2026年8月4日这期《Invest Like the Best》中，Gavin Baker 讨论的核心问题并不是“AI 长期有没有前景”，而是一个更具体、也更适合投资者的问题：2026 年 7 月 AI 与半导体股票大跌，究竟是在提前反映 AI 基本面转弱，还是资本市场情绪暂时脱离了真实产业数据？

他的答案非常明确：至少在当时，他还没有看到 AI 基本面真正转弱的证据。 相反，GPU 租赁价格、Token 使用量、HBM 与内存价格、AI 模型公司的业务增长，以及 Hyperscaler 对算力的需求，都仍然表现出明显的紧张状态。因此，与其通过 NVIDIA 或半导体股票的涨跌判断 AI 泡沫是否破裂，不如直接观察几个更接近产业真实供需的指标：GPU-hour、Token 增长、GPU 利用率、HBM 长协执行情况，以及 Hyperscaler 的经营现金流。

1. 2026 年 7 月：股价像经历了一次压缩版的 2022 年，但基本面并没有同步恶化

Gavin 将 2026 年 7 月形容为“把 2022 年压缩进了一个月”。很多 AI 和半导体股票在极短时间内从高点下跌 40%—60%，市场迅速形成了一套悲观叙事：AI CapEx 已经过度、Hyperscaler 自由现金流恶化、GPU 即将过剩、开源模型压低 Token 价格、HBM 长协会在未来供给过剩时崩溃，最终所有云厂商都会削减 AI 投资。

但 Gavin 的问题是：如果这个逻辑已经开始发生，为什么真实产业数据几乎没有体现出来？

他在硅谷反复寻找能够证明 AI 需求放缓的数据，却发现相反的现象仍然存在：GPU 可获得性依旧紧张，Blackwell 租赁价格没有下跌，部分情况下甚至明显上涨；DRAM 和 HBM 价格仍然坚挺；OpenAI、Anthropic、各类 AI Native 软件以及 inference cloud 的业务继续增长；Token 总量也没有表现出明显见顶迹象。

因此，他认为市场在 2026 年 7 月交易的是一种“未来 AI CapEx 会失败”的预期，而不是正在发生的产业现实。真正值得投资者注意的，不是股价已经跌了多少，而是GPU 和 Token 的真实价格、利用率和使用量有没有同步转弱。

2. 判断 AI 泡沫最重要的指标之一，是 GPU-hour，而不是 NVIDIA 股价

视频中最重要的具体数据之一来自 Blackwell GPU 的租赁市场。一家企业大约七个月前租用数千张 Blackwell GPU，价格大致处在 2 美元多/GPU·小时；到了续约时，同等 B200 集群的价格希望能够控制在 4 美元/GPU·小时以下。换句话说，短短七个月时间，市场价格反而上涨了大约 50%—60%。另有 inference cloud 公司表示，未来 Blackwell 合约续约时，甚至可能需要支付当前约两倍的价格。

这件事与市场的主流预期完全相反。过去几年，大多数投资模型都默认：随着 GPU 性能不断进步，单位算力成本应该下降，所以 GPU-hour 价格会逐渐下行；更悲观的人则认为，一旦算力大规模扩产，GPU 租赁价格最终会暴跌。但现实中，如果 AI 数据中心已经明显过剩，最先出现的现象应该是 GPU 利用率下降、租赁价格下跌、二手 GPU 价格走弱，而不是 Blackwell 价格继续上涨。

因此，Gavin 提出了一个非常实用的判断框架：AI CapEx 泡沫真正破裂时，GPU-hour 应该首先出问题。 如果未来 Blackwell、Rubin 等主流算力价格持续快速下降，同时 GPU utilization 也同步下滑，那么才意味着供需关系真正反转。相反，只要 GPU-hour 仍然坚挺，就很难说 AI 基础设施已经进入明显过剩。

3. Hyperscaler 自由现金流下降，并不能直接证明 AI CapEx 没有回报

市场对 AI CapEx 最强烈的质疑之一，是 Amazon、Microsoft、Google、Meta 等公司自由现金流越来越少，而 NVIDIA、HBM 厂商以及整个半导体产业链的现金流越来越好。看起来像是 Hyperscaler 把自己的利润全部转移给了半导体企业，因此市场很容易得出结论：AI 基础设施的经济收益都被 NVIDIA 拿走了，云厂商最终会因为回报率不足而减少投资。

Gavin 认为，这种分析最大的问题是只看到了价值链的一半。AI CapEx 最终创造的是 Token，而 Token 又转化成 AI 产品和服务收入。大量最重要的 AI 经济活动目前并不发生在上市 Hyperscaler 的财务报表上，而是在 OpenAI、Anthropic、xAI、Cursor、Fireworks、Together、Baseten、Modal 等私人公司中形成，因此简单比较“半导体 FCF 上升、Hyperscaler FCF 下降”，很容易遗漏整个私人 AI 经济的收入增长。

更重要的是，投资期最应该观察的并不是 FCF，而是 Operating Cash Flow。 FCF 等于经营现金流减去 CapEx，当云厂商主动进行史无前例的数据中心建设时，FCF 下降几乎是必然的。真正危险的情况是 OCF 没有增长，而 CapEx 不断增加；如果 OCF 本身也在快速增长，那么下降的 FCF 可能只是高回报再投资的结果。

Gavin 给出一个非常激进但值得思考的估计：如果未来 Blackwell 和 Rubin 的算力变现水平仍然明显高于历史 Ampere GPU，那么 Hyperscaler 未来经营现金流可能不是市场普遍预期的 1.3—1.4 万亿美元，而有机会接近 2 万亿美元。这意味着潜在多出约 7000 亿美元经营现金流。如果这一判断成立，原本市场担心 AI 数据中心需要依靠约 7000 亿美元外部信贷融资的问题，就可能大幅减轻，因为大量 CapEx 可以由内部现金流承担。

所以 AI CapEx 能否持续，真正的问题不是“投资金额是不是太大”，而是：这些资产最终能生产多少 Token，这些 Token 能卖多少钱，以及它们能够产生多少经营现金流。

4. Gavin 并不是忽视风险，他真正担心的是信用市场和融资机制

Gavin 并没有认为 AI CapEx 没有风险。他明确指出，如果未来 AI Infrastructure 的扩张越来越依赖债务，那么信用市场会成为整个周期真正的薄弱点。实际利率上升、Hyperscaler CDS spread 扩大、新发债定价恶化，都可能提高融资成本；一旦 AI 数据中心只能依靠越来越多的债务维持扩张，整个产业就会逐渐呈现传统资本周期的特征：资本大量进入、供给扩张、回报率下降、信用收紧，最终 CapEx 崩溃。

因此，市场担忧并非完全没有道理，关键在于一个条件：AI Infrastructure 是否必须依赖大量外部融资。 如果 GPU 和 Token 变现能力足够强，Hyperscaler 经营现金流能够同步扩大，那么原本需要通过债券、银行和私募信贷融资的部分，可以被内部现金流替代，整个周期的稳定性会明显提高。反过来，如果未来 OCF 低于预期，但 CapEx 仍然继续高速增长，就必须高度警惕 AI 资本开支逐渐从“高回报再投资”转向“信用推动的过度投资”。

这也是为什么 Gavin 对信用市场的重视程度甚至高于很多半导体技术指标。AI CapEx 的终极风险未必是 NVIDIA 芯片卖不出去，而可能是信用体系开始拒绝为低回报算力资产继续融资。

5. 开源模型并不必然利空 GPU，反而可能把价值从模型层转移到基础设施层

另一个流行的熊市逻辑是：Kimi、GLM、Llama、Nemotron 等开源模型越来越强，Token 价格越来越便宜，OpenAI 和 Anthropic 的高毛利率模型收入最终会受到冲击，进而削弱整个 AI 基础设施的投资回报。

Gavin 认为，这个逻辑只看到了“收入价格”，没有看到“Token 数量”。无论一个 Token 来自 GPT、Claude，还是 Kimi、GLM、Llama，最终都需要 FLOPs、内存和电力。开源模型真正压缩的，可能是模型层的毛利率，而不是底层计算需求。例如高端 frontier model Token 的毛利率可能接近 90%，开源模型服务的毛利率可能只有 30%，当用户从昂贵模型转向开源模型时，模型公司的收入和利润率会下降，但 GPU、HBM 和数据中心所承担的计算量并不会凭空消失。

更重要的是，Token 价格下降可能显著刺激 Token 使用量。 如果 Token 单价下降 10 倍，但 Agent、Reasoning、Synthetic Data、Evaluation、自动代码生成等应用让 Token 消费量增长 100 倍，那么底层 Compute Demand 仍然增长 10 倍。这与带宽、存储和云计算历史上多次出现的 Jevons Paradox 类似：单位成本越低，应用范围越广，总需求反而越大。

因此，Gavin 认为未来可能出现一种分层结构：最昂贵的 frontier model 负责规划、判断和管理，而大量普通任务由便宜的开源模型处理。可以理解为“IQ 160 的模型管理大量 IQ 120 的模型”。这样一来，开源模型并没有消灭 frontier model，而是让高端智能成为一种更稀缺、更有价值的“AI Manager”；底层则由大量廉价 Token 承担执行。对于 NVIDIA、HBM 和 inference infrastructure 来说，这种结构未必是坏事。

6. HBM 长协为什么可能比传统 DRAM 周期更稳定

市场对 AI 半导体的另一个担忧来自经典存储周期：供不应求时客户签长协、厂商扩产，随后供给过剩，客户撕毁合同，价格暴跌。很多人担心 2027—2028 年 HBM 扩产完成后，也会重复这一过程。

Gavin 认为这轮的博弈结构与传统 DRAM 明显不同。过去最大的内存客户类似 Apple，单一买家的议价能力非常强；而 AI 时代同时存在 NVIDIA、AMD、Google TPU、Amazon Trainium 等多个巨大买家，其中 NVIDIA 的需求规模甚至可能超过其他几家之和。假设未来 Google 认为 HBM 已经过剩，要求 SK Hynix 大幅降低长期协议价格，否则撕毁合同，供应商并不一定只能接受，因为这部分 HBM 产能完全可以重新分配给 NVIDIA、AMD 或 Amazon。

问题在于，一旦 Google 因为压价或违约失去优先供货权，后续 HBM 再度紧缺时，TPU 出货量就可能受限，最终直接影响 Google 的 Token 产能和 AI 市场份额。因此对于 Hyperscaler 来说，HBM 长协不仅是一份采购合同，也是未来算力供给的战略保障。在 AI 竞争如此激烈的环境中，主动破坏与 HBM 供应商的长期关系，机会成本可能远高于节省下来的采购价格。

这也意味着半导体产业链可能不会追求短期价格无限上涨。对 NVIDIA、HBM 厂商和 Hyperscaler 来说，更健康的均衡可能是“价格上限 + 价格下限 + 长期数量承诺”：供应商牺牲部分短期暴利，客户换取长期稳定供应，共同避免 Token 成本过高而压制最终需求。

7. AI 算力的重心正在从 Training 转向 Inference，专用 ASIC 的空间会越来越大

视频还强调了一个对半导体投资非常重要的变化：AI 算力需求正在越来越由 Inference 驱动，而不是传统的大模型预训练。 未来算力将大量用于用户推理、Reasoning、Agent、Synthetic Data、Post-training 和 Evaluation，因此即使训练算法变得更加高效，整体 AI Compute Demand 也未必下降。

Gavin 认为真正值得警惕的技术风险之一是 Sample-efficient Learning。如果未来模型可以用更少数据、更少训练 Token 学到同样的能力，例如过去需要 300 万亿训练 Token，未来只需要 100 万亿，那么 Training Compute Demand 确实可能显著下降。但由于 Inference 在总算力中的占比越来越高，这种冲击可能已经不像两三年前那么致命。

与此同时，Inference 本身也可能越来越专业化。LLM 推理可以拆分成 Prefill、Attention、Feed-forward 等不同阶段，不同阶段对 Compute、HBM bandwidth、memory capacity 和 SRAM 的需求完全不同。未来不一定所有任务都由通用 NVIDIA GPU 完成，可能形成 Prefill 使用高计算芯片、Attention 使用 HBM-heavy accelerator、Feed-forward 使用 SRAM accelerator 的异构体系。

这意味着 Broadcom 型定制 ASIC、自研 TPU、Trainium，以及各种 inference accelerator 的重要性可能继续提高。但这不必然意味着 NVIDIA 总需求下降，因为更低的单位 Token 成本会扩大整个 AI 应用市场。更合理的理解是：AI Compute 市场会越来越大，同时内部结构越来越多元化。

8. AI 资本周期真正值得监控的五个指标

如果把 Gavin 整期视频压缩成一套可以长期使用的投资监控框架，最重要的其实只有五个指标。

第一是 GPU-hour。这是 AI 算力最直接的供需价格。如果 Blackwell、Rubin 租赁价格持续坚挺甚至上涨，说明 Compute 仍然短缺；如果未来租赁价格持续快速下降，同时 GPU utilization 也恶化，才是真正的危险信号。

第二是 Token 总量增长。不要只看 AI 收入，因为开源模型会让 Token 单价下降，却可能刺激 Token 数量爆发。对于 GPU 和 HBM 来说，真正重要的是总计算量，而不是模型公司每百万 Token 收多少钱。

第三是 Hyperscaler Operating Cash Flow。AI CapEx 高企期间 FCF 下降并不能直接说明投资失败，关键是 OCF 是否同步增长。如果 OCF 加速、CapEx 同时增加，属于高回报再投资；如果 OCF 停滞而 CapEx 继续增长，则越来越接近过度投资。

第四是 HBM 价格与 LTA 执行情况。如果未来出现 HBM 现货价格下跌、客户重新谈判长期协议、供应商库存增加三者同时发生，AI 半导体周期风险就明显上升；如果 HBM allocation 仍然紧张，长期合同正常执行，则说明供应链瓶颈依旧存在。

第五是 GPU utilization。真正的 AI 泡沫破裂应该首先体现为 GPU 空闲时间增加、租赁价格下降、二手价值下降。如果只是半导体股票跌了 30%—40%，而这些真实经营指标没有恶化，那么更多可能是估值和市场预期调整，而不是产业周期已经反转。

9. 最终判断：不要问“AI CapEx 太大了吗”，而要问“这些 CapEx 能生产多少有价值的 Token”

Gavin Baker 整套观点最终可以归结为一个非常简单的判断框架。市场习惯通过 CapEx 的绝对规模判断泡沫：几千亿美元的数据中心、越来越低的自由现金流、越来越高的半导体收入，看起来天然像一次过度投资。但 Gavin 认为，资本开支本身从来不能证明泡沫，关键是资产回报。

如果 AI Capability 持续提高，推动更多应用出现，Token Demand 快速增长，GPU-hour 保持高位，Hyperscaler AI 收入和经营现金流继续扩大，那么巨额 CapEx 可能只是高回报资产的加速建设；甚至现在看起来过于激进的投资，几年后反而可能被证明仍然不够。相反，如果未来 Token 增长停滞、GPU 利用率下降、GPU-hour 持续下跌、HBM 长协开始松动、Hyperscaler OCF 又无法跟上 CapEx，那么 AI Infrastructure 才真正进入经典资本过剩周期。

因此，这期视频最值得长期记住的一句话并不是“AI 没有泡沫”，而是：

不要通过 NVIDIA 股价判断 AI 泡沫，而要通过 Token、GPU-hour、GPU utilization、HBM 供需和 Hyperscaler Operating Cash Flow 判断。

截至这期节目录制时，Gavin 看到的是 Token 增长、GPU 需求紧张、GPU-hour 坚挺、Memory 价格强势和 AI monetization 改善，而不是相反。因此他仍然认为，2026 年 7 月 AI 股票的大跌更多是市场提前交易一个尚未在真实产业数据中出现的衰退。

当然，他的观点也有明确的可证伪条件：如果未来 Token 增长明显停滞 + GPU 价格持续下降 + GPU 利用率下降 + Hyperscaler OCF 低于预期 + 信用市场开始拒绝继续为 AI Infrastructure 融资，那么这套 AI CapEx Bull Case 就需要重新评估。

从投资角度看，如果只能选两个最值得持续追踪的领先指标，我会选择：

Token 总量增长，以及主流 NVIDIA GPU 的真实 GPU-hour 市场价格。

前者回答“最终 AI 使用量还在不在高速增长”，后者回答“现实世界中的算力到底是过剩还是短缺”。两者如果同时持续恶化，才可能是这一轮 AI 基础设施周期真正见顶的强信号。