夜雨聆风核心观点
1、$1的中国AI基建投入，在"每Token实际产出"维度上等效于$4-10的美国投入
2、查诺斯的数据仍然最致命：美国hyperscaler增量ROIC已从40%降至20%，如果capex总量维持+93%增速将进一步跌至10%——接近美国十年期国债收益率4.5%的两倍。届时管理层将面临灵魂拷问：继续烧钱，还是买国债？
第一章核心结论与反直觉发现
当所有人都在说"美国AI投入是中国的6倍甚至7.5倍"时，一个被忽视的事实是：从建设成本和效率来看，如果用"每Token实际产出"而非"名义美元投入"来衡量，中美AI基建的有效差距远比表面数字小得多——甚至可能已经接近1:1。
一、反直觉的核心发现
发现一：名义投入差距7.5:1，但PPP调整后实际有效差距仅约1:1
发现二：美国ROE从28%降至20%（↓8pp），中国从19%升至21%（↑2pp），2028年将交叉
发现三：美国FCF从$195B降至$90B（-54%），亚马逊已转负；中国FCF从$38B升至$50B（+32%），V型反转
发现四：美国AI投资ROI为-9%至-28%，95%企业无实质回报；中国60%流向工业落地，可量化降本增效
发现五：产业链总体格局："上游见顶、中游蓄力、下游待发"——美国在周期末期，中国在周期中段
二、三轮分析的方法论框架
分析维度 | 方法论 | 核心指标 | 结论 |
购买力平价 | 每Token基建投入PPP | AI PPP汇率≈1:1 | $1中国投入≈$4-10美国投入 |
财务效率 | DCF/ROIC/FCF | ROE交叉2028年 | 中国投资效率显著优于美国 |
产业链周期 | 五层蛋糕周期定位 | 中美周期错位2-3年 | 做多中国AI产业链 |
三轮分析指向同一方向：中国在用更少的钱办更大的事。
第二章购买力平价分析：每Token基建投入的"真实汇率"
传统宏观经济学用"购买力平价"(PPP)衡量不同国家的真实生活成本差异，我们将这一方法论移植到AI领域：如果用"每Token实际产出"而非"名义美元投入"作为统一度量衡，中美AI基建的"真实汇率"是多少？
一、 名义投入差距：从6:1到7.5:1
年份 | 美国AI资本支出 | 中国AI资本支出 | 名义投入比 |
2024年 | 2,580亿美元 | 430亿美元 | 6:1 |
2025年 | 3,200-4,060亿美元 | 700亿美元 | 5-6:1 |
2026年 | 6,600-7,250亿美元 | 1,020亿美元 | 7.5:1 |
2027年（预测） | 1.2万亿美元 | 840亿美元 | 12-14:1 |
2028年（预测） | 1.4万亿美元 | 900亿美元 | 15:1 |
二、PPP压缩：从7.5:1到约1:1的三层逻辑
名义差距7.5:1经过三层压缩后，实际支出对比约1:1：
调整层 | 压缩幅度 | 占比 | 核心驱动 |
要素价格差异 | 7.5→4.5 | 40% | 电力1/3-1/5、建设成本低60%、人力1/3-1/5 |
算法效率差异 | 4.5→1.5 | 45% | MoE激活1/18、单位Token算力1/5-1/20 |
芯片管制反向激励 | 1.5→~1 | 15% | 国产替代加速、禁令倒逼效率创新 |
（一） 第一层：要素价格差异（贡献40%压缩）
成本要素 | 美国 | 中国 | 中国优势倍数 |
电力成本 | $0.07-0.12/kWh | $0.04-0.06/kWh | 1/3-1/5 |
数据中心建设 | 基准 | 低60% | 2.5:1 |
人力成本（工程师） | 基准 | 1/3-1/5 | 3-5:1 |
发电装机容量 | 基准 | 2.6倍于美国 | 中国电网更强 |
电网年投入 | 300亿美元 | 900亿美元 | 3:1 |
阿里董事长蔡崇信公开表示：中国数据中心建设成本比美国低60%。这不是猜测，这是行业掌舵人的直接证言。
（二）第二层：算法效率差异（贡献45%压缩）
这是最关键的压缩层——不是靠"便宜"，而是靠"聪明"。
效率维度 | 美国模型 | 中国模型 | 效率倍数 |
DeepSeek-V3 MoE架构 | 全参数激活 | 671B总参/37B激活(1/18) | 18倍 |
阿里Aegaeon系统 | 1192块H100 | 213块H20完成同样工作 | 5.6倍 |
单位Token算力消耗 | 基准 | 1/5-1/20 | 5-20倍 |
API定价(百万Token) | $4.50-5.00 | $0.30-1.07 | 4-16倍 |
训练成本(同级模型) | GPT-4 $1亿+ | DeepSeek-V3 $557万 | 18倍 |
上周刚上市的开源模型Kimi K3以1/3的价格提供了95%的智能水平，在前端编程和知识检索上甚至超越美国旗舰——但推理速度慢2-3倍、物理仿真和长程工程的一次通过率仍不如GPT-5.6 Sol 和 Claude Fable 5。它是性价比之王，但不是全能之王。K3 的真正颠覆在于开源 + 近前沿智能 + 极低成本的组合，对自部署、数据主权、高吞吐场景的吸引力远超闭源模型。差距从"能不能追上GPT-4"缩小到了"差3个benchmark点"，这个速度本身就是最大的效率信号。
（三）第三层：芯片管制反向激励（贡献15%压缩）
美国对华芯片禁令本意是遏制中国AI发展，实际效果却是倒逼效率创新：
国产芯片份额：2024年29%→2025年41%→2026年目标42%，加速替代
华为昇腾产能：2024年40万块→2025年70-100万块→2026年160万块
寒武纪营收暴增453%，已实现盈利
国产芯片TCO比英伟达在华产品低30%-60%
华为韬(τ)定律：等效1.4nm性能，2027-2028年国产算力成本再降50%+
三、三年投入产出时间线
时间节点 | 名义投入比 | PPP调整后 | 关键事件 |
2024年 | 6:1 | 1.7:1 | DeepSeek-V3以$557万训出对标GPT-4模型 |
2025年 | 5-6:1 | ~1:1 | R1开源验证效率路线，Token调用增10倍 |
2026年H1 | 6.6:1 | 1.2:1 | 性能差距仅2.7%，中国开源下载量超美 |
2025年是关键拐点：PPP调整后中美AI有效投入首次接近1:1。DeepSeek R1的"斯普特尼克时刻"证明——效率路线不仅是替代方案，而是系统性可行。
第三章财务效率分析：边际成本、ROE与自由现金流
PPP分析揭示了"每Token产出"维度的真实差距，但投资效率不仅看产出，还要看财务回报——ROE是否在上升，FCF是否在增长，边际收益是否覆盖边际成本。
一、26-28年AI基建投资预估
指标 | 2026年 | 2027年 | 2028年 |
美国capex总量 | $7,250亿 | $1.2万亿 | $1.4万亿 |
中国capex总量 | ~$1,020亿 | ~$1,330亿 | ~$1,730亿 |
名义capex比 | 7.1:1 | 9.0:1 | 8.1:1 |
美国每GW建设成本（Bernstein数据每代增幅） | $440亿 | $490亿 | $530亿 |
中国国产路线每GW(华为) | $165亿(占比60%) | $115亿(占比75%) | $100亿(占比85%) |
中国进口路线每GW(NVIDIA+25%税) | $410亿(占比40%) | $450亿(占比25%) | $490亿(占比15%) |
中国加权每GW建设成本 | $263亿 | $199亿 | $159亿 |
美中每GW成本比 | 1.67:1 | 2.46:1 | 3.33:1 |
美国新部署GW | 11.5 | 17.1 | 18.5 |
中国新部署GW(合计) | 4.7 | 9.4 | 15.2 |
GW部署比(美:中) | 2.4:1 | 1.8:1 | 1.2:1 |
每GW建设成本与GW部署量的双维对比揭示了关键反差：
反差一：名义capex比维持在7-9:1，但GW部署比从2.4:1收窄至1.2:1——2028年中国实际建成的算力基础设施规模接近美国的82%
反差二：美国每代基建成本递增+10-16%（主因HBM内存3倍暴涨，非基建本身），中国加权每GW成本从$263亿降至$159亿（-40%）
反差三：中国国产芯片占比从60%加速升至85%，进口NVIDIA路线从40%收缩至15%——国产替代正在加速兑现
关键说明：上表对美国每GW建设成本代际增幅20%，实际估算逻辑是：（1）"每代+10-16%递增（Bernstein数据）"。（2）"HBM内存成本递增是主因（3倍/代），基建本身仅+3-5%"。（3）"边际基建成本递增，但边际算力成本递减（每美元算力+25-79%/代）"。
（一）每EFLOPS算力成本对比
效率指标 | 2026年 | 2027年 | 2028年 | 趋势 |
每EFLOPS成本-美国 | $629万 | $445万 | $294万 | ↓53% |
每EFLOPS成本-中国国产 | $717万 | $329万 | $182万 | ↓75% |
每EFLOPS成本-中国加权 | $840万 | $472万 | $277万 | ↓67% |
每$1亿算力产出-美国 | 11.1 EFLOPS | 15.7 EFLOPS | 23.8 EFLOPS | ↑114% |
每$1亿算力产出-中国国产 | 13.9 EFLOPS | 30.5 EFLOPS | 55.0 EFLOPS | ↑296% |
国产/美国效率倍数 | 1.25x | 1.94x | 2.31x | 持续扩大 |
关键发现：2027年是中国国产路线每EFLOPS成本首次低于美国的交叉年（$329万 vs $445万）。加权口径（含进口）交叉年推迟至2028年（$277万 vs $294万）。此后中国效率优势持续扩大。
二、边际成本与边际收益对比
维度 | 美国 | 中国 | 判定 |
基建边际成本 | 每代+10-16% ($440→530亿/GW) | 加权每代-12%至-24% ($263→159亿/GW) | 中国递减 |
HBM成本驱动 | 每代3倍暴涨 ($16→$53/GB) | 国产HBM2e+替代方案成本可控 | 中国更优 |
每美元算力产出 | +25-79%/代(递增!) | 国产+34-80%/代 (递增且更快) | 均递增,中国更快 |
每EFLOPS成本趋势 | $629→294万(-53%) | 加权$840→277万(-67%) | 中国降幅更大 |
capex总量增速 | +93% ($7250亿→1.4万亿) | +70% ($1020→1730亿) | 美国更快膨胀 |
边际收益(AI ROI) | -9%至-28% 95%企业无回报 | 正值(工业场景可量化) 60%流向实体落地 | 中国为正 |
增量ROIC | 40%→20%→10% (查诺斯) | 回升趋势 (国产替代降本) | 中国更优 |
查诺斯的数据仍然最致命：美国hyperscaler增量ROIC从40%降至20%，如果capex总量维持+93%增速将进一步跌至10%——接近美国十年期国债收益率4.5%的两倍。届时管理层将面临灵魂拷问：继续烧钱，还是买国债？
三、ROE对比与预估
ROE预估逻辑：美国单位效率改善（每美元算力+25-79%/代）部分抵消capex总量爆炸的拖累，ROE降幅从原估↓8-11pp收窄至↓6-8pp；中国capex总量增长（+70%）略增FCF压力，但国产路线2027年效率交叉支撑ROE温和上行。
公司 | 2025年ROE | 2026年预估 | 2027年预估 | 2028年预估 | 趋势 |
微软 | 29.6%-33.3% | ~27% | ~24% | ~22% | ↓6-8pp(原估↓8-11pp) |
谷歌 | ~28% | ~26% | ~23% | ~21% | ↓7pp(单位效率改善部分抵消) |
亚马逊 | 24.3%-25.2% | ~21% | ~18% | ~16% | ↓8-9pp, FCF转负 |
Meta | ~30%+ | ~28% | ~25% | ~23% | ↓7pp(每美元算力+52%部分抵消) |
腾讯 | 21.38% | ~22% | ~22.5% | ~23% | ↑1.5pp(稳中有升) |
阿里 | 19.82% | ~19% | ~20% | ~21% | ↑1.2pp(国产替代降本) |
百度 | ~15% | ~16% | ~18% | ~20% | ↑5pp(AI成主业) |
ROE交叉点在2028年附近：美国加权ROE从28%降至约21%，中国加权ROE从19%升至约21 %。
四、自由现金流对比与预估
FCF逻辑：美国capex总量不变（$7250亿→$1.2万亿→$1.4万亿），FCF预估基本不变；中国capex总量从$1020→1330→1730亿（+70%），FCF短期压力略增，但2027年国产路线效率交叉后回升动能更强。
公司 | 2025年FCF | 2026年预估 | 2027年预估 | 2028年预估 | 趋势 |
微软 | $71.6B(-3.3%) | $60-65B | $50-55B | $45-50B | 持续压缩(总量驱动) |
谷歌 | $73.3B(持平) | $55-60B | $40-45B | $35-40B | capex翻倍吞噬 |
亚马逊 | Q1 2026: -$18.2B | -$10至-5B | 微正或负 | 不确定 | FCF转负！ |
Meta | ~$30B+ | $22-25B | $15-20B | $12-15B | capex暴增 |
美国合计 | ~$195B | ~$135B | ~$100B | ~$80B | ↓59%(总量驱动) |
腾讯 | ¥1826亿(+18%) | ¥1650亿 | ¥1600亿 | ¥1700亿 | 稳中V型 |
阿里 | ¥739亿(-53%) | ¥450亿 | ¥300亿 | ¥400亿 | V型,2029年累计转正 |
百度 | ¥200亿+ | ¥180亿 | ¥200亿 | ¥250亿 | AI收入放量 |
中国合计 | ~$38B | ~$33B | ~$30B | ~$38B | V型(2027谷底) |
五、DCF估值与投资效率结论
框架 | 美国AI产业链 | 中国AI产业链 |
DCF(NPV) | -$1.2至-$1.8万亿 | +$0.1至+$0.5万亿 |
ROIC趋势 | 40%→20%→10% (单位效率改善但总量爆炸) | 回升趋势 (2027国产效率交叉) |
FCF/NI趋势 | 1.0x→0.55x→更低 | 0.5x→0.4x→0.7x (2027谷底后回升) |
capex/经营现金流 | ~100% | ~35-45% |
每美元算力产出趋势 | +25-79%/代(递增!) | 国产+34-80%/代 |
投资效率综合判定 | 过度投资风险 (单位效率OK但总量失控) | 效率投资模式 (国产路线效率交叉2027) |
长期来看，中国再次会因为制造业优势在AI军备竞赛中取胜，美国在用"光纤泡沫"逻辑打AI竞赛——基础设施是对的，单位效率在改善，但投入总量无法控制；中国在用"制造业升级"逻辑——成本递减、国产替代加速、2027年效率交叉。从财务效率角度看，中国AI投资效率优于美国。
第四章产业链周期定位：中美各环节处于什么位置
PPP和财务效率分析告诉我们"谁更有效率"，产业链周期分析告诉我们"效率差异从何而来"。参照英伟达五层蛋糕模型（能源散热→芯片存储→算力基础设施→大模型MaaS→应用具身终端），中美各环节的周期位置：
层级 | 美国周期定位 | 中国周期定位 | 核心差异 |
能源/散热层 | 成长期后段（过热） capex/FCF=100% | 导入期→成长期渗透率14%→31%, CAGR 47.85% | 中国最优性价比窗口 |
芯片/存储层 | 成熟期前段 | 导入期→成长期 | 中国国产替代加速 |
算力基础设施层 | 成长期后段→成熟期 | 成长期中段 | 双引擎驱动 |
大模型/MaaS层 | 技术验证→商业化 | 成长期早期 | 中美开源和闭源差距加大 |
应用/具身终端层 | 导入期 95%企业无ROI | 导入期但60%投实体美的OEE+30%, 智驾46万辆 | 中国产业落地可能性更高 |
附录关键数据汇总表
A.1中美AI基建核心对比指标
维度 | 美国 | 中国 | 倍数/差异 |
2024年AI资本支出 | 2,580亿美元 | 430亿美元 | 6:1 |
2026年AI资本支出 | 6,600-7,250亿美元 | ~1,020亿美元 | 7.5:1 |
2028年AI资本支出(预测) | 1.4万亿美元 | ~900亿美元 | 15:1 |
每百万Token价格 | $4.50-5.00 | $0.30-1.07 | 4-16:1 |
训练成本(同级模型) | $1亿+(GPT-4) | $557万(DeepSeek-V3) | 18:1 |
电力成本 | $0.07-0.12/kWh | $0.04-0.06/kWh | 2-3:1 |
数据中心建设成本 | 基准 | 低60% | 2.5:1 |
算法效率(单位Token算力) | 基准 | 1/5-1/20 | 5-20:1 |
模型性能差距(2026.3) | 1503(Claude) | 1464(中国顶尖) | 仅2.7% |
日均Token调用(2026.6) | - | 180万亿 | 2年增1000倍 |
AI投资ROI | -9%至-28% | 正值(可量化) | 中国更优 |
加权ROE趋势 | 28%→20%(↓8pp) | 19%→21%(↑2pp) | 2028年交叉 |
加权FCF趋势 | $195B→$90B(-54%) | $38B→$50B(+32%) | 中国V型反转 |
国产芯片份额 | - | 29%→42%(2024→2026) | 加速替代 |
开源下载量(2026.3) | 7.23亿 | 11.5亿 | 中国超美 |
LLM token份额变化 | 58%→19% | 5%→32% | 格局重构 |
A.2产业链各环节关键数据
环节 | 关键数据 | 周期定位 |
光模块 | 中际旭创1.6T市占率50-70%, 订单排至2028年 CPO市场2026年暴增660% | 成长期中段 |
AI服务器 | 工业富联市占率>40%, 2026Q1净利+102.6%字节2026年AI资本开支2000亿元 | 成长期中段 |
液冷散热 | 渗透率14%→31%(2024→2026)中国市场CAGR 47.85%(184亿→1300亿) | 导入期→成长期 |
国产AI芯片 | 寒武纪营收+453%已盈利份额30%→42%, 华为昇腾产能翻倍 | 导入期→成长期 |
HBM存储 | 供需缺口持续至2026H2三星/海力士十年投资8740亿美元 | 成长期 |
人形机器人 | 宇树出货量全球第一, 毛利率60% 2027年BOM<10万元, 2030年万亿赛道 | 导入期 |
智能驾驶 | L2+渗透率25%→32%(2025→2026) 2028年装机800万辆 | 成长期早期 |
端侧AI | 2026年AI眼镜3000万台 2027年智能终端普及率>70% | 导入期→成长期 |
