AI泡沫多空大辩论：本轮暴跌根源与镜鉴

来源：投资界

AI泡沫多空大辩论：本轮暴跌根源与镜鉴

10月28日，Alphabet（谷歌母公司）发布三季报。营收同比增长25%，云业务收入翻倍，经营利润增长30%。只看这几组数字，这是一份好得不能再好的成绩单。

但当日收盘，股价一夜跌去12%。

同一家公司、同一组数字，在市场中产生了巨大分歧：有人盯着云业务103%的增速，有人盯着负90.7亿美元的自由现金流；有人计算收入，有人推演债务；空头说"泡沫开始破裂"，多头说"市场大错特错"。

几乎没有任何一位AI参与者否认，AI正在改写软件、广告、工业与组织生产的方式。但分歧却实实在在地于当下突兀起来：这一轮建设所需要的钱，最终能不能从AI创造的新收入里赚回来；在答案到来之前，谁有资格继续花股东的钱？

这个问题看着属于华尔街，其实也属于中国每一座在建智算中心的城市、每一个准备把大模型接进生产线的工厂，以及每一个还在问"现在能不能投AI"的普通投资者。

01

一份财报，为什么读出了两个世界？

Alphabet这份财报最迷惑人的地方，是它同时装着四种互相矛盾的事实。

其一，增长是真的。

季度营收1275.77亿美元，同比增长25%；Google Cloud收入307.09亿美元，同比增长103%，云业务经营利润111亿美元，超过上年同期三倍，利润率升至36.2%。Gemini应用用户达到10亿，第 一方模型API每分钟处理近320亿个Token，是一年前的四倍多。AI不是停在演示文稿里的故事，它已经在拉动真实使用量。

其二，传统现金牛的压力也是真的。

Google Search & other收入633.50亿美元，同比增长12%。管理层在电话会上承认，AI模式查询快速增长，但变现水平还偏低。搜索查询量增速创五年新高，变现却落在了后面。

其三，现金流的压力还是真的。

当季经营现金流约423亿美元，资本开支约514亿美元，自由现金流为负90.7亿美元，资本开支同比增长约114%。财报电话会披露，公司长期债务已从一年前的216亿美元升至1251亿美元。现金牛仍在产奶，但建设牧场的账单，第 一次大到了改变企业体质的程度。

其四，利润下滑还不能全怪AI。

当季净利润261.70亿美元，低于上年同期；其他收益由正转负，股权投资组合录得约86.6亿美元亏损。每股收益不及预期，不完全是"算力投资拖垮利润"，投资损益占据重要比例。因此把每股2.12美元直接等同于"AI商业模式失败"，并不严谨。

空方头将这组数字概括为：现金流转负、停止回购、依赖融资、RPO可能无法兑现。

多头则抓住另一点：云收入翻倍、利润翻3倍，负现金流只是投资先于回报的会计时间差。甚至有多头估算，新投入资本回报率约20%，明显高于资本成本。

两方都没有伪造事实。他们只是对同一条河流，选择了不同的河段。

实际上，自由现金流是最容易被滥用的指标。它的会计关系很简单：自由现金流≈经营现金流－资本开支。经营现金流说明现有业务今天能收多少钱，资本开支说明公司为未来投了多少钱。两者相减为负，可能意味着入不敷出，也可能意味着它正用今天强劲的利润，建设明天更大的产能。单看正负，啥也证明不了。

真正需要探究的，实则是另两个问题：这笔钱投出去之后形成什么资产；这些资产每投入一元，未来每年能赚回几毛？这正是资本回报率与资本成本的关系。

如果新数据中心、芯片和网络每年带来的税后经营利润，除以累计投入资本，能长期高于融资成本，今天的负自由现金流就是价值创造的前奏；反之，它就是在把好业务变成坏资产负债表。

这里还有一个容易被忽略的口径：ROIC要看新增投资的回报率，而非旧业务的平均利润率。Alphabet过去靠搜索广告获得高回报，并不证明今天新增的AI资本开支天然有同样的回报。一家广告公司变成重资产基础设施公司，意味着估值不能只看市盈率，还要看每一元新增资本最后能沉淀下多少可持续的现金。

多头在这里有底气：云业务经营利润在快速上升，电话会披露的云积压订单约5610亿美元，预计未来24个月确认其中略高于55%的收入。

空头的理由也成立：积压订单是合同，不是已经到手的现金。尤其在AI产业里，供应商、投资人和客户有时同属一个小圈子，合同金额越大，越要追问钱最后从谁的口袋流进来。

这就引到了循环融资，关于AI泡沫争论真正的分水岭。

所谓循环融资，用一个例子就能说清：芯片公司投资一家AI实验室，实验室拿这笔钱向云厂商采购算力，云厂商再向芯片公司买GPU。三方都能宣布合作，收入、订单和估值一起增长，但外部客户究竟付了多少真金白银，反而不容易辨认。

这一幕，历史早已预演过。

一百年前，1920年代的美国电力公用事业，正是靠层层控股的金字塔结构彼此持股、相互担保，将同一笔资本反复装进不同的公司报表里。山谬尔·英萨尔（Samuel Insull）的公用事业帝国，曾把一张电网的现金流，放大成几十家控股公司的估值。1929年崩盘之后，1935年《公用事业控股公司法》专门立法，拆除的就是这层结构。

此前，国际清算银行在《2026年年度经济报告》提示风险称，AI行业融资的不透明性加剧金融脆弱性，循环融资尤其值得警惕；市场已公开讨论的几类安排，例如英伟达投资OpenAI并讨论为其数据中心租赁提供担保，Google为Anthropic相关数据中心提供支持，以及AMD以芯片部署协议搭配认股权证等，本质上与电力的控股金字塔，是同一种古老的冲动：用结构，将未来提前兑现。

但必须指出的是，这些交易的规模、约束条件和执行情况并不完全相同，不能笼统地说"都是虚假收入"。循环融资本身不是罪。铁路、电信、航空和能源建设史上，供应商帮客户融资并不罕见：外部需求真实存在，它能加快基础设施形成；需求若主要靠融资方不断输血，它就是在延后需求测试。

所以判断AI繁荣是否健康，最要紧的问题并非"有没有循环交易"，而是：当投资、担保和采购三层关系被剥掉之后，终端企业愿意独立支付多少费用。

市场一会儿恐慌、一会儿又买回来，本质也在争这一点：它不只重估基础设施公司，也在重排"AI价值最后归谁"：谁能活过资本开支高峰，谁能把使用量变成可持续收费，谁又会被大模型替代。

市场一会儿怕CapEx太大，一会儿又怕AI不够快，其实并不矛盾，它同时在给"投入过多"和"被替代"定价。真正危险的，是只拿其中一个答案解释所有公司。

02

技术可以赢，估值仍然可以输

谈起AI泡沫，最容易搬出的案例是2000年的纳斯达克：指数从高点跌去约78%，无数.com公司消失。但只比指数跌幅，几乎得不出有用结论。今天的大型科技公司拥有利润、用户和全球现金流，跟当年只有访问量、没有收入的公司，是两种生物。

更合理的参照物，是基础设施泡沫。而在电信泡沫之前，还有一个更古老的样本：铁路。

19世纪，美国为修铁路付出了远超当代想象的资本。到2000年，美国电信设备的年度资本开支约1200亿美元，建设大量依靠债务，行业总债务到2002年约1万亿美元，而这一切，铁路在150年前都用更大的代价预演过：重复建设、竞相铺轨、土地投机、多轮破产潮，直到1893年恐慌，JP摩根进场重组。铁路最终确实重塑了美国，但早期的大多数投资者，没有等到收获的那一天。

电信泡沫只是把这个剧本又演了一遍。需求没有按想象的速度到来，WorldCom和Global Crossing先后倒下，繁荣期铺设的光纤只有很小比例真正点亮。Cisco的故事尤其扎心：2000年3月，股价80.06美元，市值约5000亿美元；到2002年10月，股价约8.60美元，跌幅约88%。同期公司收入并没有同比例崩塌，后来互联网也如预期一样改变了世界。

技术判断正确，股票损失惨重，两者完全可以同时发生。

这段历史给了今天三条启示：

第 一条，基础设施的回报不只取决于技术是否有用，还取决于建设节奏与需求抵达之间的时间差。产能先到了，客户还在路上，融资成本就会暴雷。

第二条，利润归属于谁。早期电信建设者未必是互联网最后的赢家，设备商可以因为客户债务问题被重新定价，后来的平台公司反而拿走更多价值。AI也一样：芯片厂、云厂商、模型公司和应用公司同时增长，不代表它们会按同样比例分享最终利润。

第三条，资产的专用性。光纤一旦铺下，很难改作他用；数据中心里的通用算力、专用芯片和电力设施有同样的属性。芯片迭代越快，折旧越可能成为利润的隐形考官。今天账面利润率很高的AI资产，如果三五年后效率落后、价格下降，实际经济寿命可能短于会计折旧年限。

也就是说，历史从来没有给出"AI泡沫一定破裂"的答案，它给的是一套更精细的检验方法：需求能否按时到，回报能否跑赢折旧，以及建设者能否活到收获期。

从经济学视角来看，这是典型的边际回报命题。AI市场未来很大，不等于今天所有投入都有回报，总需求是一回事，新增一座数据中心、一块芯片、一个行业大模型的边际回报是另一回事。资本周期最容易在"市场很大"的共识里失控，因为每家公司都相信，自己不投就会输掉下一轮。

结果是囚徒困境：对手扩建而我不扩建，我可能丢掉市场；大家都扩建，行业可能产能过剩。单个公司的理性，叠加成行业的过度投资。

破解它，要把三个指标置入一个池子，持续观察：

增量资本回报率（新增投入的经营利润除以新增投入资本，而非整个公司的历史利润率）；

价格与利用率（收入增长若来自涨价，必须靠利用率提升和成本下降接力，闲置率高的智算中心规模再大也只是昂贵的固定资产）；

现金回收期（长期合同能缓解不确定性，但不能消除它，回收期越长，客户信用、技术替代和融资成本越重要）。

也正因如此，多头强调云业务利润和垂直整合，空头强调终端需求和融资结构，双方其实可以部分同时为真：头部公司的自建算力可能有合理回报，高杠杆的边缘项目却可能没有。泡沫不必在整个行业平均发生，它往往先在最脆弱的项目和最乐观的估值里破裂。

把财报、交易结构和历史放在一起，我们并不认同两个极端观点："AI只是骗局"解释不了谷歌云收入翻倍、模型调用量数倍增长，也解释不了AI已经进入广告、办公和工业流程；"只要AI有用，所有投入都合理"则回避了资本成本、折旧和回收期。

更精准的视角可能是：哪些收入来自外部客户反复付费，哪些收入主要来自资本和合同的互相确认。前一类越多，建设越能穿越周期；后一类占比越高，越要提防融资条件变化带来的连锁反应。

当然，对Alphabet这样的公司还得再加一层：它的核心搜索业务仍在产生巨额现金，因此问题关键不是"会不会倒"，而是新业务能否获得不低于旧业务的回报，市场又愿意按什么框架给它定价。

03

中国映射：同一场资本周期，两张资产负债表

把美国的AI资本周期直接套到中国，必然会得出错误结论。

美国的矛盾，是巨额资本开支、复杂融资安排与终端需求兑现之间的关系；中国的算力建设同样扩张很快，但推动力量还叠着全国算力网络、东数西算、运营商投资、地方产业政策和国产替代，资金来源、项目类型和考核方式都不一样。

东数西算已形成8大枢纽节点、10个数据中心集群，8大枢纽建成的智算规模超过全国总量的80%；"十五五"时期算力网建设新增直接投资预计达4万亿元；2026年上半年我国智能算力规模达2185 EFLOPS，同比增长177%。

这些数字能表明建设强度，却不能自动说明使用效率。中国真正要警惕的，除了"借债建算力"，还有三类更本土的错配：

建设与场景错配（项目先拿到，模型和应用后找，智算中心成了招商成绩单，却没有足够的workload去填充）；

硬件与软件错配（国产芯片出货增长很重要，但如果框架、工具链、模型适配和开发者服务跟不上，采购规模不等于可用算力）；

通用能力与行业需求错配（工厂要的可能不是更大的通用模型，而是能接入质检、排产、能耗管理和售后的专用模型，参数规模不直接创造现金流）。

此处隐藏着一条意味深长的对照：

19世纪美国铁路由私人资本驱动、靠土地赠予和债券扩张，最终因重复建设和债务破产而整合；而中国的高铁、电网、算力网，走的是国家主导、统一规划的路。驱动机制不同，但资本周期的那道考题是一样的：建起来之后，有没有足够的需求把它用起来、把钱赚回来。

历史上，国家主导的基础设施也有过产能先于需求的故事，只是风险不叫"泡沫破裂"，而叫"利用率不足"与"隐性债务"。

所以，中国的问题不能被简化成"要不要跟投"，需要考核的内容是：每新增一单位算力投资，能否在本地形成可计费、可续约、可出口的行业能力。

实际上，把AI产业链按"谁先收到钱"排一遍，比按热门程度排序有用得多：

电力、设备与工程先收到钱。智算中心扩张先带来服务器、网络、制冷、电力和建设订单，这层最像基础设施周期的"卖铲人"，订单可见度高，也最容易受建设节奏变化影响，它赚的是资本开支的钱，不是应用续费的钱。

芯片与算力运营次之。国产替代提供额外需求，但考核不能停在采购和出货，真正决定资产质量的是利用率、单位算力成本、软件兼容性和客户结构。

模型与平台再往后。调用量增长不等于平台赚钱，推理成本、免费用户比例、企业合同期限和价格下降速度，决定这层能否形成稳定毛利；开源能扩大使用范围，但开源本身不是商业模式，托管、企业服务和行业交付才决定现金来源。

产业应用在中国最可能形成差异化回报可能是：中国拥有完整的制造业门类、密集的产业带和大量真实生产数据，质检、设备维护、供应链、药物研发辅助、政务与金融后台，都存在明确的人工成本和错误成本。AI能否减少返工、缩短停机、降低库存，比模型跑分更能回答价值问题。

机器人与智能终端把软件能力接进物理世界，想象空间最 大，也带来更高的硬件投入、售后成本和安全要求，不能因为空间大就跳过单机经济账。

这样排下来会发现：AI政策若只奖励"建起来"，资源会被推向前两层；若开始考核"用起来"和"赚回来"，回报才会留到后三层。产业链的真正成熟，并不是所有环节都热，而是现金能从应用端一路回流到算力和芯片端。

2026年关于新质生产力的政策表述，已经把"全面实施'人工智能+'行动"与"不能脱实向虚、贪大求全、搞泡沫化"放在一起。这个组合的本质，恰是把考核从投资规模移向产业结果。

对地方政府而言，智算中心应从"项目招商"转成"资产管理"，新建项目至少要回答这些问题：本地有没有真实客户、预计利用率多少、电力和网络成本能否覆盖、国产软硬件能否被企业低门槛使用。上海、珠海发算力券的意义，不在多发一笔补贴，而在把中小企业的真实需求引到已有算力上，避免一边闲置一边新建。

对产业带的传统公司而言，最值得做的可能还不是争取一个更大的通用模型，而是把行业数据、工艺知识和现场问题整理成可复用的专用能力。一家工厂证明AI让不良率下降、换线时间缩短、老师傅的经验可以复制，十家工厂才可能愿意续费。产业带共同繁荣的前提，不是大家买同一套昂贵系统，而是降低试用成本、共享验证结果、让专用模型在相近工艺之间迁移。

而对本身即为驱动力量的科技企业而言，自主可控不能只按"有没有国产芯片"验收，还要按迁移成本验收：企业从一种芯片转到另一种要改多少代码，国产框架能不能留住开发者，模型部署后每个有效任务消耗多少电。我国AI核心产业规模已突破1.2万亿元，智能算力规模达2592 EFLOPS，人工智能企业超过6600家。规模已经形成，下一阶段更难的是把这些规模转成稳定回报。

对投资者者而言，要区分“三种受益”最重要：订单增加、国产替代和经营改善。前两者能带来收入，第三种才说明AI真正进入企业损益表。只看项目中标和算力规模，容易把“建设受益”误读成“长期盈利”。

04

本轮全球AI概念股踩踏式暴跌根源与镜鉴

这场辩论不会被某一篇"泡沫破裂"的雄文、或某一次股价反弹终结。它有可观察的验证路径：

看RPO的外部兑现：未来几个季度，云积压订单转为收入的速度、客户集中度和回款情况，比合同总额更重要。

看资本开支与经营现金流的差是否收窄：AI投入若开始产生回报，自由现金流会先于宏大叙事改善；若负值持续扩大，市场就会索要更明确的ROIC证据。

看推理价格和利用率：价格下降不天然是坏消息，若成本降得更快、利用率更高，利润仍可增长；若价格、利用率、折旧同时恶化，收入增长也救不了回报。

看中国应用端的续费率：制造企业第二年是否继续付钱，产业带是否从试点变成常态采购，比发布会数量更有说服力。

看电力与软件约束：数据中心用电、国产框架适配和跨芯片迁移成本，会决定中国算力投资最终是资产，还是负担。

2000年的留下教训，从来不是"新科技别投"，而是技术前景、资本回报和估值必须分开回答。AI可以继续改变世界，同时让一部分过高估值和过低回报的项目出局。真正要提防的，绝非技术走得太快，而是把未来十年的收入，提前记在了今天的账本上——本轮全球范围内的AI概念股踩踏式暴跌根源，恰来自如是的“充分定价”。

150年前，铁路投资者押注的也是同一个未来。他们只错在了一件事：那个未来来晚了，而他们没能等到它来。我们或许需要以此为鉴。