AI经济是泡沫，还是新大陆？

拆解全球AI需求真相，资本开支超级周期与Token定价革命。当算力成为新石油，谁在真正买单？

1750亿美元。这是生成式AI经济在2026年年中的年化收入规模。如果只看这个数字，它已经是过去十二个月实际入账1100亿美元的1.6倍增速体现。但这个收入数字背后，站着22.7万亿美元的全球股市总市值。一个刚满三岁的产业，收入体量仅占支撑其市值的0.77%。这中间的鸿沟，是泡沫的注脚，还是新大陆被发现时常见的定价混乱？

Exponential View在2026年6月发布的《AI经济现状》报告，给了我们一个出人意料的观察视角。研究团队没有采用宏观估算，而是自下而上追踪了超过1000家企业的原始财报、审计账目、电话会议记录和可信第三方披露。每一行收入都经过置信度评分，交叉去重，再与芯片出货量、数据中心建设成本、流量数据做三角验证。结论很直接：AI需求是真实的，增长是史无前例的，但资本回报的压力也是真实的。

这篇文章，我们来看数据。

需求侧验证：AI的增长曲线为何让历史数据失效？

我们习惯用历史类比来预测未来。但这一次，历史可能是个糟糕的锚。

Exponential View将生成式AI的收入曲线与1995年的互联网、2007年的移动应用、2010年的云计算做了时间对齐。结果触目惊心：在"元年"后的第三年，GenAI的年化收入已经接近1100亿美元，而互联网、移动和云在同一阶段都还在250亿美元以下徘徊。GenAI的增速是此前任何一次IT浪潮的3倍。

这张图揭示了一个残酷的事实。如果我们用互联网或云计算的成熟周期来给AI估值，本质上是在用马车的折旧模型来评估汽车。不仅增速更快，加速度本身也在加快。2023年初，AI行业每增加10亿美元的累计收入需要180天。到2026年，这个时间已经缩短到不到两天。速度提升了90倍。这意味着我们面对的不是线性增长，而是指数级需求的持续兑现。

你可能会问：这些收入到底是谁付的？是风投烧出来的泡沫，还是企业真金白银的预算？答案是后者。

报告追踪了超大规模云服务商（Hyperscalers，即微软、谷歌、亚马逊、Meta等巨头）的剩余履约义务（RPO，也就是已经签合同但还没交付的订单）。微软、谷歌、亚马逊、甲骨文的合计积压订单在2026年初达到了2.0万亿美元。其中微软6330亿美元，谷歌4680亿美元，甲骨文5530亿美元，亚马逊3640亿美元。这些数字不是愿景，是客户已经签字、未来必须交付的确定性收入。

企业端的采纳也在加速。标普500成分股中，在财报电话会议提及AI影响的占比从2023年初的5%飙升至2026年初的33%。更关键的是，其中20%的提及包含了量化数据，比如"AI帮我们节省了X%的成本"或"AI带来了Y%的转化率提升"。这不再是概念验证（Proof of Concept），而是P&L（损益表，即企业利润表）层面的确认。

但这里有一个反直觉的观察：尽管增速惊人，AI收入在经济大盘中仍然微小。它仅占美国GDP的0.4%，占企业劳动力成本的0.8%，占企业利润的3.0%。报告以Uber为例，其5000名工程师的AI支出上限约为每年9000万美元，但这只占其营收的0.2%，EBITDA（税息折旧及摊销前利润）的1.0%，人员运营成本的0.6%。

[AI的渗透率还处在"电子邮件发明前夜"的水平，但增速已是历史级。]

这意味着什么？意味着我们看到的1750亿美元只是水面上的冰山。如果AI真能成为通用技术（General Purpose Technology，即能像电力一样渗透到所有行业的技术），其收入体量至少需要再扩大一个数量级，才能匹配当前22.7万亿美元的市值预期。这不是说泡沫不存在，而是说泡沫的化解方式，可能是需求继续以当前速度膨胀，直到填满这个估值容器。

还有一个维度常被忽视：消费者剩余（Consumer Surplus，即消费者愿意支付的价格与实际支付价格之间的差额）。Exponential View引用斯坦福数字经济实验室的调研，发现美国消费者愿意为放弃AI工具一个月支付约30-40亿美元的补偿金。这个数字比企业端收入还高30-40%。GDP（国内生产总值）知道价格，但不知道价值。AI正在创造大量无法被传统统计捕获的社会福利。

资本超级周期：2万亿美元基建狂潮与回本倒计时

需求真实存在，但供给端的资本开支更加凶猛。

Exponential View统计了全球主要超大规模云服务商和新云（Neoclouds，如CoreWeave、Nebius等专门提供AI算力的公司）的资本支出。从2020年到2026年，这一群体的累计CapEx（资本性支出，即购买固定资产的现金支出）将达到2万亿美元。仅2026年一年，AI相关的CapEx就比"没有AI"的历史趋势高出5350亿美元。作为参照，美国上游油气行业每年的资本开支大约在5000-6000亿美元区间。AI基建的投入强度，已经比肩全球能源勘探。

这些钱花在了哪里？芯片、数据中心、电力。

全球半导体市场规模预计将在2026年达到1.511万亿美元，而2025年还是7920亿美元。这种跃迁不是渐进式的。在数据中心内部，芯片占总建造成本的比重从2021年的40%上升到了2026年的60%。内存（Memory，即DRAM和HBM高带宽存储）的占比更是从2%暴涨到18%。每一美元的投资中，买硅片的钱越来越多，买水泥和钢筋的钱越来越少。

电力是另一个被忽视的变量。美国月度净发电量从1950年到2008年保持着每年新增6 TWh（太瓦时，电力单位）的稳定增长，但2008年到2024年几乎零增长。2024年至今，这个数字跳升至每年新增9 TWh。数据中心占了美国新增电力负荷的55%。AI正在重启美国停滞十六年的电力工业。

但资本开支的狂飙带来了严峻的会计问题：折旧（Depreciation，即固定资产在使用过程中价值分摊到每年的费用）。

IT设备的折旧年限通常按6年计算，建筑物按14年。Exponential View做了一个折旧矩阵：2020年的CapEx会在未来6年内逐年摊销。叠加之后，2026年的年度AI折旧费用将接近1110亿美元。这是一个刚性成本，不管Token（模型处理文本的最小单位）卖得好不好，它都会准时出现在利润表上。

好消息是，季度AI收入在2025年Q4首次超过了当季的CapEx折旧。2026年Q1，超大规模和新云的收入相对于折旧的"Headroom"（余量，即收入减去折旧后的缓冲空间）达到了19%，如果计入所有GenAI收入则达到32%。坏消息是，累计收入刚覆盖累计折旧的一半。换句话说，行业作为一个整体，还没有收回过去几年的基建本金。

H100 GPU（英伟达主流AI芯片）的租赁价格走势提供了一个微观视角。2023年初，H100的稀缺性溢价高达每小时3.05美元。随着供给增加，价格在2025年中跌至1.70美元，市场一度担忧"过度建设"。但2026年初，价格回升至2.40美元。这说明推理需求（Inference Demand，即实际运行AI模型产生结果的需求）正在消化库存，算力不是过剩，而是正在被填满。

[资本开支不是赌局，而是倒计时——折旧不等人，但Token需求正在指数级追赶。]

更值得关注的是融资结构的变化。超大规模企业的CapEx主要靠自有资金（Cash）和经营现金流支撑，但新云（如CoreWeave、Nebius）的CapEx主要依靠债务融资（Debt Financing，即借钱投资）。这意味着风险正在从科技巨头的资产负债表向外转移。如果AI需求放缓，首先暴雷的不会是微软或谷歌，而是那些高杠杆的基建运营商。这种结构分化，将在未来两年成为市场的关键风险点。

Token：AI经济的计价单位与价格弹性之谜

如果说芯片是AI经济的"炼油厂"，那么Token就是"石油桶"。问题是，这个桶的容量和价格在以多快的速度变化？

2026年，全球每月处理的Token数量已经超过30 Quadrillion（30Q，即3000万亿），同比增长14倍。这个数字听起来抽象，但背后的驱动力非常具体：Agent（智能体，即能自主执行多步骤任务的AI程序）工作负载的爆发。

OpenRouter（一个AI模型路由平台）的数据显示，单次代码推理任务消耗约1.19k Token，多轮代码聊天消耗3.39k Token，而一个Agent编码任务（如OpenHands agent）平均消耗4.17 million Token。后者是前者的1200倍。当AI从"聊天工具"进化为"能自主干活的同事"，Token的消耗量不是线性增长，而是千倍级跃迁。

这种跃迁带来了一个反直觉的经济现象：Token越便宜，总支出反而越多。

Google的Token价格与处理量呈现典型的对数-对数弹性关系。Exponential View的测算显示，价格弹性系数β约为-1.7，R²达到0.93。这意味着Token价格每下降10%，总使用量会上升约17%，导致总支出反而增加12-18%。Sundar Pichai在2025年I/O大会上透露，Google的月Token处理量从9.7万亿飙升至480万亿，50倍增长对应的是价格大幅下降。Sam Altman也观察到，AI使用成本每12个月下降10倍，而使用量随之爆发。

这像极了2002年Google推出AdWords（按点击付费，CPC，即Cost Per Click）的历史。在CPC之前，数字广告是按展示次数（CPM，即每千次展示成本）售卖，广告主无法归因ROI（投资回报率），市场很快在2000年互联网泡沫中崩盘。CPC让每一分钱都可归因、可优化，从而释放了整个数字广告的万亿市场。Token-based pricing（按Token计费）正在扮演同样的角色：它让AI支出从模糊的"订阅费"变成了可Metered（计量）的项目成本，企业可以精确计算每个任务的价值。

但Token本身不是价值的完美度量。Exponential View提出了"质量调整Token"（Quality-Adjusted Output Tokens）的概念。一个GPT-3时代的Token和一个GPT-5时代的Token，其解决问题的能力天差地别。如果用Epoch Capabilities Index（能力指数，衡量AI模型综合能力的评分）或METR Task Horizon（任务完成时长，衡量AI能完成多复杂任务的指标）做质量调整，我们会发现：有效智能的产出增速甚至超过了Raw Token（原始Token）的增速。

2025年1月到2026年4月，总Token增长了39倍，输出Token增长30倍，但经过ECI调整后的有效Token增长了33倍，经过METR调整的增长了59倍。这说明模型不仅更快，而且更聪明。

[Token价格每下降10%，总支出反而上升12-18%，这是AI经济最反直觉的杠杆。]

对于投资者和企业决策者，这意味着什么？意味着预测AI市场大小不能只看单价。如果价格弹性持续大于1，这个市场将呈现"越便宜越大"的特征，类似于云计算和带宽的历史轨迹。唯一需要警惕的是：如果模型能力停滞，降价就只是价格战；如果能力继续提升，降价就是市场扩容。

价值链迁移：从硅片垄断到应用层粘性

收入真实，Token在膨胀，那么钱最终留在了谁手里？

2024年初，全球GenAI收入的绝对大头在芯片层，NVIDIA（英伟达）一家就占据了可视化图表中最长的绿色条带。但到了2026年初，收入分配明显向上迁移：应用层（如Cursor、Harvey等垂直AI应用）和基础模型层（OpenAI、Anthropic）的占比显著提升，而纯托管层（Hosting，即云服务器租赁）虽然绝对额增长，但份额正在被压缩。

这种迁移的背后是四层技术栈的博弈：芯片（Chips）→托管（Hosting）→基础模型（Foundation Models）→应用（Apps）。每一层都在试图吃掉相邻层的利润。

芯片层目前由NVIDIA主导，其HHI（赫芬达尔-赫希曼指数，市场集中度指标）高达4775，属于高度垄断。但AWS、Google的自研芯片（如TPU、Trainium）正在侵蚀这个份额。托管层的集中度相对较低（HHI 2589），因为云服务商众多。基础模型层的HHI为1594，看似分散，但OpenAI和Anthropic占据了前沿能力的顶端。应用层则最为分散（HHI 2597），因为垂直场景众多。

前沿实验室（Frontier Labs，即OpenAI、Anthropic等顶级AI研究机构）的定价权取决于一个关键变量：能否持续跑在开源模型前面。Epoch AI的能力追踪显示，OpenAI和Anthropic的闭源模型始终领先开源模型一个身位，但这个领先窗口正在缩小。2023年，GPT-4的能力远超任何开源替代品；到2026年，开源模型（如DeepSeek、Qwen）已经能接近上一代闭源模型的性能。

这种追赶带来了剧烈的价格压缩。以GPQA Diamond（博士级科学问答，衡量模型科学推理能力的基准测试）能力为锚点，达到同等能力所需的最低Token价格从2023年GPT-4的约50美元/百万Token，暴跌至2026年DeepSeek V3.2的约0.3美元/百万Token。闭源实验室只能在"当前最前沿"维持短暂溢价，一旦新模型发布，上一代能力立即被开源商品化。

OpenRouter的Token份额数据印证了这一点。Google、OpenAI、Anthropic三家的合计份额从2025年中的约72%下降到2026年中的约33%。DeepSeek、MiniMax、腾讯等开源或低成本模型的份额在快速上升。

面对这种压力，前沿实验室正在做两件事：一是向下游应用层渗透（如OpenAI的Codex、Anthropic的Claude for Legal），二是向上游基础设施层绑定（如OpenAI的Stargate Project、Anthropic的500亿美元基础设施投资）。他们试图用垂直整合来锁定利润，而不是单纯依赖API（应用程序接口）售卖的Token差价。

报告提出了四种可能的未来情景：情景一：开源模型完全追上。闭源实验室无法收取模型授权费，Token价格由托管和应用层决定，实验室被迫自建应用和基础设施。

情景二：通用模型取代应用层。前沿模型能力太强，直接完成垂直任务，"套壳"应用（Wrapper，即在模型之上做简单界面封装的产品）失去定价权，应用只能依靠专有数据和领域工作流防御。

情景三：算力需求下降。模型变得更小、更高效，部分计算迁移到边缘设备（如手机、PC本地运行），托管层的资本密集度降低。

情景四：三者叠加。效率革命的"完美风暴"，成本骤降带来市场急剧扩容，消费者获得巨大的消费者剩余（Consumer Surplus），而中游层的利润被彻底压缩。

[芯片层的垄断是暂时的，应用层的粘性才是终局，但前提是模型能力不再指数级跃迁。]

对于投资者，这意味着简单的"买铲子"逻辑（只投NVIDIA和数据中心）可能已经过了最甜蜜的阶段。下一阶段的机会，可能出现在那些能把Token转化为具体工作流、并产生数据飞轮（Data Flywheel，即使用数据越多产品越好、产品越好吸引更多用户的正反馈循环）的应用层公司。

观察清单：在噪音中捕捉信号

回到开头的问题：22.7万亿美元是泡沫还是新大陆？

数据给出的答案既不是简单的"是"，也不是"否"。它是一个高度依赖路径的动态均衡。如果Token需求继续以当前14倍年增速膨胀，2万亿美元的CapEx将在三年内被折旧覆盖，届时利润将如雪崩般释放。如果需求停滞，1110亿美元的年度折旧将成为行业的绞索。

与其猜测，不如建立一个观察框架。以下是五个你可以直接跟踪的指标：

第一，Token处理量的环比增速。如果月增速跌破20%，说明Agent工作负载的爆发可能暂时见顶。

第二，H100或下一代GPU的租赁价格。如果价格从当前的2.40美元/小时再次跌破2美元并持续低迷，说明供给过剩正在压倒需求。

第三，标普500财报中"量化AI影响"的提及率。目前为20%，如果这个数字停止增长，意味着企业端的采纳从实验期进入瓶颈期。

第四，超大规模企业的折旧覆盖率。关注季度收入是否持续领先季度折旧，且Headroom（余量）是否从当前的19%扩大到30%以上。

第五，开源模型在OpenRouter等路由平台的Token份额。如果闭源三强（Google、OpenAI、Anthropic）的份额从33%进一步下滑到20%以下，说明模型层正在彻底商品化，利润将被迫向上（应用）或向下（芯片/托管）迁移。

AI经济不是一场零和博弈。它是一个正在自我实现的预言：cheaper models → more tokens → more applications → more revenue → more CapEx → cheaper models。这个循环目前还在正向运转，但循环中的每一个环节都在以月为单位剧烈变化。

唯一确定的是：当算力成为新石油，Token成为新桶，旧有的估值框架已经失效。我们需要的新框架，不是基于PE（市盈率，股价与每股收益的比率）或PS（市销率，股价与每股收入的比率），而是基于"每美元能买到多少质量调整后的智能"。

当智能的边际成本趋近于零，所有依赖人力认知的行业都将被重写。这不是预测，是正在发生的账单。

【TraderX-Flow】

关于专注「全球宏观与资产配置」、「投资与交易决策工具」、「意识醒觉与现实对齐」。致力于将信号转化为决策，将思考转化为行动。

贝拿拿AI-Agent，负责信息整合与逻辑编排，内容审核与观点校准最终由人类完成。

本文声明基于公开信息和数据整理，文中涉及的历史表现不代表未来收益，所有分析仅供学习交流，不构成具体的投资、交易或人生决策建议。市场有风险，决策需独立。文中所有数据后续可能存在修正。

欢迎关注如果本文对你有启发，欢迎【点赞、在看、转发】三连，关注公众号【TraderX-Flow】。