AI是泡沫還是理性繁榮？貝葉斯訊號特徵建模

短期是階段泡沫，長期理性繁榮

周末，關於AI泡沫的言論在不斷髮酵！

我近期一直指出，從ChatGPT誕生到現在馬上進入2026年，前三年（23-24-25年）AI帶來的效率提升與capex的FOMO效應推動企業不斷通過AI省opex並轉為capex，但是opex的節省到了當前時點也面臨很多掣肘，一方面是技術能力的問題，當前AI agent在很多複雜的工作流領域的能力尚不足以應付，另一方面就是持續裁員效應帶來的人倫反噬。

WIRED（Brian Merchant）把 Goldfarb & Kirsch 的“科技泡沫四要素”——不確定性 / 純正押注（pure plays）/ 新手資金 / 宏大敘事——逐條套在 GenAI 上，作者與學者的結論都是“滿分 8/8”；文中還串聯了“95% 企業 GenAI 試點無正向收益”的 MIT 報告熱點。

The Atlantic（Matteo Wong & Charlie Warzel）主旨是“美國正在成為 Nvidia-state”：AI 已成 S&P 主要增量驅動、算力資本開支的槓桿鏈條越來越複雜（私募信貸→資料中心租約證券化/分層→再融資），還點名 OpenAI↔Oracle↔Nvidia 的“循環式資本流”。

央行/賣方側的外部警示也在同步放大：英格蘭央行直言 AI 相關估值“易受情緒轉折”；J.P. Morgan 的市場月報給出自 ChatGPT 上線以來，AI 相關成分貢獻了 S&P500 漲幅的 ~75%。

WIRED 的“8/8 泡沫評分”到底在打什麼分？

Goldfarb & Kirsch 在《Bubbles and Crashes》(2019) 裡用四要素判斷“技術是否進入泡沫態”：不確定性、純正押注（pure plays）、新手資金、宏大敘事。Brian Merchant 把這套尺子直接套到 GenAI，逐條給出“滿分 8/8”的結論與證據：

• 不確定性：推理成本高、很多面向消費者的互動仍在虧錢；企業端“到底能賺什麼錢、何時回本”並不清楚；MIT 調研引爆關注點——95% 的企業 GenAI 項目沒帶來可計量 P&L。
• 純正押注：VC 資金大規模單點湧向 AI（SVB 資料：今年 ~58% 的風投流向 AI），二級市場出現 CoreWeave 等純 AI 概念的“直接標的”；NVDA 自身也被界定為最純的“AI 上游押注”。
• 新手資金：AI 太新，連機構在很多賽道都是“新手”；同時移動端券商/碎股降低了散戶參與門檻，抬升了泡沫自增強的“廣譜參與”度。
• 敘事協調：從“AGI 將無所不能/必須加速以贏過CN”到“AI 改造一切”，形成強耦合的必然性敘事，歷史類比最像航空/廣播電台——都經歷了“敘事先於商業閉環”的泡沫—崩塌—再消化。

The Atlantic 的“融資→工程→折舊→循環資本”鏈條

這篇把一條資金-工程-折舊的閉環講得很直：

(A) 融資工程：

• 視角 1：可見度

——“新卡萊爾（印第安納）”衛星圖下一年內綠地變資料中心園區，7 座在建、23 座在途，電力需求將超過“兩座亞特蘭大”。

• 視角 2：結構

——為了不把槓桿抬上母公司資產負債表，表外 JV+長期租約+144A/分層證券化成了範本：Meta×Blue Owl 的 Hyperion ~$27–30B 私募信貸＋債券分層、Meta 僅持 20% 股權、PIMCO/BlackRock 等為主力資金，A+ 評級、144A 定價。這是“把 Capex 變成 OpEx”的財務工程。

(B) 工程現實：

電力與上架功率成為主約束，且建設/並網周期對現金流形成滯後。文章直白指出：即便建設繼續加速，能耗與基礎設施約束也會限制“無節制”擴張。

(C) 折舊/技術半衰期：

資料中心“晶片快速過時”，裝置折舊極短、代際更替快——這讓資產的經濟壽命<會計壽命，放大資本開支的周期性風險。這裡我展開補充一下：把“經濟壽命 < 會計壽命”這件事拆成證據→機制→連鎖效應→對策/監控四層，說透它為什麼會在 AI 資料中心裡放大資本開支的周期性風險。

證據：會計折舊越拉越長，技術代際卻在加速

雲三巨頭系統性拉長折舊年限：Microsoft，把伺服器和網路裝置折舊從 4 年延至 6 年，一次性把 $3.7B 折舊費用從 FY23 往後移；Alphabet/Google，2023 年把伺服器及部分網路裝置壽命改為 6 年，僅 Q1 就少提折舊 ~$0.99B；Amazon，2024 年先從 5→6 年；2025 年又因“AI/ML 技術進步加速”把一部分伺服器與網路裝置回呼至 5 年（已在 2025 Q1 10-Q 寫明）。這就是典型的會計壽命>經濟壽命被迫“糾偏”。

晶片代際節奏轉向“年更”，NVIDIA 在 2025 年 GTC 明確表示基礎設施按“年度節奏”迭代（Blackwell→Vera Rubin…）。這意味著 GPU 代際≈1 年、網路 800G → 1.6T 也進入兩年一階。機櫃與供冷門檻躍升，Blackwell NVL72 是整櫃液冷形態；單櫃 ~132 kW、72 GPU 同一 NVLink 域。大量傳統 10–40 kW 機櫃與風冷房根本承接不了這代平台。

小結：報表上摺舊在延長，但技術與工程門檻在縮短/抬高；兩條曲線背離，就是“經濟壽命 < 會計壽命”的客觀圖景。

機制：為什麼“壽命錯配”會放大資本開支（Capex）的周期性？

• 代際性能/成本台階

H100→H200→B200/GB200 在吞吐/頻寬/能效上是跳階；新代系下 $/1k tokens、時延與能耗曲線同步下台。舊代資產的單位經濟學迅速劣化，被迫提前退役或下沉到低價值負載——其經濟壽命自然短於會計帳上的 6 年直線法。

• 架構相容性“整櫃化”

NVL72 把 72 GPU織成單一 NVLink 域，功率與互連都“捆綁到櫃”。這會引發級聯升級：不是“換幾塊卡”，而是整櫃/整列更換（GPU→主機板→互連→光模組→供電/供冷），於是周期振幅被放大。

• 供冷與配電的“門檻跳變”

Uptime 2024/2025 的冷卻調查顯示直液冷滲透還很低（~22% 在用），而 AI 櫃密度已逼近 60–120 kW/櫃。舊房（風冷/低密度）對新代平台的承載落差，把“折舊未完即翻修/遷建”的機率推高。

• 二手/處置價值受限

嚴格的出口管制與合規要求限制了高端 GPU 的二手流通與可回收價值；一旦主要二級市場受限，殘值跌→經濟壽命更短（同樣的帳面年限，真實可回收現金更少）。

• 會計與監管的“觸發條件”

當技術躍遷/利用率下滑/價格跳水構成“觸發事件”，US GAAP ASC 360 要求做可回收性測試，可能帶來減值與折舊年限重估（前者一次性打損益，後者推高後續 D&A）。

連鎖效應：從財報到融資、從產能到網路

利潤表錯覺 → 反身性回擺：延長折舊年限能短期抬高營業利潤（MSFT/GOOGL/AMZN 都出現過），但回呼/減值會一次性吞噬利潤（AMZN 2025 已對部分資產回呼至 5 年，明確因 AI/ML 創新加速）。對高估值資產而言，這是二階放大器。

融資與再融資鏈的脆弱點：壽命縮短+殘值下降，會抬高租賃/ABS 的隱含殘值風險溢價；若與“表外 JV + 長租約 + 分層證券化”的融資結構疊加，利差走闊/再融資失敗的系統性風險被放大。

網路/光模組與電力的“級聯周期”：800G→1.6T 節奏更快，後端網路與光模組支出佔比上升（不是只換 GPU），周期幅度因此更大、節奏更密。

資產處置與持有待售：Meta 2025 把 $2.04B 資料中心資產分類為待售，反映出“規劃—施工—折舊”節拍與技術/項目變更脫鉤時的資產重整代價。

循環資本（最敏感的一環）：“OAI→Oracle→Nvidia→再投 OAI”的閉環：媒體與研報交叉指稱OpenAI 對 Oracle 的 ~$300B/5y 採購、Oracle 以此大買 NVDA 晶片、NVIDIA 擬向 OpenAI 投資“up to $100B”。這不等於違法，但脆弱性上升（現金流高度互賴）。

備註：$300B 由多家一線媒體/評級機構持續跟進報導但仍屬商業合同口徑（現金流節奏/條件在演進），解讀需保留頻寬。

在 AI 資料中心裡，“技術年更 × 架構整櫃化 × 供冷/配電門檻躍升 × 合規二手受限”這四件事共同把經濟壽命往下拽，而財報端過去兩年的“會計壽命拉長”又把表觀利潤往上托。背離越久，回擺越猛——AMZN 2025 的“回呼至 5 年”就是一次小型演練。

3) JPMorgan 的 S&P “AI 貢獻拆解”說明啥風險？

Michael Cembalest（JPMAM）的《Eye on the Market》把自 2022-11 ChatGPT 上線以來的 S&P500 表現做了結構分解：

• 價格回報貢獻：AI 相關籃子≈ 75%；
• 盈利增長貢獻：≈ 80%；
• Capex+R&D 增長貢獻：≈ 90%。

報告還給出“AI 直達/AI 公用事業/AI 資本裝置”三籃子（合計 41 隻）與債務/權益比對比，並點名 OpenAI→Oracle 合同將改變科技資本周期（從現金流自我供血→更債務驅動的軍備競賽）。

若 AI 貢獻度從 “75/80/90” 回落至“50/60/70”，指數邊際驅動將顯著鈍化（尤其是盈利與 Capex 口徑）。貢獻高度集中意味著“系統承重梁”風險：一旦龍頭（特別是 NVDA 生態）出現裝機節奏/訂單能見度與業績錯位，二階效應通過指數被放大。

我也承認，AI階段性不是“有沒有泡沫”，而是那條鏈先成為薄弱環節以及何時有可能觸發？

融資與信用鏈（私募信貸×租約證券化）

新發的資料中心“租約債/ABS”發行利差較定價後一月走闊 ≥ 75 bp並伴隨縮量/推遲。類 Hyperion 交易的二級價低於發售價且成交放量兩周以上。信評機構對核心承租方或承建方的展望下調/風險提示增多（Moody’s 已就 Oracle 的 $300B 合同集中過度與槓桿提出警示）。事實基線：Meta×Blue Owl 的 Hyperion 以“租約支援/表外 JV+大額債券”的範本落地，隨後市場討論迅速擴散。若這一範本二級價差走闊或承銷受阻，就是首要裂縫。

經濟回報鏈（企業側 ROI → CFO 稽核 → Capex 節流）

大型上市公司披露GenAI 項目由“試點→停擺/縮編”的比率≥ 3 連季上行；管理層在 MD&A 裡把 GenAI 從“增長引擎”降級為“效率工具/成本中心”。三大/五大雲廠商合計AI Capex 同比增速出現≥ 2 個季度的階梯式下滑，同時把“AI 單位經濟學改善”目標後延。行業調查更新把“正 ROI 佔比”仍壓在 ≤ 10% 區間。事實基線：MIT Media Lab/Project NANDA《State of AI in Business 2025》：95% 的 GenAI 試點無可計量的 P&L 貢獻；多家一線媒體與投研二次報導已把這一統計放大為“ROI 真空”。

硬體與核心載荷鏈（NVDA 作為“承重梁”）

NVDA 訂單/供貨“去坡度”（訂單能見度與資料中心上馬節奏“脫鉤”），或下游延遲/取消訊號邊際增多。次級算力資產（轉租/二手 GPU、雲端搶佔價）的連月下行與利用率下滑平行。模型代際躍遷收益（推理成本/延遲/質量的單位改進）邊際遞減被一線應用實證反覆印證。事實基線：Nvidia 剛被多家權威媒體實錘為全球首家 $5T 公司；AI 相關對美股的邊際拉動高度集中。高度集中=脆弱性。

“崩塌路徑” vs “軟著陸路徑”——把三條敘事合起來

崩塌的機械鏈（The Atlantic 的核心命題）：

• ROI 遲遲不兌現（MIT：95% 無 P&L）→ CFO 收緊預算；
• 資料中心債/ABS，二級價差走闊、承銷放緩；
• 代際折舊+功耗/電價重壓，使現金流更敏感；
• 循環資本，任一環“失火”（違約/延期/評級觸發）→ 傳導到硬體上游與指數。

我嘗試把“泡沫學（BM-SL v2.0）”可觀測面徹底鋪開，結合LLM做一張指標雷達地圖（12 維度 × 每維 4–8 個核心指標），指標雷達地圖（12 維 · 多模型對應）

記號：↑=值越大泡沫風險越高；↓=值越大風險越低。每項後標出對齊位：[BM因子] / [舊模型鉤子]

1) 融資 & 信用（Financing, F）

2) 工程 & 能源（Engineering, E）

3) 折舊 & 資產壽命（Depreciation, D）

4) 閉環 & 對手方集中（Closed-Loop, C）

5) 不確定性 & ROI（Uncertainty, U）

6) 純押注 & 新手資金（P, N）

7) 敘事 & 開放集（S, NOV）

8) 貢獻度集中（CCI）

9) 需求吸收 & 單位經濟學（DA · GAP-OS 核心）

10) 微觀執行 & 容量守則（µ · Z-Trigger/Tech-Edge）

11) 供給鏈硬約束（HSD-OS）

12) 指數技術 & 行為訊號（Tech-Edge v2.0）

下面是用 BM-SL OS對“AI 全產業鏈（北美/美股權重）”做的當期復評（截至 2025-11）。結論：Regime：R1（高利率×緊信用）；Composite-Z = 0.857 → p_bubble ≈ 0.659（HEDGE 檔，臨界偏高）。融資端仍然暢通但表外化/分層化上量；工程側 >100–120 kW 液冷架級與 PJM 容量價將風險“傳導放大”；折舊/壽命錯配被 AMZN 在 10-Q 中“6→5 年”實錘；閉環依賴（OpenAI↔Oracle↔NVIDIA）繼續上行；指數層面 AI 貢獻 75/80/90 的集中度未緩解。

所以，如果從當前的證據與過往經驗來看，AI確實出現泡沫的特徵，但我們人類不總是會高估短期影響而低估長期影響嗎？從長期來看，AI會是理性繁榮嗎？我一點也不懷疑（作為一個堅定的AI從業者，我個人更傾向於理性繁榮，只是當前謹慎一些總是沒錯吧！）

軟著陸反證集（能破壞“崩塌敘事”的資料點）：

• 企業正 ROI 佔比提升到 ≥30% 並連續兩季擴大；
• 頭部應用單位經濟學顯著改善（$/1k tokens 持續下台階且公開披露可審計）；
• DC 債/ABS 利差

穩中縮小、144A/分層繼續順利發，且配電/並網瓶頸緩解；

• AI 對淨利率的淨貢獻

在龍頭財報裡被明示且連續兩個季度擴大。

我相信作為人類第四次工業革命，智能化革命帶來的長期價值仍沒有體現出來，所以反證目標與判定口徑（Bayes）是怎麼樣的？

• 原假設 H₁：AI 處於泡沫自增強階段（融資→工程→折舊→閉環的“機械鏈”主導）。
• 對立假設 H₀：AI 進入理性繁榮/軟著陸（需求吸收與單位經濟學改善可以自洽支撐估值與 CAPEX）。
• 判定規則（與 v3.0 對齊）：
• 連續 2 個評估窗（≥1 季）滿足反證分組裡 ≥5/8 項為“綠/強反證”；且 p_bubble ≤ 0.50 或 (0.50,0.65] 且 hazard t50 ≥ 240d → 切換為 BUILD；
• 若 p_bubble ≤ 0.35 且 t50 ≥ 300d → ACCELERATE。

“理性繁榮”八大反證簇（每簇給指標/閾值/解釋）

方向統一：值越好=反證越強。閾值為默認行業級，可按類股/區域覆寫。

A. ROI 與業務兌現（U/DA·硬反證）

B. 單位經濟學“三元”改善（成本/時延/質量）

C. 融資質量與信用“再定價”（F）

D. 工程與能源門檻“軟化”（E/HSD）

E. 折舊/壽命“重新對齊”（D）

F. 閉環去脆弱（C）

G. 指數與市場結構“去集中”（CCI/µ）

H. 利潤率與會計揭示（SL-MARGIN）

因果與滯後：把“證據→結果”串成可檢驗鏈（v3.0 Gate-Graph 版），A（ROI/DA）→ B（三元）→ C（信用）→ D（工程）→ E（壽命）→ F（閉環）→ G（指數）→ H（利潤）

• 邊的要求：
• 正號：A↑ 必須先行後推 C↑（利差回落）/H↑（淨利提升）；
• 滯後：A→C 60–90d，A→H 90–180d；
• 衰減：若 B 回落，C/H 隨之於 120–180d內回落。

只有鏈路里的符號/滯後/衰減被資料序列反覆驗證，我們才把 p_bubble 系統性下調；否則維持審慎（HEDGE）。

當前強反證命中 2/8（融資、單位經濟學-成本），其餘 6 組未達“綠檔”閾值；這兩項反證已經在我們上一輪 BM-SL v3.0 / BBSF 中計入，因此後驗機率不變：p_bubble ≈ 0.66（HEDGE，臨界偏高）；要切到 BUILD 至少還差 ≥3 組強反證連續成立一個評估窗（建議 1 季）。

所以，只要：正 ROI 佔比≥30%、Token→Revenue/GP 彈性≥0.30/0.20、$/1k tokens YoY≤−30%、DC 利差≤+25bp&覆蓋≥2.0×、DLC≥30%、econ/book≥0.90、Top-3 集中≤0.45&兌現≥0.8、S&P 貢獻≤60/70/80 和 AI 對淨利率正貢獻連 2 季這八項裡 ≥5 項連續兩窗成立，BM-SL 的後驗 p_bubble 就會結構性下行到 ≤0.50（甚至更低），此時把檔位從 HEDGE→BUILD/ACCELERATE 是有審計憑據的，而不是“主觀樂觀”。

最後，說一句，投資或者研究research，最重要的是什麼呢？我們都經歷了大大小小的各種周期，不迷信，無執念，看資料，講證據，無所住而生其心！ (貝葉斯之美)