节后板块梳理：军工、软件、证券、光伏设备、半导体 --知识铺

进入10月，三季报财报季将集中在本月十多个交易日里面密集公布。今天的文章，主要针对节后走三浪5子浪的板块。

一，军工板块

1，浪型：军工板块或将进入大三浪的5子浪。

有几个技术指标均反映军工将结束三浪4子浪调整，进入三浪5指浪加速。

2，量能放大，且股价突破20天均线。

节前放假前一天军工板块出现放量。

3，军工板块重新回到布林线上轨。

4，筹码分布开始趋于集中：

9月1日军工板块来到阶段高点时，底部主力筹码已经离场，随后连续三天大跌。

当时同步大跌的还有半导体、半导体设备等板块。到了9月末，军工板块筹码分布有了改善：横盘区域有资金开始进场吸筹，高位被套的资金有割肉松动迹象（见下图）。

5，不足之处：

（1）MACD还没上零轴；

（2）20天均线趋势向下；

如果比较保守的话，可以再等一等，等20天均线走平或者拐头向上，且MACD上零轴再考虑进场。

小结：军工板块作为高弹性板块，不考虑国际大环境等因素，仅从纯技术面角度考虑，有较明显止跌企稳迹象。技术指标中包括：布林线、筹码分布、浪型结构、量能等均提醒节后值得重点关注。

二，光伏设备：

1，浪型：已经进入5子浪。

如果说军工板块有可能进入5子浪，那光伏设备板块已经进入5子浪。考虑到光伏设备板块已经过掉了9月8号的高点，5子浪已经成立。接下来就看量能持续性，以及筹码是否开始离场，决定其上涨高度。

2，筹码分布：需密切关注

上文中我们提到光伏设备的筹码分布决定了其上冲的高度。如果主力一直没离场，抛压不大，股价拉升就比较容易。如果主力边打边撤，出现缩量或者是放量滞涨，并且筹码松动，就要注意了。

目前光伏设备板块主力筹码稳固，可以持股待涨。但是此前如果没有在回调期间低吸进场的话，目前再进场，就只能作为短线快进快出，且密切关注底部筹码是否松动离场。

3，光伏设备MACD在零轴上方，20天均线趋势向上。

4，特别提醒：已经连续反弹一周，谨防短线冲高回落。

如果此前4浪子浪没有进场，短线来说光伏设备板块已经错过最佳买点，只能作为短线博弈。说实话A股可供选择很多，如果此前没买，也没必要死磕，性价比不高。

小结：光伏设备目前已经进入5浪子浪，从位置上来说可能已经错过了最便宜的买点，但各项技术指标并未出现走弱迹象。低位进场的可以继续持股待涨，但不是特别建议高位追涨。

三，软件

1，浪型：软件板块或将进入大三浪的5子浪。

2，均线粘合，但股价重新回到所有均线上方，20天均线重新开始走平。

3，量能略有欠缺，静待节后放量突破筹码密集区。

一般来说月底、长假节前，量能略有欠缺是正常现象，节后不妨留意一下量能能否放大，并且突破目前的压力位（即筹码密集区，见下图）。

同时可以看到MACD在零轴上方有再次金叉的迹象。一旦再次金叉，破前高的概率就会变大。

四，证券

证券近期谈得比较多，它也是为数不多的基本面大幅改善，但股价还没大幅上涨的板块。

1，浪型：证券板块的浪型应该是处于大三浪的五子浪。

从调整浪的角度来看，证券板块目前已经打破了调整浪的ABC结构，股价反弹到了本轮调整的38.2%，属于强势反弹。

2，从筹码分布的角度来看，筹码相对集中。

3，从量能来看，节前两天证券板块终于拉出来一根放量中大阳线，某种程度上可以作为确认的止跌信号。

小结：关于证券板块，从长线角度来看，它已经突破了2015年、2020年两个高点的下压趋势线，从大的长线趋势来说，证券板块的上行空间应该已经打开。不妨保持耐心。

五，半导体

1，浪型

（1）半导体板块目前如果从大的浪行来说，正处于三浪阶段（见下图）。

（2）在大三浪里面，目前半导体已经很清晰，已经进入了三浪5子指浪。

2，从MACD和量能等常规指标角度来看，半导体板块目前在零轴上方金叉，且量能额放大。

量价关系健康，中线角度可以持股待涨。

短线需注意15分钟MACD有小周期背离，节后看能不能通过量能化解。

3，需关注筹码分布变化：

（1）在9月12日以前，主力筹码如下图：

（2）随着进入三浪5子浪，筹码分布有了一些变化：最底部的筹码有所松动，9月中旬进场的资金成为了筹码最密集的区域（见下图）。

因为毕竟半导体已经在三浪5子浪，很难说什么时候就会进入大四浪调整浪，因此要密切留意筹码：

一是股价不要回落到9月中旬筹码密集区下方（下图红框处）；

二是追涨的资金筹码如果越来越多，也要警惕主力借拉高出货可能。

小结：关于半导体，从浪型来说半导体已经全面进入三浪5子浪。作为大三浪的冲刺浪，目前如果此前空仓的，不建议追涨。对于半导体板块，如果此前低位已经介入的，可以持股待涨，也可以获利了结。关注半导体板块的，可以等大四浪调整下来再上车，其中线行情依然没结束。

分享一篇近期看到的好文章，也是对当下美股最重要议题的回应。

✒️Azeem Azhar and Nathan Warren

https://www.exponentialview.co/p/is-ai-a-bubble

尽管华尔街多数人将 AI 视作投资热潮，但在欧美相关会议中，对 AI 持质疑态度的人正逐渐增多。

已有部分人对此下定论，加里・马库斯便将当前 AI 领域称为 “泡沫巅峰”。

《大西洋月刊》更是发出警告：“我们或许正处于 AI 泡沫之中，投资者的狂热情绪，早已远超这项技术短期内所能带来的生产力效益。一旦泡沫破裂，其破坏力可能会让当年的互联网泡沫相形见绌，届时遭受冲击的，将不只是科技巨头及其硅谷支持者。”

《经济学人》则指出，AI 领域的 “潜在代价已攀升至令人警醒的高度”。

要理解这类问题，最佳方式是建立一个可随新证据出现而不断更新的分析框架。

为构建这一框架，我们投入数十小时开展数据分析、搭建模型，并与投资者及企业高管进行大量讨论，最终形成了一套通过五项指标将 AI 与历史上的泡沫进行对比评估的体系。

我曾亲身经历并深入研究过互联网泡沫时期，当时作为投资者，我直接感受到了泡沫带来的冲击。

和在座许多人一样，在全球金融危机期间，我也始终活跃在市场中。正因有这些经历，我才投入大量精力思考与分析，最终构建出这一对泡沫进程的分析框架。

我的理论基础，源自卡洛塔・佩雷斯、比尔・詹韦等学界权威的研究成果，以及各大银行与分析师的财务分析报告。

但迄今为止，尚未有人将这些理论转化为适用于当下 AI 行业的实践指南 —— 即一套可供研读、能与历史泡沫进行横向对比、并可用于指导决策的参数体系。

泡沫的意义

泡沫是资本主义体系中最古老的叙事之一。它承载着关于 “动物精神”、信念与崩塌的寓言。但泡沫并非单纯的金融现象，更是一种文化产物。

它常以贪婪与愚蠢交织的道德寓言形式反复上演。

Jan Brueghel the Younger, Allegory on Tulipmania, 1640

郁金香狂热常被人们误记为一场导致织布匠破产、商人溺亡的疯狂浪潮，可事实上，其破坏力远没有传说中那么严重 —— 它仅波及富商阶层，荷兰整体经济并未受到冲击。

但这类神话之所以能经久不衰，关键就在于：泡沫已成为人类用以警示盲目乐观危险性的集体叙事。

有些泡沫属于金融领域，如 18 世纪 20 年代的南海泡沫、20 世纪 20 年代的股市狂热、80 年代日本的房地产繁荣，以及 21 世纪初的房地产崩盘；

还有些泡沫则与技术相关。19 世纪 40 年代，铁路被视作新工业体系的 “血管”，这种定位确实合理。

但一个 “身体” 所需的 “血管” 数量有限，很快，铁路就被铺设到了商业价值无法支撑的地区。

20 世纪 90 年代，电信行业曾承诺打造一个 “有线乌托邦”，可最终却有 7000 万英里的冗余光纤被深埋地下、无人问津。

互联网泡沫让我们看到了 “新经济” 的愿景，其中大部分愿景最终确实得以实现，但这一切，都是在 2000 年估值泡沫破裂之后才发生的。

有趣的是，学术界至今似乎仍未就投资泡沫的定义达成共识，诺贝尔经济学奖得主尤金・法玛甚至断言，泡沫根本不存在。

我希望能突破那种 “只有看到泡沫破裂，才知道那是泡沫” 的认知局限。

在泡沫形成与破裂的过程中，存在两个相互关联的系统机制：

其一最为直观，即股票市场出现荒谬的高估后，随即迎来崩盘；

其二则是投入生产的资本规模（包括资本支出与风险投资）是否出现断崖式下跌。

这两者之间自然存在关联 —— 股价暴跌会推高投资成本，而生产性资本投资的长期萎缩，又可能被股市解读为经济放缓的前兆。

对此，我们做出如下界定：当股票的峰值价值出现持续至少 5 年、幅度达 50% 的跌幅时，即可判定为泡沫破裂。

以美国房地产泡沫和互联网泡沫为例，两者的低谷期均持续了约 5 年。

其中，美国房地产市场用了 10 年才完全恢复到泡沫前的峰值水平，互联网泡沫则耗费了 15 年。

与此同时，我们预计生产性资本的投入率也将大幅下降，降幅同样会达到峰值时的 50%。

在本次分析中，我将同时探讨 “泡沫” 这一概念的两个对立维度。从本质上来说，泡沫指的是一段以价格与投资急速攀升为标志的时期，在此期间，资产估值与基本面前景及实际盈利能力严重脱节。

泡沫孕育于资本泛滥与极具吸引力的叙事之中，最终往往以价值急剧且持久的回归收场，抹去上涨过程中创造的大部分账面财富。

相比之下，繁荣与泡沫在早期阶段极为相似 —— 两者都会出现估值上升、投资加速的现象。

但关键区别在于，在繁荣周期中，基本面最终会迎头赶上估值水平。其核心的现金流增长、生产率提升或真实需求扩张，会逐渐与市场的乐观预期相匹配。繁荣阶段或许仍会出现过度扩张的情况，但最终会沉淀为持久的产业形态与可持续的经济价值。

繁荣与泡沫之间存在一片灰色地带：在市场热情高涨的时期，人们确实难以判断，当前的资本投入究竟是在为新经济奠定基础，还是仅仅在推高不可持续的价格。这就如同身处风暴中心：你能感受到狂风、暴雨与压力，却无法预判这场风暴最终会净化空气，还是摧毁房屋。

回到当下的核心问题：AI 是否又将成为一个新的泡沫？

让许多观察者感到不安的，正是一组组刺眼的数据。

自 2022 年底 ChatGPT 发布以来，超大规模企业已将年度数据中心资本支出增加了一倍多。他们押注的，是支撑日益庞大的 AI 模型训练与运行所需的基础设施。

此前，当山姆・奥特曼提出需要 7 万亿美元投资时，这番话听起来更像是狂妄自大；

如今，投资者已不再发笑，反而开始质疑这种支出规模是否具备可持续性。

泡沫在形成之时，往往无法被准确诊断。唯有事后回顾，我们才能判断当时的市场热情是合理预期，还是盲目妄想。

与其贸然下定论（这种做法其实毫无意义），不如将当下的 AI 繁荣与历史上的泡沫进行对标，从中察觉可能正在悄然滋生的泡沫迹象。

这就好比驾驶飞机：飞行员不会仅依赖单一仪表，而是会监测一组仪表盘来掌握飞行状态。基于这一逻辑，我们将通过以下五个关键指标分析 AI 领域现状：

1️⃣经济压力-当前 AI 领域的投资规模，是否足以扭转整体经济走势？

2️⃣行业压力-AI 行业的收入水平，是否与投入的资本支出相匹配？

3️⃣收入增长-AI 行业的收入增速是否足够快、覆盖范围是否足够广，能够逐步追上估值水平？

4️⃣估值热度-AI 领域的估值有多高？与历史水平相比，相关股票是否被过度高估？

5️⃣资金质量-支撑 AI 领域发展的资金性质如何？是来自稳健的资产负债表，还是脆弱易变的资本？

1️⃣ 经济压力

摩根士丹利预测，到 2029 年，人工智能基础设施的投资规模将达到 3 万亿美元。尽管当前的投入已十分庞大，但尚未达到历史上泡沫极盛时期那种失控的程度。

真正棘手的问题在于经济依赖性：美国超过 1/3 的经济增长，都源自数据中心建设。

这种增长模式本身并非坏事，但一旦发展势头减弱，就可能引发风险。当一个经济体过度依赖单一行业拉动增长时，其经济基础的崩塌速度，可能会远超预期。

资本支出大幅增加、涌入 AI 所需的实体基础设施建设，这本身就是市场乐观主义的体现。

这也正是资本支出的本质：今日投入资金，是相信它将在未来转化为收入来源。若布局合理，最终必将带来生产力提升与经济扩张。

打个比方：如果你想通过销售呼啦圈来增进人们的健康与幸福感，首先得购入呼啦圈；而在产业链的某个环节，必须有生产呼啦圈的工厂。投资建设这类工厂，就属于资本支出。

企业投入资本支出，是为了打造可出售的有用产品。尽管资本支出通常是业务增长的前奏，但并非所有资本支出都能带来预期回报。

AI 数据中心不仅具备上述特质，甚至意义更为重大。它们并非单一产品的生产工厂，而是一种基础设施。

微软、OpenAI 以及美国政府都持这一观点 —— 他们将算力视为 21 世纪的基础性公共事业，其重要性不亚于过去的高速公路、铁路、电网或电信网络。

除美国外，各国政府也已承诺，到 2030 年将为 AI 基础设施投入超过 1 万亿美元。

要构建如此规模的基础设施，无疑需要史无前例的资金投入，其规模可与过去的铁路建设热潮、电力建设热潮相媲美。麦肯锡预测，为满足 2030 年人工智能驱动的需求，全球需新增约 156 吉瓦的电力容量 —— 这一规模相当于西班牙与葡萄牙两国电网的总和。该机构还估算，相关资本支出将达到 5 万亿至 7.9 万亿美元。

作为对比，这一支出规模约为阿波罗登月计划成本的 20 倍；即便是中国史上最大的基建工程 —— 雅鲁藏布江水电站，其预计总投入也不足 2000 亿美元。

由此可见，人工智能数据中心建设，或将成为现代史上规模最宏大的基础设施工程之一。

基础设施固然具有重要价值，但当私人资本大量介入时，情况就可能脱离现实。融资结构与技术本身同样重要。美国的铁路主要由私人资本建设，期间就经历了多次投资泡沫；

相比之下，电力与公路系统因有更多公共投资与统筹规划的参与，较少出现投机过热的情况。

当某个繁荣产业开始扭曲整体经济结构时，危险便会随之而来 —— 单一行业虹吸大量薪资资源，供应链为其重构，资本市场对其形成依赖，而当市场预期破灭时，反噬往往会异常残酷。

衡量经济压力的一种方法，是观察 AI 投资占 GDP 的比重，即国民产出中投入到这一单一技术前沿领域的比例。这一比率虽显粗略，却颇具说服力，它能直观反映出经济对某项技术的依赖程度。

在人工智能基础设施领域，大部分支出都以资本性支出的形式存在，具体包括服务器、冷却系统、网络设备、建筑主体的钢筋混凝土结构，以及维持数据中心运转所需的电力基础设施。

若按这一标准衡量，铁路泡沫堪称历史之最。1872 年，就在第一次铁路泡沫大崩盘前夕，美国铁路投资占 GDP 的比重曾高达 4%。

相比之下，20 世纪 90 年代末电信热潮的峰值，也仅接近 GDP 的 1%—— 这一数字，与当下 AI 领域的投资占比颇为相似。

当前人工智能基建热潮的投资占比，则处于两者之间。预计到 2025 年，全球数据中心投资将达到 3700 亿美元，其中约 70% 集中在美国，这一规模约占美国 GDP 的 0.9%。高盛预测，2026 年相关支出还将增长 17%。

我的预测与高盛基本吻合：到 2030 年，全球 AI 基础设施年度资本支出将达到 8000 亿美元，其中美国可能占据 60% 的份额，届时这一支出占美国 2025 年 GDP 的比重，将升至 1.6%。

我们将经济压力计分为三个区间：绿色区间为占比 1% 以下，黄色区间为 1% 至 2%，红色区间则为占比超过 2%。

目前，生成式 AI 的投资占比勉强处于绿色区间。当然，考虑到各国已公布的投入计划，它似乎很快就会进入黄色区间。

但历史上的泡沫，都未曾面临一个关键转折点：资产的快速贬值。

铺设好的铁轨可以使用数十年，美国甚至在 20 世纪，仍在使用 19 世纪铺设的铁轨运行货运列车；

20 世纪 90 年代铺设的电信光纤，35 年后仍在传输数据。

相比之下，GPU的寿命却极为短暂。在模型训练等前沿 AI 应用中，GPU 的有效使用寿命仅约 3 年，之后便会被降级，用于处理强度较低的任务。在超大规模数据中心的资本支出中，约 1/3 都投向了这类短寿命资产。

从理论上讲，这些设备在使用第 5 年、第 6 年时仍能创造收益；其余支出则用于建筑主体、电力与冷却系统等可使用二三十年的基础设施。若将资产寿命纳入考量，人工智能基础设施的建设要求会显得更为严苛：与铁路或光纤不同，这类系统必须在短短数年内实现盈利，而非依靠数十年的长期周期。

这种资产快速贬值的动态，究竟会恶化还是改善 AI 领域的金融状况，目前尚无定论。悲观者认为，一箱熟透的香蕉，其价值会低于同等价值的巴西坚果，因为香蕉必须尽快食用。

但乐观的情形也发人深省：更短的资产折旧周期，或许能迫使新进入的投资者遵守财务纪律。

在铁路狂热时期，长达数十年的资产寿命掩盖了许多商业模式的缺陷；一些公司即便资不抵债，也能苟延残喘多年。

而在人工智能领域，商业模式的缺陷可能会迅速暴露，这会迫使企业要么快速调整适应，要么迅速走向失败。

总体来看，当前 AI 领域的经济压力虽已显现，但尚未达到不堪重负的程度。人工智能应用层的风险投资虽然声势浩大，但与 20 世纪 90 年代的电信狂热相比，仍显克制。这表明，在行业周期进入过热阶段之前，AI 领域或许仍有一定的发展空间。

涌入服务器、冷却系统与电力线路建设的万亿资金，或许对 AI 行业发展必不可少，但历史经验表明，这些基础设施领域并非持久利润的聚集地。

回顾历史：铁路行业中，许多铁路公司最终走向破产，但依托铁路发展的物流企业与大宗商品巨头却蓬勃兴起；

在电信领域，抓住机遇实现爆发式增长的，并非光纤建设企业，而是利用带宽提供服务的平台与服务商。

同样的逻辑，或许也适用于人工智能领域：超大规模企业承担了资本支出的重担，但行业的持久价值，或许会归于那些掌控模型、数据及上层生态系统的主体。

这便引出了我们分析框架中的第二项指标：行业压力指数。

2️⃣ 行业压力

每一个经济繁荣期，都需要证明投入新设备的资金已开始产生回报。

在行业增长的任何阶段，收入都不太可能完全覆盖投资，但至少不应为零。行业压力指数的核心，就是考察资本支出与收入之间的比例关系。

我们估算，今年生成式 AI 的收入有望突破 60 亿美元，而在 5 年前，这一数字几乎为零。

但这一数据很可能低估了生成式 AI 创造的实际价值。例如，Meta 曾表示，生成式 AI 技术使其平台的转化率提升了约 3%-5%。这类间接价值，或许能解释为何摩根士丹利等机构的分析师预测，2025 年生成式 AI 的收入将远超我们的预估，达到 153 亿美元。

谷歌、微软、亚马逊等超大规模企业，无疑正进入资本支出强度更高的阶段。

2021 年 ChatGPT 问世前，这类企业的资本支出约占其运营现金流的 44%。到 2024 年，这一比例已升至 68%，预计 2025 年还将继续提高。

但正如新街研究的皮埃尔・费拉古所指出的，这些企业能够通过平台重构来消化这种高资本支出的转变 —— 结构性增强的资本密集度，将推动企业实现增长与效率提升。这种发展动能已持续了十年之久：2015 至 2018 年间，微软 Azure 的资本支出占营收的比例介于 70%-90% 之间，这些支出都是面向未来的战略性投资。

这与历史上早期的繁荣周期形成了耐人寻味的对比，其中铁路热潮尤其具有参考价值。相较于铁路为美国经济创造的整体价值，其直接贡献的收入却微乎其微。铁路泡沫始终受限于现金流现实 —— 用于新建铁轨和机车的债券，最终必须依靠客运票价与货运收入来偿还。每当资本支出超过收益时，行业压力便会显现。

1873 年、1883 年和 1887 年的铁路投机狂潮，都遵循着相同的模式：年收入与资本支出的比率急剧下降，在某些情况下，甚至出现收入绝对萎缩的现象。

铁路成本与一级（总收入）及二级（对 GDP 贡献）效应对比

1872 年，在美国铁路扩张的巅峰时期，资本支出约为收入的两倍；20 世纪 90 年代末的电信泡沫中，资本支出达到了收入的近四倍；

而在当下的生成式 AI 热潮中，全球数据中心约 70 亿美元的资本支出，仅对应着 60 亿美元的收入 —— 资本支出与收入的比率高达 6 倍，是三者中最为失衡的。

在行业压力计上，铁路行业稳健地处于绿色区间；

生成式人工智能（GenAI）则处于黄色区间，且正逐渐逼近红色警戒线。

不过，这尚不能算作明确的预警信号，尤其是考虑到目前生成式 AI 正引发市场对数据中心资源的争抢。

有报告显示，部分企业客户甚至在数据中心建成之前，就已提前预定了容量。驱动这一现象的，是真实的使用需求，而随之而来的，将是可观的收入增长。

3️⃣ 营收增长

铁路与电信行业繁荣时期的核心问题，并非行业本身承受的压力，而是营收增长失去了动力。

投资必然伴随着对回报的期待。1873 年铁路泡沫破裂后，行业年收入同比下降 3%；电信行业情况稍好，但也出现了 0.5% 的降幅。

即便在崩盘前，这些行业的营收增长也算不上迅猛：

1873 年铁路行业增长率为 22%，要实现收入翻倍需耗时 3 年；

20 世纪 90 年代末的电信行业，增长率仅为 16%，收入翻倍则需要 4 年多时间。

与之形成鲜明对比的是，生成式 AI 的营收仍在加速增长。根据我们的估算，今年生成式 AI 的营收将实现约两倍的增长，这一预测甚至可能偏保守。

花旗银行预计，到 2025 年，AI 模型开发商的营收增长率将达到 483%；

OpenAI 预测，截至 2030 年，其营收年化增长率约为 73%；而摩根士丹利等机构的分析师则估计，到 2028 年，生成式 AI 市场规模可能达到 1 万亿美元，这意味着期间每年的复合增长率将高达 122%。

我们的营收增长衡量指标采用指数计算法，核心是测算收入翻倍所需的年数 —— 即在当前增长率下，行业营收需要多长时间才能实现翻倍。从这一指标来看，生成式 AI 完全处于绿色安全区间，每年都能实现营收翻倍。

目前，生成式 AI 领域的大部分支出，最终流向了运营基础设施的超大规模云服务商与新兴云平台。这些行业巨头盈利丰厚，因此有足够的实力进行长期投资，即便短期利润略有下降，只要有利于长期战略布局，它们也愿意承受。甲骨文公司就预测，到 2030 年，其云业务累计营收可能达到约 200 亿美元。

在与大型企业的交流中，我强烈感受到它们当前对生成式 AI 技术的需求近乎无止境，这种旺盛的需求很可能会持续支撑行业的高速增长。

IBM 的 CEO 调研结果显示，生成式 AI 已在推动企业扩大 IT 预算，62% 的受访者表示将在 2025 年增加 AI 领域的投资。

需求如此旺盛，以至于新建成的数据中心一投入运营就处于满负荷运转状态 ——

亚马逊 CEO 安迪・贾西曾表示 “我们刚部署完算力，就被瞬间消耗殆尽”；山姆・奥特曼也提到，算力不足正影响 AI 模型的升级进度；

英伟达 CEO 黄仁勋早在 2024 年初就预见到了这种情况，他预测无论是 Hopper 系列还是 Blackwell 系列芯片，其需求都将远超供给，这种供需失衡的状况将持续到明年下半年。

目前约 9% 的美国企业已拥有至少一个可实际应用的生成式 AI 场景。粗略估算显示，未来五年内，这一比例将从 9% 增长至 75%，而企业内部的 AI 应用场景数量，也将从单个激增至数百个。

这本身就意味着某个领域将出现千倍规模的增长。我用 “某个领域” 来表述，是因为当前按 token 计费的商业模式未来可能会发生变化。

即便商业模式保持不变，单个 token 的价格也可能出现断崖式下跌，跌幅甚至可能达到一个数量级。关键在于，企业级 AI 应用目前仍处于起步阶段，许多企业连满足基本需求所需的 token 配额都难以保障。

消费端的情况也与此类似。美国消费者每年的线上支出已达到约 1.4 万亿美元。若按 15%-17% 的年增速计算（2013 年以来，实际增速已超过 14%），到 2030 年，这一数字很可能翻倍至 3 万亿美元。

在这样的背景下，生成式 AI 应用市场在五年内从当前的 10 亿美元增长至 500 亿美元，似乎并非天方夜谭。

目前，中等规模的 AI 初创企业与大型模型提供商已显现出 300%-500% 的指数级增长，这表明即便消费者数字支出仅出现微小的结构调整，向 AI 应用领域倾斜，也可能催生出数千亿美元规模的市场。

综合这些信号来看，生成式 AI 行业仍处于强劲的上升期，这与铁路、电信泡沫破裂前营收增长疲软的情况截然不同。即便生成式 AI 的营收增速降至去年的一半，根据我的保守预测，到 2026 年，其营收规模也将达到 100 亿美元，约占当年行业资本支出的 25%。

4️⃣ 估值热度

如果说经济压力与行业压力反映的是繁荣背后的沉重代价，营收增长体现的是行业的发展轨迹，那么估值热度就是衡量市场情绪的 “温度计”。

泡沫的迹象，往往最先在估值层面显现 —— 即投资者不顾基本面，以何等狂热的姿态为行业资产定价。

正如卡洛塔・佩雷斯数十年来所论证的，在每次技术革命的早期 “导入期”，金融市场总会出现过度反应，投入的资金规模远超短期营收所能支撑的水平。

从表面上看，这种狂热似乎是非理性的，但实际上，这正是社会构建新基础设施的一种机制。关键挑战在于，这种狂热能否顺利过渡到 “部署阶段”—— 也就是当新基础设施普及，并真正为社会带来生产率提升的阶段。

互联网泡沫时期就是典型案例。当时，那些毫无盈利的互联网公司，却能以三位数的市盈率上市，有些公司甚至在 IPO 首日的募资额，就超过了它们未来可能获得的总收入。

以Boo.com为例，这家公司从包括 LVMH 集团董事长伯纳德・阿尔诺在内的投资者手中筹集了 1.35 亿美元，并自诩为 “时尚界的亚马逊”。它同时在 18 个国家上线网站，提供本地化语言服务与配送服务，还推出了虚拟形象 “Boo 小姐”，通过 3D 模特为顾客提供购物建议。

在网站正式上线前，该公司就花费 2500 万美元用于广告宣传，员工规模从 40 人激增至 400 人，并在纽约与欧洲多个城市开设豪华办公室。然而，这个大量使用 JavaScript 与 Flash 技术的网站，在当时的拨号网络环境下几乎无法正常访问，且与 Mac 电脑不兼容、漏洞百出，每 4 笔订单中就有 1 笔交易失败。尽管公司极尽奢靡 —— 举办奢华派对、乘坐协和飞机出行、为虚拟形象 “Boo 小姐” 聘请名人造型师 —— 但民调显示，仅有 13% 的网民知道这个品牌的存在。最终，在成立短短 18 个月后，Boo.com就因资金耗尽，于 2000 年 5 月宣告破产。

当前生成式 AI 领域的狂热，与互联网泡沫时期相比已不可同日而语。衡量估值热度的关键指标是市盈率（P/E ratio），这个数字能直观反映出投资者愿意为当前每 1 美元利润支付多少年的溢价。假设某家公司年均盈利 1 美元，若其股票以 20 倍市盈率交易，就意味着投资者为每 1 美元的当前利润支付 20 美元，本质上是在赌公司未来的增长能填平这一溢价。

高市盈率通常意味着市场预期公司未来将实现高速增长，但如果市盈率长期畸高，就可能说明投资者只是在为 “幻想” 买单 —— 这正是互联网泡沫时期的真实写照。当时，纳斯达克指数在巅峰时期的平均市盈率高达 72 倍，专项研究更显示，仅互联网板块的隐含市盈率就达到了 605 倍。

换句话说，投资者当时愿意为相当于 605 年的当前利润买单。问题并非出在需求消失 —— 亚马逊的营收从 2000 年的 28 亿美元增长到 2001 年的 31 亿美元 —— 而是没有任何一家公司能实现足以支撑这种天价估值的高速增长。尽管行业基本面在逐步改善，但市场预期却已彻底崩塌。

如今的市场景象已趋于理性。目前，纳斯达克指数的市盈率约为 32 倍，仅为互联网泡沫时期的一半；整体科技板块的市盈率虽高于长期平均水平，但远未达到互联网泡沫时期的极端程度。

与铁路泡沫时期约 20 倍的市盈率相比，当前生成式 AI 领域的估值确实偏高，但铁路泡沫结局糟糕的核心原因，并非估值本身极端，而是营收增长乏力。与之不同的是，生成式 AI 的营收仍在快速攀升。

许多投资者还关注另一个衡量估值是否过高的指标 ——“巴菲特指标”，它通过测算股市估值领先 GDP 增长的程度来判断市场泡沫风险。毫无疑问，该指标当前正处于峰值，远超两个标准差的正常范围 —— 这一水平通常预示着市场可能出现回调。但我们目前持更为乐观的态度：历史会 “押韵”，但不会简单重复。

“巴菲特指标” 依赖 GDP 数据，但众所周知，GDP 难以准确反映技术驱动带来的生产率提升；

此外，大型科技企业的收入有相当一部分来自海外市场，这使得它们的盈利与国内 GDP 呈现出一定的脱钩性；

最后，AI 驱动的生产率提升可能会直接影响企业利润率 —— 即在保持产出（及 GDP）不变的前提下，提高企业利润。

因此，尽管我们会密切关注 “巴菲特指标”（以及与其类似的席勒周期调整市盈率）。

但我们认为，加速发展的数字经济具有独特的运行动态，这些传统指标难以充分捕捉其真实价值。

那么，当前生成式 AI 领域的估值热度究竟如何？

我的判断是，仍处于安全区间，股价尚未像互联网泡沫时期那样彻底脱离基本面的 “地心引力”。

5️⃣ 资金质量

资金质量并非传统意义上的标准指标，而是一种综合判断，核心关注三个维度：资金的来源、结构安排，以及资本是愿意等待数年获取长期回报，还是追求季度性的短期暴涨。

简而言之，低质量资本具有短视性、无序性与高负债特征 —— 其流入与流出都极为迅速；而高质量资本则更具耐心，融资条件更优，且能抵御市场短期波动的冲击。

每一次泡沫都有其致命弱点，而这一弱点往往植根于融资方式。

19 世纪的铁路热潮，主要由缺乏资本支撑的投机散户推动。到 19 世纪 70 年代初，美国铁路企业的有息负债平均占总资产的 46%；当过度建设遭遇信贷紧缩时，企业的融资渠道瞬间枯竭。1873 年的 “大恐慌” 最终导致大量铁路公司破产，并被接管。

一个世纪后的互联网公司，融资状况稍显稳健。

1995 年，风险投资在美国仍属小众行业，全年投入规模仅为 5.3 亿美元；但到 2001 年，超过 237 亿美元的资金涌入互联网初创企业，而这些资金往往由缺乏经验的新晋基金经理人操盘。

狂热情绪随后蔓延至公开市场：1999 至 2000 年间，互联网公司的 IPO 规模达到历史平均水平的 6 倍，许多企业在几乎零营收的情况下就完成了上市。我有两位朋友创办的theGlobe.com，在 1998 年上市时，挂牌首日股价就暴涨 606%。

20 世纪 90 年代末的电信运营商，则高度依赖巨额廉价债务。欧美电信运营商的杠杆率在短短数年内翻倍，部分企业甚至增至 4 倍。1998 至 2001 年间，德国电信与法国电信的净债务合计增加了 78 亿美元。当行业营收增长乏力时，违约潮迅速席卷了整个电信行业。

在历次泡沫中，推动繁荣的资金最终都被证明是 “昙花一现”，但不同泡沫的资金脆弱程度各异：铁路与电信行业对信贷紧缩最为敏感，债务比率极易急剧膨胀；互联网公司则受制于市场情绪，股票价值可能在瞬间蒸发。

从资金质量来看，当前的人工智能热潮显得更为稳健。微软、亚马逊、字母表（谷歌母公司）、Meta（脸书母公司）与英伟达等行业巨头，正创造着惊人的现金流，足以轻松支撑自身的 AI 基础设施建设 —— 至少目前如此。

但 AI 领域的投资需求正飞速增长。摩根士丹利预测，2025 至 2028 年，全球数据中心资本支出总额将达到 2.9 万亿美元。超大规模企业或许能通过内部资金覆盖其中约 50% 的支出，剩余部分则需要依赖私人信贷、证券化融资，以及新兴运营商的资本注入。此外，各国政府也已承诺投入 1.6 万亿美元用于主权 AI 投资，而海湾地区的资本也在积极寻找 AI 领域的投资机遇。

我们的资金质量评估方法如下：

采用 1-3 分制评分（1 分为最低，3 分为最高）

权重分配为：资金结构占 35%、期限匹配度占 30%、中介机构纪律性占 20%、系统性损失吸收能力占 10%。

风险正潜藏于资金缺口的填补过程中。摩根士丹利自身也指出，债务市场与资产支持证券市场需要填补 1.5 万亿美元的资金缺口。这一规模极为庞大：私人信贷领域可提供 800 亿美元，数据中心资产支持证券规模为 150 亿美元，另有数千亿美元来自原始设备制造商（OEM）贷款与供应商融资。

仅 150 亿美元的资产支持证券，就几乎能让数据中心证券化市场规模一夜之间扩大 2 倍，更何况并非所有借款方都像微软那样具备可靠的偿债能力。

以英伟达支持的 AI 初创公司 CoreWeave 为例，该公司目前正以 8 亿美元债务为支撑推进上市。但实际上，CoreWeave 已陷入技术性违约 —— 虽未正式破产，但已违反了贷款契约条款，且其营收仅依赖两个核心客户。更关键的是，其盈利模式建立在租赁 GPU 之上（这些 GPU 每年贬值 20%-30%），这种模式更近似于 WeWork 的租赁模式，而非超大规模企业稳健的资产负债表模式。

换言之，当前 AI 领域的资金基础，比过去泡沫时期更为坚实，但资金上层建筑已开始显现旧泡沫的影子：晦涩复杂的债务结构、交易对手高度集中，以及可能无法保值的基础硬件（如 GPU），这些风险因素再次浮现。

如果生成式 AI 的收益能实现十倍增长，那么债权人自然可以高枕无忧；但如果收益增长不及预期，债权人可能会发现，满仓库过时的 GPU 显卡，将成为难以处置的抵押品。

就现阶段而言，我的资金质量评估指标仍偏向乐观，生成式 AI 领域尚未进入泡沫区间。但如果未来一年融资持续以当前态势扩张，而收益增长未能达到 2025 年的强劲预期，资金质量的警戒级别可能会转为黄色（中等风险）。

综合判断与风险预警

根据上述五项指标的评估结果，生成式 AI 目前仍处于需求驱动、资本密集的繁荣阶段，而非泡沫阶段。但繁荣也可能在短期内急转直下，以下几个关键压力点值得密切关注：

若 AI 投资占 GDP 的比重攀升至 2%，可能表明经济对 AI 的投入已超出其短期能带来的生产率回报；同样，若一家或多家超大规模企业在未来 3-5 年内将 AI 相关资本支出削减超过 1/5，这将标志着市场情绪出现急剧转向，并可能引发其他参与者的快速退潮。

若当前企业与消费者在 AI 领域的支出水平持续下降，尤其是伴随英伟达 GPU 订单积压量缩减的迹象，将成为另一个危险信号。与此同时，AI 行业的经济效益必须提升：每 1 美元资本投入创造的收入应逐步向 0.5-1 的区间靠拢。若这一差距未能缩小，则意味着行业规模效应并未带来预期的效率提升。

若生成式 AI 相关企业的估值开始接近 50-60 倍市盈率，则将呈现明显的泡沫化特征。真正健康的增长阶段，应体现为企业盈利追赶股价，而非盈利与股价进一步脱节。

若企业内部现金流仅能覆盖不到 25% 的 AI 资本支出，数据中心投资的稳定性将面临压力。目前，AI 投资的稳定性主要依赖于超大规模企业的强劲现金流；一旦这些企业停止承担大部分资本支出，债务与证券化融资的占比将悄然上升。考虑到 GPU 较短的折旧周期（仅 3 年左右），这种融资结构的转变绝非利好。若内部资金在新资本支出中的占比跌破 25%，且对债务和证券化融资的依赖度上升，AI 行业对短寿命 GPU 的依赖，以及高利率环境带来的融资成本压力，或将迅速引发系统性不稳定。

我当前的泡沫判断标准是：

若五项指标中有两项亮起红灯（高风险），则意味着生成式 AI 领域已进入泡沫区间。

届时，投资者就应考虑抛售相关资产、买入波动率指数（VIX），并调整投资心态。

回顾历史：

1873 年 “大恐慌” 爆发前一年，铁路行业的经济压力指标已呈红色，同时资金质量持续恶化，再加上疲弱的营收增长，最终引发了危机；

2001 年电信业崩盘时，营收增长与资金质量两项指标同时发出警报；而在互联网泡沫时期，则是行业压力与估值热度双双亮起红灯。

生成式人工智能目前仍未成熟。行业 “引擎” 正高速运转，发出轰鸣，但尚未出现过热迹象。

那么，需要多久，五项指标中才会有两项亮起红灯？

我尝试过多种情景推演，结果显示，即便最糟糕的情景，也需要数年时间才会显现（并非所有推演情景都令人担忧）。

即便如此，仍有太多宏观因素可能让 AI 市场降温 —— 从美国经济衰退、通胀再度攀升、高利率环境持续，到国内外复杂的政治局势。

虽然我们或许尚未深陷 AI 泡沫，但如果认为 AI 投资周期能完全免疫于这些亢奋的市场动态，这种想法未免太过狂妄。