陈龙：AI泡沫之辨

作者｜陈龙、郑凯文

编辑 | 吕珏玉

七月资本市场的AI半导体大回调，让市场重新拾起很多关于“泡沫”的记忆和辩论。这好似一个自循环的游戏：历史的教训提供了令人深思的证据，短暂速朽的生命如何和历史叫板呢？市场的急速下跌又似乎验证了关于泡沫的猜想，做空者则充满动机并从中受益。

历史确实难忘。1929年10月，美国里程碑级的经济学家费雪（Irving Fisher）宣称“股市似乎已达到永久性的高地”，随后美股崩盘，他也在大萧条中倾家荡产。20世纪另一位最具影响力的经济学家加尔布雷恩（John Galbraith）深刻分析了大萧条的成因，并指出所有金融狂热背后不变的人性和“此次不同”（This time is different）的幻觉。

如果人类只需要记得“天底下没有新鲜事”，那倒就好了。但实际上，历史比蒙娜丽莎还要神秘，充满了“此次不同”的教训和“此次真的不同”的惊喜，只不过，我们往往不知道是哪一种。

远的不说，自2022年底ChatGPT问世以来，资本市场至少经历了十一次大的起伏，包括六次较大幅度的回调，每次都伴随似乎有理的担忧（见图1中标红的六个阶段）。具体而言：第一次发生在ChatGPT问世之际，主要是市场对AI可能颠覆商业和就业的担忧，伴随当时强劲就业和高通胀带来的加息预期；第二次发生在2023年下半年，市场开始从认同AI叙事，转向要求验证盈利和基本面，同时持续加息进一步加大了估值压力；第三次则围绕对“大力出奇迹”规律（Scaling Law）放缓的担忧，叠加降息预期被推迟；第四次发生在2025年春，来自DeepSeek冲击叠加全球关税摩擦的影响；第五次发生在2025年底，来自市场对大科技公司循环融资的质疑以及降息预期降温，同时科技巨头与半导体板块走势分化；第六次爆发在2026年7月，市场对云计算公司巨额资本开支的可持续性表达了强烈质疑，叠加中东地缘冲突带来的加息担忧。

当下，市场尚处于第六次回撤的余悸中。回头看，前五轮的回调和当时的质疑——无论听起来多有道理，最终都是阶段性的盘整；随着宏观不确定性逐渐降低，基本面被技术突破和真实需求验证，市场在消化扰动后又重新获得信心。这当然也是一个重要的来自历史的教训：历史自身并不给出指向未来的清晰答案。它有时候是深刻的预言，有时则是戴着深刻面具的浅薄。

那么这一次，历史在多大程度上能帮助我们判断，AI在经历短暂的盘整，还是一个待破的泡沫？糟糕的是，现在很多关于AI泡沫的争辩，实际上等于鸡同鸭讲，因为，就像盲人摸象，各自引述的历史和逻辑似乎都有道理。

没有人能指证一种确定性的未来，但我们至少能做的，是把历史的教训和当下认真对齐。这非常重要。资本市场是一个二阶系统，即在一阶基本面之上，投资者的认知和心态——无论深邃或愚蠢、远见或短视，可以显著改变市场的走向，甚至改变基本面的可能性。如果不想愕然又无力地被莫名的小作文俘虏，认真钩沉历史对今天的意义，是有人应该做的。

这是这篇文章的初衷。我们把文章的题目取为“泡沫之辨”，这里的辨是指辨识，而非辩论。因为，虽然我们会有自己的判断，但我们更希望的，是通过对历史的学习，提供一种追踪和辨识泡沫的方法论。

在展开分析之前，让我们先区分宏观和微观因素。历史上重大的泡沫破灭，几乎没有例外都伴有宏观层面的流动性收紧（如图2）。但在当下，虽然有对通胀的担忧，很少人会认为美国在进入一个连续加息的周期，更不会认为这是当下泡沫可能破灭的主导因素。

因此，本文将聚焦产业分析，以最常被拿来与本次AI泡沫作对比的暗光纤泡沫为例，钩沉历史，对齐现实，辨识风险。

01.

1990年代暗光纤泡沫的教训

所谓的“暗光纤泡沫”，指的是1996-2000年间，因为预期互联网流量每3个月就会翻一番，美国的光纤公司们（都是当时的大科技公司）累计铺设了约3900万英里光纤，足以绕地球约1566圈。当时，几乎每个国家都视光纤为又一次铁路革命。但到了2001年，美林证券统计发现这些光纤的实际使用率仅为2.6%，称其是“永远不会被点亮”的光纤。这些巨头紧随互联网泡沫的破裂而轰然坍塌：WorldCom提交了当时美国历史上最大的破产申请，Global Crossing、360networks等几家电信巨头也相继倒下。

历史让人喟叹，更让人疑惑：当时到底发生了什么？难道这些光纤公司不知道下游互联网的需求不够吗？为什么它们依然坚持如何高额的投入，甚至为此负债呢？

首先，从基本面看，彼时这些光纤公司们确实在经历迅猛的增长，以及非常有确定性的需求。

强劲的基本面在龙头科技公司和新进入者都普遍存在。WorldCom是当时全球最大的电信运营商，全年收入接近 400 亿美元（其中光纤相关约100亿）；2000年，其数据业务增长了 27%，互联网业务增长了 58%。新进入者的增长就更高：Level 3 （1998年重组）的通信业务收入从1999年的1.59亿美元增至2000 年的8.57亿，一年涨了四倍多；Williams（1998年重启光纤业务）的网络业务从1997年的 2.44亿一路增至2000年的8.39亿，每年增速都在40%以上。

比增速更重要的是极具确定性的指引。2001年1月，Level 3向美国证监会提交了一份投资者演示，里面列出了整个板块对当年收入增长的预期：Level 3自己是 98%，Williams 93%，360networks 44%，Global Crossing 27%，Broad wing 24%。在同一份文件里，管理层给出的2000-2005年间的年化复合增速目标是“60%中段”。那份演示还写到，虽然只是1月，当年三分之二的收入已经签约。

所以，强劲的基本面增长和预期指引，并不足以证明这不是泡沫。

下面我们具体分析到底出了哪些问题，我们应该从历史学到哪些关键教训。

第一个教训是，当时网络建设中流行的互换交易（某种循环游戏），本质上不代表业务增长，却被会计做账成了需求增长。

于网络建设而言，一个重要的假设是覆盖面应该尽可能大，才能拿到更多的客户订单。比如，从纽约到伦敦，中间任何一段（国内骨干网络、跨大西洋）不通，就会丢失客户。同时，如果全部自建，往往需要几年时间，客户早被其他玩家锁定。于是，各有擅长的网络运营商开始交易覆盖度。比如，2001年上半年，在跨大西洋海底电缆领域有优势的Global Crossing把一亿美元的容量卖给了在美国本土骨干网络上有优势的Qwest，几乎同时，Qwest把等量的容量卖回给了Global Crossing。

但在实际会计做账中，整个行业都把这种互换当做是业务增长。仅2001年上半年， Global Crossing就因互换确认了7.2亿美元的收入（全年总收入为37.9亿）；Qwest在2000年和2001年从类似交易中确认了14.8亿美元的收入，而Qwest在这两年的增量收入总共才约23.7亿美元。会计处理还有第二重效果：卖出容量的一方把销售确认为当期收入；而买入方把买来的容量记成一项投资资产，在未来二十到二十五年里慢慢摊销成本。于是，一笔现金净额为零的交易，在两张报表上同时制造出：当期收入增加、当期利润增加，而成本被推到了遥远的未来。

这也是为什么，是否是循环投资、会计折旧方式是否掩藏了成本，会成为当下泡沫之辩的一个焦点。

第二个教训是，虽然网络建设的需求被传导到了供应链的每一层，带来了整个供应链强劲的基本面，但只要这不代表最终需求，强劲的基本面仍然可能是泡沫。

• 一是原材料层，比如生产玻璃的康宁（对的，又是康宁）。作为光纤最重要的上游材料，康宁的收入从 1997 年的 38 亿美元涨到 2000 年的 70 亿。玻璃生意如此火爆，说明“光纤真的在被铺设下去”。

• 二是路由器等设备层，比如思科、朗讯、北电。光纤本身不做任何事情。它只是一根传送光的玻璃管，要让它变成互联网的流量容器，两端得安装上激光器、放大器、复用器，每一段光纤的接头处还得有一台路由器。思科2000财年产品（路由器、交换机）收入达170亿美元，同比增长53%。2000年3月，它成为全球市值最高的公司。这似乎是在说“真的有流量需要被转发，所以才需要那么多路由器”。

• 三是光纤这一层，需求大到运营商们需要向同行采购。比如Level 3每次挖沟埋管时，会同时埋下12根管，自己当下实际只使用1根，剩下11根空着。它的假设是，等五年后光纤技术升级（损耗更低、价格更低），无需再次挖沟埋管，直接往空置的管子里铺设一条新缆即可，这样长期成本更低。以及，如果要收回投资，完全可以直接将其中的2到3根管出售给其他同行。到2001年初，Level 3累计卖出的“空管”业务就一超过41亿美元，买家都是自己的同行（电信运营商）。它在给投资者的材料里，把这类业务称作“机会型的现金流来源”，意思是现在价格好，主动选择卖出，而不是被迫变卖家当。

于是，每一层产业、每一家公司的报表都在变得更加好看，没有一家在造假，收入都是真的。问题在于，这并不代表真的有企业和消费者在使用宽带，而只是有人在建网；它只是预期终端需求会很快到来，完全依赖于供给侧的资金流。投入一旦停止，基本面就会在一个季度里迅速恶化。

这在2001年真的发生了：Level 3那一年的通信收入指引是17亿美元，实际只做到12.98亿。康宁的收入从2001年的63亿掉到2002年的31亿，股价跌到1.5美元，计提54亿损失，裁员超过一万两千人；思科一次性计提 22.5 亿美元存货减值；朗讯为客户贷款计提了 35 亿坏账。

第三个教训是，需求比预期来得太晚。当时的假设是，供给限制了需求。只要把最后一公里铺好，暗光纤马上就会被点亮。但事实是，债务到期比规模化需求来得更快，这样企业资本开支（Capex）的节奏就至关重要。

供给限制需求的假设在当时看来完全成立：骨干网络必须先建好，如果等到家家户户装上宽带，需求真的涌进来时再挖沟埋管，早就来不及了。就像是路被别人占了，客户被别人锁了。所以现在铺下去、暂时用不上的产能不是浪费，是战略卡位。

支持这个判断的证据，在当时看得见、也摸得着：1999 年 6 月，Napster 上线，那年秋天它有大约15万注册用户；到 2000 年夏天，同时在线的用户已经到2000万，每分钟大约有14000首歌被下载。甚至于，在2000年，因为音乐下载占用了太多的网络带宽（不够用），多所大学甚至开始封禁Napster。

大学中火爆的需求，让很多人在当时畅想，等到宽带进入千家万户，需求简直是不可估量。家庭宽带也确实是这样发展的：1999 年底，美国98%的网民还是在使用拨号上网，使用有线电视宽带的家庭大约141万，到2000年跳升到358万，2001年710万，每年都是翻倍的增长。问题是，因为基数太小，即使每年翻倍增长，还是花了近五年时间，才让宽带在美国住宅中覆盖率超过50%（2004年7月才达到51%）。

但光纤在2001年底前就已经全部铺完，用户的普及和采纳却是一个长期过程。暗光纤最终也确实被点亮了，但真正用掉大部分带宽的杀手级应用比光纤铺设晚来了6-8年：2005年的YouTube和2007年的Netflix。中间隔开的这几年，遇到了基础设施公司们的债务到期。

第四个教训，是供给侧的同质化竞争、以及靠债务融资支撑的Capex，加速了这场雪崩。

光纤这门生意的特点是：第一，需要大量的资本投入；第二，产品和服务是完全同质化的。因为市场对前景的看好，一方面融资不是问题，一方面大量新进入者快速涌入这个同质化的赛道。首先是垃圾债市场的敞开，1997-98年，美国垃圾债的年发行量接近1500亿美元（1995-96年均仅为450亿）；其次是供应商融资，比如卖设备的朗讯为Winstar提供20亿美元的授信，用于建设无线通讯网络；再次是1996年电信法放开后（法律准入门槛），无数不懂通信、但掌握管道路权的公司涌入，比如做天然气管道的Williams、做铁路的Qwest、做建筑的360networks。

其结果，1998年时全美只有四张全国性长途光纤网：AT&T、MCI、Sprint、WorldCom。到2001年，Qwest、Level 3、Global Crossing、Williams、Broadwing、360networks各建了一张，还有更多在进入。同一条纽约到洛杉矶的路由上，躺着6-8条彼此完全可替代的管道。同质化的卷带来了代价，据业内估算，一根光纤每英里的长期使用权价格，从1997年的5000美元左右跌到2000年的1200美元上下，三年跌掉四分之三。

第五个教训有关融资安排，在最终需求没有及时兑现的大背景下，债务融资在抵押品、期限、供应链循环融资上的设计，成为了“压死骆驼的最后一根稻草”。

• 第一，光纤本身作为抵押品，意味着公司的收入、现金流和偿债能力完全绑定在光纤资产的单价上。单价崩溃之际，利润下降和资产减值同时发生。比如，2001年，Level 3的通信收入还同比增长52%，经营亏损却扩大到49.81亿美元；资产端，同期计提32亿美元减值，因为账面资产是按当年的光纤单价计算的。最终，股价从130美元跌到3美元。

• 第二，通过供应商融资，即设备厂商借钱给买不起设备的客户，让客户来买自己的设备，收入在当期确认，风险则留在资产负债表中。麦肯锡后来统计，到2000年底，九家主要设备供应商的供应商融资敞口合计约 256 亿美元。其中朗讯的承诺规模最大，逾70亿美元。2000到2003年，47家本地运营商破产。朗讯为客户贷款计提的35亿美元坏账，是这套设计的最终账单。

• 第三，债务期限错配，债务年限远远短于收入年限。贷款年限（高收益债和银行贷款）往往是5-7年，而光纤资产的合同本身签的是20年以上，资产的预期回收期也在20年以上。这样到还款时，现金流甚至还是负数。本质上还是对需求节奏的误判。

• 第四，付息周期被有意设计成延后，但最终没有等到需求。在1998年大规模发行债券时，大部分光纤公司都约定了从2003年底开始还钱。这个设计的本意是缓解建设期的压力，但最终的实际效果是把最大的一笔现金义务，精确地推到了公司最脆弱的那个时点上。本质上还是把企业的生死，押宝在了对需求节奏的假设上。

• 第五，证明还款能力的积压订单，本质上是循环收入。当时向债权人证明未来现金流的东西，是已经签约的长期使用权合同。但如前文所述，实际上很多买家是供给侧的同行互相买卖，不代表最终需求。

至此，我们可以从基本面、需求、供给、竞争、融资等角度看到一张关于“泡沫”的生成大图。从中得出的五个教训具备通用性，值得成为理解泡沫的逻辑范本和辨识泡沫风险程度的框架，也正好覆盖了当下泡沫之辩的核心问题。我们再次总结如下：

• 第一，强劲的基本面是不是一个会计游戏？这对应的，是当下对芯片折旧年限的会计规则的质疑。

• 第二，即便整个供应链的基本面确实强劲，但只要不代表最终需求，强劲的基本面仍然可能是泡沫。这对应的，是当下对AI是否有最终需求的质疑。

• 第三，即便需求长期会到来，但只要明显滞后于资本开支，仍然会引爆泡沫。这对应的，是当下对云计算企业前所未有的资本开支力度、对自由现金流状况的质疑。

• 第四，即便需求是真实的，如果供给侧是护城河不高的同质化竞争，并辅之以过度的资本投入，也会带来周期性泡沫的破灭。这对应的，是当下对以存储为代表的半导体企业的商业模式、护城河和扩产力度的质疑。

• 第五，债务杠杆和期限的魔咒。在最终需求没有兑现的大背景下，债务融资在抵押品、期限、供应链循环融资上的设计，成为了“压死骆驼的最后一根稻草”。这对应的，是当下对英伟达信贷担保模式、数据中心表外融资等债务设计的质疑。

这些视角，成为我们下面对齐当下的脉络。

02.

历史的教训如何和现状对齐：此次的AI，有何不同？

从暗光纤泡沫的历史中总结出的五个教训里，我们似乎看到了很多今天AI的影子：今天的芯片就像是当年的光纤；数据中心就是铺设光纤的电信公司；很多比特币挖矿企业因为掌握电力得以转型为新的云计算公司（NeoClouds），就像当年凭着一条现成的沟、跨界进场的管道商和建筑商；无数的NeoClouds拿着GPU和算力订单做抵押品融资，英伟达正在为这些公司提供信贷保障；超级数据中心向NeoClouds租赁算力，解决紧缺的问题；以及，数据中心及其上游，都在交付一份又一份超预期的强劲财报，等等。

那么，这究竟是一场灾难的重演，还是此次真的不同？上面总结的五个教训可以归为需求、供给、和融资的三类问题。我们以下分别辨识。

第一，需求的问题：算力需求是来自供给侧的内部循环，还是来自于最终需求？最终需求是不是已经出现了现象级的杀手应用？

一个事实是，为算力买单的两个最重要的买家就是OpenAI和Anthropic。根据测算，亚马逊、微软、谷歌、甲骨文四大超级数据中心的积压订单中，超过一半都是OpenAI和Anthropic的承诺（图4）。如果这两家企业的算力开支主要像在早期一样来自融资，就不算最终需求。

首先看收入和利润率的视角，这会决定大模型企业的自由现金流趋势。如图5所示，根据第三方机构估测，到7月底，Anthropic的年化收入（ARR）已超800亿美元，推理的毛利率超过85%。OpenAI的CFO Sarah Friar在7月底的内部员工会上披露了7月ARR进展，称“7月ARR超过整个二季度”，保守估计我们可以算500亿美元左右。合起来就是1300亿美元左右，而年初时这个数字仅为300亿，7个月翻了4倍以上。所以，我们不应该对这个数字在年底达到预期的2000亿感到太过惊讶（在目前的基础上增长50%即可达到）。这表明，前沿大模型是有需求的高增长、高回报的业务。这是整个AI叙事的底座。

从客户的角度看，故事也类似。在C端，根据OpenAI官方数据，Codex的活跃用户数在短短十天内（7月12日至7月21日）就从600万跳超1000万（自此后不再发布用户数据），Anthropic的用户数量更少，但高价值用户的占比极高（比如120-240美元/月的订阅用户）。

在B端，据第三方机构估计，去年底Opus4.6发布以来，每年给Anthropic付出至少10万美金的企业客户数量一直保持着指数级的增长，未见减速（图6）。此前一直对B端重视不足的OpenAI，也在6月（Codex）出现明显拐点，单月新增企业客户数量和Anthropic基本持平。

刚才从收入和用户视角验证了最终需求的规模和增速。但还有一个关键问题：开源模型会不会摧毁这个算力需求？一个假说是，因为开源模型很便宜，效果也差不多，Anthropic和OpenAI可能也不需要那么大规模的算力做研发，所以会影响算力需求。

这个逻辑值得推敲。我们认为，开源模型的流行，反而可能让对各种模型的需求更加坚固，最终加大对算力的需求，而非不是毁灭；或者说，我们视开源模型为模型生态健康发展的一部分，而这个健康发展和最终需求的健康发展是并行的。原因至少有三：

• 参照苹果和安卓生态的发展。苹果生态最终可能只占token需求的一小部分，但会变成最赚钱的公司。安卓生态则会占到token消耗量的大部分，但就像开源系统的大部分利润会被多家手机厂拿走，开源模型的利润实际上不是被开源模型本身、而是被数据中心们拿走，这对于云计算公司则意味着更高的算力投资回报率。

• AI初创公司的健康发展会不断产生对算力的需求。大模型主要需求方之一的AI初创公司（比如Cursor，早期一度占Anthropic一半的收入），现在因为可以基于自有的数据和开源模型做强化学习，长期来看必然拥有更高的利润、壁垒。Cursor曾经因为Claude Code的崛起被认为大难临头，但实际上已经实现了40亿美元的ARR，并拥有五万家企业客户。本周，它以600亿美元的估值正式被SpaceX收购，改名“Grok Bot”。

• 开源模型生态的崛起，让更广泛的企业场景得以被解锁。过去，企业往往要么担心开源模型的性能不足，要么担心闭源模型会拿走数据主权，所以AI渗透往往停在表面。现在因为有了开源模型和一系列的强化学习基础设施，企业可以放心地拥抱AI。比如Palantir在7月初直接与英伟达宣布了战略合作关系，直接采购、部署本地私有算力。

所以，开源只是让算力和云计算换了买家（从两家头部大模型企业到更广泛的企业），反而增强了AI叙事的可持续性。

关于需求的第三个关键问题是，那个真正消耗token的杀手应用有没有出现？如果应用停滞，算力会不会就像当年的宽带一样过剩？这个问题实际上是在问，今天的智能体应用，到底是1999年的Napster，还是2007年的YouTube？

老实说，在YouTube真正面世之前，没人能想象到网络流量其实是这样被需求的。今天也是如此。我们无法断言哪些决定性的应用会到来，但至少可以说，即使没有新的杀手级应用，基于目前的智能水平、形态和方向，已经可以看到至少七种正在同时发生的token使用量持续增长的红利：

• 第一，硅基劳动力的红利：Coding——又可以叫“思考即产品”，已经成为第一个AI原生的现象级通用产品，即通用的硅基劳动力，并以智能体的方式快速落地。这是各种大模型企业收入飙升的原因（已经催生了两家万亿美金估值的大模型企业），并将不断渗透到各个产业。这个对硅基劳动力的需求在很大程度上不取决于经济增长（无论经济是否增长，都需要在有效环节引入硅基劳动力）。

• 第二，大力出奇迹的红利：规模定律还远远没有看到尽头。随着突破智能上限带来的价值越来越明显，大模型企业会继续增加模型参数量，做预训练。比如，谷歌已经提出了50万亿-100万亿参数的长期路线，Kimi也表示“50万亿参数之前不谈上限”。更大的模型意味着什么？这往往对应了更长的思考时间和思维链，在不需要用户基数扩张和使用频次上升的情况下，每个用户消耗的token数量自然就会随着模型尺寸的提升而提高。

• 第三，效率提升的红利：以DeepSeek为代表的工程效率创新，让模型成本持续指数级下降，但这反而会让需求更大，这就是杰文斯悖论（需求的增速远高于成本下降的速度）。比如，我们可以想象，即使模型不进步，到明年的今天，Opus4.8级别的大模型成本将会下降到今天DeepSeek 4的水平。那么，无数场景的AI应用成本就不是问题，也会自然带来增长。

• 第四，产业/企业大模型的红利：无论AI初创企业，还是产业中的企业，越来越多会基于自己的数据和开源大模型做强化学习和后训练，做独有的模型。目前最典型的代表就是Meta，其在自家员工电脑上安装追踪软件，收集员工操作电脑的轨迹数据，被业界戏称为“蒸馏自己的员工”，基于此做出了性能更好的模型Muse Spark，极大弥补了Meta在模型上的短板。

• 第五，大模型自进化突破的红利。目前的一个技术共识是，智能体下一步就是回归型自进化（RSI，Recursive Self-Improvement），也就是智能体自己提出问题、解决问题、不断自我进化，只要有算力，就能无限循环。率先达到RSI的实验室，其模型能力会像滚雪球一样与其他不做RSI的模型拉开差距，因此会享受更强的溢价和用户粘性。我们认为，今年这个方向是完全有希望看到进展的，比如无限上下文的突破。

• 第六，多模态突破的红利。据悉字节正在筹集资源训练10万亿参数级别的多模态模型，对比之下，年初惊艳全球的Seedance实际上只有2000亿参数。这是两个量级的提升，意味着多模态的巨大空间，可能是一个相当于coding规模的市场，也因此，AI用户至少可以从程序员拓展到创作者。根据大模型预训练节奏（3-6个月），预计这是半年内就能看到进展的市场。

• 第七，更远的物理AI和具身智能红利。从相对近的自动驾驶，以及之后的机器人和具身智能，这是一个全新的因为数据维度对算力有量级提升需求的大市场。用美光首席商务官Sumit Sadana的话说：“未来，每台人形机器人至少需要配备数百GB的DRAM和数TB的NAND，总规模将会让今天的数据中心存储需求相形见绌。”

总而言之，最终需求的发展节奏是至关重要的，因为供需剪刀差会决定算力投入更多是风险还是战略机遇。在需求侧，本轮AI革命发展到今天，对齐暗光纤泡沫的阶段，我们可以看到几个根本性的区别：第一，超出供给侧内循环的现象级强劲需求，以今年初开始的智能体为代表，已经出现，而且来自真正的终端（企业和消费者），这带来了大模型企业收入和利润的指数级增长。第二，包括闭源和开源的大模型生态的健康发展，会带来应用生态的健康发展，引发更多的算力需求。第三，即便更多的颠覆式AI应用还没有出现，因为多个产业方向对token的需求，在当下算力已经供不应求的背景下，token仍然会维持指数级增长。

换一个角度，最终需求在以上方面的进展数据，会一直成为辨识是不是泡沫、以及泡沫程度的重要依据。

第二，供给的问题：铺设算力的史无前例的资本开支，会不会因过度供给导致周期性泡沫？

从暗光纤泡沫的历史中可以看到，供给侧的卷主要来自于两点：一是进入门槛降低，二是产品/服务没有差异化。在任何一个市场里，无论需求多么强劲或可持续，只要满足上述两点，几乎必然走向内卷的结局。

目前，美国已经有超过60家新云厂商，很多是比特币矿厂转型而来；过去没有云计算业务的SpaceX、Meta也都相继宣布对外租赁算力的业务。这些新进入者让我们不禁想问：AI数据中心是一门低门槛的生意吗？算力和云计算，是不是没有差异化的产品和服务？

首先，从新云（NeoCloud）的诞生过程和初衷来看，它们和过去我们所说的云计算是两种有很大不同的商业模式。云计算提供的是一套全栈服务，除了计算，还包括存储、数据库、网络、身份权限、产品托管等等。而NeoCloud提供的主要是一次性的计算，其最初服务的场景，就是头部大模型公司需要做大量的训练和研究。一万张卡连在一起跑三个月，跑完之后，大模型公司也可以无缝切换到其他供应商。可以说，在训练为主的阶段，算力和数据中心确实是一种同质化的商品，很像当初的光纤。

其次，但当工作负载越来越从训练转向推理时，对计算的延迟度要求、计算的稳定性、可用性要求都会显著提升。在这个过程中，对NeoCloud的能力要求也会越来越像传统云计算。这里可靠性的代价是指数级的：业内的经验是，可用性每往上多一个9，工程投入和基础设施成本大约要翻十倍；意思是，99%很便宜，很多进入者都能做，但是99.9%可能就需要额外的数十亿美金，99.99%需要数百亿美金，99.999%需要数千亿美金，每个9都是一个量级上的资金跳跃。AWS花了近20年从头建立这个能力，谷歌云花了近15年才赶上。在这个过程中，NeoCloud服务也会开始出现运营能力的差异化，而非完全的同质化，最终门槛逐步提高。

再次，随着开源模型在token消耗量上的占比越来越高，不同的云计算厂商对算法和工程的理解和运营能力，也会决定各自的利润水平：同样的成本（GPU和可免费下载开源模型）、基本相同的价格带（token单价），中间能拿走多少利润，取决于如何在算法工程上进行优化。这也是一种阶段性的差异化。

我们的结论是，现在大量新云的涌入，代表的是供不应求的算力需求。同时云计算产业会越来越成为有很高进入门槛、差异化运营能力的产业；或者说云计算不是光纤。那些在推理阶段没有构建起足够强的运营能力、一直停留在出租算力阶段的玩家确实最终将面临一场残酷的淘汰赛：从价格战开始，慢慢演化为变卖资产、甚至是破产重组。但也会有一批优秀的新玩家留下。

但目前，这场淘汰赛显然没有到终场前的倒计时阶段：当下，如图7所示，所有代际的英伟达算力租赁价格仍然在不断走高（年初以来涨幅均在20%以上），CoreWeave、Nebius的财报都显示合约价格也仍然在上涨，即使是A100的订单都签到了2029年。也就是说，我们还没有走向淘汰赛的开始（价格战）。事实上，我们仍然处在一个特殊的窗口期：算力产能还没有建立，而各种算力需求在快速提升。

再往更上游的半导体看，结论也类似。以最容易被看作周期性大宗商品的存储芯片为例：从技术原理看，HBM消耗的晶圆数量是传统DRAM的四倍，而晶圆数量每年只能以不到20%的速度增长，天生就比以往任何周期都更难扩张，而且存储芯片越来和产品类型结合具备定制化（ASIC）的特征，而非通用商品；从供给纪律看，DRAM因为是在一边开设新厂、一边关闭旧厂的过程中发展，实际扩产速度不到每年10%，而在NAND市场，闪迪已经提供清晰的指引：只依靠技术进步来增加供给，而不是扩产，并且愿意将100%的自由现金流用于回购而不是扩产；从进入门槛看，因为EUV（先进光刻机）设备的限制，中国的长鑫科技很难在高端DRAM和HBM市场冲击现有巨头。也因此，连马斯克都在业绩会上感叹：“存储供给每年增长约20%，但需求增速高达200%甚至更高，供需严重失衡，根据经济学的基本规律，价格上涨是必然的。”供需缺口如此确定，只要下游需求如期发生，我们找不到理由认为存储芯片在2028年开始就会进入下行周期，也看不到为什么加速计算芯片玩家会在某个时间撕毁现在签订的长期协议。

第三，自由现金流、融资和财务做账的问题：超算中心史无前例的资本开支有多大风险？今天的基础设施建设企业有没有在玩会计游戏？债务与融资的设计是不是不合理？比如云计算公司的表外融资，和英伟达对NeoCloud的信贷担保，会不会导致2000年那样的崩溃？

首先，7月热议的“云计算资本开支收缩”的故事在财报季后被证明是毫无依据的小作文。同时云计算公司给出了更加明确的理解资本开支和自由现金流的框架。其中亚马逊CEO Andy Jassy的总结被市场广泛认可，亚马逊的市值因此首次突破三万亿美元：第一，需求非常确定，巨大的企业级市场还在AI应用的早期，AI会重构大部分的企业场景，并且诞生大量目前无法预判的全新模式，AWS自己的长期收入空间就高达万亿美金；第二，数据中心土建是一次性投入，只要完成就能连续运营30年以上，承载5到6代的算力迭代；第三，算力的平均回本周期略低于三年，而算力使用寿命至少是5-6年（目前数据中心的长期使用合约至少五年），意思是，回本后的2到3年里，算力可以持续地为公司创造大额现金流。所以，当下发生的，是因为数据中心土建和算力采购同时进行，带来自由现金流阶段性承压，但只要持续运行数年后，营收增速就将持续跑赢新增资本开支增速。

其次，今天的云计算公司有没有在玩会计游戏？算力折旧成本有没有被低估，从而造成了利润的虚高？市场的质疑主要有二：一是大空头Micheal Burry去年底提出的GPU折旧年限被拉长，导致本应被扣除的折旧成本不够多；二是Jim Chanos（华尔街另一位传奇空头，因2001年做空安然而成名）今年提出的，因为电力紧缺， GPU从采购到投入使用中间隔着18个月，在此期间，它们因被记录为“在建工程”而不计提折旧，但实际上这些资产已经在经历技术性贬值，却没有反应在利润表中。

但当下的事实是， GPU的名义折旧年限通常被设定为5-6年，即使算上Jim Chanos所说的18个月库存期，也就是6.5-7.5年。但GPU的实际使用年限呢？从CoreWeave最新的披露看，2020年出货的A100芯片已经全部售罄，订单签到了2029年，且价格高于或持平于过去几年的均价。意思是，当下，A100的使用寿命就已经事实上达到了近10年。以及，从技术进步的角度看，随着推理任务比例的继续提升（对算力性能要求低于训练）以及LPU的推广，Transformer算法中的预填充与解码阶段可以实现解耦，让老款GPU专门负责处理对带宽要求不高的预填充任务，LPU负责高速解码，算力的实际寿命甚至能延长到10年以上。当GPU的实际使用寿命超过折旧年限，带来的其实是对当下利润的低估，而非高估。

我们再看英伟达高达5000亿美元的信贷担保模式，很多人将其看作和当年朗讯一样的供应商循环融资。黄仁勋在8月10日专门发表了题为《英伟达的AI工厂算力，正在成为一种投资级的资产大类》的文章，阐述英伟达和多家金融机构一起设立5000亿贷款基金的原因，以及为什么这不是循环融资。

黄仁勋有几个核心观点。第一，需求的真实性：来自前沿大模型企业、AI初创企业、云计算、各行各业的企业，以及所有希望建立AI能力的国家的需求都如此真实，远超5000亿美金。第二，融资机制的合理性：和英伟达合作的金融机构将会独立评估每个融资的机会（客户、需求、现金流和资产的剩余价值），有足够强的风险管理能力。第三，对投产的数据中心的价值，就是可以用更低的利率借到钱。所以，这一机制安排意图解决的，是AI需求无法获得足够规模以及成本合适的资金支持（融资难、融资贵）的问题。

我们现在跳出黄仁勋的叙事，来分析这是不是一种循环融资：

• 在这个机制中，英伟达自身不借钱。不是英伟达借钱给NeoCloud来买自己的芯片，出资借钱的仍然是黑石等大型金融机构。而在朗讯代表的供应商融资模式中，是朗讯直接从自己的资产负债表中出钱借给下游电信公司来买自己的设备。这是根本的不同。

• 那么英伟达做什么呢？英伟达提供的是一种担保，即如果一笔贷款违约，且金融机构没收走的芯片不足以抵债，由英伟达来兜底，兜底的方式是由英伟达以一个已经约定好的保底价格租赁算力，以保证能覆盖债务的本息。从英伟达的角度看，如果贷款规模最终达到其所说的5000亿，就对应了最多1250亿美元的担保敞口。而目前，英伟达对合作伙伴的租赁担保敞口仅为35亿美元。这里有一个25%的比例设计也很有讲究，意思是英伟达在融资中的总参与比例被严格限定在少数股权范围内，是否授信的主导决策权归属于专业的第三方金融机构。

• 英伟达得到什么？一方面是数据中心会买GPU；同时，因为兜底，英伟达有权在GPU租赁价格达到盈亏平衡点的基础之上与接受贷款的NeoCloud们收入分成，为期6年，分成比例在40%-60%不等（针对超出盈亏平衡点的部分，不是总价）。根据SemiAnalysis的测算，假设算力价格不出现断崖式的崩塌，GB300 NVL72从当下的6.75美元/小时稳步下降至6年后的2.39美元/小时，这一项业务在2027-2029财年就将分别为英伟达贡献775亿、1176亿和1750亿的利润（因为英伟达在分成中并不承担硬件的折旧和运营成本，所以收入分成几乎全部是利润）。换句话说，只要算力价格能维持一年半的稳定，英伟达的担保敞口几乎就是无本买卖（分成超过1250亿）。

可以看到，在这个模式中，所谓的担保其实是最后的兜底手段，而兜底是为了让金融机构真正敢于发放正常利率的放款（而不是13%以上的高利贷）。最终，只要真正付出溢价、租赁算力的客户是外部的第三方客户，就不是循环融资。

对英伟达来说，这实际上是在解决其算力生态中“先有鸡还是先有蛋”的问题，这是一个金融机构、数据中心、终端客户三方的死结：要获得资本，必须先有承购协议；要获得承购协议，必须先有资本；而要租用数据中心，又必须两者兼具。于是，英伟达承担一定的风险（是的，风险是有的），但也拥有对称的受益：有机会成为一家变形的超级云计算公司，对应超级稳定的现金流；并且在竞争中，让终端用户的支出有可能更多地流向自己的GPU生态，而不是云计算公司的ASIC生态。

我们最后研究一下数据中心的表外融资问题，即各种数据中心实际承担的债务负担，是不是比我们看到的更加严重？图8所示的是Meta在德州的数据中心的融资项目架构图。我们将其当作一个普遍的表外融资模式的模版，据此总结几个特点：

• 整个项目就是数据中心园区本身（最底下的方框“Data Center Campus”），包括了土地、建筑、电力、冷却等设施，不包括任何的GPU，GPU也不是这笔债务的抵押品。也就是说，即使出现暗光纤泡沫那样的极端情况（GPU本身产生的收入下降，作为抵押品的价值也下降的双杀情况），这就是一个已经完成电力并网的数据中心园区，其残值的可靠性很强。

• 项目中（见图）有至少四项对债权人和项目成本的保护：第一，储备金的要求，通常是预存6-12个月的本息；第二，剩余担保价值（RVG）的承担者不是Meta持股20%的壳公司Meta Member，而是Meta公司的主体；第三，建筑合同签的是含有“最高价限制”的条款（右下角的Construction GMPs)，即建造过程中出现的材料涨价、工期延误等问题，都由施工方承担；第四，电力通过正式协议锁定（右下角的Power agreements），这是最重要的运营成本之一。

所以，这笔表外融资的本质是，Meta付出了1.5%-2%的成本（相同期限的债务，Meta主体的借债成本大约在5.5%-6%，通过表外结构则是7.5%），让125亿负债不出现在表内。而对债权人来说，他们买到的是 Meta 的信用加上一块越来越值钱的实物资产，代价则是流动性。这和拿GPU做抵押去放贷，不是同一个风险等级。

03.

小结

这篇文章的初衷，是希望认真钩沉历史，总结出一个辨识“泡沫程度”的方法论，据此对齐历史和当下。

我们从暗光纤泡沫中总结了五个教训，可以归集为需求、供给、资本三方面问题。对齐到今天的AI，我们发现历史的教训提供了有助于辨识的视角，并且是可以被回答的：

• 第一，强劲的基本面是不是一个会计游戏？这对应的是当下对芯片折旧年限的会计规则的质疑。现实告诉我们，芯片的实际使用年限远远长于其账面的理论折旧年限，所以带来的实际是对当下利润的低估，而非高估。

• 第二，即便整个供应链的基本面确实强劲，但只要不代表最终需求，强劲的基本面仍然可能是泡沫。这对应的，是当下对AI是否有最终需求的质疑。我们看到的是，现象级的原生AI应用以智能体的方式（硅基劳动力）已经出现，并且在很多产业方向加速发展。另一方面，这一次的特殊在于，思考不是互联网，token的增长并不主要依赖使用人数的增长，Claude Code的成功已经证明，一小批顶尖用户的使用、或者AI自循环的实现，本身就能创造巨大的用量和价值。

• 第三，即便需求长期会到来，但只要明显滞后于资本开支，仍然会引爆泡沫。这对应的，是当下对云计算企业前所未有的资本开支力度、对自由现金流状况的质疑。在本季度的业绩会中，云计算公司已经正面回应了这个问题，并被市场广泛认可。当下是一个特殊的数据中心土建和算力采购同时发生的战略窗口期，带来自由现金流的阶段性承压，但因为算力三年内就能收回成本，只要持续运行数年，我们就看观察到云计算的营收增速逐渐超越新增capex的增速。

• 第四，即便需求是真实的，但如果供给侧是护城河不高的同质化竞争，并辅之以过度的资本投入，也会带来周期性泡沫的破灭。这对应的，是当下对以存储为代表的半导体企业的商业模式、护城河和扩产力度的质疑。一方面，今天的云计算、半导体都不是当年的电信公司和光纤，二者都有较高的进入门槛和护城河，很难被轻易挑战；另一方面，以存储为代表的半导体，其扩产的速度实际上远远跟不上需求增长的速度，除非终端需求被证明是假的，否则三到五年内看不到周期向下调头的原因。

• 第五，债务杠杆和期限的魔咒。在最终需求没有兑现的大背景下，债务融资在抵押品、期限、供应链循环融资上的设计，成为了“压死骆驼的最后一根稻草”。这对应的，是当下对英伟达信贷担保模式、数据中心表外融资的质疑。但是，英伟达的信贷担保机制和当年朗讯直接提供的供应链融资存在根本性的不同，我们看到更多的是英伟达战略Vision的实现；而数据中心的表外融资的风险更是远低于前者。

以上五个教训和对齐，实际上也隐含了五类需要持续观察和辨识泡沫的关键指标，比如：

（1）芯片供给和需求的剪刀差，体现在芯片的实际使用年限和合约价格；

（2）最终需求的衡量：大模型（包括闭源和开源）的token使用量，及其创造价值的增速；

（3）云计算投入和收入的健康度：云计算公司经营现金流的增速，以及营收增速与capex增速的对比；

（4）半导体投入和收入的健康度：存储代表的半导体的竞争强度（市场份额变化和价格）、以及实际扩产进度；

（5）融资安排的动态风险：比如金融机构提供的融资成本，但这里的影响因素超出了AI商业本身，比如本季度的一个压力来自于国债收益率的上升。

也许在多年之后，我们被证明是又一个妄言“此次不同”的傻瓜，但站在当下，我们确实看到了一个“此次真的不同”的可能性。

也因此，我们倾向于认为，七月历史级的回调，其本质是被杠杆交易（比如韩国，杠杆交易的风险是一种交易行为，不在此文讨论）极度放大的一次盘整，而非泡沫的破裂。就像过去的五次回调一样，随着市场观察到越来越多的信号，包括GPU租赁价格的持续走高、大模型ARR的持续增长、云计算公司强劲的经营性现金流、市场对资本开支逻辑的认可，市场又开始回暖。除非我们提出的辨识泡沫的核心指标发生显著逆转，市场会逐渐回到半导体的修复与AI牛市的叙事之中。