AI投资进入“分歧时代”！这是华尔街最纠结的六个问题

AI主题的麻烦，已经从“有没有"演变成"谁来赢”，每一个利好旁边，都站着一个相反叙事。随着叙事不断分裂，同一批利好数据正在被市场同时解读成买入理由和卖出理由。

据追风交易台，巴克莱美国软件分析师Raimo Lenschow在8月3日的一份研究中写道：“在与投资者讨论AI主题时，我们面对的许多担忧彼此矛盾。”这句话基本概括了这轮AI交易的尴尬：市场不是没有共识，而是同一批共识之间无法同时成立。

云厂商资本开支创新高，可以证明需求真实；也可以证明资产负债表承压。大型SaaS股年初至今普遍跌超20%，远逊于标普500同期11%的涨幅，但ServiceNow的最新季报依然扎实，经营数字并未同步恶化。基础模型估值高企，与此同时开源大模型持续放量。这些本该互相印证的信号，正在互相抵消。

例如，个股层面，Oracle和Microsoft处在两种不同的压力里。Oracle因为资本开支太大、资产负债表承压被惩罚；一旦市场担心增长放缓，又会因为“增长不够”被惩罚。Microsoft的处境稍好，但也被夹在两端：一边有人嫌AI动能不够强，另一边长线资金担心巨额资本开支的投入资本回报率。

软件板块的矛盾更直接。大型SaaS股年初至今普遍至少下跌20%，同期标普500上涨11%；但SaaS公司的经营数字并没有同步恶化，ServiceNow几周前的业绩还相当扎实。市场现在押注的是“AI会颠覆软件”，却还没看到足够的财务证据证明大型SaaS平台正在被真正撬动。

矛盾一——资本开支越多越好，越少也越好

AI资本开支最早被视为需求强劲的直接证据。Oracle等股票一度因此大涨，市场逻辑是：越敢扩建数据中心、越敢采购算力，越说明背后的订单和云需求真实可信。

但债务市场开始重新定价后，这套逻辑发生了反转。AI基础设施扩张背后需要债务和租赁等融资安排，融资规模越大，资产负债表压力越显眼，"少花钱"反而变成了加分项。

随后，Google GCP和Amazon AWS在上个季度交出云增长加速的成绩单，情绪又摆回需求强劲的一侧。最近数周，半导体周期和"AI能否以更低成本实现"的讨论升温，担忧再度回归。

结果是：同一笔资本开支，既可以被解读成增长投入，也可以被解读成财务风险。市场尚未决定到底奖励哪一个。

矛盾二——Oracle与Microsoft：两种不同的夹击

Oracle处在最难的位置。资本开支高时，市场担心资产负债表；增长预期被下修时，又担心AI故事不够硬。两种惩罚叠加，且逻辑上并不完全自洽。

但Oracle的处境也有另一面。它在云计算上起步较晚，AI基础设施扩张给了它一次追赶窗口，因此它必须比部分同行更为激进。如果未来新数据中心建设遭遇越来越多的选址和电力阻力，已经提前锁定站点和容量的公司反而可能具备先发优势。

Microsoft的处境相对从容。Azure、Copilot和Office 365共同提供了多条参与AI增长的路径，不必在每一个AI赛道上都做最激进的押注。这反而带来了新的两面质疑：嫌它动能不够快，以及担心其巨额资本开支的投入资本回报率依然不够清晰。前者嫌它不够激进，后者担心它已经太激进。

矛盾三——SaaS的定价逻辑：股价跌了，但数字没有坏

大型SaaS股的跌幅已经隐含了相当沉重的悲观预期。年初至今至少下跌20%，远逊标普500，说明市场正在对软件商业模式本身重新定价——而不只是在调整估值倍数。

问题在于，经营数据还没有配合这种定价。ServiceNow最新季度业绩表现扎实，至少到目前为止，大型SaaS平台并未出现客户流失和收入侵蚀的财务证据。

真正需要验证的是两件事：第一，大型SaaS平台是否真的容易被替代；第二，这些公司能否把AI转化为产品升级和定价升级，而非被AI压低基于席位制的收入。部分公司已经开始转向更多按使用量计费的模式，这使得"AI取代SaaS"的路径变得远比想象中曲折。

矛盾四——“AI杀死软件”与“AI投资过剩”：两个叙事不能同时拉满

这是AI交易中逻辑张力最大的一组矛盾。

如果AI真的要替代现有软件体系，本质上是在重建整个当前的软件栈，这本身就需要大量AI算力。尤其是当前大量AI工作负载仍集中在训练侧，尚未全面转向推理侧，若未来推理需求大规模爆发，算力需求并不会自然消失。

市场必须在两个叙事之间做取舍：要么AI对软件的冲击没有想象中快，SaaS平台仍能守住相当大一部分价值；要么AI真要重写软件世界，那就很难同时断言未来AI容量将明显过剩。"AI杀死软件"和"AI基础设施泡沫"这两句话，无法同时被推到极致。

矛盾五——基础模型：高估值与商品化不能同时兑现

基础模型层存在一组同样难以调和的矛盾。一方面，基础模型厂商享受高估值，隐含的是它们将捕获AI产业链中相当大一部分经济价值。另一方面，开源模型、多模型配置、小模型和专用模型的讨论不断升温，暗示模型能力正在走向商品化。

近期的新闻进一步放大了这种分裂。OpenAI CFO Sarah Friar对员工表示，7月份的年化经常性收入已超过整个二季度，增长动能来自GPT-5.6系列、企业Agent产品ChatGPT Work以及AI编程工具Codex——这为"前沿闭源模型仍有收入爆发力"提供了支撑。

但与此同时，Moonshot AI的Kimi K3以2.88万亿参数发布，被称为截至当时规模最大的开源AI模型，采用MoE架构，支持100万token上下文窗口和原生多模态能力。开源大模型持续放量，正是基础模型商品化叙事最核心的燃料来源。

Microsoft等大科技公司正在加大对多模型配置的强调。如果模型层加速商品化，单一闭源基础模型的定价权将被明显削弱；如果当前估值成立，模型层就不该快速退化为普通基础设施。两者之间，市场还没有选边。

矛盾六——企业AI的真实需求：不只是“模型越强越好”

近期几条企业AI动态，共同勾勒出一幅比“模型军备竞赛”更复杂的图景。

Elastic与OpenAI扩大合作，将OpenAI模型与Elasticsearch结合，重点落在企业数据检索、搜索、治理、权限控制，以及降低不必要的数据传输和token成本。Snowflake推出Cortex AI Gateway，目标是管控AI Agent访问企业数据和工具的方式，同时防止企业成本失控，并引入了1Password、SailPoint、Saviynt等身份与安全合作方。

这两个案例的共同关键词，不是算力，而是权限、信任模型和成本上限。企业AI采购的核心考量，正在从"模型能力"向"治理、安全和可控成本"迁移。

这也是当前AI投资最深层的分歧所在：多头叙事并非没有逻辑，空头担忧也并非凭空而来。真正的问题已经不是"AI有没有用"，而是谁最终拿走AI带来的收入增量，谁来承担AI扩张累积的成本风险。推理收入爆发与token价格走低，AI带来的通缩效应与电力、数据中心成本上涨，赢家通吃与进入门槛下降——每一组对立，都还悬在空中，等待数据来裁决。