为溪陈龙：AI泡沫之辨
历史不会替我们作答
每次科技股大幅回调，“泡沫”都会重新成为市场的中心话题。
历史当然值得敬畏。1929年，费雪刚说完股市似乎到达了“永久性的高地”，随后就遭遇崩盘。加尔布雷恩后来总结，金融狂热总伴随着“这次不一样”的幻觉。
但历史的麻烦也正在这里：有时“这次不一样”是自欺，有时变化确实已经发生。仅从ChatGPT问世以来，AI市场就经历了多轮显著回调。此前几次担忧包括高利率、盈利无法兑现、规模定律放缓、DeepSeek冲击、循环融资和资本开支过大。回头看，前几轮最终都成了阶段性调整。
所以我认为，讨论AI泡沫不能只做历史类比。真正有用的工作，是把历史中的风险机制拆开，再逐项对照今天。
暗光纤泡沫真正教会了什么
1996年至2000年，美国电信公司基于互联网流量高速增长的预期，累计铺设约3900万英里光纤。到2001年，实际使用率却只有2.6%。随后WorldCom、Global Crossing等巨头相继倒下。
值得注意的是，泡沫形成时，这些企业并非没有增长。龙头公司的收入和数据业务快速上升，新进入者甚至给出了接近翻倍的增长指引。供应链从玻璃、光纤到路由器，也都交出了强劲业绩。
这段历史最重要的启示，不是“增长都是假的”，而是增长可能没有抵达最终用户。
第一，收入可能来自供给侧互换。运营商为了补齐网络覆盖，彼此交换光纤容量，却把互换分别确认为收入，把买入成本作为长期资产缓慢摊销。现金净额接近于零，报表上的收入和利润却同时增加。
第二，整条供应链的繁荣也可能只是建设需求。玻璃、设备和光纤都真实地卖出去了，但买家主要是继续建网的运营商，而不是最终使用宽带的企业和家庭。一旦资本开支停止，供应链业绩就会迅速逆转。
第三，长期需求正确，不等于投资节奏正确。家庭宽带确实高速增长，YouTube和Netflix后来也真正点亮了光纤。但需求普及用了多年，债务却先到期。方向判断对了，企业仍可能死在时间差上。
第四，低门槛、同质化和债务扩张会共同摧毁价格。放松准入、垃圾债和供应商融资吸引大量新玩家进入，同一路线上出现多条可以相互替代的网络，光纤价格在三年内跌去约四分之三。
第五，融资结构会放大基本面的误判。光纤既是收入来源又是抵押品，价格下跌会同时打击利润与资产价值。设备厂商借钱给客户购买自己的产品，把收入留在当期，把坏账留给未来。短期债务对应长期回报，则把偿债高峰推到了企业最脆弱的时点。
我把这五点归纳为三个问题：需求是否来自最终用户，供给是否具有壁垒，融资是否经得住需求延迟。
AI已经出现了最终需求
今天最关键的问题，是算力采购究竟来自产业内部循环，还是来自企业和消费者愿意持续付费的真实需求。
原文的判断是，AI与暗光纤在这里已经出现重要差异。OpenAI和Anthropic不仅是算力大买家，也在形成快速增长的收入。面向个人的编程智能体和高价值订阅用户在增加，面向企业的客户数量也在增长。换句话说，AI不再只是基础设施公司之间互相下订单，终端付费已经出现。
我认为，编程智能体是目前最有说服力的例子。它不是等待未来兑现的流量想象，而是已经进入生产流程的“硅基劳动力”。它创造的价值，也不完全依赖用户数量增长。少量高强度用户和智能体的长时间运行，就可能产生大量token需求。
开源模型也未必会削弱算力需求。它可能降低单次使用成本，却扩大模型可进入的企业场景。企业可以结合自有数据做后训练，AI创业公司也能在开源基础上构建自己的产品和壁垒。算力的买家会从少数头部模型公司扩展到更多企业和应用开发者。
原文还列出了多条可能推动token持续增长的路径：更大规模的模型、更长的思考过程、成本下降引发的使用扩张、企业专属模型、自我改进、多模态，以及自动驾驶和机器人。
这些方向未必都会按预期实现，也不能用未来可能性替代当期收入。但它们至少说明，算力需求不是押注于一个尚未出现的单一杀手应用，而是由多个方向共同推动。
供给过剩仍然是最现实的风险
真实需求并不等于所有参与者都能赚钱。
美国已经出现大量新云厂商，其中一些由比特币矿场转型而来。训练阶段的算力租赁相对标准化，一批GPU连续运行几个月后，客户可以切换供应商。这一阶段很像当年的光纤：资本密集，产品差异不明显，新进入者容易把短缺迅速推向过剩。
但推理业务对延迟、稳定性、可用性和全栈运营的要求更高。云服务每增加一个“9”的可用性，工程和基础设施投入都会显著上升。随着工作负载从训练转向推理，单纯出租GPU与提供可靠云服务之间的差距会越来越大。
所以我的判断是，云计算并不会整体复制光纤的结局，但新云厂商一定会分化。能建立工程、调度和运营能力的公司可能留下；停留在同质化算力出租阶段的公司，最终仍会经历价格战、资产出售甚至破产重组。
原文认为，这场淘汰赛尚未正式开始，因为各代英伟达算力的租赁价格和部分长期合约仍然坚挺。这个判断需要持续用价格验证，不能仅凭需求叙事推演。
上游半导体也要分品类看。以HBM和DRAM为例，扩产受到晶圆、先进设备和产品定制化约束，现阶段不像当年光纤那样可以被大量同质化复制。只要终端需求继续增长，供给纪律与进入壁垒就会支撑价格；一旦需求低于预期，周期风险仍会重新出现。
资本开支不能只看总额
市场担心云计算公司的巨额资本开支压垮自由现金流，这种担心并非没有道理，但要拆开看资产和回收周期。
原文引用云厂商的解释：数据中心土建可以运营数十年，承载多代芯片；算力设备的回本周期短于其使用寿命。当前土建与GPU采购同时发生，因此自由现金流阶段性承压。若利用率和价格保持稳定，几年后收入增速有机会超过新增资本开支。
这个逻辑成立的前提非常明确：设备持续被使用，合约能够履行，算力价格不能断崖式下跌。资本开支不是天然安全，也不是天然危险，关键是回收期是否短于需求窗口。
GPU折旧同样如此。市场质疑企业延长折旧年限、把尚未投产的设备列为在建工程，从而高估利润。原文则以A100仍有长期订单为依据，认为GPU实际使用寿命可能超过账面折旧年限，尤其在推理任务和异构计算中，旧芯片仍可承担合适的工作负载。
我认为，判断谁对谁错不必陷入会计争论，直接观察老款GPU的实际租赁价格、利用率和合约期限更有效。如果旧设备持续产生现金流，折旧并未掩盖风险；如果价格和利用率快速下降，利润质量就值得警惕。
融资结构比融资规模更重要
英伟达为新云厂商提供的信贷支持，经常被类比为当年朗讯借钱给客户购买自己的设备。
两者确有相似之处：上游企业都在帮助下游获得资金，也都可能因此扩大自己的销售。但原文强调，当前模式主要由第三方金融机构独立放贷，英伟达提供的是有限担保，并通过保底租赁和收入分成承担风险、获取收益；朗讯则直接用自己的资产负债表向客户融资。
这个差异很重要，却不能消除风险。最终判断标准仍然只有一个：真正支付算力租金的，是不是外部客户。如果还款依赖供给侧继续融资、继续互相采购，它仍可能变成循环；如果外部客户持续为实际使用付费，融资只是把资金期限与资产回报重新匹配。
数据中心的表外融资也不能与GPU抵押贷款混为一谈。原文以Meta的项目为例，指出抵押物主要是土地、建筑、电力和冷却设施，并配有储备金、主体担保、最高建造价格和电力协议。它更像以企业信用和稀缺基础设施换取较低表内负债，而不是单纯押注芯片残值。
但表外不代表风险消失，只是风险被重新分配。需要观察的仍是融资成本、担保责任、资产残值和最终现金流。
与其争论泡沫，不如盯住五个指标
我更认同“辨识泡沫”，而不是抽象地争论“有没有泡沫”。任何高速增长的产业都会包含局部高估、过度投资和失败者，真正的问题是这些风险是否已经足以推翻整体需求。
接下来最值得持续观察的是五组指标：
-
老款与新款芯片的租赁价格、利用率和合约期限，判断供需缺口是否逆转。
-
闭源与开源模型的token使用量、收入和客户价值，判断终端需求是否真实增长。
-
云计算公司的经营现金流、营收增速与资本开支增速，判断投入能否形成自我回报。
-
存储等半导体的价格、市场份额和实际扩产进度，判断供给纪律是否松动。
-
新云与数据中心的融资成本、担保敞口和抵押品质量，判断杠杆是否正在脱离现金流。
基于原文提供的材料，我倾向于把这轮回调理解为一次被杠杆放大的调整，而不是AI总泡沫已经破裂。原因不是“这次一定不同”，而是目前已经看到终端付费，算力价格尚未进入全面价格战，云和半导体仍存在显著壁垒，融资结构也不能简单等同于暗光纤时代。
但这个结论必须是条件式的。如果终端需求增速明显下降，老款GPU价格和利用率快速下滑，云厂商收入追不上资本开支，半导体集中扩产，同时融资成本继续上升，那么历史的另一面就会重新出现。
历史不能告诉我们答案，但能告诉我们该看哪里。