夜雨聆风
AI 会增长，但谁来支付账单？
Felix｜2026 年 5 月 30 日
AI 热潮走到现在，争论重点正在从产业叙事进入资产负债表。前一阶段，市场主要看模型能力、用户增长、算力需求和资本开支扩张预期；下一阶段，市场会更直接地检验现金流、折旧、利用率、融资期限、债务续接和资本回报。
AI 的未来可以成立，资本回报仍需单独证明。企业与个人会持续使用 AI，也会为 AI 付费；问题在于，今天这一轮高强度资本开支，能否在未来转化为足够稳定、足够高质量的现金流。一个行业可以改变世界，也可以让很多投资者亏钱；一项技术可以提高效率，也可以削弱一部分人的收入来源。真正需要追问的是谁能赚钱，谁承担折旧，谁背上债务，谁最后支付账单。
伯克希尔与软银提供了最清楚的对照。一边是现金纪律和资本配置制度，一边是用债务、资产抵押和未来上市窗口承接 AI 押注。两种资本配置共同说明，AI 牛市后半段的检验对象已经从想象力转向资产负债表。
伯克希尔与软银：同一个 AI 牛市里的两种资本配置
伯克希尔和软银并不直接竞争，但它们代表了同一轮 AI 牛市里的两种资本承接方式。
伯克希尔的核心价值在于一套资本配置制度。股东信长期教育股东，保险浮存金提供长期资金，低杠杆让公司在危机中保留行动能力，接近 4000 亿美元现金储备让公司可以等待价格纪律，买方信誉让伯克希尔成为许多私人企业愿意接受的买家。巴菲特退场对应资本配置时代的换挡，市场要验证这套制度能否脱离创始人继续运行。
软银提供的是另一端。软银预计到 10 月累计向 OpenAI 投资 650 亿美元，并承诺每年花 30 亿美元购买 OpenAI 产品；软银还计划收购 ABB 机器人业务和 DigitalBridge。用于 OpenAI 投资的 400 亿美元过桥贷款将于 2027 年 3 月到期，资金用途是 OpenAI 后续投资和一般公司用途，并且没有抵押品。这个组合说明，AI 热潮已经从估值故事推进到融资结构、债务期限和抵押品质量。
OpenAI 上市预期会改善软银处境。若 OpenAI 最早在 2026 年 9 月上市，且估值维持在约 8520 亿美元附近，软银押注的流动性窗口会明显打开。可是 IPO 是估值事件，最终回款还要看上市后股价、锁定期、二级市场承接、OpenAI 自身现金流，以及软银是否能把账面价值转化为融资能力。软银 2026 年一季度净利润增长主要来自 OpenAI 投资价值上升，Vision Fund 录得由 OpenAI 驱动的 3.1 万亿日元季度收益，软银称其 OpenAI 投资累计收益达到 450 亿美元；投资规模越大，市场对融资压力的关注也越强。
伯克希尔承受的是现金机会成本，软银承受的是债务续接压力。伯克希尔需要证明现金纪律在创始人退场后仍能成立，软银需要证明高杠杆 AI 押注能够通过上市、债券、抵押融资和资产变现完成滚续。两者都没有提前赢得结论，最终都要由现金流、资本成本和资产价格给出答案。
图：伯克希尔与软银代表两种资本承接方式
AI 会普及，但多数座位只能卖经济舱价格
飞机改变了世界，现代社会已经离不开航空出行，乘客也愿意为机票付钱。航空公司长期没有完整捕获航空出行的全部价值。需求很大，行业重要，资产很重，竞争激烈，座位有时效性，替代方式存在，价格不能无限上调。大多数人知道头等舱舒服，仍然坐经济舱；价格过高时，他们会选火车、汽车、减少出行，或者干脆不出行。
AI 的商业化也会面对价格分层。资本市场当前给 AI 的估值和资本开支，隐含了很高的未来使用强度和付费水平。一个技术被广泛使用，未必对应高单价。航空出行普及以后，经济舱成为主体；互联网普及以后，很多服务依靠广告、免费、低价订阅和增值服务变现；个人电脑普及以后，硬件价格长期下降。AI 未来也可能进入类似路径：少数企业、开发者、金融、法律、软件工程、科研用户支付高价，大多数个人和中小企业使用低价版、免费版、旧模型、开源模型或嵌入式功能。
AI 的普及本身没有风险，低价普及会压缩资本回报。如果一家企业投入的是“头等舱式”的资本开支：最贵的 GPU、最大的数据中心、最强的模型团队、最昂贵的电力和网络资源；最终大部分需求按“经济舱价格”付费，资本回报会被压缩。AI 的需求增长并不足以证明投资正确，算力价格、利用率、电力成本、折旧速度、研发投入和融资成本共同决定投资回报。
OpenAI 和 Meta 需要放在不同的商业模型里理解。OpenAI 的核心问题是直接付费天花板。它更接近向个人用户、开发者、企业席位和 API 客户收费，因此 20 美元、100 美元甚至更高价格都有讨论空间。每月 20 美元对应大众高频用户；每月 100 美元对应专业用户、开发者、研究人员、金融、法律、内容生产和软件工程等高强度场景；每月 500 美元只能对应企业级、团队级或深度工作流，很难成为大众价格。OpenAI 的难题集中在高强度使用者数量、企业预算、API 价格和模型成本下降速度，这些变量决定它的估值和资本开支能否被现金流支撑。
Meta 的问题不同。Meta 的 AI 投资很难只靠消费者订阅回收。它的基本盘是 Facebook、Instagram、WhatsApp、Threads 这类大众平台，用户习惯是免费使用，商业闭环主要来自广告、推荐效率、商业消息、商家工具和平台变现率。它真正的回收路径大概率来自广告效率、商业消息、平台交易、企业工具、内容推荐、AI 助手和可能的外部算力出租。
Meta 拥有超过 35 亿日活用户，这给它提供了庞大分发能力。可广告收入最终来自广告主相信消费者还有能力购买商品和服务。AI 可以提升匹配效率、创意效率和转化效率，不能凭空创造消费者收入。
AI 可以让广告更懂消费者，但不能替消费者付账。
图：OpenAI 与 Meta 的商业回收路径不同
AI 进步越快，旧算力折旧越快
航空业说明“不可或缺不等于高资本回报”，AI 还多一层技术折旧风险。飞机可以使用二十年，铁路、厂房、电网、码头可以长期摊销。AI 芯片、服务器、网络设备的物理寿命可能有几年，经济寿命却取决于下一代技术的速度。
AI 资本开支最大的风险，可能是 AI 进步太快。芯片没有坏，服务器仍然可以运行，但如果下一代芯片、模型架构、推理效率、内存、互联和软件栈把单位 token 成本大幅压低，上一代芯片就会失去原有定价能力。这种贬值来自新的技术价格体系对旧资产的提前重估。
Nvidia 的 Rubin 平台给了一个直接例子。Nvidia 在 2026 年 1 月发布 Rubin 平台，称通过硬件和软件协同设计，相比 Blackwell 平台，推理 token 成本最高可降低 10 倍，训练 MoE 模型所需 GPU 数量可减少 4 倍；黄仁勋还提到 Nvidia 以年度节奏交付新一代 AI 超算。这类进步对用户、应用和领先平台是好事，对上一轮以高价购买旧硬件、签下长期电力合同、借钱扩张的数据中心和云服务商，是折旧压力。
Amazon 年报披露的资产寿命差异，也反映了这一期限错配。AI 资本开支需要提前为土地、电力、建筑、芯片、服务器和网络设备支付现金，通常在开始向客户收费前 6 到 24 个月就要投入；数据中心资产寿命可以超过 30 年，芯片、服务器和网络设备则只有 5 到 6 年。建筑和电力合同是长期资产，最贵的计算设备是短周期资产，融资期限可能介于两者之间，客户需求和模型价格又会随技术变化重新定价。
AI 数据中心的投资问题可以写成一个公式：算力价格乘以利用率，必须覆盖 GPU 折旧、电力、冷却、土地、机房、网络、运维、研发、融资成本和下一轮升级投入。利用率足够高，固定成本可以被摊薄；使用者越多，单位成本越低。可是价格也可能下降。所有公司同时建设数据中心，算力供给增长很快，模型 API、云算力和企业 AI 服务就会出现价格竞争。技术进步越快，旧硬件的单位成本越容易被新硬件打穿。需求增长要同时跑赢供给扩张和经济折旧，资本回报才成立。
个人电脑历史提供了直接参照。1983 年我第一次接触苹果电脑时，它还是很稀奇的事物；1993 年组装第一台个人电脑时，配件价格仍然昂贵；后来这些设备很快变成低价值旧物。即使当时它们仍然可以开机运行，也很难在新的技术价格体系里继续产生原来的价值。AI 芯片也会面对类似命运。今天最先进的 GPU，几年后可能仍能运行，却只能以更低价格服务低价值任务。对于用户，这是技术进步；对于资产持有人，这是折旧和重估。
图：AI 数据中心投资中的期限错配
历史级资本开支与硬件周期
数据中心投资规模已经大到不能用普通互联网产品扩张解释。McKinsey 估算，到 2030 年，为满足全球 AI 算力需求，相关数据中心投资可能需要 5.2 万亿美元；在需求更强的情景下，未来五年新增 AI 相关数据中心容量可能需要 7.9 万亿美元资本开支。美国四大科技公司 2026 年 AI 支出预计超过 7000 亿美元，高于此前约 6000 亿美元预期。也有报道预计，AI 相关资本开支今年约 8000 亿美元，2027 年可能达到 1.12 万亿美元；PIMCO 分析师估计，超大规模云厂商未来两年资本开支将吸收 94% 的经营现金流，而 2023 年这一比例为 40%；大科技公司今年新增债务发行已经约 1350 亿美元。
能源压力也已经出现。IEA 2026 年 4 月的分析称，2025 年数据中心用电需求增长 17%，AI 专用数据中心增长更快。全球数据中心用电到 2030 年预计将翻倍至约 945 TWh，占全球用电接近 3%；加速服务器用电主要受 AI 采用推动，预计年增长约 30%。
这些数据说明，AI 已经从软件叙事进入物理世界：土地、电力、变压器、冷却、网络、服务器、芯片、债券、租赁、折旧、合同期限。互联网初期也曾有类似现象。光纤、机房、网络设备和电信资本开支在需求真实存在的情况下依然造成周期过剩。互联网后来确实改变世界，很多承接上一轮基础设施扩张的资本并没有获得良好回报。1990 年代末期过度竞争和大规模投资最终造成光纤过剩；即使互联网使用后来持续爆发，短期过量资本开支仍然留下了损失。
一项技术改变世界，与某一轮资本开支赚钱，是两件事。航空业、个人电脑、互联网光纤、半导体周期都说明了这一点。用户最终获得了更便宜、更好、更普及的服务；投资者未必在每一轮扩张中获得超额回报。
AI 产业链公司现在估值高，许多公司也确实在赚钱。这里面有真实技术壁垒：GPU、先进制程、先进封装、HBM、网络、软件生态、云平台、电力资源、客户关系、模型分发渠道。领先公司拥有真实护城河。高利润里也有周期租金：短缺、客户抢货、资本开支前置、竞争者暂时追不上。AI 硬件链现在赚到的钱，既有真实壁垒，也有短缺期租金。投资风险在于把短缺期租金定价成永久垄断利润。
半导体本来就是资本周期行业。价格上涨带来扩产，扩产改变供需，供需改变价格，价格下降重估库存、产能和资本回报。AI 会提高技术门槛，也会放大资本投入。技术领先企业为了维持领先，必须持续研发、更新设备、建设产能、扩张封装、采购电力和迭代软件。护城河需要不断用资本开支维护。当技术迭代速度超过资本回收速度，护城河会变成折旧压力。公司必须把上一轮赚到的钱投入下一轮，否则技术领先被削弱；如果每一轮都必须大规模再投资，利润表强劲也可能无法自由转化为股东现金流。
短缺期利润不等于永久利润，技术壁垒可以抬高周期高点，未必消除周期本身。
蒸汽机扩张了工业社会，AI 首先压缩认知岗位
蒸汽机和 AI 都属于通用技术，但二者对经济系统的贡献层级并不相同。蒸汽机改变的是能源利用方式和物质生产体系。它推动工厂、矿山、铁路、航运、城市建设和全球贸易扩张，让人类第一次大规模摆脱自然动力和人畜体力的限制。它替代了一部分体力劳动，也创造了更大的工业体系，把大量人口吸收到工厂、铁路、机械维修、矿山、港口、仓储、工程和城市服务之中。
AI 的现实作用更集中在认知劳动自动化。它进入客服、编程、设计、翻译、法律、金融、广告、内容、管理、教育、运营、研究助理、财务和后台分析。它可以让企业用更少的人完成更多工作，压低客服成本、代码成本、内容成本、分析成本和管理层级。技术难度很高，产业影响也会很大，但它目前最直接的商业价值，仍然是替代一部分人的脑力劳动。
这决定了 AI 与蒸汽机的社会后果存在差异。蒸汽机扩大了物质生产和工业就业，AI 则更容易先表现为企业降本和岗位压缩。企业层面看，这是效率提升和利润率改善；社会层面看，如果被替代的是现代中产阶级赖以维持收入的认知岗位，劳动收入、职业安全感和消费能力都会受到压力。
这种压力未必马上体现在失业率里。中产群体往往有积蓄、股票、房产、遣散费和家庭收入，消费能力不会立刻消失。但资产会被逐步消耗，就业质量会下降，工资增长会被压制，家庭对教育、旅游、汽车、房产和金融产品的支出会变得更谨慎。AI 能提高企业效率，却不能自动扩大社会购买力；它替代的人越多，收入分配问题就越早进入商业闭环。
这一压力已经超出传统低技能岗位替代的范畴。AI 进入的是办公室、专业服务、软件、内容、金融、法律、客服和后台分析等认知型岗位。它未必马上推高失业率，却会改变招聘入口、岗位数量、薪资议价和职业安全感。对资本市场而言，这比单纯的岗位替代更重要：如果 AI 提高企业效率的同时压低中产收入预期，广告、电商、教育、旅游、汽车、金融产品和房地产需求都会逐步受到影响。
就业结构压力与收入悖论
截至 2026 年 4 月，美国劳动力市场表面仍然稳定。BLS 数据显示，4 月非农就业增加 11.5 万人，失业率维持在 4.3%，失业人数为 740 万；长期失业者为 180 万，占全部失业者 25.3%；因经济原因被迫兼职的人增加到 490 万。总量就业仍有韧性，但就业质量和行业结构已经出现压力。医疗、运输、仓储、零售仍在吸收就业；信息、科技、媒体、软件、后台和管理岗位承压。被裁掉的产品经理、软件工程师、客服主管、财务分析师、文案、运营、研究员，无法无缝转成护士、仓库员工、电工、数据中心运维或半导体工程师。
美国雇主 4 月宣布裁员较 3 月增加 38%；技术行业 2026 年前四个月累计裁员同比增加 33%。AI 连续第二个月成为裁员原因第一位，4 月相关岗位占总裁员计划 26%；截至 4 月，AI 原因占 2026 年全部裁员计划约 16%。科技公司继续宣布大规模裁员，并经常引用 AI 支出和创新；即使具体岗位是否被 AI 直接替代还有争议，岗位预算正在被转向 AI。
Intuit 计划裁减约 17% 全球岗位以简化组织并聚焦包括 AI 在内的关键方向。Amazon 2026 年 1 月确认裁减 16,000 个公司岗位，自 2025 年 10 月以来累计裁减约 30,000 个岗位，相关调整发生在疫情后过度招聘、组织重构以及 AI 和自动化扩张背景下。Microsoft 也被报道计划推出公司 51 年历史上第一次自愿员工买断计划。
被裁人员的去向更能说明结构压力。一部分人会再就业，但薪资、职级、股权和稳定性下降。一部分人会进入合同工、咨询、自雇、外包或更低薪岗位。一部分人会暂时退出劳动力市场，靠遣散费、积蓄、股票和家庭收入支撑。一部分人会试图转向 AI 相关岗位，但 AI 训练、数据治理、模型评测、AI 安全、企业集成、数据中心、电力和半导体岗位不能一比一吸收原来的办公室白领。还有一部分人会变成低质量就业，失业率看不出来，消费信心和收入预期会慢慢反映出来。
AI 对劳动市场的影响可能分为三步。第一步是裁员，企业直接用 AI、自动化和组织扁平化降低岗位数量。第二步是减少初级岗位，AI 先替代初级程序员、分析师、客服、文案、研究助理、法务助理和运营助理，从而切断职业入口。没有初级岗位，就没有未来的中级和高级岗位。第三步是压低老员工议价能力。公司可以说 AI 已经提高每个人效率，所以团队不需要那么多人，也不需要那么快涨薪。岗位还在，工资曲线变平，员工谈判权下降。
AI 对劳动市场的影响并不只表现为裁员，也会表现为上游利润分配压力。Samsung Electronics 工会工人 2026 年 5 月通过一项奖金协议，避免了大规模罢工；超过 62,000 名投票工人中 74% 支持协议，计划中的 18 天罢工被避免，部分内存芯片工人将因 AI 热潮推动的利润获得很高奖金。企业希望控制成本，员工希望分享利润，股东希望高回报。AI 带来的超额利润并不会自动安静地流向资本，它会进入劳资谈判、奖金制度、罢工风险和社会分配冲突。
AI 最强的企业价值来自降本增效。它可以让一个人完成过去几个人的工作，可以让客服、代码、内容、创意、审核、文档、分析、翻译、检索、会议记录和流程处理成本下降。企业自然愿意购买这样的工具。老板希望降本，股东希望利润率提升，资本市场奖励效率故事。
工资既是单个企业的成本项，也是全社会的购买力来源。单个企业减少人力成本，利润上升。许多企业同时减少人力成本，社会工资收入下降。单个公司压低老员工涨薪，是成本管理。大量公司压低工资增长，是消费能力下降。AI 在企业利润表上越有效，越可能在宏观需求表上形成压力。
收入悖论由此产生：企业购买 AI，AI 替代人工，企业利润率上升，员工岗位和工资承压，消费能力下降，广告、电商、娱乐、旅游、教育、金融、房地产和汽车需求承压，企业收入增长放缓，AI 投资回报承压。
这条路径并非确定命运。生产率技术也可以走另一条路径：AI 提高生产率，商品和服务降价，新需求扩大，新岗位出现，劳动者收入恢复或提高，消费扩大，企业现金流增长，AI 资本开支得到回收。现在的问题是，哪条路径会占主导。市场给 AI 的估值和资本开支已经提前假设第二条路径能够顺利形成；劳动市场和收入分配却已经开始显现第一条路径的早期信号。
Meta 是这条收入悖论的典型公司。它可以用 AI 提高广告效率，用 AI 做内容推荐，用 AI 帮商家生成广告，用 AI 做企业客服和商业消息。可是 Meta 的核心现金流来自广告。广告最终依赖消费者有钱购买商品和服务。AI 可以提高转化率，不能替消费者创造收入。若 AI 让广告更精准地找到一个支付能力下降的人，广告主的投资回报率仍然受限。
所以 Meta 通过 AI 回收资本开支，不能只看订阅收入，也不能只看模型能力。它要看广告主预算、消费信心、用户收入、商业消息收入、购物转化、平台交易、企业工具，以及是否能把 AI 算力外部化。Meta 在 2026 年 4 月完成 250 亿美元债券发行，用于支持扩大的 AI 基础设施投资；这发生在公司把 2026 年资本开支预测提高到 1250 亿至 1450 亿美元之后。Meta 已经不只是用经营现金流做技术投入，它正在让债务市场参与 AI 资本开支。
AI 叙事最后都会进入资产负债表。Meta 资产负债表足够强，所以市场暂时能接受它举债投资 AI。软银杠杆更高，所以市场会盯着 OpenAI 上市、Arm 股价和债务续接。伯克希尔现金最多，所以市场会质疑它是否错过上涨。三者都在回答同一个问题：未来市场变化能否解释今天的资本配置。
价格、折旧、融资、收入：AI 后半场的四道关口
AI 后半场面临四道关口。
价格关口。AI 会普及，但多数用户未必支付高价。高频专业用户、企业客户、开发者可以支付高价，普通用户大概率使用免费、低价、旧模型、开源模型或嵌入功能。资本市场若用“人人都用 AI”推导“人人按高价付费”，会错估收入。
折旧关口。AI 进步越快，上一轮算力资产越容易提前经济折旧。GPU、服务器、网络设备、模型架构没有坏，也可能在新一代技术出现后不再具备原有定价能力。数据中心建筑、电力接入、土地和网络可以长期存在，最贵的计算设备可能只有几年的经济寿命。
融资关口。AI 资本开支已经大到需要债券、贷款、租赁、外部数据中心、供应商融资和未来上市窗口共同承接。软银的 400 亿美元过桥贷款和 Meta 的 250 亿美元债券发行说明，AI 热潮已经进入信用市场。OpenAI 上市可以改善融资窗口，但公开市场也会要求收入、利润、资本开支和现金流解释估值。
收入关口。AI 如果主要通过替代人工变现，企业微观利润会改善，社会宏观购买力可能受压。被裁掉或降薪的中产阶级不会马上停止消费，但会逐渐消耗储蓄、降低风险偏好、减少大额支出。AI 服务、广告、电商、旅游、娱乐、教育和金融产品最终都需要真实购买力。
四道关口合在一起，决定 AI 后半场的资本回报。AI 会被使用，问题在于使用价格够不够高，资产折旧够不够慢，融资期限够不够长，社会收入够不够支撑终端需求。
图：AI 后半场的四道关口
巴菲特方法在这里的意义
巴菲特方法在这里提供的是一条资本配置方法论。从巴菲特方法看，投资中最危险的部分常常来自旧数据无法覆盖的新供给、新技术、新竞争、新监管和新分配冲突。价值投资真正挑战 AI 的地方，在于拒绝用旧数据外推未来。AI 提高信息处理效率，却没有取消投资中的未知未知。
AI 越强，市场越容易相信未来可以被数据、模型和趋势线捕捉。AI 资本开支现在看起来由真实需求支持，未来也可能确实改变世界；资本回报仍然要经过价格、折旧、融资和收入四道关口。
巴菲特的意义集中在资本纪律和安全边际。未来无法被完全预测，资本配置必须保留应对错误的空间。伯克希尔现金纪律的价值，正是在市场把未来折现得过于顺滑时提醒投资者：周期、价格、杠杆、折旧和人性从来没有消失。
巴菲特方法同样有代价。现金多会拖累收益，规模大削弱超额回报，Greg Abel 接班后也要面对股东对分红、回购、并购和组织拆分的压力。资本纪律有机会成本，资本冒险有债务风险。资本回报能否被现金流解释，才是这两类选择最终接受检验的地方。
现金流重新决定赢家
AI 的未来未必有问题，承压的是资本市场对 AI 回报周期的定价。当前估值同时押注了几个前提：用户愿意持续高价付费，数据中心能够长期保持高利用率，芯片和服务器不会过快经济折旧，债务与融资窗口可以持续滚续，企业降本不会反过来削弱社会购买力。
这些前提不需要全部失效。只要其中一两项被打破，AI 产业链就会从整体上涨进入强烈分化。
AI 的技术方向仍然成立，但市场定价会从想象力回到资产负债表。下一阶段，真正决定估值排序的，将是现金流、折旧压力、融资能力和投入资本回报率。
免责声明
以上内容仅为个人研究和市场观察，不构成任何投资建议。文中涉及公司、行业及市场判断，均可能因宏观环境、技术进展、监管政策、企业经营和资本市场变化而发生调整。投资者应独立判断，并自行承担决策风险。
