AI 的资本开始换支配者

过去半个月，AI 行业的新品发布一个接一个。

9 月 22 日，Anthropic 发布 Claude 5.5 系列模型，其中 Opus 5.5 在多项基准测试中排名第一；同一天，OpenAI 推出了 GPT-6 系列的 Sol 和 Luna 两个版本。

9 月 29 日，OpenAI 在开发者大会上一口气发布了 25 项更新，最受关注的是两项：一是常驻型个人智能体 Dots，二是主打性价比的 GPT-6.1 Sol。

10 月 6 日，智谱 GLM-5.3 上架亚马逊 Bedrock 平台，全球开发者都能直接调用，AWS 按调用量与智谱分成。

10 月 7 日前后，谷歌发布旗舰模型 Gemini 4 Argon。它在 Vals Index 上得分 68.9%，超过 GPT-6 Astra（63.1%）和 Claude Opus 5.5（67.0%）；单次最大输出提升到 100 万 token，能够支撑更长的任务。

10 月 8 日，OpenAI 宣布 GPT-6 向全部用户开放，覆盖超过 12 亿周活跃用户。同一天，谷歌云在 Gemini at Work 大会上发布了 Gemini agent。它拥有独立的账号、邮箱、日历和云盘，被定位为"数字同事"。

市场情绪也在变化。国元证券 9 月第 1 期人工智能行业半月报的标题还是"板块持续调整，前沿大模型快速迭代"，到第 2 期就换成了"大模型密集发布，商业化持续推进"。10 月 5 日，纳指收盘创历史新高；同一天，十年期美债收益率收于 5.30%，为 2002 年以来最高。资金成本创下二十四年新高，却没能压住 AI 行情。

技术、股价和利率同时走到了极端。但更值得留意的是这份发布清单本身：本月的重磅更新，几乎都不是在比谁的模型更聪明。

Open AI推出的Dots 是常驻个人智能体，Gemini agent 是数字同事，GPT-6.1 Sol 卖的是性价比，国内开源模型GLM-5.3 上架 AWS 可以获得不错的收入分成。

前沿能力的竞赛还在继续，评判标准却变了：过去看谁的模型得分高，现在看谁能替客户把工作完成，又能从中赚回多少钱。

同一周，三家华尔街投行发布了旗舰报告，标题透露出相近的判断。高盛的报告是《代理式 AI 时代，开启商业版图新征程》，摩根士丹利的是《AI 发展路径映射：从构建到拓展》，摩根大通的是《中国 AI 价值链：做大蛋糕与价值之争》。

三份报告的核心思想高度统一：蛋糕会做大，这已是共识；接下来的问题是怎么分蛋糕。至于"AI 值不值得投"，各家早已用数字反复回答过。

摩根士丹利测算，中国 2026–2030 年 AI 总资本开支将达 8.5 万亿元，AI算力容量从 26GW 增至 81GW；

摩根大通预计同期词元Token消耗增长约 60 倍，最终需求锚点超过 1.4 万亿美元；

高盛统计，AI 基础设施股票已占美股总成交量的 40%；

据至顶智库统计，美国七姐妹科技公司总市值 24.08 万亿美元，超过中、德、日、英任何一国的 GDP。

AI 能创造价值，这一点已不必再争。真正没有答案的问题是：未来，钱归谁。

第一场战争：模型层，提价的 DeepSeek 与被Agent调用的前沿模型

模型层的分配之争，是 DeepSeek 先出的手，方向还出人意料：以前架构超低的开源模型，它涨价了。

DeepSeek 上调了 V4 系列 API 的价格。摩根大通认为，这一举动"为同行创造了短期的喘息空间"，但"并未消除 DeepSeek 作为行业成本基准的地位"。过去两年，市场普遍认为这位"价格屠夫"会把价格战一直打下去。结果 DeepSeek 主动收手，原因是它发现自己的定价本来就留有"有意义的变现空间"。

摩根大通在评估智谱、MiniMax 和 DeepSeek 时，提出了一个更冷静的判断框架：现阶段，能力比价格更重要。智能前沿仍在快速推进，强模型的定价很少受到弱替代品的影响；可持续的成本领先必须来自"结构性效率"，而不是"积极降价的意愿"。

十月的发布潮印证了这个框架。Gemini 4 Argon 以 68.9% 的 Vals 分数暂居第一，但更值得玩味的是 GPT-6.1 Sol 打出的"高性价比定价"：连 OpenAI 都开始拼成本，说明能力和单位成本已经成了同一场比赛。谷歌的做法更有代表性：Gemini agent 支持多模型路由，可以根据任务调用 Gemini 或 Claude。

前几天还在榜单上正面较量的对手，转眼成了自己开发的Agent下拉菜单里的一个选项。一旦模型可以被自由调度，模型之间的竞争就成了调度问题，话语权也随之转到掌握入口和任务的一方。

于是，模型层分成了两种生意。

一种卖顶尖能力，定价权来自持续领先；

另一种卖单位智能，拼的是每个 token 背后的结构性效率。

前一种生意的估值参照是智谱。摩根大通看好它，主要不是因为某一次刷榜，而是"GLM 5.2/5.3 的持续 SOTA 交付记录"，理由是"投资者更看重持续的尖端交付，而非一次性使用高峰"。10 月 6 日，GLM-5.3 上架 Bedrock 并按调用量分成，这套逻辑直接落到了现金流上。

后一种生意的估值参照是 DeepSeek 的结构性成本，Deepseek已经成为了AI 斩杀线的代名词——能力不够顶尖、成本又不够低的玩家夹在中间，会被两头挤压，甚至退出这场竞争。

第二场战争：入口层，亚马逊的封禁与谷歌的"数字同事"

如果说模型层的竞争还算克制，入口层已经短兵相接。

高盛在关于Agent的商业报告里，把这场竞争归结为一个问题：谁拥有消费者？

背景是 AI 的交互方式正在从"对话"走向"行动"。

购物已是 AI 的第三大应用场景，近一半的网购用户会用 AI 来发现商品。Meta 的 Muse、Spear Street 的 Instinct 这类行动型代理，正在把"帮你挑"变成"替你买"。

高盛测算，在渗透可能性较高的品类中，美国消费者有 2.6 万亿美元的支出可能被代理接管；渗透率只要达到 2%，就能拉动电商整体增速一个百分点。

随后，亚马逊禁止 Meta Muse 在其站内替用户购物。

这说明"发现权"是有主的。当代理替消费者做选择，谁能决定代理推荐哪家商家，谁就接过了搜索时代 Google 的位置。

高盛判断，广告预算不会消失，而会迁移到"面向 AI 的原生赞助推荐"和"影响代理推荐机制"这些新的收费点上。这和当年桌面互联网转向移动互联网时类似：最稀缺的位置，从搜索结果的第一名，变成了代理一次次替你选中的那一家。

高盛对支付层的判断同样反直觉：智能支付不会催生新协议，反而会巩固旧基础设施，Visa 和 Mastercard 凭借代币化、身份验证和反欺诈的网络效应占据优势。

摩根士丹利的消费级 AI 报告对中国市场说得更直接：这场竞赛"已不再是谁做出最好聊天机器人的竞赛，而是一场关于 AI 入口点的竞赛"。

在原生 AI 应用、应用内 AI 和操作系统级 AI 三条路线中，大摩押注应用内 AI，因为它可以复用现有流量、专有数据和闭环交易。报告对 Qwen 的判断是："离交易场景越近，或许就是其最核心的优势"。

在变现方式上，订阅制在中国很难成为主流收入来源，广告又受制于用户信任；如果代理能从"回答问题"走到"完成购买"，长期空间最大的会是交易佣金。

企业端的入口竞争，十月迎来了一个重量级玩家：谷歌 Gemini agent。

中信证券在速评中指出了它的几个特点：单一入口；用户下达的是"目标"而非指令；它能调度子智能体，执行数小时到数天的任务；它有独立账号、邮箱和日历，是一个"数字同事"。更关键的是商业模式的变化：它将推动企业客户从"席位订阅"转向"智能体任务消耗"。Gemini Enterprise 已覆盖近 90% 的财富 100 强企业，一旦这种转变铺开，算力消耗和调用量都会被重新定价。

这场竞争还有一个弱势的参与者：开放网络内容方。

a16z 准确预判：AI Agent正在向开放网络征收"隐形收益"。

Agent从靠广告养活的网站抓取数据来服务用户，却系统性地绕开了为内容付费的收入链条。内容方的反制手段，还没成气候，不排除内容方学会向Agent收费。

第三场战争：股票层，从"沾 AI"到"是 AI"

前两场竞争发生在产业里，第三场直接发生在投资者的持仓里。

摩根士丹利第六版全球 AI 股票图谱覆盖约 3600 家公司，核心策略是——"哑铃"。半导体和基础设施板块自本轮周期开始以来，已跑赢标普 500 指数 500 至 700 个百分点，大部分超额收益已经兑现；现在应增配"早期软件赋能者"和"AI 应用"。

有两个数字值得细看。第一，AI应用的中位数前瞻市盈率已回落到 18 倍，与 MSCI 全球指数持平，赋能者仍在 22 倍。也就是说，投资者可以用市场平均的价格，买到正处于盈利拐点的资产：过去两年，AI应用的 NTM 每股收益增长约 70%，跑赢大盘。第二，把 AI 视为投资逻辑核心的公司，表现比"AI 是重要因素"的公司高出 107%；AI 构成核心威胁的公司，则比中度颠覆者差约 161%。

107% 的差距意味着，"拥抱AI"已经不再有溢价。市场不再为资产负债表上的 GPU 数量买单，只为 AI 实际改变基本面的程度买单。这也解释了九月为何会出现板块调整与模型密集发布并行：被调整的不是 AI 产业，而是 AI 概念股里从未兑现的那部分估值。普涨行情结束了，优势股行情开始了。

利润长在最紧的环节上

把各家机构的报告放在一起看，还能看出一条更深的线索：发展瓶颈正在沿产业链向上迁移，利润池跟着瓶颈走。

2023–24 年，瓶颈是芯片，利润流向英伟达。2025–26 年，瓶颈变成了电力。

摩根士丹利测算，2026–28 年美国数据中心新增电力需求达 97GW，缺口 57GW；即便算上天然气、核能、比特币矿场改造等"时间到电"方案，2028 年仍净缺 33GW，相当于芯片需求的 34%。

在中国，摩根大通预计 AI 数据中心用电量未来五年年复合增长约 50%，2030 年将占全国总用电量的 5%。

硬件行情内部也随之换了主角：从光模块转向 AI 芯片电感、MLCC、储能与预制电源。其中，AI 芯片电感的全球市场规模 2025 年为 58 亿元，2030 年预计达到 270 亿元，五年扩大近五倍。

再往上一层，a16z 认为，制约 AI 公司的下一个瓶颈是"数据熵"。

企业 80% 的知识困在非结构化数据里，而数据的新鲜度、结构和真实性在不断衰减；谁能持续清洗、结构化并治理多模态数据，谁就"掌握着企业知识和流程王国的钥匙"。

高盛发布的人形机器人报告从另一个方向得出了相似结论：具身智能的瓶颈不在算力，而在真实世界的数据。机器人要在实际运行中采集数据、提升智能，形成"部署→数据→更聪明→更多部署"的飞轮。

算力本身则从反面印证了这一点。

摩根士丹利测算，数据中心利润率将从 Blackwell 代际的约 70% 提升到 Feynman 代际的约 90%。单看这组数字是利好，放在瓶颈迁移的框架里，含义却正好相反：算力边际价格开始下降，说明算力正在变成通缩性商品。吞吐量增长快于成本，单位智能越来越便宜，价值随之被挤向产业链上仍然紧绷的环节，先是电力，之后可能是数据。英伟达市值登顶，与电力和数据成为瓶颈，是同一件事的两面。

泡沫之争的另外一种解读

AI产业发展到现阶段一直存在热烈的关于“泡沫化”以及“泡沫何时破灭”的讨论。

常见的泡沫论把问题归结为"数字太大"：8.5 万亿元太多，60 倍太夸张。但资本开支的绝对规模从来不是泡沫的证据。铁路、电网和光纤的历史都说明，过度投资的问题不在于"建多了"，而在于变现模式没有跟上。

摩根士丹利判断："关键问题不在于花费了多少资本支出，而在于该项投资之上构建了怎样的变现模式。"

2026 年秋天真正发生的，正是一场变现模式的竞赛。

Agent商业在打通"从发现到购买"的最后一环；谷歌用 Gemini agent 把席位订阅改造成任务消耗；

智谱的 ARR 指引已上调至 30 亿美元，GLM-5.3 又接入了 AWS 分成；

高盛跟踪的 AI 视频公司，ARR 在半年多时间里从 5 亿美元向 8 亿美元迈进；

中国办公 Agent 以 40–50% 的年复合增速扩张付费席位；招聘市场也释放了信号：FDE（前置部署工程师）的需求一年增长 729%。

需求端最有力的证据，仍是约 60 倍的 token 消耗增长。消耗还在，需求就在；只是分配格局还没定，所以波动才这么大。

AI淘金热进入第二年，铲子依然好卖，但更精明的生意人已经开始在必经之路上设卡收费：卡组织收代理支付的过路费，应用内入口收交易的过路费，电感和电力收每一瓦的过路费。

AI 的钱没有变少，只是开始换主人：从修建基础设施的人手里，流向卡住瓶颈和握有分配权的人手里。至于该站在哪一边，摩根士丹利的报告中有句话很明确：不是"花了多少 capex"，而是"这笔投资之上，长出了怎样的变现模式"。