夜雨聆风最近跟朋友聊投资，几乎每次都绕不开一个话题：AI。
看好的人说，AI 是第四次工业革命，现在不买，以后只能追高。谨慎的人说，AI 估值已经炒到天上去了，2000 年的互联网泡沫就是前车之鉴。
两边说的都有道理，但也都失之偏颇。
AI 是未来，这个已经是明牌，不需要再论证。但 AI 板块内部差异巨大，有真正改变世界的公司，也有靠 PPT 圈钱的公司。混在一起说 "AI 有没有泡沫"，就像问 "互联网有没有泡沫"——2000 年互联网整体崩盘，但亚马逊、谷歌活下来了，之后涨了几百倍。
这篇文章，把 AI 板块拆开来看，告诉你哪里有机会，哪里有泡沫。
先把 AI 产业链拆开
很多人以为 AI 就是一个赛道，其实 AI 是一个庞大的产业链，从底层到上层，可以分成好几层。
第一层：基础设施层
包括芯片、算力、数据中心、电力设备。这一层是 "卖水" 的，不管 AI 应用能不能成功，只要 AI 在发展，这些东西就要买。
就像 19 世纪淘金热的时候，真正发财的不是淘金的人，而是卖铲子、卖牛仔裤、开旅馆的。
第二层：大模型层
训练和运行 AI 模型的公司。OpenAI、Anthropic、Google DeepMind、xAI 这些做基础大模型的公司，还有围绕大模型提供服务的 Midjourney、Runway 这类垂直模型公司。
这一层技术门槛极高，但商业模式还在验证中。
第三层：应用层
基于大模型开发的具体应用。ChatGPT 是应用，Notion AI 是应用，Cursor 是应用，Character.AI 也是应用。
这一层进入门槛低，但竞争极其激烈，淘汰率极高。
基础设施层：泡沫最小，确定性最高
先说结论：如果你想投 AI，但不知道怎么选，基础设施层是相对最安全的。
为什么？
因为这一层的逻辑最简单 —— 不管 AI 应用能不能成功，算力需求是客观存在的。就像不管哪家电商平台最终胜出，它们都需要服务器，都需要阿里云、AWS、微软 Azure。
AI 芯片：英伟达是明牌，但不止英伟达
英伟达占据 AI 芯片市场 80% 以上的份额，这是客观事实。他的 CUDA 生态护城河太深，其他芯片即使性能接近，切换成本也极高。
但 GPU 不止英伟达。AMD 在 GPU 市场的份额在提升，苹果自研芯片越来越强，Google 有 TPU，亚马逊有 Trainium 和 Inferentia，微软也在自研芯片。
更重要的是，芯片需要光刻机来生产。ASML 几乎垄断了 EUV 光刻机，这个环节比任何芯片公司都更安全。
电力基础设施：被忽视的隐形冠军
很多人忽略了一个问题：AI 训练和推理都需要消耗大量电力。
GPT-4 训练一次，耗电量相当于 1000 个家庭一年的用电量。数据中心越建越多，电网压力越来越大。
这意味着什么？
电力设备公司、电网改造公司、可再生能源公司，都会受益于 AI 带来的电力需求爆发。
美国现在数据中心用电量占全社会用电量的 4%，预计到 2030 年会增长到 10% 以上。这个增量，靠传统能源不够，必须靠新能源补充。
光伏、风电、储能、特高压电网 —— 这些都是 AI 时代的 "基础设施的基础设施"。
结论：基础设施层，确定性最高，泡沫最小。但估值也不便宜了，需要等回调。
大模型层：神仙打架，胜负未分
大模型是 AI 最核心的部分，但也是最难投资的。
底层模型公司：门槛极高，但商业模式还在验证
OpenAI 现在估值 800 多亿美元，但商业模式真的跑通了吗？
ChatGPT 有订阅收入，API 调用有收入，但这些收入够不够覆盖训练和推理的巨额成本，现在还没有定论。
更重要的是，OpenAI 的对手不是没有。Google 的 Gemini、Anthropic 的 Claude、xAI 的 Grok，还有开源的 Llama、Mistral，每个都在拼命追赶。
大模型的技术迭代速度太快了，每隔几个月就有新的突破。现在领先的，不代表三年后还领先。
垂直模型公司：机会与风险并存
相比通用大模型，垂直模型（专门处理某个领域问题的 AI）可能是更好的投资方向。
比如专门写代码的 Cursor、专门做设计的 Figma AI、专门做法律文书分析的 Harvey。
这些公司专注于某个细分场景，技术壁垒相对可控，商业化路径也更清晰。
但问题是，垂直模型的天花板可能没那么高。如果大模型能力越来越强，垂直模型的优势会不会被侵蚀？
应用层：最大的泡沫在这里
终于说到重点了。
很多人被 "AI 概念股" 骗钱，不是因为 AI 没有机会，而是因为买错了地方。应用层是 AI 泡沫最集中的区域。
为什么应用层泡沫最大？
核心原因是：门槛低、竞争烈、验证周期长。
做一个 AI 应用，技术上已经没有太大障碍了。一个程序员加一个大模型 API，几天就能上线一个 "AI 产品"。
但问题是：
能不能落地是第一个坎。很多 AI 应用的场景是想象出来的，不是真实需求。用户用了一次就不用了，留存率极低。
能不能商业化是第二个坎。能留住用户的应用，也不一定能赚钱。用户的付费意愿往往低于预期。
能不能壁垒是第三个坎。今天你有一个 AI 功能，明天竞争对手也能加同样的功能，你怎么留住用户？
这三个坎，每个都会淘汰掉 90% 的 AI 应用公司。
现在的 AI 应用市场，像极了 2015 年的 O2O
那年流行 "互联网思维"，什么都要跟手机挂钩。上门美甲、上门洗车、上门做饭，最后活下来的有几个？
现在的 AI 应用市场也一样。AI 写文案、AI 做 PPT、AI 生成视频、AI 做数据分析 —— 每个听起来都很美好，但真正能替代现有工作流程的，屈指可数。
怎么判断一个 AI 应用公司是不是 PPT 公司？
有几个简单的指标：
第一，看收入。有没有真实的订阅收入？收入在增长还是靠融资烧钱？
第二，看留存。用户用了一次之后，第二个月还在用的比例是多少？很多 AI 产品的月留存率低于 20%。
第三，看壁垒。这个公司有没有护城河？是技术壁垒、数据壁垒、还是先发优势壁垒？如果竞争对手 copy 你的产品需要多久？如果答案是 "很快"，那你没有壁垒。
第四，看管理层。创始人是真的懂技术和商业，还是只会讲故事？
那些只会讲 "我们是一家 AI 公司，用 AI 改变世界" 的故事，却没有具体产品、具体收入、具体用户的公司，99% 都是 PPT 公司。
具体的泡沫案例分析
说几个我知道的例子，不点名，但现象是真实存在的。
现象一：AI + 教育
很多教育公司说自己在做 AI 教育，号称能用 AI 个性化辅导学生。
但仔细看产品，就是把题库电子化，加了一个 "智能推荐" 的功能。这个功能传统教育公司十年前就有了，叫 "自适应学习系统"。
现在包装成 AI，就能估值翻倍？
教育是长周期行业，家长愿意为效果付钱，不是为概念付钱。真正有价值的 AI 教育产品，需要深度理解教学本身，而不是简单套一个 AI 的壳。
现象二：AI + 医疗
医疗 AI 的故事更好讲，因为医疗的痛点太明显了：医生不够用、误诊率高、医疗资源分布不均。
但医疗 AI 面临的监管挑战是其他行业没有的。一个 AI 诊断系统，需要经过漫长的临床验证才能上市，而这个验证过程可能需要三到五年。
很多公司等不到那一天。
而且医疗 AI 的容错率极低 —— 误诊一个病人，可能就是一条人命。这种高风险的应用，医院和患者的接受度都需要时间培养。
现象三：AI + 金融
金融是 AI 最被看好的应用场景之一，因为数据多、场景清晰、付费意愿强。
但金融 AI 的泡沫在于：很多所谓的 AI 风控、AI 投顾，其实就是传统统计模型的升级版，并没有真正的 "智能"。
真正有价值的金融 AI，是能处理非结构化数据（新闻、社交媒体、卫星图像）并从中提取信号的。但这类产品的开发难度极高，能做出来的公司很少。
投资建议：怎么在 AI 板块里选？
第一，优先配置基础设施层
算力芯片、电力设备、光模块 —— 这些是确定性最高的。
ETF 可以考虑 QQQ（纳斯达克 100，里面科技股占比高）或者专门的 AI 主题 ETF。
个股方面，英伟达是绕不开的，但估值已经不低了。AMD、台积电、光模块公司（Coherent、Lumentum）等相对低估。
第二，大模型层小仓位配置
这一层风险高、回报高，适合用 "买赛道" 的思路，配置多家公司。
可以关注有自研模型能力的大厂：微软（投资了 OpenAI）、Google（DeepMind 和 Gemini）、Meta（Llama 开源生态）。
纯大模型创业公司，除非能上市，否则普通投资者很难参与。
第三，应用层保持警惕
在应用层选股，要用比选传统股票更严格的标准：
有没有真实的收入和用户增长？ 毛利率是多少？能不能覆盖运营成本？ 竞争对手 copy 你需要多久？ 团队有没有相关行业经验？
如果一个 AI 应用公司什么都说不清楚，只会说 "我们有 AI 技术"，那就远离。
第四，用定投的方式参与
AI 板块波动极大，追高被套的概率很高。
如果你真的看好 AI，用定投的方式慢慢买，平滑成本，长期持有。
最后说几句
写这篇文章，不是要否定 AI 的机会，而是要提醒：机会和泡沫是并存的。
AI 是未来，这一点不需要怀疑。但 AI 板块里，有真正改变世界的公司，也有靠 PPT 圈钱的骗子。
把 AI 当做一个整体来判断有没有泡沫，是没有意义的。
真正有意义的做法是：深入理解 AI 产业链的各个环节，找到确定性最高的环节，在估值合理的时候介入。
就像 2000 年互联网泡沫破灭后，真正活下来的公司，都有一个共同点：它们解决了真实的问题，赚到了真实的钱。
AI 也一样。
