夜雨聆风引言：两场风暴，一个问号
2026年7月的第一周，全球资本市场经历了一场由AI引发的剧烈震荡。
7月2日，一则消息从美国硅谷传出——Meta计划将部分富余AI算力对外出售，以探索云计算业务的新商业模式。这本是一个寻常的商业决策，却在全球半导体和科技股市场引发了"蝴蝶效应"：费城半导体指数连续两日下挫，英伟达股价单周回调超过7%，AMD、博通等芯片巨头股价纷纷回落。A股科技板块同样受到波及，多只AI概念股出现显著下跌。
仅仅几天之后，更大的冲击波袭来——美国部分州宣布暂停大型AI算力中心和数据中心建设的禁令。这一政策信号被市场解读为：美国对AI基础设施的无序扩张开始踩刹车。
一时间，"AI泡沫即将破裂"的声音再次甚嚣尘上。
关于AI泡沫是否会破裂的问题，其实并不是什么新鲜话题。自2023年ChatGPT引爆全球AI投资热潮以来，每隔一段时间，这个问题就会像幽灵一样在市场上浮现。红杉资本（Sequoia Capital）在2024年曾发出警告：AI产业的资本支出与实际收入之间存在高达600亿美元的"收入缺口"。高盛（Goldman Sachs）在2025年初的报告中指出，全球AI基础设施投资正在以史无前例的速度增长，但商业化回报的不确定性也在同步上升。
那AI泡沫到底会不会破裂？
要回答这个问题，我们不能简单地给出"会"或"不会"的结论。我们必须首先厘清几个关键概念：什么是泡沫？AI泡沫指的是什么？是产业泡沫还是估值泡沫？然后，我们需要回到产业逻辑，用数据和事实来回答一个核心问题——短期内，AI投资所产生的收入，能不能覆盖AI的投资成本？
第一章：什么是AI泡沫？——一个必须厘清的概念
1.1 泡沫的本质
任何产业在其发展初期都可能有泡沫。回顾历史，19世纪的铁路泡沫、2000年的互联网泡沫、2007年的次贷泡沫……每一次泡沫都遵循着相似的逻辑。
泡沫的本质，是投资远远超过了市场的实际需求，或者超过了预期投资回报所能支撑的水平。 具体而言，就是在一定时间内，市场需求所带来的收入无法满足投资成本，形成了巨大的"投入-产出缺口"。
以2000年互联网泡沫为例：1995年至2000年间，全球互联网公司累计融资超过1万亿美元，但到2000年时，全球互联网广告和电商收入合计不到1000亿美元。投资与收入之间存在数量级的差距，泡沫必然破裂。
1.2 两种不同的"AI泡沫"
当前市场上讨论的"AI泡沫"，实际上混淆了两个不同层面的概念：
第一种：AI产业泡沫。 即AI产业本身的资本开支和投入，与其未来预期带来的经济效益或投资回报之间是否存在较大差距。这是一个产业层面的问题，关注的是"钱花出去能不能赚回来"。
第二种：股市估值泡沫。 即股票市场中以AI技术驱动的公司估值过高，市值远远超过了其基本面所能支撑的水平。这是一个金融市场层面的问题，关注的是"股票贵不贵"。
这两者既有相同点，也有不同点。产业泡沫是估值泡沫的基础——如果产业本身无法产生足够的利润，那么建立在高增长预期之上的估值就会坍塌。但估值泡沫还可能受到货币流动性的影响：美联储加息、全球货币收紧，都会导致资金从高风险资产中撤出，加速估值泡沫的破裂。
本文核心讨论的是AI产业泡沫的问题。 因为如果产业泡沫不存在或可控，那么估值泡沫即便短期调整，也有回归基本面的基础。
第二章：长期来看，AI不存在泡沫
在讨论短期泡沫之前，我们必须先确立一个基本判断：从长期来看，AI不存在泡沫。
2.1 中美双雄：全球AI产业链的两大支柱
在全世界范围内，只有中美两国建立起了相对完善的AI产业链。但两国的竞争优势有所不同：
中国的优势在于基础设施、产业链以及性价比。中国拥有全球最完整的电子制造供应链，从芯片封装测试到服务器组装，从光纤网络到数据中心建设，中国能够在极短时间内以极低成本完成大规模基础设施建设。此外，中国在AI应用层面拥有庞大的市场——14亿人口、全球第二大经济体、数以千万计的企业数字化转型需求，为AI应用提供了广阔的落地场景。
美国的优势在于AI芯片以及基础模型。英伟达（NVIDIA）在GPU领域占据全球80%以上的市场份额，其H100、B200等芯片是当前训练大模型的"硬通货"。在基础模型方面，OpenAI的GPT系列、Anthropic的Claude系列、Google的Gemini系列，代表了全球AI能力的最高水平。
但一个重要的趋势是：AI发展到今天这个地步，基础模型之间的差距已经越来越小了。 2026年上半年，智谱GLM-5.2和Anthropic Claude Opus 4.5的相继发布，标志着大模型能力已经进入了一个新的平台期。各大模型在推理能力、代码生成、多模态理解等方面的表现日趋接近，"模型能力"本身正在从稀缺资源变成基础设施。
2.2 AI的能力已被充分验证
AI的能力已经被充分验证，其具有赋能千行百业的强大优势。从医疗诊断到药物研发，从金融风控到智能制造，从法律咨询到教育个性化，AI的应用场景几乎覆盖了所有知识密集型行业。
麦肯锡全球研究院在2025年的报告中估计，生成式AI每年可以为全球经济增加2.6万亿至4.4万亿美元的产值，相当于为全球GDP增长贡献1.5至2个百分点。
2.3 长期视角下的投入产出
据高盛（Goldman Sachs）在2025年发布的重磅研究报告预测，到2030年，全球AI产业规模将达到15-20万亿美元（直接产值），如果计入AI赋能的间接经济价值，总影响将超过50万亿美元。
相比之下，当前全球AI固定资产投资——包括数据中心建设、芯片采购、算力基础设施建设——累计不到2万亿美金。
这意味着，从长期来看，AI的投入远远小于AI产业未来发展所带来的收入。长期来看，AI不存在泡沫。
第三章：短期AI泡沫——真正的问题所在
但是，这个问题在短期来看，却不一定如此。
3.1 过去两年的投资狂潮
我们讨论的AI产业泡沫，是指短期内的AI泡沫——也就是过去一两年内AI产业投资的急剧膨胀，与该笔投资未来三五年内所要求的投资回报之间是否相当。
让我们看看数据：
全球科技巨头的AI资本支出（CapEx）正在以史无前例的速度增长：
仅上述五家美国科技巨头，2025年的资本支出合计就超过3000亿美元。如果加上全球其他科技公司和主权基金的投入，2025年全球AI基础设施投资总额预计将超过5000亿美元。
3.2 收入在哪里？
与天文数字般的投资相比，AI产业的直接收入仍然相形见绌。
据红杉资本（Sequoia Capital）在2024年发布的引发广泛讨论的报告《AI的6000亿美元问题》（"AI's $600B Question"），全球AI产业的年度资本支出约为3000-4000亿美元，但AI应用产生的直接年收入仅为约300-400亿美元。投资与收入之间存在近10倍的缺口。
红杉资本合伙人萨姆·阿尔特曼（Sam Altman）也曾公开表示："AI行业需要找到足够多的应用场景来证明数千亿美元的基础设施投资是值得的，否则我们将面临一个巨大的泡沫。"
3.3 泡沫破裂的传导机制
如果未来三五年内AI投资不能迅速地转化成有效的利润，那么：
这就是短期AI泡沫可能破裂的传导机制。
第四章：决定AI收入增长的两大关键因素
所以，要回答"AI泡沫会不会破裂"这个问题，我们不能简单地看"AI短期是否资本开支高速扩张"，而要看：短期内（也就是未来三五年内），AI投资的回报能不能够有大幅度的增长。
因为相比于未来50万亿美金的产业收入，AI当前不到2万亿美金的固定资产投资依然属于小case。关键问题是：未来三五年内，AI的收入能不能够大幅度增长？
要回答这个问题，我们认为取决于两个因素：
4.1 因素一：大模型能力持续增强——几乎确定
从目前技术演进的路径来看，这几乎是确定的。
大模型的能力在不断增加。从GPT-3到GPT-4，从Claude 3到Claude Opus 4.5，从文心一言到GLM-5.2，模型的能力在推理、编程、多模态理解、长文本处理等方面持续突破。
从某种意义上讲，数字AGI（Artificial General Intelligence）已经到来了。
2026年上半年发布的GLM-5.2和Claude Opus 4.5，在多项基准测试中已经接近或达到了人类专家水平。AI已经能够：
大模型能力的持续增强，意味着AI能够覆盖的应用场景会越来越广，能够创造的经济价值会越来越大。这个趋势几乎是不可逆的。
那么，就剩下第二个问题——也是真正关键的问题。
4.2 因素二：使用成本快速降低——核心瓶颈
当前制约AI创造更广大收入的唯一原因就是：太贵了。
这不是一个抽象的判断，而是有大量案例支撑的事实。
案例一：微软的天价Token账单
据多家媒体报道，微软内部在大规模使用OpenAI模型的过程中，发现每个月的AI token支出费用达到了惊人的5亿美金。这一数字远远超出了微软管理层的预期。为此，微软不得不设定了AI使用的上限金额，并对内部各部门的AI使用进行了严格的预算管控。
微软的情况并非个例。据Gartner在2025年的调查，超过60%的企业在部署AI应用后发现，实际的AI使用成本比预期高出2-5倍。许多企业不得不重新评估AI投入的ROI（投资回报率），甚至暂停或缩减AI项目。
案例二：企业转向更便宜的模型
越来越多的公司开始从前沿模型（如GPT-4、Claude Opus）转向非前沿的、更便宜的模型（如GPT-4o-mini、Claude Haiku），甚至转向开源模型（如Llama、Qwen）。这种"降级"趋势反映了企业对AI成本的高度敏感。
据OpenRouter平台的数据，2025年下半年，低价模型的使用量增长了400%以上，而高端模型的使用量增速明显放缓。
案例三：AI创业公司的成本困境
许多AI创业公司面临着"收入无法覆盖推理成本"的困境。据a16z（Andreessen Horowitz）的调查，超过70%的AI创业公司的毛利率低于50%，部分公司的毛利率甚至为负——也就是说，每服务一个用户，公司就在亏钱。
因此，能不能解决AI使用成本过高的问题，成为回答"AI泡沫会不会破裂"这个问题的关键。
第五章：成本过高的根源——算力紧缺
而导致AI成本过高的原因，归根结底是算力紧缺。
算力的背后是GPU芯片、数据中心、电力供应和冷却系统。当全球对AI算力的需求以每年200-300%的速度增长时，供给端的扩张速度远远跟不上。
但导致中美两国算力紧缺的侧重点又不一样：
5.1 中国的瓶颈：高端芯片产能
中国更多是因为高端芯片的产能跟不上。
在美国持续升级的芯片出口管制下，中国无法获得英伟达最先进的AI芯片（如H100、B200等）。虽然中国已经通过国产替代方案（华为昇腾910B/910C、寒武纪思元590等）在一定程度上缓解了"有无"的问题，但在产能和性能上仍有差距。
但这是一个可以解决的问题。 中国已经事实上解决了AI芯片技术上的"从0到1"的问题。华为昇腾系列芯片已经能够支撑千亿参数大模型的训练和推理。以中国强大的工业能力和完善的供应链体系，解决产能不足的问题——即"从1到100"的问题——并不难。
事实上，中国正在以惊人的速度扩大国产AI芯片的产能。据行业估算，华为昇腾芯片的月产能已经从2024年初的不到5万片提升至2025年底的超过20万片。虽然与英伟达年产数百万片的规模相比仍有差距，但增长曲线是陡峭的。
更重要的是，中国在半导体制造领域的投资规模全球最大。2025年中国半导体行业的资本支出预计超过600亿美元，这种规模的投入足以在2-3年内实现AI芯片的自给自足。
5.2 美国的瓶颈：电力和基础设施
美国更多是因为电力、用地等基础设施跟不上。
这是一个被严重低估的问题。大多数人在讨论AI竞争时，关注的是芯片、算法、人才，但真正制约美国AI基础设施扩张的，可能是最"古老"的因素——电。
数据中心的电力饥渴
一个大型AI数据中心的耗电量可以达到1-5吉瓦（GW），相当于一座中小城市的用电量。据国际能源署（IEA）的数据，2024年全球数据中心的用电量约为460太瓦时（TWh），占全球总用电量的约2%。预计到2030年，这一数字将增长至800-1050 TWh，占全球用电量的3-4%。
而在美国，数据中心的电力消耗增长更为惊人。据美国能源部（DOE）的数据，2024年美国数据中心的用电量约为176 TWh，占美国总用电量的约4.4%。根据劳伦斯伯克利国家实验室（Lawrence Berkeley National Laboratory）的预测，到2028年，美国数据中心的用电量将飙升至320-580 TWh，占美国总用电量的6-9%。到2030年，这一比例可能达到12%。
这意味着，仅AI数据中心一项，就可能消耗美国十分之一以上的电力。
电网的瓶颈
美国电网是世界上最大、最复杂的机器，但也是最老旧的之一。美国大部分电网基础设施建于上世纪60-70年代，设计寿命为50年。许多输电线路已经超期服役，容量不足、老化严重。
要满足AI数据中心的电力需求，美国需要大规模扩建电网——建设新的发电厂（尤其是清洁能源）、铺设新的输电线路、升级变电站和配电设施。据美国电力研究院（EPRI）估算，仅电网升级一项就需要超过1万亿美元的投资——而这还不包括新建发电站的成本。
但这恰恰是美国最大的短板。
基建困境：加州高铁的教训
过去20多年的实践已经证明，美国在基础设施的建设能力和决策效率方面是相对落后的。
最典型的案例就是加州高速铁路（California High-Speed Rail）。这个项目于2008年获批，最初预算为330亿美元，计划2029年全线通车。但截至2026年，项目预算已飙升至超过1000亿美元，工期一再推迟，部分路段甚至被取消。从立项到现在已经18年，加州高铁仍未建成一条完整的运营线路。
这个案例充分暴露了美国基础设施建设的系统性问题：
在美国建设一条新的输电线路，平均需要10-15年的审批时间。这不是夸张——根据美国能源信息署（EIA）的数据，2013-2022年间，美国申请建设的高压输电线路项目中，超过70%最终被取消或因审批超时而搁置。
而这个点在中国几乎不存在。
第六章：中国的制度优势——为什么中国将赢得算力竞赛
所以这个问题的逻辑就变得简单了：谁能在未来1-2年之内迅速地解决算力供应紧张的问题，并进一步压缩AI使用的成本，使得AI能够在各行各业快速推广、产生强大稳定的收入，就能够解决产业泡沫的问题。
我认为中国将会胜出。
6.1 中国的基建速度
中国不会存在数据中心建设所面临的能源短缺问题。
"东数西算"工程是中国在算力基础设施建设上的一个典范。该工程于2022年正式启动，规划在全国建设8个国家算力枢纽节点和10个国家数据中心集群，旨在将东部的数据运算需求引导到西部资源丰富、气候适宜的地区。这一工程的推进速度远超预期——截至2025年底，已有超过150个数据中心项目在西部枢纽节点落地，总投资超过5000亿元人民币。
相比之下，中国建设一条特高压输电线路的时间通常只需要2-3年。中国的"西电东送"工程已经建成了数十条特高压输电通道，总输电能力超过300 GW，是全球规模最大的电力输送网络。
6.2 可预见的未来
可以预见的是，在未来三年内，随着中国AI产业的持续完善、算力成本的快速降低，以中国大模型为基座的AI产业应用将会在全世界广泛推开，从而为中国AI投资带来丰厚的回报。
中国的算力成本正在以每年30-50%的速度下降。这一下降速度远超美国，主要得益于：
- 国产芯片的快速迭代和产能扩张
- 数据中心建设的高效率
- 电力成本的相对低廉
- 完整的产业链协同效应
当中国的AI算力成本降到美国的1/5甚至1/10时，全球市场的选择将是显而易见的。
第七章：美国AI泡沫的真正威胁——来自中国
如果美国的模型在同期内不能够快速地降低到具备竞争力的地步，其将会被很快地淘汰。
因此可以设想一个情景：
导致美国AI投资或者AI产业产生泡沫的原因，可能正是中国AI模型性价比的快速提高。
7.1 中国开源模型的"降维打击"
中国AI模型大多以开源的方式发布——如阿里的Qwen系列、智谱的GLM系列、DeepSeek系列等。开源模式为安全审查和快速推广增添了很多buff：
当中国开源模型的能力接近美国闭源模型，而成本只有其1/10甚至1/100时，全球市场——尤其是发展中国家市场——将迅速倒向中国模型。
7.2 美国AI厂商的收入压缩
如果中国模型在全球市场快速铺开，美国AI厂商将面临：
这将进一步加剧美国AI产业泡沫的风险。
第八章：历史镜鉴——从互联网泡沫看AI泡沫
回顾2000年的互联网泡沫，我们可以获得一些重要的启示。
互联网泡沫破裂的根本原因，不是互联网技术没有价值——恰恰相反，互联网彻底改变了人类社会的运行方式。泡沫破裂的原因是：短期内，互联网企业的收入无法支撑天文数字般的投资。 1999年，全球互联网公司市值总和超过5万亿美元，但全年收入合计不到2000亿美元。投资与收入之间的巨大鸿沟，最终导致了泡沫的破裂。
但泡沫破裂之后呢？亚马逊（Amazon）的股价从1999年的107美元暴跌至2001年的6美元，跌幅超过94%。但今天，亚马逊的市值超过2万亿美元。互联网没有泡沫——至少从长期来看没有。泡沫的只是那些在错误的时间以错误的价格买入的投资者。
AI的故事可能正在重演。AI技术本身具有巨大的价值——这一点毋庸置疑。但短期内，如果AI的收入无法快速增长到足以覆盖投资成本的水平，那么泡沫就会破裂。而泡沫破裂之后，真正有价值的AI公司和AI技术将存活下来，并创造出远超当前想象的巨大价值。
关键的区别在于：这一次，决定谁能活下来的，不是技术本身，而是谁能更快地把算力成本降下来。
第九章：总结——中美AI竞争的本质
这样，我们来总结一下本文的核心逻辑链：
AI产业是否有泡沫，关键要看短期内AI所产生的收入能不能够覆盖AI的投资成本。
而AI要想产生更大的收入，需要解决制约AI需求增长的核心原因——成本过高的问题。
而要想解决成本过高，需要在算力建设上面进行快速的增加。
而要解决算力增长的问题，中美两国有不同的瓶颈：
- 中国的问题：高端芯片产能不足（可以解决）
- 美国的问题：数据中心基建和电力问题（系统性难题）
因此，谁能解决各自的短板，谁将能够跨越周期、解决好AI泡沫的问题。
我认为，相比较于高端芯片产能不足的问题，美国的电力短缺和基建问题更加严重。 原因如下：
因此，中国的AI将会胜利，从而在竞争上取得巨大的优势。
由于中国AI的崛起和极致的性价比，会进一步压缩美国AI厂商的收入，从而大幅度地制约美国AI厂商的市场空间，引发美国AI产业泡沫。
我认为，这才是中美AI竞争的本质。
不是芯片之争，不是模型之争，不是人才之争——而是基础设施能力和决策效率之争。 谁能够更快地把算力建起来、把成本降下去、把应用推出去，谁就能在这场世纪博弈中胜出。
第十章：对投资者的启示
对于投资者而言，理解AI泡沫的本质至关重要。
首先，不要因为「泡沫」这个词就全盘否定AI的投资价值。 正如互联网泡沫破裂后，真正有价值的公司（亚马逊、谷歌、腾讯、阿里巴巴）最终创造了数万亿美元的市值。AI领域同样如此——泡沫破裂只是意味着估值回归理性，而不是技术本身失去价值。
其次，关注那些能够在AI成本下降周期中获益的企业。 谁的算力成本最低、谁的应用场景最广、谁的用户粘性最强，谁就能在竞争中胜出。从这个角度看，中国AI企业具有天然的成本优势和应用场景优势。
第三，警惕美国AI公司的估值风险。 如果中国模型以极低的成本在全球市场快速铺开，美国AI厂商的收入增长将面临严峻挑战。当前美国科技巨头的AI估值，很大程度上建立在「赢家通吃」的预期之上。但如果赢家不是美国公司呢？
最后，保持耐心和理性。 AI是一场长达数十年的技术革命，短期的市场波动不应影响我们对长期趋势的判断。关键是要看清：在这场中美AI竞争中，谁真正掌握着主动权。
尾声：一个必要的补充
当然，我们必须承认一种可能性：如果美国能够以非常之手段在短期内解决电力和基建问题——比如通过总统行政令大幅简化环保审批流程、通过国防生产法强制电力公司优先保障数据中心供电、通过联邦政府直接介入土地征用——那也会对中国的AI产业带来极大的压力。
但从美国当前的政治生态、法律体系和制度惯性来看，这种"非常之手段"的可能性微乎其微。美国的制度设计初衷就是防止权力过度集中和快速决策，这在保护公民权利的同时，也意味着在需要快速行动时将付出巨大的效率代价。
历史不会简单重复，但总是押着相似的韵脚。正如20年前全球制造业向中国转移一样，AI产业的重心也正在经历一场静悄悄但不可逆转的东移。
而这一次，决定胜负的不是劳动力成本，而是基础设施能力和国家治理效率。
免责声明：本文仅代表作者个人观点，不构成任何投资建议。市场有风险，投资需谨慎。文中提及的技术发展和产业趋势基于当前公开信息，未来可能存在不确定性。
参考资料：
1. 第一财经：《Meta拟出售云算力，引发AI算力过剩担忧》，2026年7月2日
2. 新浪财经：《Meta商业模式调整"惊吓"全球科技股》，2026年7月3日
3. 中华网财经：《Meta"鬼故事"，算力过剩了？》，2026年7月2日
4. 凤凰网科技：《Meta"算力过剩"疑云背后》，2026年7月3日
5. 高盛（Goldman Sachs）：《AI: A $50 Trillion Opportunity》，2025年研究报告
6. 红杉资本（Sequoia Capital）：《AI's $600B Question》，2024年
7. 国际能源署（IEA）：《Electricity 2025: Analysis and Forecast to 2030》
8. 美国能源部（DOE）：数据中心电力消耗报告，2025年
9. 劳伦斯伯克利国家实验室：《U.S. Data Center Energy Usage Report》，2025年
10. 美国电力研究院（EPRI）：《Grid Modernization and AI Demand》，2025年
11. 麦肯锡全球研究院：《The Economic Potential of Generative AI》，2025年
12. Gartner：《Enterprise AI Cost Survey》，2025年
13. a16z（Andreessen Horowitz）：《State of AI Startups》，2025年
14. 清华大学：《2026年中国AI发展趋势前瞻》，2026年1月
