ARTICLE · 1047990
AI 没有泡沫,但必须跨过“起飞门槛”
AI 没有泡沫,但必须跨过“起飞门槛”导语：这不是“是否相信 AI”的争论，而是现金流能否接住资本开支 Brad Gerstner 在2026 年 9 月 15 日美国洛杉矶All-In Summit 2026发表演讲《No AI Bubble, Semis Eat the Nasdaq & AI's Take Off Problem》（《AI并不存在泡沫：半导体主导纳斯达克涨势与AI的“起飞难题”》）。表面上是在回答“AI 是否已经形成泡沫”，实质上提出了一个更严格、也更适合投资者的问题：在未来数年每年可能高达万亿美元级别的 AI 基础设施投入面前，模型公司、企业客户和消费者最终创造的收入，能否形成足够强的承接能力？ 他的结论并不是无条件乐观。Gerstner 认为，当前科技股上涨主要由盈利增长而非估值扩张推动，因而不能简单类比 2000 年互联网泡沫；但进入 2026 年之后，“买入一切 AI”已经失效。半导体贡献了纳斯达克大部分涨幅，市场集中度显著提高，未来收益将取决于 AI 实验室收入、电力与数据中心交付、利率以及监管等具体事实。 因此，最准确的概括不是“AI 没有风险”，而是：AI 的长期需求空间足够大，但资本市场已经从叙事验证阶段进入收入验证阶段。真正的“起飞”条件，是 AI 收入增长速度能够持续覆盖算力租金、融资成本与基础设施折旧。 
Brad Gerstner（布拉德·格斯特纳） 是科技投资机构 Altimeter Capital （高度资本）的创始人兼首席执行官。Altimeter 同时投资公开市场与私人市场，重点关注科技企业的长期成长。与传统对冲基金经理不同，Gerstner 有连续创业背景，习惯以“创始人视角”审视产品、组织、资本开支与产业周期。他也是 Invest America（投资美国计划） 等普惠资本项目的推动者，并长期通过 BG2 与 All-In Podcast（All-In 播客） 讨论科技、市场与公共政策。 这使他的观察兼具两种特征：一方面，他对 AI 超级周期保持高度乐观；另一方面，他把月度收入、自由现金流、资本成本和物理交付能力视为不可回避的约束。 All-In Summit （All-In 峰会）是由 All-In Podcast 团队举办的年度峰会。该播客由 Chamath Palihapitiya（查马斯·帕利哈皮蒂亚）、Jason Calacanis（杰森·卡拉卡尼斯）、David Sacks （戴维·萨克斯）与 David Friedberg （戴维·弗里德伯格）主持，议题覆盖商业、科技、资本市场、公共政策与社会趋势。2026 年峰会于 9 月 13 日至 15 日在洛杉矶举行，汇集科技公司创始人、投资人、政策人物与研究者。 Gerstner 的市场演讲安排在 9 月 15 日，即峰会最后一天。官方视频在次日上线，时长 18 分 10 秒。视频章节依次为：欢迎与开场、Trump Accounts （特朗普账户）与儿童资本账户、AI 收入能否覆盖资本开支、吉瓦级算力建设与市场空间、监管、电力和利率风险。 Gerstner 首先区分了两种上涨：一种由市盈率不断抬升推动，另一种由盈利增长推动。他在演讲中指出，尽管市场在 2026 年继续上涨，但纳斯达克与标普 500 的估值倍数并未同步扩张，部分指数和龙头公司的远期估值反而低于自身历史均值；同时，AI 基础设施相关企业的盈利增速十分强劲。 他的逻辑可以概括为：如果股价上涨来自真实利润增长，而不是投资者愿意为同一美元利润支付越来越高的价格，那么市场至少不符合典型估值泡沫的定义。这一判断有合理性，但不能被误读为“所有 AI 股票都便宜”。指数估值不极端，并不排除个别公司估值过高，也不排除盈利预期本身过度乐观。 
演讲中最醒目的数据，是半导体板块约贡献纳斯达克当年回报的 70%。Gerstner 将 AI 价值链分为“代币的制造者”和“代币的购买者”：前者包括芯片、服务器、网络与数据中心供应商，后者包括购买算力并向终端客户出售模型或服务的云平台和 AI 实验室。 在算力供给紧张阶段，超大规模云厂商的资本开支，会迅速转化为半导体与基础设施公司的收入和自由现金流。换言之，当前利润首先在“卖铲子”的环节兑现，而应用端仍在建立足以支付算力账单的收入模型。 这也是“半导体吃掉纳斯达克”的双重含义：一方面，芯片与基础设施拥有真实订单、供给稀缺性和定价权；另一方面，指数越来越依赖少数资本密集型赢家，一旦云厂商削减资本开支、供给转松或收入增长不及预期，指数波动会被放大。 Gerstner 把领先 AI 实验室的收入增长视为全市场最重要的数据点。原因很直接：微软、Alphabet （谷歌母公司）和 Amazon （亚马逊公司）建设数据中心，是为了出租算力或销售云服务；最终必须有人通过模型订阅、API 调用、智能体服务或企业工作流收入来支付租金。资本开支可以领先需求，但不能永久脱离终端收入。 他提出了一个近似的收入阶梯：如果领先 AI 实验室合计年化收入在 2026 年末接近 2,000 亿美元，随后还需要继续向约 4,500 亿美元、8,000 亿美元乃至 1 万亿美元增长，才能支持未来数年的大规模资本开支。这里的数字不是审计口径的公司指引，而是 Gerstner 用来检验产业闭环的情景假设。 他的“起飞信号”更具体：若领先 AI 实验室的月度收入接近 80 亿美元而非 40 亿美元，说明商业化速度正在跨越临界点，AI 交易可能重新加速；反之，如果收入增速下降，资本开支计划就会面临重新定价。 
对于AI未来能够覆盖的整体潜在市场规模（TAM），Gerstner 的判断十分乐观。他把消费者服务、广告、软件开发和白领知识工作视为一个前所未有的大市场，并估算只需转化其中约 4%，便可能形成约 1.2 万亿美元收入，理论上足以支撑 AI 基础设施投入。企业侧的调用量、编程工具用户和模型生成代币数量，也在快速增长。 但需求想象空间并不等于交付能力。演讲引用的行业预测称，2027 年美国可能新增约 43 吉瓦 AI 计算能力，规模接近 2026 年全国存量。Gerstner 对此持保留态度，认为许可审批、地方阻力、电网并网、熟练劳动力和电力设备短缺，将使实际新增规模更接近 25 吉瓦。 这项判断非常关键：未来一至两年 AI 产业最大的错配，可能不是“没有客户”，而是“有订单却无法按期通电”。因此，电力设备、输配电、液冷、网络、数据中心工程和具备明确并网路径的园区，可能获得比单纯土地储备更高的稀缺性溢价。 Gerstner 没有把 AI 的经济价值简单表述为大规模裁员，而是强调“收入增长、员工人数不同比例增长”。他引用 Uber（优步）、Snowflake（雪花公司） 等企业的管理口径说明，企业可以在收入增长的同时控制新增招聘，从而提高营业利润率。 他的核心问题是：过去十年纳斯达克公司每年约 38 个基点的利润率扩张，能否在 AI 推动下提高到约 100 个基点？如果答案为是，AI 对股票价值的贡献就不仅来自芯片销售，还会通过研发效率、客服自动化、营销优化和流程重构，渗透到更广泛的上市公司盈利中。 投资者因此需要区分两类公司：一类只是购买 AI 工具，另一类真正将 AI 嵌入工作流并形成可量化的收入增长、成本下降或资本周转改善。只有后者能够把技术红利转化为可持续估值。 
Gerstner 特别以美国核电历史为例警告过度监管：社会恐惧和政治运动曾导致大量核反应堆关闭，使美国在清洁能源和产业能力方面付出长期代价。他主张对 AI 建立安全测试、独立评估与多家审计机制，同时避免把“安全”演变为事实上的产业冻结。 需要强调的是，监管与安全并非二选一。对投资者而言，最重要的不是押注“监管一定放松”或“监管一定收紧”，而是识别哪些公司能够提供可验证的安全治理、审计记录、权限控制和责任机制。合规能力未来可能成为竞争优势，而不只是成本。 Gerstner 最值得重视的提醒是阶段变化。2023 年至 2025 年，投资者只要判断 AI 将成为最大的科技超级周期，并配置主要受益者，就有较高概率获得收益；到了 2026 年，方向共识已经形成，市场开始对每个季度的收入、交付与资本回报进行精细定价。 
第一，AI 基础设施投资仍会扩张，但增速与回报会分化。供电确定、客户合同优质、资产负债表稳健的项目将获得资本；依赖短期融资、并网不确定或客户高度集中的项目，风险溢价会上升。 第二，半导体仍是最先兑现的环节，但边际收益将越来越取决于系统级能力。芯片、内存、网络、散热和软件协同决定单位算力成本，单一器件的估值需要接受供给扩张与客户自研芯片的检验。 第三，模型公司将进入“收入质量”竞争。单纯的用户增长不足以支撑万亿美元级资本开支，市场会更重视企业合同期限、毛利率、推理成本下降速度和客户留存。 第四，应用层的机会会扩大，但不会平均分布。真正具有投资价值的 AI 软件，需要掌握客户关系、专有数据和工作流控制权，并能够证明客户愿意持续付费。通用席位型软件若缺乏差异化，反而可能面临定价压力。 第五，利率会重新成为 AI 估值的“重力”。资本开支越大、现金流越远、杠杆越高，利率变化越重要。AI 的技术进步可以提高长期回报，但不能取消资金成本。 Gerstner 用“飞行路径”描述自己的组合管理：在 AI 收入尚未完全验证、利率和政策仍有不确定性的阶段，维持中等仓位；如果月度收入显著超预期、能源价格回落、交付顺利，再提高风险敞口；若收入、融资或监管信号恶化，则进一步降低仓位。 这一框架比简单的“看多”或“看空”更有操作价值。对普通投资者而言，可将组合分为核心、成长和观察三层：核心层配置现金流和资产负债表更强的基础设施龙头；成长层选择已出现付费和留存验证的平台与应用；观察层保留少量高不确定性标的，并设置明确的收入、交付和估值触发条件。 最重要的是避免杠杆放大判断误差。AI 趋势可能长期正确，但个股、估值和买入时点仍可能错误。长期方向正确，并不能保证短期价格路径平滑。 Brad Gerstner 的演讲提供了一套有用的中间立场：既不因为巨额资本开支就断言 AI 泡沫必然破裂，也不因为技术进步惊人就忽略收入、能源和资本成本。AI 的市场空间足够大，但市场空间必须通过真实客户、真实调用、真实利润率和真实现金流兑现。 未来十二至三十六个月，决定 AI 资产回报的核心问题将从“模型还能多聪明”逐渐转向“每增加一美元资本开支，能创造多少可持续收入与自由现金流”。当投资者开始用这一标准审视芯片、数据中心、云平台、模型和应用，AI 投资才真正从叙事阶段进入产业研究阶段。 资料来源 [4] Altimeter 官方网站：机构定位与投资范围，https://www.altimeter.com/ 免责声明 本文仅用于信息整理与研究交流，不构成任何证券买卖建议、收益承诺或针对个人情况的投资意见。文中涉及的预测、估值与情景数字主要来自演讲者公开表达，应结合公司公告、监管文件与个人风险承受能力独立判断。
AI 没有泡沫，但必须跨过“起飞门槛”
Brad Gerstner 在 All-In Summit 2026 谈半导体、资本开支与 AI 商业化
基于演讲全文的中文翻译、归纳与投资分析
蓝天 BlueSky｜成稿日期：2026年9月20日
一、Brad Gerstner 与 All-In Summit 简介
1. Brad Gerstner：从创业者到科技投资人
2. All-In Summit：科技、资本与政策的交叉场
二、演讲核心结论：五句话读懂
当前更像“盈利驱动的 AI 超级周期”，而不是单纯依靠估值扩张的泡沫。 半导体约贡献纳斯达克年内回报的 70%，既说明基础设施环节最先兑现，也暴露出市场高度集中的风险。 决定行情能否继续的关键，不是模型能力演示，而是领先 AI 实验室的月度收入能否继续加速。 需求空间并非主要问题；电力、并网、许可、设备与融资成本，才是未来一至两年的硬约束。 2026 年以后，投资策略必须从“押注 AI 方向”切换为“逐项验证收入、供给、估值与政策”。
三、为什么他说“这不是 2000 年式泡沫”
四、“半导体吃掉纳斯达克”：利润正向基础设施集中
五、真正的“起飞问题”：AI 收入能否支付算力账单
六、市场空间不是瓶颈，物理世界才是
七、AI 的经济回报：从替代岗位转向利润率扩张
八、四项主要风险：监管、电力、利率与集中度
九、对投资者的指导意义：从主题投资进入证据投资
十、前瞻判断：AI 行情将从“算力稀缺”走向“资本效率分化”
十一、组合策略：中等仓位、保持灵活、拒绝高杠杆
结语：AI 的下一阶段不是讲故事，而是交账
[1] All-In Podcast，视频：Brad Gerstner: No AI Bubble, Semis Eat the Nasdaq & AI's Take Off Problem，2026 年 9 月 16 日，
[2] All-In Podcast 官方网站：节目与峰会介绍，https://allin.com/
[3] All-In Summit 官方网站：All-In Summit 2026，https://theallinsummit.com/
[5] Apple Podcasts：节目章节与时长，https://podcasts.apple.com/cn/podcast/id1502871393?i=1000790291827
[6] Welcome Brad Gerstner.docx（英文自动转写稿）。