀全球AI投資浪潮正以算力、資料中心和大模型為核心重塑科技產業與資本結構，形成高強度、短周期、重資產的新型投資循環。本文系統梳理了AI投資的歷史演進、產業層次與融資結構，對比其與網際網路泡沫的異同，本輪AI熱潮技術基礎更穩固，但金融鏈條更複雜、系統性風險更高。文章進一步分析AI泡沫可能的破裂路徑及跨國傳導機制，強調未來更可能經歷結構性出清而非單點崩塌，為政策制定與資產配置提供風險識別框架。引言AI的全球性投資浪潮正在重塑科技行業的結構，也重塑著資本市場的邏輯。以大模型、算力基礎設施和資料中心建設為核心的AI鏈，形成了自2008網際網路以來最強烈的一輪跨周期資本累積。巨頭之間的資本開支競賽不斷刷新紀錄，從NVIDIA的GPU出貨與企業市值，到微軟、亞馬遜、Google爭相投建的超大規模資料中心，再到初創公司圍繞模型、Agent與新型AI服務，展現出一種技術突破疊加資本擠兌式投入的發展結構。與傳統科技周期不同，這一輪投資不僅規模更大、節奏更密集、折舊周期更短，也構成了一個容易產生系統性風險的正反饋循環。在未來收益充滿不確定性的背景下，AI產業彷彿踩在紅利與成本現實的雙軌之上，推動市場在繁榮與泡沫之間不斷擺動，債務與融資結構也逐漸複雜化：為支撐資料中心和算力擴張，銀行、ABS與企業債等多管道快速擴張，放大了利率與信用風險的傳導路徑。01. AI投資的系統梳理(一) 歷史處理程序AI投資熱潮的發展歷程可以大致分為幾個階段。1、早期探索階段（1950年代-1980年代）。AI主要以學術研究為主，技術集中在符號主義、邏輯推理和早期神經網路上。雖然計算能力和資料規模有限，但政府和高校的科研資助推動了基礎理論的發展。例如，1956年達特茅斯會議首次提出“人工智慧”概念，1960年代的MYCIN和DENDRAL專家系統在醫療診斷和化學分析中進行了初步應用。此階段的投資主要依賴於政府撥款和科研基金，風險投資尚未形成規模。日本政府在1980年代啟動的“第五代電腦計畫”（FGCS）也試圖推動AI產業化，但整體投資活躍度仍較低。2、1980年代至1990年代的AI低潮期。即所謂的“AI寒冬”，早期專家系統和神經網路在實際應用中屢屢受挫，技術無法滿足市場預期。計算能力不足、資料匱乏以及投資回報不確定，使得全球範圍內的AI投資大幅減少。美國、英國和日本等國家紛紛縮減AI相關研發預算，資本市場對AI初創企業的熱情顯著下降。3、21世紀初（2000年代-2010年代）的復甦期。隨著網際網路的普及和巨量資料技術的發展，AI迎來了新的發展機遇。統計學習方法逐漸成熟，機器學習和早期深度學習模型開始顯現潛力。與此同時，GPU計算能力提升和雲端運算的發展為AI應用提供了必要的基礎設施。這一時期的投資逐漸恢復，以科技公司和部分風險投資機構為主，重點關注資料驅動型的智能演算法和初創公司。2006年，Hinton提出深度學習概念，為後續的突破奠定基礎；2012年，AlexNet在ImageNet競賽中取得壓倒性勝利，標誌著深度學習技術進入快速發展期。4、2012年至2020年，AI投資進入快速增長階段。深度學習在圖像識別、語音識別和自然語言處理等領域取得實際應用，帶動了風險投資和企業併購的熱潮。科技巨頭如Google、Facebook、百度等紛紛加大研發投入，同時AI初創企業融資金額屢創新高。例如，2015年，全球人工智慧市場融資規模達到了63億美元。這一階段的投資特點是技術驅動與資本市場熱情共同推動，行業應用開始拓展至金融、醫療、教育等多個領域。5、2021年至今，生成式AI的快速發展進一步引爆了新一輪投資熱潮。OpenAI發佈的ChatGPT引發全球關注，推動企業和投資者加大對生成式AI及相關基礎設施的佈局。微軟、Google、騰訊等科技巨頭通過戰略投資和併購搶佔技術前沿，AI創業公司融資規模屢創新高，資本熱情從科技行業擴散到金融、醫療、教育、製造等各類應用場景。生成式AI的技術突破和跨行業落地能力，使得AI投資成為全球科技資本追逐的核心方向之一。ChatGPT發佈（2022年11月30日）至今，輝達股價累計上漲964%，其利潤累計上漲1354%；蘋果股價累計上漲91%，其利潤累計上漲12%；微軟股價累計上漲90%，其利潤累計上漲55%；Google股價累計上漲211%，其利潤累計上漲107%。但近兩年，AI投資逐漸放緩，反映出AI技術發展及其在各行業應用仍處於探索的早期階段。雖然長期市場潛力仍然巨大，但最初的熱情已被在實際應用中推廣人工智慧技術的複雜性和挑戰所削弱。來源：2025 AI Index Report(二) 產業層次與參與主體近年來，AI產業的發展逐漸呈現為基礎設施、平台、應用三個層面平行推進，並由不同類型主體共同推動其資本流動與技術落地。首先，在基礎設施層，AI所需的算力硬體，如GPU、專用加速器、伺服器、儲存、網路裝置等，以及支撐這些硬體的系統成為基礎底座。分析指出，AI伺服器市場近年來經歷爆炸式增長。根據最新統計，全球伺服器市場因AI加速器需求迅速擴張，2024年前三季度伺服器銷售額大幅上升，AI伺服器出貨量與總伺服器平均壽命替換需求疊加，推動整體市場顯著擴容。另一方面，以阿里雲為代表的雲基礎設施提供商，其在中國 AI 基礎設施市場（IaaS）中佔據領先地位。2024年下半年阿里雲在中國AI IaaS市場份額達約23%，在大模型訓練與推理兩大子市場均位列第一。其次是平台層或雲服務層，即把基礎算力、儲存和網路資源以“雲服務、模型服務、算力租賃、按需呼叫”等形式打包提供給下游使用者。隨著 AI 技術成熟、模型越來越大，對算力和靈活資源調度的需求也越高，使得雲服務商、neo‑cloud租戶、專業AI服務商等成為關鍵中介。業界觀點認為，隨著大模型與雲端運算的融合，傳統雲端運算（IaaS）正在向“AI 原生”（AI‑native）雲服務演進，雲廠商不僅提供通用計算資源，也在提供專門為AI最佳化的算力、調度、儲存、模型部署環境等服務。此外，智算雲服務（AI‑optimized cloud）在中國也形成了較為明確的產業鏈結構，上游含晶片與伺服器基礎設施，中游為雲平台提供商，下游為行業使用者。最後是應用層，即行業化落地層。當基礎設施和平台服務配備就緒後，大量企業就能夠借助雲+模型服務，把 AI 技術應用到具體場景中：例如網際網路服務、金融、製造、醫療、零售、公共服務等等。報告指出，隨著AI平台服務能力提升，對於中小企業、傳統行業的“上雲+用數+賦智”門檻大幅降低，這推動了AI應用的廣泛普及。這個體系的推動主體首先是超大科技公司及頭部雲廠商（hyperscalers），其擁有資金、基礎設施、全球資源分配能力，是基礎設施與雲平台能力建構最重要推動者。其次是專業雲、neo‑cloud租戶、中型雲服務提供商及智算雲服務商，它們通過租賃基礎設施、提供靈活、彈性的AI算力及雲服務，把能力下放，為更多中小企業與行業使用者提供門檻更低、按需付費的AI服務。然後是私募和債權市場，基礎設施尤其是資料中心和機櫃建設，需要巨額資金投入，也往往借助債權融資、私募基金或機構資本支援。這使得AI基礎設施本身成為一種資本資產，並連接到更廣泛的金融市場與資本運作中。綜上，這種多元主體參與的機制，使得AI投資熱潮不僅是技術浪潮，也是基礎設施擴張、服務變現與產業應用同步推進的綜合性變革，也是當前AI產業能夠迅速擴張並持久化的重要原因之一。(三) 融資形式及周期特徵AI 基礎設施與平台建設需要大量資本投入，因此融資形式呈現多樣化趨勢。一方面，企業常通過企業債、高票息直接貸款獲取建設資金，這類方式利率相對固定、融資成本可控，但增加了短期償債壓力。另一方面，隨著項目規模擴大，也出現了基於長期租約的項目融資模式，即通過未來收入現金流如雲租用、AI服務訂閱等支援融資；進一步衍生的還有資產證券化（ABS），將資料中心、GPU叢集或機房租約收入打包成可交易證券，使投資風險在資本市場分散。與此同時，部分私募信用也開始進入AI基礎設施領域，為非上市公司提供靈活的信貸支援。這種多元化融資結構在分散風險的同時，也引入了資訊不對稱、信用評級難以精準評估以及流動性錯配的問題。AI硬體尤其是GPU、定製加速器和AI‑optimized 伺服器更新周期短，導致資本支出密集且折舊快速。短周期硬體更新不僅增加了資產殘值不確定性，還會加大再融資壓力，尤其在企業擴張或大規模部署初期。這意味著投資者在衡量 AI 基礎設施項目時，必須同時考慮技術迭代風險、折舊損失、未來現金流以及市場需求變化。在大型AI 資料中心項目中，GPU佔總資本支出約40-50%，伺服器機櫃與網路裝置佔30-35%，折舊周期短的硬體部分對項目財務壓力貢獻顯著。02. AI投資熱潮與網際網路泡沫的異同（一）相似之處當前的AI投資熱潮與1999年網際網路泡沫之間確實存在明顯的相似關係：高度一致的市場情緒、對技術變革的集體敘事、企業估值大幅上漲、媒體與投資人對新產業的超預期樂觀，這些因素共同構成了典型的科技繁榮景觀。市場熱情高漲，資本對新興技術的追逐表現出明顯的“短期高估”傾向。在網際網路泡沫期間，投資者對電子商務、入口網站等前景抱有過度樂觀預期，而在當前AI熱潮中，生成式AI、行業大模型、智能硬體和雲服務等領域的融資額持續攀升，部分初創公司估值迅速膨脹，許多人工智慧公司的估值已遠超行業平均水平，例如，Palantir和特斯拉的市盈率遠遠超過了200倍，而標普500指數成分股公司的平均市盈率約為25倍。其次，風險偏好顯著提高，投資者願意在尚未盈利或尚處於早期研發階段的企業中投入巨額資金，以搶佔潛在市場份額。而市場投機心理與輿論推動相結合，媒體和分析機構對前沿技術的持續炒作進一步放大了資本湧入速度。（二）關鍵差異首先，AI熱潮的技術基礎更為穩固。與1999年網際網路泡沫不同，當時許多公司缺乏可落地的商業模式，網際網路技術本身尚不成熟；而當前AI技術已經在電腦視覺、自然語言處理和大模型訓練等領域取得實際突破，生成式AI具有可直接落地的行業應用，從金融、醫療到製造和教育均有明確商業場景。其次，產業生態和資本結構更加多元。AI投資不僅包括風投和天使投資，還涉及企業資本支出（CAPEX）、私募信用、債券融資以及資產證券化（ABS）等形式，使風險能夠在一定程度上分散，同時引入了更複雜的流動性和資訊結構管理。再次，AI投資與全球基礎設施建設緊密掛鉤，如GPU、資料中心、雲端運算平台和模型訓練服務等，而這些硬體與雲服務資產具有長期使用價值和持續收入潛力，相較於1999年網際網路公司大量依賴短期廣告或電商流量收入，更加穩健。最後，監管與風險控制環境更加成熟。當前金融市場對AI相關融資有更嚴格的資訊披露和風險評估要求，部分國家和地區也出台政策鼓勵AI技術創新與應用，同時限制過度槓桿和投機行為。此外，從產業長周期發展來看，每一輪過度投資都可能為產業的長期成長做好了鋪墊。1999年網際網路泡沫崩潰後，此前大規模投資的光纖、電腦、移動通訊等裝置大幅度壓低了電子裝置和網路費用，Google、亞馬遜等一批網際網路企業和整個產業得以持續快速發展。（三）風險複雜性更高當年的泡沫主要集中在股價上，而今天的風險通過資本開支、長期租約、債務結構、影子銀行體系以及跨國能源和供應鏈瓶頸等多層結構相互疊加，一旦某個環節出現違約或資金緊縮，很可能不是簡單的“科技股下跌”，而是沿著融資鏈條迅速向房地產、信貸市場乃至跨境資金流動擴散，從而引發結構性的金融緊張。AI市場目前面臨的挑戰也更加複雜：技術瓶頸，例如輝達高端晶片供應短缺；應用程式的商業化滯後，大多數人工智慧公司尚未找到可持續的現金路徑；以及技術脫鉤，例如美國和中國的晶片監管。新興人工智慧公司傳統財務估值方法的失敗加劇了這種風險，資本狂熱導致泡沫的可能性仍然存在。03. AI泡沫破裂的可能性與傳導路徑AI 泡沫是否會破裂不能簡單地用“會”或“不會”來判斷，而應從估值邏輯、宏觀政策和全球資金流動三條主線分析其潛在破裂方式及時間窗口。從估值角度看，如果未來2-3年大模型的商業化速度無法匹配當前動輒百億美元的資本投入，市場估值必然進入回呼期，尤其是依賴 AI 敘事驅動漲勢的公司更容易經歷大幅波動。從宏觀政策角度看，若聯準會與歐洲央行維持高利率或再次收緊流動性，資料中心開發商、AI 獨角獸及依賴長期租約融資的基礎設施項目將面臨更高的再融資成本壓力，信用風險可能從個別企業擴散為行業性調整。從全球資金流動角度看，美國吸收全球資本將使新興市場、跨境基礎設施項目以及外幣債務敞口較高的經濟體最先感受到壓力，進一步把科技投資的波動轉化為跨國金融波動。整體而言，本輪AI投資周期大機率不會以1999年網際網路泡沫那種單點式全面崩塌收場，而更可能呈現漫長的結構性出清：先是局部估值回呼，再到資本鏈條的重新定價，最終由宏觀政策變化推動整個系統向新的均衡移動。如果發生破裂，具體方式主要包括兩個管道：一是估值重估，觸發因素包括AI商業化速度落後預期、盈利增長未達標或關鍵企業盈利警告，結果是高估值成長股票回呼，指數高度集中導致市場波動放大，回撤集中在“巨頭+AI”股票；二是信貸與項目融資鏈條斷裂，觸發因素包括利率上升、租戶違約或 neo‑cloud企業現金流緊張，結果是資料中心開發商與特殊目的載體面臨償債壓力，資產價值快速下滑，債權損失擴散至銀行、直接貸方及ABS持有者，將泡沫從股市傳導至實體信貸市場。在未來政策方面，需要找到一個平衡：不僅要支援龍頭企業突破技術界限，還要培養多元化的應用產業鏈，以建構良性的工業生態。技術革命的本質不是避免泡沫，而是通過持續的技術迭代能力和可行的商業模式，在穩定資本的支援下，推動長期的GDP增長和引領代際飛躍，並將資本狂熱的階段轉變為新的質量生產力。整體來看，AI 泡沫破裂不是單一事件，而是一系列結構性調整和局部泡沫破裂的組合，AI熱潮將經歷周期性的回撤，但它在超自動化領域（例如機器人、AGI）具有遠超網際網路時代的長期潛力，出現一次性大規模全面崩塌的可能性取決於貨幣政策和信貸鏈條的健康狀況。04. 跨國風險傳導AI 投資熱潮的全球化特徵意味著，一旦出現市場調整，其影響可能跨境傳導。觸發機制主要包括利率和信貸環境的收緊，例如，若美、歐主要央行同時加息並收緊信貸，全球資金快速撤出，將直接衝擊依賴外幣融資的新興市場以及海外AI項目，尤其是資料中心與雲服務廠商。此外，能源供應，尤其是電力，與全球供應鏈瓶頸，也可能放大地區性危機，導致局部市場風險集中爆發。潛在時間窗可分為短期和中期兩個階段。在短期，若宏觀利率快速上行或發生大型租戶違約，短期內可能看到信用利差迅速擴大，同時項目融資重新定價，資料中心、相關REIT及開發商最先暴露風險。在中期，如果AI商業化鏈條未能形成廣泛盈利，尤其是行業級應用落地緩慢，市場可能從增長溢價向盈利篩選切換，導致估值普遍回呼，資金重點流向盈利能力強的項目和企業。各國宏觀政策將是跨國傳導的決定性變數之一。一方面，聯準會與歐洲央行的利率與流動性政策會直接影響債務負擔與風險溢價：緊縮將放大企業融資壓力，寬鬆則可能延緩市場調整，但同時積累更高的系統性風險。另一方面，財政與產業政策的作用也不容忽視：針對資料中心電力成本或AI研發的補貼和支援，能夠緩衝局部衝擊，但可能延長非盈利項目的資金供給周期，形成“殭屍化”風險。最後，宏觀審慎與監管措施也會調節跨境風險傳導的幅度：加強對非銀行信貸、ABS透明度及應計壓力測試，可降低系統性傳染風險；反之，監管盲點可能放大跨國資本流動和供應鏈壓力造成的風險。05. 結語當前的AI熱潮同時包括真實的技術紅利若干高度脆弱的金融鏈條，因此更像是一種局部繁榮與局部泡沫並存的複雜態勢，而非歷史上的單一泡沫復刻。分析的關注點不應停留在“是否存在泡沫”，而應轉向泡沫存在的具體位置、形成機制及其可能通過那些管道傳導至宏觀金融體系。對政策制定者與資產管理者而言，最佳策略是在強化風險監測的基礎上進行選擇性防禦，重點關注資料中心融資結構、租戶信用狀況以及短期再融資節點；在估值重估情形下，應優先迴避高度槓桿化且盈利路徑不明確的投資敞口，從而在享受技術紅利的同時，降低系統性風險暴露。 (IMI財經觀察)

核心速覽底層動力： AI 爆發源於人類對“更富有、更懶惰”的終極追求——即用更少的勞動，創造更高的經濟價值。三大核心賽道：AI 原生軟體： 在“綠地機會”中挑戰傳統巨頭，提供全自動化閉環。軟體替代人工： 從“賣工具”轉向“賣結果”，直接切入勞動力市場。私有資料圍牆： 掌控大模型無法獲取的行業私有資料，建構長期防禦力。護城河本質： AI 公司必須成為企業的“記錄系統（System of Record）”。最好的公司擁有“人質”而非客戶。增長神話： AI 極大地縮短了軟體周期。以往需 10 年達成的 1 億美金 ARR，現在最快僅需 2 年。在 AI 浪潮爆發兩年後的今天，市場對於“AI 是否是泡沫”的爭論從未停止。然而，a16z 合夥人 Alex Rampell 在最新訪談中給出了答案：這不是泡沫，而是軟體行業的“黃金時代”。商業的底層邏輯：人類永遠追求“更富有、更懶惰”Alex 認為，所有偉大的技術革命，本質上都在滿足人類的兩個終極本能：Richer & Lazier（變得更富有，以及更懶惰）。更懶惰： 用更少的工作量完成任務。更富有： 創造更高的經濟價值。從 1977 年至今，科技行業經歷了 PC、網際網路、雲、移動網際網路四大周期。AI 是第五個。它並非橫空出世，而是站在前四個周期的肩膀上。現在，AI 已經從“寫個劇本”的魔術表演，正式進入了企業核心流程，開始真金白銀地省錢、賺錢。a16z 看好的三個 AI 投資主題如何建構一家長青的 AI 公司？Alex 總結了三個核心範式：1. 傳統軟體的 AI 原生化 (AI-Native Trad Software)這是在已有的“Bingo 遊戲板”上玩新遊戲。綠地機會 (Greenfield) vs 棕地機會 (Brownfield)： 去搶 Adobe 的老客戶是“棕地”，極其困難。但在新公司成立或系統升級的拐點切入，則是“綠地”。核心邏輯： 像 Real 這樣的公司，它不僅是 ERP，更能自動平帳（Close the books）。對於新公司來說，選一個自帶 AI 功能的原生系統是“腦殘決策（No-brainer）”。2. 軟體正在“吃掉”勞動力 (Software Eating Labor)這是 Alex 最興奮的領域，其市場規模遠超傳統的軟體市場。從“買工具”到“買結果”： 以前你買軟體是給員工用，現在軟體就是“員工”。價值定價： 債務催收 AI Salient 的軟體不僅能講 21 種語言，甚至能比人類多催回 50% 的欠款。客戶不再是付訂閱費，而是為增加的收入買單。3. “圍牆花園”：私有資料模型 (Walled Gardens)當底層大模型變得像電力一樣廉價時，勝負手在於誰擁有“稀缺礦產”。原始蔬菜 vs 成熟大餐： OpenAI 像是賣蔬菜（Token）的農場。但它不知道 1992 年的融資價格，也不知道西班牙 80 年代的法律判例。資料護城河：Open Evidence 擁有醫學期刊獨家授權，Vlex 數位化了海量法律記錄。這些“ChatGPT 抓取不到”的資料是核心防禦力。護城河：最好的公司擁有“Hostages”，而非客戶在 AI 時代，程式碼極易被模仿，因此必須建立極致的粘性。a16z 提出了一個深刻的觀點：偉大的公司擁有“人質（Hostages）”，而非客戶。什麼是“人質”？當你的軟體成為了企業的“記錄系統（System of Record）”，承載了所有核心流程和私有資料時，替換你的成本將高到不可接受。以法律 AI Eve 為例，它管理著律師從接案到結案的整個工作流。即使以後大模型出了更強的總結功能，律師也不會搬家，因為他們的資料和流程都“鎖”在 Eve 裡。巨頭會贏嗎？創業者的勝算在那？Alex 對傳統巨頭（Incumbents）持看好態度。與“雲轉型”時期不同，現在的巨頭（如 Microsoft, Adobe, Intuit）反應極快。他們手握大量“人質（老客戶）”，只要加入 AI 功能就能通過加價賺得盆滿缽滿。創業者的三條活路：極度垂直： 尋找巨頭看不上的細分專業領域。模式創新： 利用 AI 實現按效果計費。深挖資料： 掌控那些物理世界或歷史檔案中的獨佔資料。我們正處於從“工具時代”向“代理時代”跨越的節點。AI 不僅僅是效率的提升，它正在重定義什麼是“公司”。正如 Alex 所言，a16z 並非只是在投 AI，而是在投那些能讓使用者更富有、更懶惰的未來。在這個時代，“速度”是入場券，“資料”是護城河，而“結果”才是真正的商品。 (GD梯度下降)

《2025 AI 投資回報率報告》這份報告調研了全球3446名企業高管（這些企業年營收都不低於1000萬美元，不是小卡拉米）。通過實打實的案例告訴業界，到底應該如何在AI上花錢，才能獲得最大收益。Google通過報告指出：88%的早期入坑者，都得到了不錯的投資回報，而且，生成式AI/大模型的下一個金礦，是智能體。核心結論包括以下幾點：①智能體已經在生產環境大規模部署。②早期入坑的，獲得的收益正在放大，越吃越香。③GenAI的回報已經相當廣泛，不再是少數頭部案例。④收益集中在5類場景：生產力、客戶體驗、業務增長、行銷、安全。⑤企業老闆的態度決定了AI價值能否快速兌現，搞定老闆就成功了一半。⑥AI最大的挑戰仍然是安全和合規。雖然已經發佈1個多月了但這份報告的含金量還在上升我們對這份報告進行了全文翻譯以下為完整中文報告智能體分級↓一級：簡單任務，主要是輸出內容，並不真正接管業務動作，比如聊天機器人、知識庫檢索、多模態生成。二級：智能體應用，AI開始為了一個業務目標幹活，能在限定範圍完成多步任務，從對話走嚮應用，讓AI能做動作或者推動流程，可以替代具體崗位裡的重複步驟。三級：多智能體工作流，本質上不是一個智能體干所有活，而是多個角色分工協作，形成端到端流程。能覆蓋跨部門、跨系統的複雜業務流程，適合長鏈路場景比如：從線索到成交、從保修到閉環、從需求到交付。一級是工具，二級是產品，三級是系統。AI智能體的採用率↓按地區挺意外的，亞太領跑（調查樣本不含中國大陸），北美最慢。按行業看醫療反而最謹慎，畢竟人命關天的事兒哈哈哈。智能體最先落地在那些場景↓第一梯隊：客戶服務與體驗49%、行銷增長46%、安全營運與網路安全 46%、技術支援45%；這些場景資料和流程最標準化，容易形成可量化收益。中間梯隊：產品創新與設計43%、生產力與研究43%、軟體開發40%、財務與會計38%。說明智能體已開始深入到“產研與經營”層面，不只做客服和寫文案。相對靠後的是：銷售35%、HR31%、個性化29%、法務15%這些場景往往涉及更嚴格的權限、合規、責任邊界，容錯率更低，所以採用更謹慎，落地周期更長。銷售和HR、法務看了應該很開心吧，而且似乎程式設計師的末日也沒有來。這頁不錯，給出了各個行業最先跑通ROI的落地地圖，劃個重點，想不到吧，安全營運竟然是各行各業最通用的場景。有句話，話糙理不糙：吃屎也要趁熱。這裡的早期採用者是指AI預算50%以上投智能體，且深度嵌入日常營運流程。早期入坑者都做對了什麼？①預算真投，且投向智能體；②AI在IT預算中佔比更高；③落地點更聚焦，更重業務；④可複製，把智能體擴散到更多部門。甲方老爺們最看重那些場景？生產力、客戶體驗、業務增長、行銷、安全，這五個方向的共同點是：高頻、流程化、可量化、能快速上線，容易在3到6個月做出看得見的改進。值得mark一下，甲方關注的點，對乙方來說就是商機。五大領域GenAI能帶來多大影響？這張圖有意思的一點是，相比去年的調查，好幾個指標下滑了，這也說明，老闆們趨於理性了，其實是好事，甲方的預期降低了，乙方才好驗收嘛。這一頁純純幫Google雲吹NB了，每個場景都有。生產力這條線已經跑通ROI企業對生產力提升的理解開始變得更細：不止是寫報告、做PPT，更包括流程效率、洞察速度、精準性這些更貼近業務的指標。客戶體驗的新標準是啥？是在使用者觸達、互動、滿意度、現場服務等鏈路上，持續帶來可衡量的改善。這個出來站台的，竟然是NBA金州勇士隊。他說的客戶是啥？是庫裡的球迷嗎？還是幫格林洗地？不只是降本增笑哦帶來增長了，這可能是大家最喜歡看到的吧，而且這個增幅看著有點誘人。智能體如何推動市場行銷？更高效的投放、更多線索、更高轉化，要把AI從內容工具升級為行銷工作流引擎，AI參與策劃、生成多版本素材、自動適配管道、根據反饋繼續迭代，人負責品牌與關鍵決策。安全廠商看過來↓其實和大家畫的餅基本一致：更強的威脅識別能力、更好的情報與響應整合、平均解決時間下降、安全工單數量下降。但是跟去年相比，多項指標回落，說明甲方更理性了。企業AI預算正在向智能體傾斜，2024年幾乎沒人談智能體，如今插隊進前五。真正的預算大頭在那兒呢？往往不在模型呼叫費，而在資料治理、系統整合、權限與安全、評測與維運，尤其當企業開始部署智能體時更明顯。當然對於國內企業來說，自己搞算力、訓調推模型的話，AI Infra的費用仍然是大頭。這兩頁挺有意思的——搞AI必須得有C-Level的支援，這是一場從上到下的變革。讓你的老闆先爽起來！不出所料，最大的挑戰還是資料隱私與合規。這對國內場景更加現實，到底是呼叫API還是本地化部署？但國內的優勢在於，開源模型生態比較好（當然模型能力跟閉源比有差距），私有化部署更方便。三大落地挑戰↓①資料隱私和安全②與現有系統整合③成本智能體行動計畫七步法↓①搞定老闆：得有 C-level 站台，能拍板、能清障。②展示價值：用一個說得通的業務案例去拿預算，別只畫餅。③立好規矩：提前寫好企業級 AI 規則，資料、合規、版權/IP 都要管住。④挑准場景：優先做那些重複、標準、能省人省時間的流程，ROI 最快。⑤築起信任：資料治理+安全框架從第一天就上，同時保留人工兜底。⑥接入系統：智能體要能幹活，就得接入內部業務系統，但權限要可控可審計。⑦投技術更要投人：培訓內訓、培養人才。好了，祝大家在新的一年，無論個人還是組織，都能與AI/智能體共同成長。 (特大號)

IBM CEO的警示：兆美元支出難以盈利2025年12月初，IBM首席執行長Arvind Krishna公開質疑AI資料中心支出的可持續性。他指出，建設一個1吉瓦AI資料中心成本約800億美元，若全球計畫達到100吉瓦，總資本支出將達8兆美元，僅利息支出就需要每年8000億美元利潤支撐。這相當於當前科技巨頭利潤總和的數倍。Krishna強調，AI晶片5年折舊周期進一步放大壓力：“你必須在五年內用完，否則就得扔掉重設。”這一言論迅速引發市場震動，凸顯AI建構從“技術競賽”轉向“經濟可行性”審視的核心轉折。Krishna的計算並非孤立。多家機構估算， hyperscalers（如Microsoft、Amazon、Google、Meta）2025-2026年Capex總和將超3150億美元，其中AI基礎設施佔比逾80%。儘管需求強勁，但回報延遲已成為共識：MIT報告顯示，95%企業GenAI投資零回報；J.P. Morgan分析稱，實現10%回報需每年產生6500億美元收入，這在當前不確定性下遙不可及。Oracle財報：需求爆炸與現金流負轉的矛盾Oracle財政2026第二季度（截至2025年11月30日）財報於12月10日發佈，總營收161億美元，同比增長14%；雲基礎設施營收41億美元，增長68%；剩餘履約義務（RPO）暴增438%至5230億美元，新增680億美元主要來自Meta、NVIDIA等巨頭合同。這反映AI需求真實且繫結長期。然而，市場反應負面：股價盤後暴跌逾10%。核心原因是Capex大幅上調至500億美元（較9月指引增加150億美元），自由現金流轉為負值約100億美元，長期債務接近1000億美元。管理層強調“致力於維持投資級信用評級”，但這反而暴露財務緊縮風險：公司需持續借債擴張，而回報延遲可能導致信用市場收緊。Oracle從“現金牛”轉向債務依賴，標誌下游雲服務商轉化瓶頸顯現。Broadcom業績：增長強勁卻難掩邊際壓力Broadcom財政2025第四季度（12月11日發佈）營收180億美元，同比增長28%；AI半導體營收增長74%。公司指引2026第一季度AI營收翻倍至82億美元，顯示訂單勢頭不減。然而，股價下跌約11%，因毛利率預警：AI業務佔比上升導致元件成本壓力，客戶轉向自訂晶片可能削弱定價權。Broadcom保持正現金流，但整體科技股估值已接近dot-com泡沫峰值。任何增長放緩（如 backlog 未達預期）都觸發拋售，反映市場從“增長故事”轉向“盈利質量”考核。hyperscalers Capex狂飆：2025-2026年投資規模2025年，四大 hyperscalers（Microsoft、Amazon、Google、Meta）Capex預計超3150億美元，較2024年大幅躍升：Google上調至910-930億美元Meta 700-720億美元Microsoft和Amazon合計逾1000億美元這推動AI相關Capex佔美國GDP增長逾1個百分點，成為經濟主要驅動力。但若回報不及預期，這一支柱崩塌將放大衝擊：基礎設施遺留價值高，但短期現金流負轉風險上升。宏觀經濟分化：AI成最後支撐柱2025年，美國就業市場顯著惡化。ADP報告顯示，11月私人部門淨損失3.2萬職位，小企業裁員12萬，為2023年以來最大降幅。聯準會主席Powell在12月會議上承認，勞動力市場風險上升，官方資料可能高估每月增長。12月FOMC會議降息25基點至3.5%-3.75%，但點陣圖僅暗示2026年一次降息，遠低於市場預期。三位委員異議（一鴿派欲更大降幅，兩鷹派欲暫停）反映分裂：通膨頑固 vs. 勞動力弱化。Powell強調，高收入群體（股市財富效應）支撐消費，但AI股逆轉將銳減支出。嬰兒潮一代退休潮加劇風險：股市上漲時可持續，下跌30%-50%則無解。美國經濟“K型”分化加劇：底層消費疲軟（McDonald's、Target下滑），高端依賴AI股市。全球類似：日本家庭支出下降，歐洲零售乏力。若AI逆轉，Capex放緩疊加財富效應消退，將擊中消費——2025年已佔經濟增長大半。聯準會政策困境：平衡通膨與衰退風險聯準會12月會議更鷹派：2026年僅一次降息，反映通膨上行擔憂（部分關稅影響）。但勞動力市場弱化迫使“保險性”寬鬆。Powell稱當前經濟“異常”：通膨高於目標，就業風險上升。若AI泡沫破裂，聯準會空間有限，難以同時應對。歷史鏡像與潛在結局AI熱潮類似dot-com泡沫：初期狂熱，後期質疑回報，最終崩盤但遺留價值（網際網路）。不同在於集中度更高（S&P 500 30%由少數巨頭支撐），槓桿更重（科技債務激增）。若2026年需求未爆（競爭、自研晶片），債務滾雪球、信用收緊將連鎖反應。風險不止金融：資料中心電力需求佔全球14%，氣候壓力加劇；就業層面，Anthropic CEO預測淘汰一半入門白領，失業率升10%-20%。雖Yale分析顯示ChatGPT以來整體就業未擾動，但科技裁員數十萬已成事實。結論：轉折點已至，審慎為上2025年底，AI投資熱潮抵達轉折：IBM、Oracle、Broadcom事件標誌市場從“買入後問”轉向“先問回報”。需求真實，但財務緊縮、宏觀弱點放大風險。若2026年未實現盈利轉化，估值調整在所難免；長期，高效建構方能釋放轉型價值。投資者需警惕：AI或重塑世界，但過程伴隨劇痛。短期波動加劇，中期審慎配置為宜。 (周子衡)

今年三季度Google的財報中，投資收益引人注目，前三季度的浮盈已經達到220億。Google的這類非市場化股權投資通常與其戰略需求，或對其生態系統至關重要的AI 初創公司投資有關。今年的盈利主要來源於對Anthropic的投資。Anthropic是目前全球估值最高的未公開上市AI 公司之一。相比其它股東，Google投資金額較小，但入局早。從Anthropic的籌資歷史與估值變化中，可以看到其受到了資金的極度追捧。2021-2022，早期投資5.8億，來自於現在已經破產的FTX。2023年9月-2024年11月，亞馬遜承諾投資40 億美元。2023年10月，Google承諾投資20億。2024年3月，由 Lightspeed 領投E輪，籌資27.5億，估值達到615 億美元.2025年8月，由ICONIQ Capital 領投，籌資130億，估值達到 1830 億美元。2025年11月，微軟和輝達聯合投資150億。微軟約 50 億美元，輝達約 100 億美元。估值猛增至約 3500 億美元，是Google投資時的87倍！Anthropic是由前OpenAI 的核心研究人員在2021年創立的。其Claude 系列大型語言模型是當前市場上唯一能在性能上與ChatGPT 和Gemini抗衡的頂級模型。Claude與其它模型的不同之處，在於其專注於那些能在近期產生經濟效益的，企業級市場，模型的程式設計能力尤其強大。它對Google的DeepMind和 OpenAI關注的數學推理等領域則投入較少。可以看到，科技公司們正在根據自身技術稟賦和戰略目標，來選擇最能實現商業變現的細分領域進行深度挖掘。市場足夠大，容得下差異化競爭。2024年3月，Anthropic的E輪融資估值為615億美元。一年半後的2025年8月F輪融資，估值為1830億美元。這給Google和亞馬遜帶來巨大的帳面收益。短短兩個月後的11月，微軟和輝達也投資入股，估值幾乎翻倍，達到3500億美元。這說明Google的第四季度將同樣獲得可觀的帳面股權投資收益。Google和亞馬遜投資的主要目的之一是確保Anthropic 在其 AI 模型開發和訓練中，使用自己的雲服務。Google雲在與 Anthropic 簽訂的價值高達數百億美元的合同中，承諾提供大規模的Google自研的TPU AI 晶片，為其提供超過千兆瓦的計算能力，用於模型訓練和擴展。通過融資，Anthropic巧妙地鞏固了所有主要雲服務提供商和輝達的算力支援。從這個案例中可以看到，這些科技巨頭之間的關係錯綜複雜，Anthropic與它的股東們的關係既競爭又合作，還互相投資。比如Gemini 是Claude在產品和技術上的主要對手，而Google雲又提供了Anthropic關鍵的基礎設施。這樣的關聯交易就是大空頭Micheal Burry認為AI有泡沫的依據之一。非排他性值得注意的是，所有這些股權投資和業務上的合約都沒有排他性條款。比如，Google和亞馬遜在投資Anthropic的時候，並不限制Anthropic使用對方的雲。類似的，輝達投資OpenAI時，也不限制OpenAI買別家的晶片。在傳統行業，排他性競爭是主流。股權投資經常作為換取稀缺實物資源，比如礦產，的長期獨家控制權的籌碼。這是因為，傳統行業的市場規模增長速度通常與經濟增長速度持平或略高，是線性增長。在有限的市場中，競爭必然是排他性的。企業會通過法律合同、獨家供應協議、收購競爭對手等方式來消除競爭，實現市場份額最大化和垂直整合。而AI領域的技術和市場特徵與傳統行業截然不同。首先，AI創造了全新的、指數增長的需求，尤其是在算力和應用領域。ai技術的複雜性與垂直整合難度，意味著沒有一家企業能從底層晶片、中介軟體、基礎模型、到應用層都做到最好。每一家都可以在自己擅長的領域發展，而不威脅到競爭對手。比如，Google的TPU晶片即使開始對外銷售，擴大市場份額，也不會影響輝達GPU的需求量。因為兩者服務的是不同的需求對象，而且對兩者的需求都遠大於供應。在市場巨大、資源稀缺、技術複雜這些因素的作用下，合作比排他性競爭能帶來更高的回報。AI巨頭們對前沿公司，如Anthropic、OpenAI的投資，能獲得技術，商業機會和投資回報等多重收益：通過鎖定技術和人才來對衝落後的風險。投資競爭對手的模型可以讓雲巨頭們獲得對最新AI 技術、能力和人才的近距離觀察，有助於他們縮小自身模型的差距。股權合作可以確保最新的頂尖模型優先部署在自己的雲服務上。Anthropic授權Google雲和亞馬遜雲AWS，將 Claude模型整合到Google雲的AI 服務生態Vertex AI和亞馬遜的AI 模型服務平台Amazon Bedrock 上。這允許Google雲和AWS的使用者通過 API 介面，直接在兩者的環境中呼叫 Claude用於建構自己的應用。使用者使用 Claude 模型時，Google雲和AWS會向 Anthropic 支付授權費用。由此，Google和亞馬遜成為Anthropic的戰略合作夥伴和分銷商，而不僅僅是算力供應商。這是AI時代基礎設施與模型技術深度繫結的競合模式。自然而然地，Anthropic盈利能力的提升，推動估值，也會給Google和亞馬遜帶來巨大的投資回報。從Anthropic的角度來看，則獲得了將計算資源進行最優配置的能力。它同時獲得Google的 TPU，亞馬遜的 Trainium/ Inferentia，以及微軟的 Azure的基礎設施支援，可以確保最先進的模型可以運行在最適合它們的硬體上，最大化技術產出。社會意義這些非排他性的投資與合作，還會產生一個更宏大、更具社會意義的結果。那就是促進整個AI行業的技術進步、擴大其社會應用範圍，進而激發全社會對AI的接受度和需求。首先，非排他性能更好地支援分散式創新，更有可能突破技術瓶頸，達到效率的極致化。Anthropic專注於 AI 安全和編碼，OpenAI 專注於通用智能，DeepMind 專注於科學發現。這種多點開花的競爭模式比任何一家公司內部研發都更有效率。巨頭們通過非排他性投資，可以外包一部分前沿研究的風險和成本，同時受益於所有方向的突破。其次，當市場上多個優秀且可信賴的AI 產品（Claude, ChatGPT, Gemini）出現時，企業和公眾對AI 技術的接受度會更快、更廣泛。當前這波由生成式AI 驅動的社會接受速度，在科技史上是前所未有的。參考歷史上，新技術達到1億使用者所需的時間，固定電話用了75年，手機16年，網際網路7年，臉書4.5年，而ChatGPT才僅僅用了2個月。如果用技術採納生命周期來衡量，AI目前正處於從早期採納，向加速滲透過渡的關鍵時期。在個人層面，已經超過數億人在使用AI 進行寫作輔助、程式碼查詢、資訊總結、日程規劃和創意生成。Google的生成式搜尋體驗和微軟的Copilot，正在將 AI 回答直接整合到搜尋結果中，這意味著每一次搜尋都在使用 AI。新一代智慧型手機、電腦作業系統正在將大語言模型作為底層能力內建，使用者在不知不覺中已經在使用AI。企業也已經認識到AI 不是可選項，而是保持競爭力是必須項，正在重金投資部署。Microsoft Copilot、GitHub Copilot 等工具被大規模採購，用於提升知識工作者和程式設計師的效率。企業正在將AI 模型，如Anthropic 的 Claude 或 Gemini，作為新的 API 介面整合到其核心業務系統和軟體中，實現資料分析和決策的自動化。未來當AI模型更加安全、專業和可信賴，垂直領域的關鍵應用也被成功開發和部署後，AI 會真正嵌入到各個傳統行業中，真正提升實體行業在物理世界的生產力。那時，AI 的廣泛應用將創造出目前我們無法想像的新商業模式和工作流程，這反過來會產生對大規模、持續、複雜算力的巨大需求。最終回到巨頭們投資的核心收益:建立未來的盈利基礎。算力消耗本質上是技術被社會接受度提高的最終結果。因為如果AI 不能廣泛應用於社會並改變生產力，那麼對算力的需求就會停滯不前。通過非排他性協議，讓被投資企業取得成功，從而最大程度地激發整個AI 生態系統的繁榮，最終將推動底層基礎設施和巨頭們自身產品的需求。 (一顆南瓜籽的成長)

對於備受關注的AI投資狂潮，被稱為“泡沫預言家”的克里斯托弗·伍德（Christopher Wood）再次敲響警鐘。他指出，市場已陷入非理性的狂熱，完全無視基本面，這幾乎註定會以一場崩盤告終。問題不在於是否會發生，而在於這場狂歡何時會突然中止。科技巨頭亞馬遜、Alphabet、微軟和 Meta的報告稱，它們在 2025 財年的AI相關支出預計高達 3640 億美元，高於此前約 3250 億美元的預期。然而，在本月舉辦的《財富》創新論壇上，伍德表示，誰能將所有這些資本開支最終貨幣化並實現盈利，仍是未知數。“目前AI的‘殺手級應用’是什麼？是那些用來幫孩子寫作業的應用嗎？”伍德調侃道。在伍德看來，真正在AI領域賺到錢的，仍然只有提供底層基礎設施的“賣鏟人”——首當其衝是輝達，在亞洲則包括海力士、台積電等公司。伍德是傑富瑞集團全球股票策略主管及《貪婪與恐懼》市場評論的作者。他被公認為亞洲最具影響力且見解獨到的市場策略師之一，在識別投機泡沫方面擁有令人矚目的履歷。伍德曾在網際網路泡沫、日本信貸泡沫和美國房地產泡沫初現端倪時便發出預警。伍德指出，中國在AI發展領域比美國更具優勢。這一判斷也直接體現在他的投資策略上——重倉中國，而非美國。“過去三年，我的全球股票組合中一直持有輝達，但約一個月前我已將其剔除。我並非斷言這只股票已經見頂，但其漲幅已達約五倍。”伍德押注中國的原因在於，雖然美國在算力上領先，但中國在能源上的優勢遠大於美國在算力上的優勢。伍德稱，過去一年多的所見所聞表明，中國電池儲存技術的進步令人矚目，太陽能發電成本已經低於煤電，“這是巨大的轉變。”伍德陳述的是一個事實：在過去，中國的煤電因其穩定和廉價被稱為“基載電力”的首選，但現在，太陽能的“度電成本”在光照好的地區已經比新建燃煤電廠還低。他甚至斷言，基載電力這個概念在中國幾乎變得無關緊要，因為中國幾乎擁有無限的廉價能源獲取途徑。“反觀美國，你會發現他們正倉促地計畫建設各種能源設施，包括核能。這個國家面臨著巨大的能源瓶頸。”伍德指出，如果美國想快速解決這個問題，真正應該做的是直接引進中國技術。“中國的公司，比如寧德時代，應該在美國設廠。在我看來，美國在這個方面的覺醒只是時間問題。但顯然，整個局面在一定程度上被美國國內受政治驅動的、反ESG運動所扭曲。”當然，美國在算力上依然是領先的。但他認為，拜登政府在2022年出台的試圖阻止中國獲得先進半導體的政策，已從根本上對美國產生反效果，違背了其國家利益。首先，它讓輝達等美國科技公司失去了中國這個大客戶。其次，政策出台後帶來巨大衝擊，極大地激勵了中國自主發展半導體產業鏈。輝達創始人黃仁勳明確表示，華為相比三年前已成為強大得多的競爭對手。從美國立場看，這個政策堪稱一記“烏龍球”。目前看來，中國在稀土問題上的籌碼，遠多於美國在半導體問題上的籌碼，伍德補充道。伍德認為，中國在AI發展方面也採取了更明智的策略，即聚焦開發出具有商業可行性的實際AI應用，這將引領 “推理繁榮”（inference boom）——隨著成千上萬個成功的AI應用被部署到各行各業，社會對“推理”計算的需求將呈現爆炸式增長。伍德透露，在幾個月前訪問北京時，一位中國AI業內人士對他說：“如果達到八分（滿分十分）的水平，對我們來說就足夠好了。”根據他的觀察，中國的AI公司並非執迷於建構完美的大語言模型以達到理論上的通用人工智慧（AGI），他們的重心在於開發出具有商業可行性的實際應用。而在美國，每家公司都在耗費巨資，試圖建構自己完美的、封閉的大型語言模型以期達到AGI。“而根據我與AI專家的交流，我認為，僅通過擴大大語言模型的規模永遠無法達到AGI。”為何美國科技巨頭仍在持續巨額投入？“他們極度害怕被顛覆，”伍德直言，“強烈的錯失恐懼症正在驅動這場軍備競賽。”最後，伍德向在場聽眾推薦《AI帝國》（Empire of AI）一書，該書揭示了OpenAI的內部運作和權力鬥爭，並批判性地分析了當前AI發展模式帶來的全球性影響。“我今年夏天在峇里島海灘上讀了它。讀完那本書後，我不會向OpenAI投資那怕1美元。” (財富Fortune)

在圍繞AI投資的激辯中，一個核心會計問題正成為多空雙方的新戰場：作為算力基石的GPU，其真實的經濟壽命究竟是多久？這個問題的答案，直接關係到科技巨頭數百億美元的利潤以及當前AI估值泡沫的虛實。據投行伯恩斯坦（Bernstein）在11月17日發佈的一份報告，分析師認為，將GPU的折舊周期設定為6年是合理的。報告指出，即便考慮到技術迭代，運行舊款GPU的現金成本相對於其市場租賃價格而言非常低，使得延長使用年限在經濟上完全可行。這一發現意味著，對於亞馬遜、Google和Meta等大型雲服務提供商而言，其當前的折舊會計政策在很大程度上是公允的，並非刻意粉飾財務報表。這直接為科技巨頭的盈利能力提供了辯護。然而，這一觀點與市場上的悲觀論調形成鮮明對比。以預測了2008年金融危機的“大空頭”Michael Burry為代表的批評者認為，AI晶片等裝置實際壽命僅2-3年。Burry警告稱，科技巨頭正在玩一場危險的會計“戲法”，旨在人為抬高短期利潤。01 伯恩斯坦：6年折舊在經濟上可行分析師Stacy A. Rasgon在報告中明確指出，GPU可以盈利地運行約6年，因此大多數超大規模資料中心的折舊會計是合理的。這一結論的基石在於經濟性分析：營運一塊舊GPU的現金成本（主要是電力和託管費用），遠低於市場上的GPU租賃價格。這意味著，即便硬體性能不再頂尖，但只要市場對算力的需求依舊旺盛，持續運行舊GPU就能帶來相當高的貢獻利潤。資料顯示，即使是已有5年歷史的輝達A100晶片，供應商依然可以獲得“舒適的利潤”。伯恩斯坦的測算表明，只有當GPU老舊到7年前的Volta架構時，才開始接近現金成本的盈虧平衡點。因此，報告認為，大型雲服務商（Hyperscalers）採用的5-6年折舊周期，從經濟角度看是站得住腳的。02 經濟可行性：高昂的租金與低廉的營運成本Bernstein的分析拆解了GPU的營運經濟學。GPU租賃價格，要比其營運的現金成本高出一個數量級。以A100晶片為例，報告估算其貢獻利潤率高達70%。具體來看，其每小時收入約為0.93美元，而包括電力、託管和維護在內的現金成本僅為0.28美元。這種巨大的利潤空間，使得雲廠商有充分的經濟動機去儘可能延長GPU的執行階段間。報告還提到，GPU的價值損失並非線性。它們通常在第一年因“磨合期”（burn-in）問題和市場對最新硬體的偏好而損失20-30%的價值，但在那之後價值保持得相對穩定。此外，報告通過與行業參與者的交流證實，GPU在物理上通常可以使用6-7年甚至更久。早期出現的一些“燒燬”案例，大多歸因於新硬體上線初期的配置錯誤（即“burn-in”階段問題），而非GPU本身的設計壽命缺陷。03 算力需求旺盛，舊晶片仍有市場當前的市場環境是支撐舊款GPU價值的另一個關鍵因素。報告強調，在一個“算力受限”的世界裡，市場對算力的需求是壓倒性的。領先的AI實驗室普遍認為，更多的算力是通往更高智能的路徑，因此他們願意為任何可用的算力付費，即使是舊型號。行業分析師指出，A100的算力容量至今仍接近完全預訂的狀態。這表明，只要需求持續強勁，運行效率較低的舊硬體依然有其存在的價值。04 科技巨頭的折舊選擇根據公司檔案，Google對其伺服器和網路裝置的折舊年限為六年；微軟為二至六年；Meta則計畫從2025年1月起，將部分伺服器和網路資產的使用壽命延長至5.5年。值得注意的是，並非所有公司都在延長折舊期。亞馬遜在2025年第一季度已將部分伺服器和網路裝置的預計使用壽命從六年縮短至五年，理由正是AI技術發展的加速。這一舉動為看空者的論點提供了一定的支援，也顯示了行業內部對硬體迭代速度的不同判斷。05 “大空頭”的警告：會計“戲法”與虛增的利潤與伯恩斯坦的樂觀看法截然相反，“大空頭”Michael Burry在11月11日通過其社交平台發出了嚴厲警告。他認為，科技巨頭正在通過延長資產的“有效使用壽命”來低估折舊，從而人為地抬高了收益。華爾街見聞寫道，Burry指出，AI晶片和伺服器等計算裝置的產品周期通常只有2到3年，但包括Meta、Alphabet、微軟、甲骨文和亞馬遜在內的一些公司，卻將其折舊周期延長至6年。他預計，從2026年到2028年，這種會計處理方式將使大型科技公司的利潤被虛增1760億美元。Burry特別點名，到2028年，甲骨文的利潤可能被誇大26.9%，Meta的利潤則可能被誇大20.8%。值得注意的是，Burry的觀點並非孤例。早在9月中旬，美國銀行和摩根士丹利就曾發出警告，稱市場嚴重低估了當前AI投資的真實規模，且對未來折舊費用激增的衝擊準備不足，這可能導致科技巨頭的真實盈利能力遠低於市場預期。這一系列警告，疊加Burry此前披露的輝達看跌期權持倉，加劇了市場對AI相關股票估值的擔憂。 (芯師爺)