孙占卿：AI的“预期泡沫”，正变得越来越脆弱？

IPP评论是国家高端智库华南理工大学公共政策研究院（IPP）官方微信平台。

导语：当前的全球资本市场正被AI引发的两种焦虑所笼罩。

一种是对AI颠覆性的焦虑。 年初至今，伴随Anthropic Claude Cowork等系列类AI Agent产品发布，市场预期其将替代大量传统软件产品，恐慌情绪蔓延至全球软件股和数据服务行业。市场正在以近乎“二选一”的逻辑重新评估行业价值：要么成为AI的放大器，要么成为被其替代的对象。

另一种焦虑则来自对AI泡沫的焦虑。Alphabet、Microsoft等科技巨头预计将继续投入巨额资金用于AI基础设施。在商业回报曲线模糊、稳定产生现金流的应用场景有限的背景下，一些人担心AI可能正在重演互联网泡沫时期的路径。就在此前2月，由于市场担忧其“烧钱规模”相对于潜在收入过于庞大，OpenAI已将长期基础设施投资计划从1.4万亿美元大幅削减至6000亿美元。

在IPP特约研究员孙占卿看来，当前AI领域的市场预期已演变为一种带有强烈浪漫主义色彩的“跨越奇点”叙事，成倍放大了主观估值，使投资者不仅贴现未来的生产力红利，更为“文明跃迁”的无限可能性赋予极高权重，导致资本配置严重前置，构成了系统性的溢价风险。然而，AI扩张正面临巨额资金与能源投入的现实瓶颈。一旦增速从指数级转向线性或短期停滞，将触发市场回调与投入搁浅的多重风险链条，其后果可能超越经济范畴。

孙占卿 博士

广州市社会科学院城市治理研究所副所长、IPP特约研究员

自2022年ChatGPT发布以来，人工智能领域的市场预期已超越单纯的技术进步范畴，演变为一种带有强烈浪漫主义色彩的“跨越奇点”叙事。这一叙事不仅包含对计算能力、自动化效率和经济产出的常规乐观预测，更叠加了“人类智能被超越、文明进入指数级自加速阶段”的指数级加成。

浪漫主义热情，推动全社会对AI估值（预期）严重偏离理性基础，与比特币、互联网泡沫等历史技术预期超前兑付案例相比，人们普遍认为AI已经度过了长达数十年的“冰冻期”，正式开启了第四次工业革命的序幕，并且其影响将远超之前的三次工业革命。

这种高度乐观的预期引发了前所未有的认知“溢价”，带来了巨大的短期市场（广义，指社会对AI的预期和期待）波动风险。

1990年代和2020年代（2022年11月至今）纳斯达克指数的走势对比，当前的增长速度已超越1990年代互联网泡沫时期。来源：IBD MarketSurge

当前，AI正处于从概念验证向大规模基础设施部署的过渡阶段，其发展轨迹需警惕短期繁荣掩盖下的结构性不匹配。市场对AI的过度反应可能已经透支了未来相当一段时间的支撑潜力，如果不能实现软着陆，很可能与业已紧张的全球贸易冲突、地缘政治风险叠加，构成系统性风险。

一、高预期带来高“溢价”

（一）估值溢价带来资产泡沫

AI相关资产估值呈现爆炸式增长，形成明显的溢价现象。以半导体巨头英伟达为例，2022年底其市值约为3640亿美元，至2026年2月已攀升至约4.6万亿美元，涨幅超过12倍，累计增加超过4万亿美元。同期，Microsoft市值从约1.79万亿美元增至约2.98万亿美元，Alphabet（谷歌）市值从约1.15万亿美元增至约3.79万亿。

AI生态企业合计贡献了标普500指数自2022年11月以来约75%的价格回报、80%的盈利增长及90%的资本支出增长。AI相关股票占全球市值比例已从2022年的约11.5%升至23%左右，在美国市场占比更高达46%。

2023年—2025年主要人工智能公司市值变化。单位：十亿美元。图源：作者绘制

这一估值逻辑不仅限于软件与芯片领域，还溢出到整个产业链上游。数据中心建设需求激增，直接推高铜、银等原材料价格。铜作为电力传输与散热核心材料，单座超大规模AI数据中心耗铜量可达数万吨，2025年全球铜价创历史新高，全年涨幅约44%，2026年多家机构甚至预测铜价将进一步升至每吨1.25万美元以上。

2025年至2040年间全球铜需求的预测，单位为百万公吨。图表将铜需求分为四个类别。从2025年到2040年，能源转型与新增需求以及人工智能与数据中心对铜的需求增幅显著。图源：S&P Global（标准普尔全球）

（二）AI浪潮横扫传统世界

高预期不仅重塑资产定价，更以无敌之姿横扫传统产业，所到之处土崩瓦解。IBM股价在2026年2月23日单日暴跌13.2%，创25年来最大单日跌幅，市值蒸发约350亿美元。起因是Anthropic发布Claude Code工具，可自动化完成COBOL语言（IBM大型机编程语言）的编程和更新工作，大幅压缩传统咨询与迁移项目的周期与成本。这一事件直接动摇了IBM在银行、政府等传统系统维护领域的长期优势，引发投资者对整个软件行业“AI替代”风险的恐慌。AI工具的快速迭代加速取代重复性与规则化劳动，传统软件、咨询与服务领域的竞争壁垒迅速瓦解。

在更广泛层面，AI正引发职业结构剧烈重构。英伟达首席执行官黄仁勋强调AI将“改变所有工作，让我们更忙碌”，然而现实并不如此乐观。麦肯锡预测，至2030年美国约1200万个岗位需转型，全球范围内约3亿个工作小时可能被自动化，相当于数千万全职岗位当量。

世界经济论坛估算，2027年前AI可能淘汰8300万个岗位，同时创造6900万个新岗位，净效应为负1400万，但转型成本集中于中低技能群体。客服、行政支持、零售销售与制造业组装等领域受冲击最大，占比约75%。高技能领域虽相对稳健，但编程、数据分析等岗位亦面临AI从“辅助工具”向“主导者”的角色转变。

美国受AI自动化影响比例最高的行业。图源：MSCI（摩根士丹利资本国际公司）

（三）AI身披“奇点浪漫主义”色彩

传统技术预期超前兑付，通常局限于特定应用场景的效率提升或市场渗透。例如，2000年互联网泡沫源于对“一切业务在线化”的高估，最终通过实际情况校正，但AI的“跨越奇点”预期则嵌入了一种历史性浪漫主义：它预言人工智能将实现递归自我改进，形成“智能爆炸”，从而开启“后人类”的硅基文明时代。这种叙事并非单纯经济计算，而是融合了乌托邦愿景，带有近乎宗教般的色彩。

不同于线性技术周期，奇点被描绘为不可预测的“事件视界”：一旦跨越，未来对人类而言变得不可知。这种指数级加成放大了主观估值：投资者不仅贴现未来的生产力红利，更为“文明跃迁”的无限可能性赋予极高权重，导致当前资本配置严重前置。结果是，AI相关资产的市盈率与资本支出规模远超历史可比技术周期，构成系统性溢价风险。

二、已经超前兑现的“高预期陷阱”

“跨越奇点”的浪漫主义为AI发展注入了强大动力，但也制造了前所未有的溢价风险。其指数级加成不仅放大短期估值偏差，更使超前兑付的后果超越经济范畴，延伸至社会秩序与人类定位。

（一）AI持续长虹短期面临资金、能源等瓶颈

AI扩张依赖巨额资金与能源投入，形成显著瓶颈。Gartner预测，2026年全球AI总支出将达2.52万亿美元，同比增长44%，到2030年将占IT支出的绝大部分。

全球AI支出正快速扩张，从2025年的约1.76万亿美元增长到2027年的3.34万亿美元。图源：Gartner

数据中心耗电量同步激增：国际能源署估算，2030年全球数据中心电力消耗将从2024年的415太瓦时增至945太瓦时，美国部分地区占比已超10%—26%。铜、银等原材料价格因AI需求持续高位，2025年铜价累计涨幅约44%。

2026年2月OpenAI向投资者下调长期计算资源支出预期，从此前宣称的1.4万亿美元规模调整为2030年前约6000亿美元，并将营收目标与支出更紧密挂钩。该调整释放明确信号：早期天量承诺已面临现实约束，AI狂飙进入调整末期。

如果估值未能匹配实际产出，资产估值逆转将引发连锁反应，波及从芯片到原材料的广泛领域，形成“一地鸡毛”的泡沫破裂场景。

图源：Getty Images

能源约束更为紧迫。全球数据中心2024年耗电约415太瓦时（占全球1.5%），预计2030年翻倍至945太瓦时，年均增长15%，远超其他部门增速。美国数据中心2024年耗电183太瓦时（占4%），2030年或达426太瓦时，部分地区占比已超10%—26%。

AI服务器功率密度极高，一座大型数据中心耗电可能超过10万户家庭，微软等企业的数据中心建设遭到居民反对显示AI企业用电已经对居民造成影响。国际能源署与高盛等机构均警告，电力供应短缺将成为AI规模化首要障碍，部分区域容量市场价格已因数据中心需求上涨数十亿美元。

（二）预期提前兑付的滑落风险

从经济逻辑分析，高溢价源于对AI未来收益的主观高估。投资者倾向于将技术潜力视为即时、可无限扩展的价值来源，而忽略了资本结构的长期性与异质性。短期内，市场对“赢者通吃”叙事的追捧放大了流动性溢价，但边际回报递减规律已初现端倪：额外计算投入带来的性能提升正面临瓶颈，早期指数级增长难以无限延续。

比特币的波动值得借鉴。作为高预期技术的典型，其波动印证了超前兑现后的脆弱性。2025年上半年比特币受乐观情绪推动，价格一度触及12.6万美元高点；下半年则因杠杆去化与现实回报不及预期，出现47%—52%深度回调，全年首现负收益。这一轨迹与历史上的技术周期高度相似：初期叙事驱动估值暴涨，一旦增长停滞，泡沫便会迅速破灭。

AI领域同样面临类似风险。计算规模法则虽曾推动性能跃升，但边际效用递减已现端倪。虽然黄仁勋仍坚持“基础设施建设规模前所未有”，但如果AI应用不能迅速扩散至非科技领域，势必产生泡沫。一旦技术进步若出现短期滞停，资产泡沫破裂将直接传导至实体经济：信贷收缩、投资锐减可能引发衰退；社会层面，职业颠覆引发的适应困难或加剧不稳定。当前的狂热使得市场早已忘记AI曾经历数十年的低谷，一旦预期落空或延缓，系统性风险可能远超单一资产调整。

（三）超前兑付风险的放大机制

与其他技术不同，AI奇点预期的浪漫主义热情使社会冲击更具系统性。AI增速放缓，只要其增速从指数级转向线性或短期停滞，就将触发多重风险链条。

首先，AI市场回调。目前已有很多机构预测2026年投资泡沫风险，受高利率和通胀影响。以“ChatGPT”们目前的情况看，在实现可持续发展之前，仍然需要烧大量投入。一旦奇点时间表落空、浪漫主义叙事被现实打破，可能引发集体去杠杆。

其次是大规模AI投入搁浅的风险，尽管多项研究证明AI部署和应用可能导致大规模失业，但在多数企业“all in AI”的情况下，如果预期难以达成，前期投资成为豆腐渣工程，必然触发多重风险链条，包括企业投资浪费和社会动荡。

三、AI可持续发展需要构建韧性治理体系

（一）当前AI对治理造成巨大挑战

AI未来仍存在多重不确定性。当前人工智能（AI）领域的竞争已进入白热化阶段，主要驱动因素在于对人工通用智能（AGI）的“入场券”或话语权的激烈争夺。

多数从业者和投资者坚信，率先跨越AGI门槛将确立“领先者通吃”的市场地位，这一信念源于网络效应理论和平台经济模型，其中早期主导者可通过数据反馈循环和规模经济锁定竞争优势。大科技公司通过“卷”模型规模和计算力来巩固地位，中小型企业则聚焦应用层创新。

然而，AI的发展模式对治理形成巨大挑战。

一是投入过分集中和机会成本损失的风险。AI的高投入、高技术、高试错特征，使得它的主要发展必然由市场主体中的超级企业完成。超级企业的巨量投资使得方向相对集中。而“领先者通吃”神话的脆弱在于AI仍然存在多路径可能性，极易受到范式转变影响，如Transformer架构和scalling law的有效性等，短期内的高强度投入虽然可以推动创新加速，却不能替代时间的检验。另外，投资过分集中在少数技术路线，也面临踏错的风险。

二是技术垄断的风险。截至2026年3月，AI垄断已高度显现，少数大公司控制90%以上的计算资源和模型训练能力。人工智能（AI）作为一种高渗透性技术，其发展模式深受算法训练前置和控制机制复杂性的影响。这些特性使得AI资源高度集中于少数大公司，可能放大垄断风险。一旦这些公司主导AI生态，世界可能面临思想单一化、生产安全隐患，以及全球管控权向少数实体转移的系统性威胁。

美国当前几家科技巨头之间内部资金链的网络结构。网络以英伟达为核心，连接着甲骨文、微软、OpenAI、xAI、晶片代工厂以及一系列风险投资机构。图源：彭博社

（二）着眼AI平稳有序发展构建韧性体系

AI风险防控不应完全依赖市场自发调节，而需由国家与国际组织承担核心责任。当前模式病态之处在于将系统性风险外部化：能源消耗、就业冲击、伦理偏差等均可能演变为公共成本。国际层面，欧盟《AI法案》已确立风险分级监管框架，美国、英国、中国等亦在推进主权AI与治理标准。中美两国作为AI发展的主要参与者，应该加强协调，共同管控AI技术的可持续发展。

基于AI的通用性和高渗透性，其治理必须是一个“整体”的体系。联合国与G7框架强调透明、可解释性与人权保障，在国家层面应有序推进技术更新：设定计算能耗上限、强制环境影响评估，并通过财政工具引导资本流向普惠应用而非纯竞赛。同时，加强AI的影响评价和有序推进规划，完善基于AI冲击的经济社会风险联动评估系统。

（三）AI可持续发展的建议

1.推动多元化路线与成熟度评估，提高技术可控性

AI可持续发展需优先解决技术路线不确定性和成熟度不足。通过建立技术成熟度水平评估体系，将AI从实验室原型到商业部署实行分级管理。

建议政府与企业联合资助多路径研发，避免单一依赖。推广开源协作平台降低训练前置壁垒，实现性能每瓦的100倍提升目标，以缓解能源瓶颈。

同时，强制实施AI审计机制：企业需定期评估算法偏见、环境影响和数据隐私，确保透明性和可解释性。

2.构建全球韧性治理体系，强化政策与监管建设

国家与国际组织应主导AI治理，避免市场外部化风险。借鉴欧盟AI法案的风险分级框架（2024年生效），将高风险AI纳入强制环境影响评估和能耗上限。

建议成立监管创新办公室，协调跨部门AI政策，针对少数大公司垄断实施反垄断审查，包括拆分数据基础设施和强制开源部分模型。

在国际层面上，推动全球AI治理对话，聚焦发展中国家能力差距和治理互操作性。中美作为AI领导者，应加强协调，建立主权AI标准，避免地缘碎片化。同时，引入AI税制，资助通用基本收入缓冲失业冲击。

3.加大投资于人，缓解失业与思想单一化风险

加大对人的投资，通过 AI 辅助培训弥合技能差距，推动形成“人—AI 协同”的发展模式。同时，应完善社会保障体系，建立 AI 影响评估系统，持续监测职业结构重构及不平等放大的趋势。针对可能出现的思想单一化问题，推动算法多样性审查机制，以防范“回音室”效应。

在治理层面，加强社区参与机制，例如探索去中心化治理方式，以提升制度透明度与包容性。与此同时，应优先推进AI伦理基础设施建设，确保发展中国家能够参与其中，避免全球技术治理权过度集中。

本文作者：孙占卿 广州市社会科学院城市治理研究所副所长

点击图片阅读更多孙占卿博士的文章

IPP评论热门文章

关于IPP

华南理工大学公共政策研究院（IPP）是一个独立、非营利性的知识创新与公共政策研究平台。IPP围绕中国的体制改革、社会政策、中国话语权与国际关系等开展一系列的研究工作，并在此基础上形成知识创新和政策咨询协调发展的良好格局。IPP的愿景是打造开放式的知识创新和政策研究平台，成为领先世界的中国智库。