①雲廠商承擔巨額資本開支，但股價與自由現金流承壓，風險或隨後傳導至晶片和設備企業；②中美低成本模型快速縮小性能差距，企業客戶正加速轉向更便宜的模型與自主訓練方案；③基礎模型和Token或逐步商品化，OpenAI、Anthropic等前沿實驗室的盈利前景面臨更大挑戰。
摩根大通資產管理市場與投資策略主席Michael Cembalest近日對當前美國股市的AI交易發出謹慎信號。
報告指出，AI仍在推動資本支出、科技企業利潤和半導體股上漲，但產業鏈內部已出現明顯分化：負責銷售晶片和設備的公司繼續繁榮，承擔巨額投資並負責將AI轉化為收入的超大規模雲廠商，股價和自由現金流卻開始承壓。
與此同時，來自中國和美國的新一代低成本模型正在迅速縮小與OpenAI、Anthropic之間的性能差距。
隨著模型價格不斷下降、企業自主訓練能力增強，基礎模型和Token可能逐漸商品化，AI產業的利潤分配格局也可能隨之改變。
AI產業鏈出現類似互聯網泡沫後期的分化
Cembalest指出，繁榮周期中最值得警惕的階段並非所有企業同時轉弱，而是最接近最終需求的公司已經見頂，資本開支的上游受益者卻仍在上漲。
類似現象曾出現在1999年至2000年的互聯網泡沫後期。
當時，Verizon、AT&T、WorldCom、Sprint等通訊服務商率先走弱，但思科（Cisco）、諾基亞、北電網絡、高通和摩托羅拉等設備供應商股價仍繼續攀升。以思科和Verizon為例，在Verizon股價基本停滯後，思科依然經歷了一輪大幅上漲，直到泡沫最終破裂。
報告認為，當前AI產業鏈正在呈現相似結構。
輝達、美光、博通和應用材料等半導體及設備企業處於產業鏈「車尾」，受益於雲計算公司的持續採購，股價和自由現金流快速增長；Google母公司Alphabet、亞馬遜、微軟、Meta和甲骨文等超大規模雲廠商則位於「車頭」，它們需要承擔數據中心、晶片、電力和軟件方面的巨額投入，但股價表現趨於停滯，自由現金流顯著下降。
（AI產業鏈上下游自由現金流走勢明顯分化，半導體企業受益，而云廠商持續承壓）
半導體企業當前的高增長在本質上依賴下遊客戶繼續擴大資本支出。如果雲廠商無法通過AI服務獲得足夠收入和利潤，投資回報率持續下降，上游晶片和設備需求最終也可能受到影響。
換而言之，AI投資周期的風險，可能首先反映在雲廠商現金流上，隨後才傳導至半導體產業。
誰來為不斷擴大的AI投資買單
報告還關注到科技行業與其主要客戶之間的盈利背離。
歷史上，美國科技企業盈利增長通常與金融、製造、媒體、運輸和醫療保健等大量採購技術設備和軟件的行業較為同步。
但近期科技行業利潤繼續快速上升，這些高度依賴技術的客戶行業卻沒有出現同等幅度的盈利改善。Cembalest由此提出一個關鍵問題：如果科技公司的主要客戶沒有賺到更多錢，未來誰來為AI設備、軟件和雲計算服務買單？
這一問題直指AI商業化的核心矛盾。
當前AI產業的資本投入主要集中在晶片、服務器、數據中心和模型訓練環節，但最終仍需要依靠企業客戶提升效率、降低成本或創造新增收入來收回投資。如果AI只能推動基礎設施供應商盈利，卻不能改善使用者的利潤率，那麼當前資本開支增速就難以長期維持。
與此同時，市場本身也已積累較高漲幅。
報告統計了自1928年以來標普500指數所有連續四年周期的表現，以2022年為起點的本輪行情已經遠遠進入歷史表現最好的前10%。
這並不意味著美股會立即見頂，但在估值和累計回報已經較高的情況下，投資者對AI盈利兌現速度的容忍度可能明顯下降。
AI模型價格戰：壓力同時來自中美
除資本開支風險外，AI基礎模型市場也正在進入新一輪價格戰。
報告指出，競爭壓力不僅來自中國企業，也來自Meta、SpaceXAI和Thinking Machines等美國公司。
Meta的Muse Spark 1.1和SpaceXAI的Grok 4.5均為封閉模型，其運行成本僅為Claude和GPT系列的一小部分，但綜合性能差距相對有限。
（不同AI模型在性能與任務成本之間已出現明顯分化，低成本模型正快速縮小與頭部模型的差距）
雖然基準測試無法完全代表模型在真實場景中的表現，但對於企業客戶而言，只要低價模型能夠完成特定任務，首席財務官就有動力將部分工作負載遷移至更便宜的平台。
事實上，這種趨勢已經開始發生。
根據OpenRouter數據，自2026年2月以來，美國企業使用中國模型所消耗的Token佔比一直超過30%，近期一度達到45%；按不同統計口徑計算，中國模型在OpenRouter上的查詢量和Token使用佔比已達到30%至60%。
價格戰對前沿實驗室尤其不利，因為兩大頭部AI公司OpenAI和Anthropic尚未證明其商業模式能夠穩定盈利。
報告援引Empirical Research的估算稱，OpenAI運營虧損可能在2027年達到600億美元，並在2028年擴大至850億美元。在仍需投入巨額資金訓練模型和購買算力的情況下，模型價格持續下降將進一步推遲盈利時間。
衡量模型競爭力應看「每項任務成本」
月之暗面推出的Kimi K3是報告重點關注的中國開放權重模型。該模型擁有2.8兆個參數，是目前規模最大的開放權重模型，而Anthropic旗下Claude Opus 4.8約為1.5兆個參數。
Kimi K3每百萬輸入Token收費3美元，每百萬輸出Token收費15美元。
相比之下，Anthropic的Claude Fable輸入和輸出價格分別為10美元和50美元，OpenAI的Sol則分別為10美元和45美元。如果Kimi K3的真實性能接近這兩款模型，其價格折扣將十分顯著。
不過，報告強調，比較模型經濟性不能只看Token單價，更應該觀察完成一項任務的總成本。部分低價模型可能需要消耗更多Token才能得到相似結果，但即使採用「每項任務成本」衡量，Kimi K3仍表現出較強競爭力。
這意味著美國前沿實驗室難以僅依靠更高的Token效率抵禦低成本模型衝擊。
報告還指出，稀疏架構、KV緩存壓縮、量化和推理效率等領域的大量近期創新來自中國。中國模型的競爭優勢因此不僅體現在人工成本或定價策略上，也逐漸延伸至模型架構和推理效率。
Inkling推動企業從購買模型轉向自主訓練
美國開放權重模型同樣可能改變行業格局。Thinking Machines於7月推出的Inkling擁有9750億個參數，但每次查詢僅啟動約410億個參數，因此實際運行成本低於其總規模所顯示的水平。
Inkling可以處理文字、圖像和音頻，支援最高100萬Token的上下文窗口，並允許用戶調節推理強度，在準確性、速度和成本之間進行選擇。公司還推出了成本更低的Inkling-Small版本，並通過Hugging Face發佈，Databricks成為首發合作夥伴。
更重要的是，Thinking Machines試圖推動企業利用Tinker API和內部數據訓練自己的開放模型，而不是完全依賴OpenAI和Anthropic提供的通用服務。橋水基金披露，其利用Tinker訓練的新聞過濾模型，在準確率上超過Claude Opus 4.8和GPT-5.5，同時成本明顯更低。
這種模式可能改變AI企業的競爭重點。未來企業未必需要持續採購性能最強、價格最高的通用模型，而可以選擇較便宜的開放模型，再通過自身數據進行定製。
前沿實驗室原本依賴技術領先和封閉生態獲得高溢價的商業模式，可能因此受到削弱。(財聯社)