10月28日，Alphabet（Google母公司）發佈三季報。營收同比增長25%，雲業務收入翻倍，經營利潤增長30%。只看這幾組數字，這是一份好得不能再好的成績單。
但當日收盤，股價一夜跌去12%。
同一家公司、同一組數字，在市場中產生了巨大分歧：有人盯著雲業務103%的增速，有人盯著負90.7億美元的自由現金流；有人計算收入，有人推演債務；空頭說"泡沫開始破裂"，多頭說"市場大錯特錯"。
幾乎沒有任何一位AI參與者否認，AI正在改寫軟體、廣告、工業與組織生產的方式。但分歧卻實實在在地於當下突兀起來：這一輪建設所需要的錢，最終能不能從AI創造的新收入裡賺回來；在答案到來之前，誰有資格繼續花股東的錢？
這個問題看著屬於華爾街，其實也屬於中國每一座在建智算中心的城市、每一個準備把大模型接進生產線的工廠，以及每一個還在問"現在能不能投AI"的普通投資者。
01 一份財報，為什麼讀出了兩個世界？
Alphabet這份財報最迷惑人的地方，是它同時裝著四種互相矛盾的事實。
其一，增長是真的。
季度營收1275.77億美元，同比增長25%；Google Cloud收入307.09億美元，同比增長103%，雲業務經營利潤111億美元，超過上年同期三倍，利潤率升至36.2%。Gemini應用使用者達到10億，第一方模型API每分鐘處理近320億個Token，是一年前的四倍多。AI不是停在簡報裡的故事，它已經在拉動真實使用量。
其二，傳統現金牛的壓力也是真的。
Google Search & other收入633.50億美元，同比增長12%。管理層在電話會上承認，AI模式查詢快速增長，但變現水平還偏低。搜尋查詢量增速創五年新高，變現卻落在了後面。
其三，現金流的壓力還是真的。
當季經營現金流約423億美元，資本開支約514億美元，自由現金流為負90.7億美元，資本開支同比增長約114%。財報電話會披露，公司長期債務已從一年前的216億美元升至1251億美元。現金牛仍在產奶，但建設牧場的帳單，第一次大到了改變企業體質的程度。
其四，利潤下滑還不能全怪AI。
當季淨利潤261.70億美元，低於上年同期；其他收益由正轉負，股權投資組合錄得約86.6億美元虧損。每股收益不及預期，不完全是"算力投資拖垮利潤"，投資損益佔據重要比例。因此把每股2.12美元直接等同於"AI商業模式失敗"，並不嚴謹。
空方頭將這組數字概括為：現金流轉負、停止回購、依賴融資、RPO可能無法兌現。
多頭則抓住另一點：雲收入翻倍、利潤翻3倍，負現金流只是投資先於回報的會計時間差。甚至有多頭估算，新投入資本回報率約20%，明顯高於資本成本。
兩方都沒有偽造事實。他們只是對同一條河流，選擇了不同的河段。
實際上，自由現金流是最容易被濫用的指標。它的會計關係很簡單：自由現金流≈經營現金流－資本開支。經營現金流說明現有業務今天能收多少錢，資本開支說明公司為未來投了多少錢。兩者相減為負，可能意味著入不敷出，也可能意味著它正用今天強勁的利潤，建設明天更大的產能。單看正負，啥也證明不了。
真正需要探究的，實則是另兩個問題：這筆錢投出去之後形成什麼資產；這些資產每投入一元，未來每年能賺回幾毛？這正是資本回報率與資本成本的關係。
如果新資料中心、晶片和網路每年帶來的稅後經營利潤，除以累計投入資本，能長期高於融資成本，今天的負自由現金流就是價值創造的前奏；反之，它就是在把好業務變成壞資產負債表。
這裡還有一個容易被忽略的口徑：ROIC要看新增投資的回報率，而非舊業務的平均利潤率。Alphabet過去靠搜尋廣告獲得高回報，並不證明今天新增的AI資本開支天然有同樣的回報。一家廣告公司變成重資產基礎設施公司，意味著估值不能只看市盈率，還要看每一元新增資本最後能沉澱下多少可持續的現金。
多頭在這裡有底氣：雲業務經營利潤在快速上升，電話會披露的雲積壓訂單約5610億美元，預計未來24個月確認其中略高於55%的收入。
空頭的理由也成立：積壓訂單是合同，不是已經到手的現金。尤其在AI產業裡，供應商、投資人和客戶有時同屬一個小圈子，合同金額越大，越要追問錢最後從誰的口袋流進來。
這就引到了循環融資，關於AI泡沫爭論真正的分水嶺。
所謂循環融資，用一個例子就能說清：晶片公司投資一家AI實驗室，實驗室拿這筆錢向雲廠商採購算力，雲廠商再向晶片公司買GPU。三方都能宣佈合作，收入、訂單和估值一起增長，但外部客戶究竟付了多少真金白銀，反而不容易辨認。
這一幕，歷史早已預演過。
一百年前，1920年代的美國電力公用事業，正是靠層層控股的金字塔結構彼此持股、相互擔保，將同一筆資本反覆裝進不同的公司報表裡。山謬爾·英薩爾（Samuel Insull）的公用事業帝國，曾把一張電網的現金流，放大成幾十家控股公司的估值。1929年崩盤之後，1935年《公用事業控股公司法》專門立法，拆除的就是這層結構。
此前，國際清算銀行在《2026年年度經濟報告》提示風險稱，AI行業融資的不透明性加劇金融脆弱性，循環融資尤其值得警惕；市場已公開討論的幾類安排，例如輝達投資OpenAI並討論為其資料中心租賃提供擔保，Google為Anthropic相關資料中心提供支援，以及AMD以晶片部署協議搭配認股權證等，本質上與電力的控股金字塔，是同一種古老的衝動：用結構，將未來提前兌現。
但必須指出的是，這些交易的規模、約束條件和執行情況並不完全相同，不能籠統地說"都是虛假收入"。循環融資本身不是罪。鐵路、電信、航空和能源建設史上，供應商幫客戶融資並不罕見：外部需求真實存在，它能加快基礎設施形成；需求若主要靠融資方不斷輸血，它就是在延後需求測試。
所以判斷AI繁榮是否健康，最要緊的問題並非"有沒有循環交易"，而是：當投資、擔保和採購三層關係被剝掉之後，終端企業願意獨立支付多少費用。
市場一會兒恐慌、一會兒又買回來，本質也在爭這一點：它不只重估基礎設施公司，也在重排"AI價值最後歸誰"：誰能活過資本開支高峰，誰能把使用量變成可持續收費，誰又會被大模型替代。
市場一會兒怕CapEx太大，一會兒又怕AI不夠快，其實並不矛盾，它同時在給"投入過多"和"被替代"定價。真正危險的，是只拿其中一個答案解釋所有公司。
02 技術可以贏，估值仍然可以輸
談起AI泡沫，最容易搬出的案例是2000年的納斯達克：指數從高點跌去約78%，無數.com公司消失。但只比指數跌幅，幾乎得不出有用結論。今天的大型科技公司擁有利潤、使用者和全球現金流，跟當年只有訪問量、沒有收入的公司，是兩種生物。
更合理的參照物，是基礎設施泡沫。而在電信泡沫之前，還有一個更古老的樣本：鐵路。
19世紀，美國為修鐵路付出了遠超當代想像的資本。到2000年，美國電信裝置的年度資本開支約1200億美元，建設大量依靠債務，行業總債務到2002年約1兆美元，而這一切，鐵路在150年前都用更大的代價預演過：重複建設、競相鋪軌、土地投機、多輪破產潮，直到1893年恐慌，JP摩根進場重組。鐵路最終確實重塑了美國，但早期的大多數投資者，沒有等到收穫的那一天。
電信泡沫只是把這個劇本又演了一遍。需求沒有按想像的速度到來，WorldCom和Global Crossing先後倒下，繁榮期鋪設的光纖只有很小比例真正點亮。Cisco的故事尤其扎心：2000年3月，股價80.06美元，市值約5000億美元；到2002年10月，股價約8.60美元，跌幅約88%。同期公司收入並沒有同比例崩塌，後來網際網路也如預期一樣改變了世界。
技術判斷正確，股票損失慘重，兩者完全可以同時發生。
這段歷史給了今天三條啟示：
第一條，基礎設施的回報不只取決於技術是否有用，還取決於建設節奏與需求抵達之間的時間差。產能先到了，客戶還在路上，融資成本就會暴雷。
第二條，利潤歸屬於誰。早期電信建設者未必是網際網路最後的贏家，裝置商可以因為客戶債務問題被重新定價，後來的平台公司反而拿走更多價值。AI也一樣：晶片廠、雲廠商、模型公司和應用公司同時增長，不代表它們會按同樣比例分享最終利潤。
第三條，資產的專用性。光纖一旦鋪下，很難改作他用；資料中心裡的通用算力、專用晶片和電力設施有同樣的屬性。晶片迭代越快，折舊越可能成為利潤的隱形考官。今天帳面利潤率很高的AI資產，如果三五年後效率落後、價格下降，實際經濟壽命可能短於會計折舊年限。
也就是說，歷史從來沒有給出"AI泡沫一定破裂"的答案，它給的是一套更精細的檢驗方法：需求能否按時到，回報能否跑贏折舊，以及建設者能否活到收穫期。
從經濟學視角來看，這是典型的邊際回報命題。AI市場未來很大，不等於今天所有投入都有回報，總需求是一回事，新增一座資料中心、一塊晶片、一個行業大模型的邊際回報是另一回事。資本周期最容易在"市場很大"的共識裡失控，因為每家公司都相信，自己不投就會輸掉下一輪。
結果是囚徒困境：對手擴建而我不擴建，我可能丟掉市場；大家都擴建，行業可能產能過剩。單個公司的理性，疊加成行業的過度投資。
破解它，要把三個指標置入一個池子，持續觀察：
- 增量資本回報率（新增投入的經營利潤除以新增投入資本，而非整個公司的歷史利潤率）；
- 價格與利用率（收入增長若來自漲價，必須靠利用率提升和成本下降接力，閒置率高的智算中心規模再大也只是昂貴的固定資產）；
- 現金回收期（長期合同能緩解不確定性，但不能消除它，回收期越長，客戶信用、技術替代和融資成本越重要）。
也正因如此，多頭強調雲業務利潤和垂直整合，空頭強調終端需求和融資結構，雙方其實可以部分同時為真：頭部公司的自建算力可能有合理回報，高槓桿的邊緣項目卻可能沒有。泡沫不必在整個行業平均發生，它往往先在最脆弱的項目和最樂觀的估值裡破裂。
把財報、交易結構和歷史放在一起，我們並不認同兩個極端觀點："AI只是騙局"解釋不了Google雲收入翻倍、模型呼叫量數倍增長，也解釋不了AI已經進入廣告、辦公和工業流程；"只要AI有用，所有投入都合理"則迴避了資本成本、折舊和回收期。
更精準的視角可能是：那些收入來自外部客戶反覆付費，那些收入主要來自資本和合同的互相確認。前一類越多，建設越能穿越周期；後一類佔比越高，越要提防融資條件變化帶來的連鎖反應。
當然，對Alphabet這樣的公司還得再加一層：它的核心搜尋業務仍在產生巨額現金，因此問題關鍵不是"會不會倒"，而是新業務能否獲得不低於舊業務的回報，市場又願意按什麼框架給它定價。
03 中國對應：同一場資本周期，兩張資產負債表
把美國的AI資本周期直接套到中國，必然會得出錯誤結論。
美國的矛盾，是巨額資本開支、複雜融資安排與終端需求兌現之間的關係；中國的算力建設同樣擴張很快，但推動力量還疊著全國算力網路、東數西算、營運商投資、地方產業政策和國產替代，資金來源、項目類型和考核方式都不一樣。
東數西算已形成8大樞紐節點、10個資料中心叢集，8大樞紐建成的智算規模超過全國總量的80%；"十五五"時期算力網建設新增直接投資預計達4兆元；2026年上半年中國智能算力規模達2185 EFLOPS，同比增長177%。
這些數字能表明建設強度，卻不能自動說明使用效率。中國真正要警惕的，除了"借債建算力"，還有三類更本土的錯配：
- 建設與場景錯配（項目先拿到，模型和應用後找，智算中心成了招商成績單，卻沒有足夠的workload去填充）；
- 硬體與軟體錯配（國產晶片出貨增長很重要，但如果框架、工具鏈、模型適配和開發者服務跟不上，採購規模不等於可用算力）；
- 通用能力與行業需求錯配（工廠要的可能不是更大的通用模型，而是能接入質檢、排產、能耗管理和售後的專用模型，參數規模不直接創造現金流）。
此處隱藏著一條意味深長的對照：
19世紀美國鐵路由私人資本驅動、靠土地贈予和債券擴張，最終因重複建設和債務破產而整合；而中國的高鐵、電網、算力網，走的是國家主導、統一規劃的路。驅動機制不同，但資本周期的那道考題是一樣的：建起來之後，有沒有足夠的需求把它用起來、把錢賺回來。
歷史上，國家主導的基礎設施也有過產能先於需求的故事，只是風險不叫"泡沫破裂"，而叫"利用率不足"與"隱性債務"。
所以，中國的問題不能被簡化成"要不要跟投"，需要考核的內容是：每新增一單位算力投資，能否在本地形成可計費、可續約、可出口的行業能力。
實際上，把AI產業鏈按"誰先收到錢"排一遍，比按熱門程度排序有用得多：
電力、裝置與工程先收到錢。智算中心擴張先帶來伺服器、網路、製冷、電力和建設訂單，這層最像基礎設施周期的"賣鏟人"，訂單可見度高，也最容易受建設節奏變化影響，它賺的是資本開支的錢，不是應用續費的錢。
晶片與算力營運次之。國產替代提供額外需求，但考核不能停在採購和出貨，真正決定資產質量的是利用率、單位算力成本、軟體相容性和客戶結構。
模型與平台再往後。呼叫量增長不等於平台賺錢，推理成本、免費使用者比例、企業合同期限和價格下降速度，決定這層能否形成穩定毛利；開源能擴大使用範圍，但開源本身不是商業模式，託管、企業服務和行業交付才決定現金來源。
產業應用在中國最可能形成差異化回報可能是：中國擁有完整的製造業門類、密集的產業帶和大量真實生產資料，質檢、裝置維護、供應鏈、藥物研發輔助、政務與金融後台，都存在明確的人工成本和錯誤成本。AI能否減少返工、縮短停機、降低庫存，比模型跑分更能回答價值問題。
機器人與智能終端把軟體能力接進物理世界，想像空間最大，也帶來更高的硬體投入、售後成本和安全要求，不能因為空間大就跳過單機經濟帳。
這樣排下來會發現：AI政策若只獎勵"建起來"，資源會被推向前兩層；若開始考核"用起來"和"賺回來"，回報才會留到後三層。產業鏈的真正成熟，並不是所有環節都熱，而是現金能從應用端一路回流到算力和晶片端。
2026年關於新質生產力的政策表述，已經把"全面實施'人工智慧+'行動"與"不能脫實向虛、貪大求全、搞泡沫化"放在一起。這個組合的本質，恰是把考核從投資規模移向產業結果。
對地方政府而言，智算中心應從"項目招商"轉成"資產管理"，新建項目至少要回答這些問題：本地有沒有真實客戶、預計利用率多少、電力和網路成本能否覆蓋、國產軟硬體能否被企業低門檻使用。上海、珠海發算力券的意義，不在多發一筆補貼，而在把中小企業的真實需求引到已有算力上，避免一邊閒置一邊新建。
對產業帶的傳統公司而言，最值得做的可能還不是爭取一個更大的通用模型，而是把行業資料、工藝知識和現場問題整理成可復用的專用能力。一家工廠證明AI讓不良率下降、換線時間縮短、老師傅的經驗可以複製，十家工廠才可能願意續費。產業帶共同繁榮的前提，不是大家買同一套昂貴系統，而是降低試用成本、共享驗證結果、讓專用模型在相近工藝之間遷移。
而對本身即為驅動力量的科技企業而言，自主可控不能只按"有沒有國產晶片"驗收，還要按遷移成本驗收：企業從一種晶片轉到另一種要改多少程式碼，國產框架能不能留住開發者，模型部署後每個有效任務消耗多少電。中國AI核心產業規模已突破1.2兆元，智能算力規模達2592 EFLOPS，人工智慧企業超過6600家。規模已經形成，下一階段更難的是把這些規模轉成穩定回報。
對投資者者而言，要區分“三種受益”最重要：訂單增加、國產替代和經營改善。前兩者能帶來收入，第三種才說明AI真正進入企業損益表。只看項目中標和算力規模，容易把“建設受益”誤讀成“長期盈利”。
04 本輪全球AI概念股踩踏式暴跌根源與鏡鑑
這場辯論不會被某一篇"泡沫破裂"的雄文、或某一次股價反彈終結。它有可觀察的驗證路徑：
- 看RPO的外部兌現：未來幾個季度，雲積壓訂單轉為收入的速度、客戶集中度和回款情況，比合同總額更重要。
- 看資本開支與經營現金流的差是否縮小：AI投入若開始產生回報，自由現金流會先於宏大敘事改善；若負值持續擴大，市場就會索要更明確的ROIC證據。
- 看推理價格和利用率：價格下降不天然是壞消息，若成本降得更快、利用率更高，利潤仍可增長；若價格、利用率、折舊同時惡化，收入增長也救不了回報。
- 看中國應用端的續費率：製造企業第二年是否繼續付錢，產業帶是否從試點變成常態採購，比發佈會數量更有說服力。
- 看電力與軟體約束：資料中心用電、國產框架適配和跨晶片遷移成本，會決定中國算力投資最終是資產，還是負擔。
2000年的留下教訓，從來不是"新科技別投"，而是技術前景、資本回報和估值必須分開回答。AI可以繼續改變世界，同時讓一部分過高估值和過低回報的項目出局。真正要提防的，絕非技術走得太快，而是把未來十年的收入，提前記在了今天的帳本上——本輪全球範圍內的AI概念股踩踏式暴跌根源，恰來自如是的“充分定價”。
150年前，鐵路投資者押注的也是同一個未來。他們只錯在了一件事：那個未來來晚了，而他們沒能等到它來。我們或許需要以此為鑑。 (錦緞)