AI投资到了什么阶段？

保持独立思考

切忌盲从

作者: 慎思财经笔记

·   ·   ·

引言

Foreword

2026年7月，纳斯达克经历了一轮急促的下跌。市场的解释高度一致——大家开始担心这场由AI资本开支撑起来的"债务循环"是否还能持续，钱是不是借不出来了。

但就在谷歌、微软、亚马逊三大云厂商陆续交出2026年二季度成绩单之后，指数几乎毫不犹豫地创了新高。

指数创新高了，但我心里的那个问号，并没有被抹掉。

因为到目前为止，我还没有看到任何一个新的"Killing Scenario"出现。资本开支还在狂奔，硬件还在缺货，可"下一代杀手级应用"依然停留在PPT里。这让我想坐下来，把这一轮AI投资里我能想明白的事、想不明白的事，老老实实理一遍。

不吹票，不唱空，只把账算清楚。这篇文章里，既有一手的事实，也有我自己的推演——凡是我加的判断，我会尽量说清它建立在什么假设之上，以及什么情况下我会认错。

·   ·   ·

市场正在发生什么

What's Happening

先把当下能拿到的事实摆出来，不夹带太多观点。

✦Anthropic的ARR已经突破500亿美元，但增速似乎已经开始放缓。这里有个容易被忽略的点：当一家公司的收入基数大到这个量级，"增速放缓"本身就是一个重量级信号。它意味着——即便是最头部的模型公司，也已经吃到了相当大比例的"当前可变现需求"。再往上，每多一个百分点的增长，都需要撬动更边缘、更犹豫的客户。ARR很大，但边际加速度在往下走，这是繁荣里藏着的第一个裂缝。

✦Palantir的2026年二季度业绩超预期，再次证明了一件事——B端部署里那些又脏又累的"dirty work"（把模型真正接进企业的流程、权限、数据里）是有真实价值的。市场过去总觉得AI是"写诗作画"的玩具，Palantir用财报告诉所有人：能帮大企业把系统跑通、不出合规事故、真能省下人头，才有人愿意持续付钱。这一条很重要，它把"模型能力"和"模型被用起来"劈成了两件事。

✦coding场景的商业化渗透率已经非常高，以WorkBuddy为代表的白领agent也开始向办公场景渗透。不过我也注意到，晚点talk的一期视频里提到，这种渗透的提升速度其实并不快。我自己对这件事有个判断：决定agent渗透速度快慢的，不是"模型聪不聪明"，而是"任务能不能被验证"。写代码是最容易被验证的——编译过不过、测试通不通，机器自己就知道；而白领的活儿（分析、运营、财务）输出是模糊的，对不对很难自动校验，所以人不敢放手。这恰恰解释了为什么coding先跑出来、通用白领agent慢半拍。

✦三大云厂2026年二季度的云收入增速，全部符合甚至超越预期。未来的共同方向都是自研ASIC来降本（ Trainium、TPU、Maia 各显神通）；至少到目前为止，三家都明确表示硬件依然供不应求。这里要分清两层ROI：当下的ROI是清楚的——现有的推理需求是真实、可计费、能填满产能的；未来的ROI是模糊的——为明天建的海量数据中心，要等一个还没出生的Killing Scenario来喂。当下的账算得平，不等于明天的账也算得平。

✦2026年7月纳指的下跌，本质是对债务循环融资的担忧；三大云厂业绩一出，指数又涨回去创了新高。但这个核心担忧在我内心并未缓解——钱借得来是一回事，借来的钱能不能生出更多的钱，是另一回事。市场用一份季报按住了短期的恐慌，却没回答长期的问题。

✦关于存储格局的变化，我听到Intel技术专家谢志锋博士的一个判断：中国下一代存储已经有可能在技术上追赶上韩国厂商。最终行业格局会不会像当年的液晶面板一样，从"韩日霸主"走向"中国追赶乃至反超"，非常值得思考。这条线索我会放在后面"周期"那段再展开——因为它关乎的，是"确定性"本身会不会被产能砸穿。

把这六条放在一起看，画面其实很清楚：需求是真的，资本是猛的，但"需求之后有没有下一个需求"，没人能给答案。

·   ·   ·

那个没被回答的问题

The Unanswered Question

在展开我的判断之前，我想先把那根刺挑出来——也就是7月那轮下跌真正在怕什么。

这一轮AI资本开支超级周期，钱从哪来？很大程度上来自巨头的资产负债表，以及更下游的信用市场。机制是这样的： hyperscaler 发债、动用自己的自由现金流去建数据中心；赌的是未来的AI用量（推理 + 新应用）能生出足够的现金流，既覆盖债务利息，又赚回高于资本成本的回报。

这个游戏成立的前提，是"未来用量"赶得上"当下承诺的产能"。

7月市场的恐慌，本质就是怀疑这一点：如果可计费的推理需求增长，慢于数据中心的建成速度，就会出现"产能跑在需求前面"的空窗——利用率掉下来，折旧盖不住，债务的利息就开始咬人。这才是"债务循环"四个字真正的含义。

为什么三大云厂的季报能把指数拉回新高？因为它证明了近期的用量是真的：产能利用率高、当下的ROI算得平，短期那笔债还得起。

可我的担忧为什么没散？ 因为季报证明的是"今天的ROI"，没证明"明天的ROI"。前面那座万亿级的、还在 pipeline 里的产能，赌的是一个尚未出现的Killing Scenario。市场为前者鼓掌，对后者选择性失明。只要新的大众级AI应用一日不出现，那道"已承诺资本开支 vs 已验证需求"之间的鸿沟，就始终是悬在头顶的达摩克利斯之剑。

想清楚这一层，后面的"谁获益、谁不获益"才有锚。

·   ·   ·

我能想明白的事

What I've Figured Out

下面是我现阶段能下判断的部分。我把它分成"确定不能获益""确定大概率获益""确定很难获益""也许仍周期""变量"五类，越往后确定性越低。每一条我都尽量说清：我的假设是什么，以及什么会让我改判。

✦ 确定不能获益的：机器人

AGI一定不会很快实现，而Physical AI（机器人）到现在连自己的Scaling Law都还没找到。别说强化学习了，就连最基础的数据训练——到底用仿真还是模拟——行业都还没一个统一标准。眼下最关键的，是先找到类似自动驾驶那样标准化的database来训练。

为什么拿自动驾驶做标杆？因为AV能跑出来，靠的是两样东西同时就位：一是海量、标注清晰、可复现的场景数据（Waymo那种级别的里程），二是一个明明白白的奖励函数（安全 + 前进）。机器人两样都缺。仿真到现实的gap（sim-to-real）大到离谱，真实世界的摩擦力、光照、被推一下怎么反应，仿真里很难穷尽。

所以现在的机器人，在我看来还是一门"演示运动"——视频里翻跟头很精彩，工厂里稳定干八小时活儿很难。它尚且处在一个从VC讲故事赚到PE看报表的过程里，离"能稳定替企业赚钱"还远。

什么会让我改判： 出现一个像自动驾驶数据集那样、全行业公认的机器人训练标准库，并且有一家公司在真实场景里跑出可被审计的"单位工时成本低于人力"。在那之前，我只看不动。

✦ 确定大概率能获益的：台积电、ASML，以及中日韩的设备与材料

以当前的AI竞争格局，各家巨头一定需要更多的芯片——GPU、CPU、ASIC，一样都不少，而且这个需求偏长期。长期芯片需求上涨，最直接受益的就是晶圆代工、设备与材料里那些竞争格局好的公司。

什么叫"竞争格局好"？用户原话是三个壁垒——技术壁垒、资产投入壁垒、生态壁垒。我顺着展开一下：

• ASML的EUV光刻机是终极瓶颈
  。做不了先进制程，就绕不开它；而美国的出口管制又把它变成了地缘 chokepoint，结果反而是——它没有替代品，中国又拿不到，于是其他所有人只能排队等它。管制不但没削弱它的位置，反而把它焊死在垄断位上。
• 台积电的护城河在生态
  。AI芯片最卡脖子的不是逻辑制程，是先进封装（CoWoS），而这恰恰是台积电把设计、制造、封装拧成一条龙之后才有的本事，别人短期抄不走。
• 设备与材料里那些"卡一个不起眼但绕不掉环节"的公司，长期需求是永续向上的。

当然，这里有一个我没法替它圆的隐忧：如果未来真的没有新场景出现，长期需求会不会证伪？我模糊地感到AI应该是有新场景的，但必须诚实承认——AI现在真的不够"智慧"，完全替代不了人，它还是个助理角色。这份不确定，我留着。

我的兜底逻辑： 即便agent渗透比预期慢，光是"训练前沿模型 + 给已部署的模型跑推理"这两件事，本身就能撑住晶圆厂和设备的好几年增长。所以这一层的确定性，不依赖那个还没出现的Killing Scenario，这是它比应用层稳的根本原因。

✦ 确定大概率能获益的：云厂商

逻辑很简单：未来如果AI真的跑出新的应用场景，必然产生更多的调用、更多的推理需求。但代价是——三大云厂商的商业模式一定会变得更"重"，重资产、重投入。

我自己的一个比喻：云厂商正在成为AI经济的"收税路口"。谁掌握了GPU/TPU，谁就掌握了"智能的边际成本"。无论杀手应用是哪家做出来的，它大概率都得租云来跑——除非它自己也是云。

好消息是，这种"重"在未来也许是可预测的；只要利用率够高、不伤到毛利率，对估值的冲击就有限。更关键的是，在绝大多数情景里云都是赢家：杀手应用若是别人做的（某模型公司、某agent平台），它租云，云收租；杀手应用若是云自己做的（比如Copilot），那就更顺，纵向通吃。云唯一会输的情景，是"AI整个熄火"——那才是真正的尾部风险。

什么会让我改判： 毛利率被折旧拖累、利用率明显下滑、且新应用迟迟不来，三者同时发生。目前看，前两者都没出现。

✦ 确定很难获益的：模型公司

DeepSeek的开源，就是一道斩杀线，把模型公司的盈利上限直接压住了。更要命的是，模型想要做闭源部署、去服务大B企业，还得自己组建前端做dirty work的工程团队——连Anthropic最近都在组这样的团队。这说明什么？模型本身正在变得"不那么重要"。

我再加一层我的观察：模型层的护城河，正在从"模型多强"塌缩到"谁有分发渠道"。一旦一个模型过了"可用线"，差异化就转移到了三件事上——(1) 在特定context下的后训练，(2) 套在外面的agent/交互层，(3) 分发。每 token 的单价在持续往下走，这是行业明牌。没有分发渠道的模型公司，说到底是个"功能"，不是"生意"；而有了渠道的（OpenAI 借 ChatGPT 和苹果、Anthropic 借亚马逊和谷歌转售），才勉强保住定价权。

所以模型公司值不值得投，问题要换成：它有没有自己的、别人夺不走的入口？没有的话，再强的模型也只是别人的养料。

✦ 也许依然保持周期的：存储、光模块

这类资产最容易扩产，核心变量就是产能，所以大概率还会保持"周期成长"的波动。长协定价可能会平滑掉一部分周期，但类似长鑫、长存这种体量的玩家，本身就是最大的变量。

回到前面谢博士提到的存储格局。液晶面板的剧本是：韩国曾独霸LCD，中国（京东方们）靠国家背书的大产能追上来，把价格打到韩国活不下去，逼韩国退守到更上的OLED。如果中国在下一代存储上追平韩国，同样的戏码可能重演——韩国退守、中国吃量、全行业利润率在被新产能砸出缺口前先被压缩。长协能延缓，但延缓不等于消除；一旦新产能潮撞上需求平峰，过剩照来不误。

光模块（800G/1.6T）同理：吃这轮建设的近景红利，但模块天然多家能供、能扩，定价压力迟早来。这类资产，我当周期做，不当成长拿。

✦ 变量：下一个范式还在被人追逐

当下的共识是——训练已经没那么重要了，模型与模型之间只是微创新。而这条微创新的路，已经从"模型斗法"转向了"应用推广、场景寻找"。

但我总觉得，这个transformer架构，真的能完成AGI吗？目前AI能做的，只是归纳和演绎，它无法 jump to a real idea——那个真正原创的、跳跃式的洞见，它还给不了。这也是为什么它是顶级助理、却不是发明家。

所以"下一个范式"到底在哪，我诚实地说：不知道。我能确定的是，我们正处在"部署与优化"阶段，而不是"发现"阶段。近景里可投的真相，是微创新带来的渐进改善，不是阶跃式的范式革命。

·   ·   ·

结论

Conclusions

把上面这些摊开，一张"确定性地图"就出来了：

如果说这一轮AI投资有什么是确定的，那确定性几乎全部集中在"卖铲子"的人身上——晶圆代工、半导体设备与材料、云基础设施。越靠近应用端、越靠近"故事"本身，确定性越低。

钱，正在实打实地流进硅片里；但钱，还没找到下一个非买不可的理由。

·   ·   ·

什么会证明我错了

What Would Prove Me Wrong

严谨一点，列三条我自己的认错线：

1. 出现一个大众级的AI杀手应用
   ，日均调用量级堪比今天的搜索或短视频——那应用层与云层的确定性会同时重估，我上面的"应用端不确定"要推翻。
2. 机器人出现标准化训练库 + 真实场景成本跑赢人力
   ——那"机器人短期不获益"要推翻。
3. 三大云厂毛利率被折旧明显拖累、利用率下滑
   ——那"云大概率获益"要打折。

在此之前，我按上面的地图持有我的判断，随时准备被事实打脸。

·   ·   ·

结尾

Ending

写到这里，想起文章开头那个没被抹掉的问号。

2026年7月的那轮下跌，是市场在替我们问了一个它自己都不敢深想的问题：这场靠债务撑起来的资本开支，终局ROI到底在哪？三大云厂的季报暂时把这个问题按了下去，但按下去不等于解决。

投资最怕的，从来不是看错，而是在狂欢里忘记问一句"这笔钱，最后能赚回来吗"。这一轮AI，叙事很性感，但真正能稳稳落进利润表的，可能比我们想象的要少、要慢。

万物皆周期。当所有人都在谈论"这次不一样"的时候，也许最该做的，是退一步，看看谁在真的收钱、谁只是在画饼。

保持独立思考，切忌盲从。与各位共勉。

以上只是一些不成熟的看法和分析，也欢迎有不同意见者一起讨论。A股和美股割韭菜的地方都太多，少踩一个坑是一个。