第一章　钱比算力更早成为约束

   本文原始出发点是，本·汤普森（Ben Thompson）在近期在博客上的的一场深度对话，同时给出了8项判断，它的核心命题可以压缩成一句话：「我相信 AI，我也担心我们能否撑到它真正产生足够回报的那一天。」重量在后半句。前半句是共识，后半句才是判断——它把讨论焦点从「AI 能不能行」搬到「AI 的资金链能否撑到它行的那一天」。这个搬移换掉了整套分析框架。约束是技术时，该问模型能力曲线与数据墙；约束是资本时，该问的是另一套问题：每一美元资本支出的资金来源是什么，这个来源的久期多长，资产的经济寿命多长，缺口由谁填补，回报延迟两年时谁在接锅。这些答案不在评测榜单里，在现金流量表、债券条款和折旧假设里。

一、八项判断的内在结构

八项判断表面上散布在地缘、金融、半导体、商业模式四个领域，实际由同一条推理线串起：算力正从差异化产品退化为大宗商品；大宗商品由边际供应商的成本服务定价，而非由需求强度定价；因此稀缺期算出的回本周期在充裕期一定不成立；而通往充裕期的路上，资本可能先耗尽。

这样排列之后结构就清楚了：第 4 项是公理，第 2 项是主定理，第 8 项是推论，其余五项是不同约束下的应用题。

二、资本曲线的四级下行

汤普森用「沿资本曲线下行」描述当前的融资轨迹。这条曲线有四级台阶，每下一级，成本更高、约束更多、可持续性更差。

图 1-1　资本曲线的四级下行

“再往后钱从哪来？”  — 本·汤普森谈资本曲线第四级之后（转述性引用）

这不是修辞。第四级已是全球资本市场久期最长的一层，它之下没有第五级。因此「沿资本曲线下行」本身就是一个倒计时指标：一家公司在这条曲线上的位置，比它的营收增速更能说明它距离约束边界还有多远。表中第三行的信息量最大——一家账面现金充裕的公司选择发股并同时停止回购，是关于资金约束最强的信号，因为这个决定只在内部资金确实不足时才需要做。

三、资金断层的准确含义

汤普森用 air gap 指称一个具体的时间结构：数据中心的建设与付款按当前节奏推进，而 AI 收入的规模化兑现晚两到三年，中间形成既无自有现金流覆盖也无收入接棒的真空期。断层不是「AI 没有收入」，而是「两条时间轴不对齐」。

图 1-2　资金断层：支出曲线与回报曲线在时间轴上错开

这个区分排除了两种误读。其一是把汤普森归入 AI 怀疑论者——他明确相信 AI，问题只在时序。其二是认为只要 AI 有用就没有风险——但期限错配的风险独立于资产的最终有用性，19 世纪的铁路极其有用，这并没有阻止修建它们的公司大批破产。

一个容易被跳过的折损系数  2026 年四大厂商资本支出同比增长约 77%，但交付的算力并没有增长 77%。相当一部分美元增长被上游元器件价格通胀吃掉——高带宽内存的生产挤占了传统 DRAM 晶圆产能，微软自己披露约 250 亿美元资本支出属于元器件涨价，主要来自存储。「支出翻倍」与「能力翻倍」之间存在一个被普遍忽略的折损系数。

四、论述方法说明

本文以对话的核心判断为骨架，用公开财报、监管披露与研究机构测算做纵深拓展，并引入中国算力产业作为对照样本。对汤普森原始表述的引用以背景信息与公开报道的转述为依据，文中引号处均为转述性引用。本文不设事实核验章节。批判性内容以另一种方式呈现——在每项判断展开后直接给出其边界条件、反面证据与未决问题，作为分析的组成部分。对一组前瞻性判断而言，「它在什么条件下不成立」比「它是否与某个数据点吻合」更有信息量。

第二章　期限错配：铁路类比的力量与裂缝

铁路类比是全部论证中最有力也最脆弱的一环。有力，因为它精准指出了金融结构缺陷；脆弱，因为它在资产寿命这个维度上与本轮存在数量级差异。而那个裂缝的位置，恰好是本轮最重要的结构性特征。

一、类比成立的三个层次

第二层是类比最强的一层。汤普森的表述是：「修一条铁路并从中赚钱是十年甚至几十年的事，但你必须在短期发债来支付建设，结果世界的钱用光了。」三个要素缺一，期限错配就不构成危机；本轮三个都对应上了。

图 2-1　泡沫的两种命运：公司消失而基础设施留存

他还提到一个闭环：伯克希尔当年从铁路赚到的钱，现在正在给谷歌的 AI 基建融资。资本从上一轮基础设施的残值中获得回报，再投入下一轮——这个循环本身就是对「泡沫留下有用资产」的最好注脚。

二、裂缝：资产寿命的数量级差异

铁轨的经济寿命是一百年，光纤是几十年，而 AI 基建里最贵的部分远短于此。国际清算银行在 2026 年 6 月判断，高端 GPU 与高速光模块的实际经济使用寿命只有 2.5 至 3 年，而企业普遍按 5 至 6 年计提折旧。微软披露约三分之二资本支出投向 5 至 6 年折旧期的短寿命资产，并计划从 2027 财年起把建筑寿命假设从 15 年延长到 25 年。

图 2-2　三类资产经济寿命对照：铁轨约一百年、厂房与电力设施约 25 至 40 年、AI 芯片约 2.5 至 3 年

本文的第一项独立判断  「泡沫破了但资产留下来」这个推论对本轮只部分适用，而且适用的那一部分恰好不是花钱最多的那一部分。真正会留存的是电力生产与输送能力、数据中心外壳、变电与冷却设施；占支出主体的加速卡在两到三代之后残值将大幅衰减。这不是对汤普森的否定——他自己的结论正是「这轮最可能的遗产是电力基础设施」。但这个区分在实践中被大量引用者忽略了，他们把铁路类比读成「所以不用担心」，正确的读法是「所以要区分哪部分资产能留下」。

三、折旧的机械后果

  折旧的严重性不在会计准则本身，而在它的机械性。2026 年四大厂商计划支出的约 7450 亿美元，将从 2027 年起转化为每年超过 1000 亿美元的折旧费用流经损益表，无论 AI 收入是否按期出现。应对手段是延长使用寿命假设，但每一家都已用过一次，再用一次的空间不大——而且在实际寿命被判断为 2.5 至 3 年的背景下，继续延长会加大账面与经济现实的偏离。

一个反向的乐观数据

有必要给出对立面。一组测算显示，AI 经济现在每 1 美元基建折旧对应约 1.19 美元的超大规模厂商与新云公司收入，而一年前低于 1.0。按这个口径，折旧覆盖率不仅为正而且在改善。它的边界在于口径：统计的是基建侧收入（云租赁与算力售卖），不是终端应用侧收入。它衡量的是「算力卖得出去」，不是「买算力的人赚到了钱」。

红杉的 David Cahn 用另一个口径给出相反图景：超大规模厂商的 AI 基建支出与 AI 生态实际终端用户销售之间存在约 6000 亿美元的年度缺口，2026 年在扩大。两个数据不矛盾，它们描述链条的不同环节——基建侧的账已打平转正，应用侧的账还差得远。这正是期限错配的另一种表述：钱已从投资者流到基建，还没从最终用户流回来；中间那段目前由预售合同与积压订单支撑，而这些高度集中于少数交易对手。

四、与前两轮的三个关键不同

第一项是本轮最重要的缓冲。铁路时代破产的是只有铁路一项业务的公司，而今天做资本支出的四家，每一家都有一项高利润率主业在产生现金，「破产潮」这种形态的出清概率不高。

但它同时是最大的隐患，因为它把风险从「很多家公司分别承担」变成了「四家公司共同承担同一个赌注，整个技术栈里没有任何分散」。若企业级采用速度哪怕略微低于预期，这四家会被同时重估——而它们合计占据美国主要股指的相当权重。这是与铁路时代完全不同的传导路径：不通过信用市场的连锁违约，而通过股权市场的同步重估。

未决问题  本轮长期合同提供了多少真实保护，取决于交易对手的偿付能力。谷歌云 5140 亿美元积压订单、微软 6250 亿美元商业剩余履约义务、甲骨文 6380 亿美元剩余履约义务，这些数字的质量差异极大——其中相当部分对手方是尚未盈利的 AI 实验室，其付款能力又依赖下一轮融资。这构成链式依赖，强度无法从积压订单的绝对值中读出。

第三章　实证：四家的现金流转折

上一章论证机制，本章检验它是否已在报表上显形。结论是已经显形，而且比多数人预期的更早、更整齐。2026 年的标志性事件是自由现金流这一项集体转向——这是本轮从「用赚来的钱扩张」进入「用借来的钱扩张」的分界线。

一、总量

谷歌、亚马逊、微软、Meta 四家自 2023 年以来已累计支出约 1.1 万亿美元资本支出，而 2026 年一个日历年度计划支出约 7450 亿美元——一年的支出将接近前三年的总和，相对 2025 年约 4100 亿美元增幅约 77%。

美国银行的预测把负自由现金流延伸到 2028 年（约负 1860 亿美元），即按当前指引推演，超大规模厂商群体将连续三年整体处于自由现金流为负的状态。摩根士丹利称之为「前所未见」，2026 至 2027 年估算在六个月内被上调约 6300 亿美元；资本支出占销售额比率在 2026 至 2028 年可能达 38%、44%、45%，而互联网泡沫的峰值约为 32%。无论用哪个口径，本轮资本密度都已超过 2000 年峰值。

图 3-1　自由现金流曲线穿越零轴：从正到负的集体转向

二、逐家关键事实

“即便是这个数额，我们在 2026 年仍无法满足全部需求，我相信 2027 年也是如此。事实上我们已经拿到的 2028 年需求相当惊人。”  — Andy Jassy 谈 2200 亿美元指引（转述性引用）

这段表态是对「产能过剩」叙事最直接的反驳，必须认真对待。它的边界在于，「需求」在这里指签约意愿与算力预订，不等于最终付款能力。亚马逊的自研加速卡承诺包括为 OpenAI 约 2 吉瓦、为 Anthropic 最高 5 吉瓦——两家都尚未盈利，付款能力取决于自身的下一轮融资。需求真实存在，但需求的资金来源与超大规模厂商的资金来源，最终指向同一个资本池。

微软管理层的两条反驳同样有分量。首席财务官 Amy Hood 指出，「如果需求环境变化，你只需放慢那个实际上是最大组成部分的东西」——即短寿命的芯片采购；她还称最大客户的 GPU 合同「是按 GPU 的整个使用寿命签订的」。第一条成立且是本轮与铁路时代的实质区别：铁路修一半是彻底的沉没成本，而芯片采购可按季度调节。这是短寿命资产在风险管理上的意外优势——寿命短意味着承诺期也短。第二条只覆盖已签约容量，而未履行的 Azure 积压订单约 800 亿美元，微软自己说明其约束主要来自电力而非客户兴趣。

三、表外承诺：可见数字被低估

资本支出这个科目并未反映全部承诺。穆迪测算，超大规模厂商有约 6620 亿美元已签署但尚未开始的数据中心租赁承诺，在美国通用会计准则下处于表外。上面所有数字都是承诺总量的下限而非全貌。

图 3-2　表内资本支出与表外租赁承诺的规模对照

微软那笔把融资租赁改为经营租赁的重分类与这个问题是同一件事的两面：同一笔经济承诺在不同会计分类下会出现在不同位置，甚至从资本支出科目中消失。对分析者而言，必须把租赁承诺与购买义务的附注一并纳入，才能得到真实的承诺规模。

四、市场机制的转变

最后记录一个不在财务数据里、但可能更重要的变化。两年前上调资本支出被解读为需求强劲、股价上涨；现在同样内容的公告引发相反反应。市场对资本支出的定价函数从「支出等于机会」翻转为「支出等于风险」。

一旦翻转发生，融资条件会自我强化地收紧：股价下跌抬高股权融资的稀释成本，信用价差走阔抬高债务成本，两者同时挤压资本曲线的第二级与第三级。这也解释了英伟达为何要去构造第四级的长期资本池——不是因为前三级已耗尽，而是因为前三级的成本正在上升。

本文的第二项独立判断  谷歌财报后次日股价下跌约 7% 并拖累另外三家，其信息量大于任何单一财务指标。它说明市场已经开始把四家当作同一笔交易来定价，而不是四家独立公司。这种相关性的上升是本轮最被低估的风险——不是某一家撑不住，而是四家在同一个消息面上同步反应，而它们合计占据美国主要股指的相当权重。风险传导路径因此不是信用市场的连锁违约，而是股权市场的同步重估。

第四章　商品化：隐性降价、护城河迁移与定价铁律

汤普森说科技行业普遍不懂大宗商品周期，这个批评比听起来更严厉。它的意思不是从业者算错了数，而是他们在用一套错误的定价模型思考一类已经改变了性质的资产。本章先给出这套正确的模型，再用它解释英伟达当前的一系列反常动作。

一、大宗商品定价的两条铁律

第一条：价格由边际供应商决定。不是平均成本，不是最低成本生产者，而是为满足最后一单位需求必须启用的那个最贵供应商的成本。后果是只要需求下滑一点、把最贵的供应商挤出市场，全市场价格就会跌到下一个供应商的成本线——跌幅与需求跌幅完全不成比例。

第二条：成本服务是唯一长期要紧的事。品牌、生态、先发优势在大宗商品市场都会被磨平，因为买方最终只比较单位成本。

汤普森的判断条件很清晰：如果一个产品具有高固定成本、低边际成本的结构，它最终会像集装箱运输或存储芯片一样表现。数据中心与推理服务正好符合这个描述。

图 4-1　大宗商品的定价结构：高固定成本、近零边际成本，价格由最右侧的边际供应商决定

最具操作意义的一条推论  当前几乎所有 AI 数据中心的回报测算都以当前算力租赁价格为输入，而当前价格是稀缺期价格。在稀缺期算出的回本周期在充裕期不会成立，而且失效方式不温和——按第一条铁律，价格会跌到边际供应商的成本线；而在高固定成本行业里，资产一旦建成，理性运营者的报价底线是能覆盖电费与运维的边际成本，而不是能覆盖折旧的全成本。也就是说在充裕期，运营者会以无法回收资本投入的价格继续售卖算力，因为停机的损失更大。任何基于当前价格的投资模型都应同时给出「价格跌至边际成本」情形下的结果；如果那个情形下项目无法存活，它的实质是对稀缺期长度的押注，而不是一项基础设施投资。

二、短缺会自我修复，但路径不是单调的

短缺自我修复的机制就是两条铁律的必然结果：高价吸引产能进入，产能过量，价格崩塌。但汤普森指出一个重要的路径特征——因为晶圆厂的交付周期长于数据中心的交付周期，短缺会先恶化再改善。今天签下的资本承诺要到 2028 或 2029 年才形成产能，在此之前数据中心的建设速度可以快于芯片产能增长速度。这产生了一个反常组合：未来两到三年内，价格上涨与产能过剩的种子在同时积累。

市场已经开始给出信号：英伟达高端芯片现货价格较高点下跌约 40%，库存积压超 200 万块；光模块从 800G 快速迭代至 1.6T 与 3.2T；上游订单已锁定至更远期，中际旭创与新易盛的 2027 年订单基本锁定。一个可直接借用的历史参照是 5G 与传统数据中心的建设周期：集中建设期上游硬件企业利润暴涨，基建完成后设备需求同比下滑 40% 至 60%，行业增速直接腰斩。这条走势与两条铁律的推论完全一致，提供了一个不依赖 AI 特殊性的基准预期。

三、英伟达的隐性降价

英伟达账面毛利率仍处极高水平，这是「一切正常」叙事最有力的证据。汤普森的反驳不是质疑这个数字，而是指出维持它的方式已经改变。

机制是：英伟达为新云公司提供最高约 25% 的残值背书，换取它们承诺购买算力到 2030 年。有了这层背书，新云公司能以更低成本融资，从而有能力下单。汤普森的追问直指要害——「为什么这些公司能拿到更低的融资成本？因为英伟达承担了风险。而承担风险是有代价的。」

“风险从不消失，它只是出现在别的地方。”  — 本·汤普森（转述性引用）

这句话是全篇的枢纽，它提供了一个统一的检查方法：任何一处「风险似乎降低了」的观察，都应立即转为「风险转移到哪里去了」的追问。

图 4-2　账面价格不变而风险下移：残值背书的经济实质是变相降价

公开表述可与上述分析直接对照。黄仁勋说明公司与六家大型资管机构合作建立独立融资平台，动员超过 5000 亿美元第三方资本，并提出「AI 工厂算力正在成为一种可投资的资产类别」与「在 AI 领域，算力就是收入」。汤普森的解读是：这与谷歌发股融资性质完全不同——发股稀释上行但不给公司加风险，而这个结构是通过找到愿意承担风险的新资本池来保住英伟达的利润率；英伟达以最高 25% 的残值担保为其兜底，说明黄仁勋比市场更相信自己的叙事。

一个值得注意的因果方向  汤普森指出这个担保是谷歌（以及很快是亚马逊）激进行为的下游结果。逻辑是：如果新建数据中心的真实约束是资本而非每美元 token 效率，那么更低的前期价格就可能比更高的芯片性能更重要——谷歌用自研加速卡打的正是这个点。担保因此不是英伟达主动的金融创新，而是被一场以资本成本为战场（而非以性能为战场）的竞争逼出来的应对。

四、护城河迁移与真正的长期威胁

汤普森判断软件生态护城河已「显著削弱」，理由简洁：模型本身并不真正关心它跑在什么硬件上。更准确的表述是，生态锁定的价值集中在需要手写高性能算子、探索新架构的场景，而这些场景在推理负载中的权重正在快速下降。当工作负载从「研究者写各种实验代码」转向「大规模跑几种已固化的推理」时，编译器与运行时的成熟度就足以覆盖。推理是标准化的、可比价的、对底层实现不敏感的——这正是大宗商品的定义特征。

图 4-3　自研芯片的路径：从内部自用到对外销售，竞争维度从性能转向成本

关键是第二行。云厂商可以接受自研芯片本身不赚钱，因为价值体现在整体云业务的毛利率与议价能力上。一个不需要自己赚钱的竞争者，是任何以产品毛利为生的供应商最难对付的对手。两个已发生的事实标志这条路径从可能变为现实：谷歌已把约 20% 的自研加速卡产能卖给 Anthropic；亚马逊基本确认其自研加速卡最终会对外出售。

五、英伟达最希望发生的事：电力成为硬约束

一个反直觉但逻辑严密的推论：英伟达最希望电力成为算力的硬约束。如果约束是芯片供应量，客户会尽可能多买任何能买到的芯片，效率不是决定因素；但如果约束变成电力——即每兆瓦能装多少有效算力才是瓶颈——那么单位能耗下 token 产出最高的芯片会重新获得溢价，而英伟达在这一项上仍领先。

问题在时机。汤普森的观察是电力约束出现得比所有人预想的都慢，包括黄仁勋本人——美国正在重启核电站、加速开采西德州天然气，供给侧响应比预期更快。而这段被延后的时间，恰好是竞争者需要的时间：亚马逊有更多时间改进自研加速卡，谷歌有更多时间让自研芯片达到全面竞争水平。

该判断的地域边界  这个结论有明确的地域性。第五章将说明，在中国电力约束已从隐忧变为现实的硬性约束——2026 年起枢纽节点新建项目绿电占比要求不低于 80%，无绿电指标项目无法落地。「电力何时成为硬约束」这个问题在两个市场有完全不同的答案，直接影响能效领先者的溢价能力。汤普森的判断在美国语境下成立，但不能全球化推广。

六、一个方向相反的力量

为避免论证单向，必须给出反向机制。算力单位成本下降并不必然导致总支出下降，历史上通常导致总支出上升——这是杰文斯悖论。一个直接观测是日均 AI token 调用量从 2024 年初约 1000 亿飙升至 2026 年 3 月超过 140 万亿，两年增长超千倍，单位价格下降是这个增长的原因而非结果。

两者如何共存？它们作用在不同变量上：杰文斯悖论保证总需求量持续扩张，大宗商品逻辑保证单位利润率持续压缩。同时成立的世界是这样的：算力总市场继续快速增长，但在其中赚取超额利润越来越难，价值从供应环节向应用环节与能源环节转移。对以芯片毛利为生的供应商这是坏消息，对以算力为投入品的应用方是好消息，对电力生产者是长期的好消息——这正是「最持久遗产」判断的经济基础。

第五章　风险的去处：台积电、硅盾与四种定位

本章处理两组判断：一是地缘悖论——美国若在 AI 上取得绝对军事优势反而可能触发台积电被摧毁的风险；二是四家巨头在商品化世界里的定位差异。两组判断共享同一个方法：追踪风险被转移到了哪里，以及在算力商品化之后你拥有的还剩下什么。

一、台积电为什么在需求加速时放慢扩产

一个容易被忽视的事实：台积电在 2023 至 2025 年的增速是下降的，而这三年恰好是 AI 需求加速最猛烈的三年。这不是能力不足，而是有意选择。原因在资产性质——一座先进制程晶圆厂预期运行约 30 年，多建产能意味着接受数十年的固定成本拖累。对一家经历过多轮半导体周期的公司，「在需求高峰期按高峰需求建产能」是最经典的破产原因。

但这个理性选择的后果不会消失，只会转移。汤普森的表述是：「台积电不想承担过剩风险，于是科技公司承担了算力短缺的代价——那就是大量本可赚到却没赚到的钱。」关键词是「放弃的收入」——一种不出现在任何报表上的成本。

图 5-1　风险的转移路径：代工厂的保守扩产把短缺成本推向下游客户

二、完整的风险转移链条

把两处风险转移合起来，可以画出一条完整链条。本文认为这是汤普森框架中最有分析价值的部分。

“如果回报没有出现，究竟是谁在接锅？”  — 本·汤普森的方法论之一（转述性引用）

这条链条最值得注意的性质是：每一环的参与者都是理性的，每次转移都是自愿的市场交易，每一环单独看都降低了自身风险。但链条整体并未消灭任何风险，只是把它推到了信息最不充分、定价能力最弱的那一端。在当前结构里链条末端是养老金与保险浮存金，其持有人对 AI 数据中心残值的判断能力显然远低于英伟达或谷歌。这是本报告认为最需要被公开讨论的一项结构特征。

稀缺如何救了英特尔

产能纪律有一个意外受益者。汤普森的判断是「稀缺最终救了英特尔」——他自 2013 年起就在写英特尔需要建立真正的代工业务，但在台积电运转顺畅的年份这个建议无法执行，因为「平时没人愿意去找英特尔。台积电太好用了，谁会多花这个精力？」

稀缺创造了「别无选择」。当先进产能被主要客户预订满至 2028 年、甚至尚未开工的新厂产能都已排满至 2027 年底时，第二供应源的价值从「保险」变成了「唯一可得的增量」。

一个被低估的第二重瓶颈  讨论代工产能时绝大多数分析只关注制程节点，而忽略了先进封装。客户实际面对两个顺序依赖的瓶颈：先进制程（只有台积电有规模化产能）与先进封装（同样只有台积电有规模）。英特尔代工的路线图针对第一项，但没有任何一方可信地解决过第二项。其战略地位来自一个物理事实——AI 训练与推理常受内存带宽而非算力限制，而高带宽内存只有在极靠近计算裸片时才提供带宽优势，先进封装提供的正是这种物理邻近性。即使制程实现多元化，封装环节的单点依赖依然存在。

三、硅盾与地缘悖论的推理链

台积电在亚利桑那的总承诺投资已达 2650 亿美元（2026 年 7 月在原有 1650 亿基础上追加 1000 亿），是美国历史上最大的单笔外国直接投资，规划扩展至 12 个半导体与封装设施。代价明确：接受永久性 3 至 4 个百分点的毛利率稀释，亚利桑那运营成本是台湾的 4 至 5 倍，而芯片法案的 66 亿美元直接补助仅覆盖总资本支出约 7%。公司的原则表述是持续加快美国投资，但最先进工艺的根留台湾是核心原则——从时间表看这一原则确实在执行，2nm 与 1.4nm 的首发都在台湾。

2026 年 1 月的美台贸易与投资协议（业界称硅盾协议）为地缘讨论提供了新的事实基础：台湾企业承诺 2500 亿美元美国投资，换取关税从 20% 降至 15% 与半导体免税出口条款。现在可以把地缘悖论的推理链完整展开，它由五步组成，每一步都不依赖政治判断。

1. 硅盾的力量来自不对称的相互依赖：台湾生产全球约 60% 的半导体与约 90% 的最先进芯片，任何军事行动都会同时切断美国的算力供给。

2. 按第四章那条杠杆规律，这种威慑的价值来自不使用。一旦被使用或被证明可以绕过，威慑就永久消失。

3. 产能外移直接削弱杠杆强度。到 2029 年美国将生产约 20% 的全球先进芯片（当前不到 10%），六座亚利桑那晶圆厂建成后约 30% 的台积电最先进产能位于美国。

4. 杠杆强度下降改变了外部方的成本收益计算。如果美国判断台湾的半导体优势不再值得承担军事风险，台北的谈判地位会急剧恶化。

5. 因此存在一个不直观的区间：美国在 AI 与算力自主上越成功，硅盾的威慑价值越低，该区域的军事风险反而可能上升。

图 5-2　硅盾的双刃：产能外移与杠杆强度同向下降

需要强调，这条链条指出的是一种风险区间的存在，不是对事件概率的预测。它有一个重要的对立面：相互依赖是四方的而不是两方的。冲突情形下美国的手机产品可能在两个季度内停产、全部 AI 建设停止；中国的电子制造与台湾半导体生态深度整合，会同时损害自身产业；日本与欧洲则会失去核心客户与产业政策目标。

分析师的另一种解读把亚利桑那扩张定位为保险而非迁移——通过在美国建立临界规模，台积电为跨海峡中断创造了一份保险，同时锁定其最重要客户未来二十年。本报告认为两种解读并不冲突，而是同一举措在不同时间尺度上的效果：未来五年内亚利桑那产能不足以替代台湾，因此主要起保险作用，甚至通过把美国客户与这一家公司深度绑定而强化了相互依赖；但在十年以上尺度上，如果 30% 的最先进产能确实转移出岛，杠杆的削弱是实质性的。地缘悖论因此不是当期风险，而是需要在十年尺度上跟踪的结构性变化。

四、四种定位：拥有什么才算安全

汤普森对四家的评价差异极大，而差异来源是一个统一标准：在算力变成大宗商品之后，你拥有的还剩下什么。

亚马逊：第一个客户就是自己

亚马逊的历史模式高度一致：云服务本身、自研通用处理器、自研加速卡，全部先内部自用再对外销售。汤普森指出的关键优势是一个不太光彩但极其有效的做法——早期版本很糟糕，但可以把糟糕的处理器藏在托管服务下面，客户根本不知道底下跑的是什么，从而获得迭代所需的出货量与产能。

图 5-3　最优先客户飞轮：内部自用支撑迭代，迭代之后转为对外销售

这个飞轮解决了自研芯片最难的问题：第一代性能不足时没人买，没人买就没有量，没有量就无法迭代。把芯片藏在托管服务的抽象层之下，等于用服务价值掩盖硬件不足，为迭代买到时间。这也印证了第四章的判断——云厂商自研芯片的威胁之所以根本，正因为它不需要在第一代就赚钱。

微软：IBM 式中间件与存在性焦虑

微软的定位是 90 年代 IBM 式的中间件生意：不需要拥有 AI，只需要成为美国企业界打电话叫来做实施的那一家。这在短期极其有效——企业采用 AI 的真实瓶颈从来不是模型能力，而是集成、合规、变更管理与培训。

但汤普森警告这个策略「在存在意义上是绝望的」。逻辑值得完整展开：把企业锁定在微软记录系统里的力量，来自那些重复、乏味、必须由人在特定界面上完成的任务；如果 AI 最终能端到端处理这些任务，用户与界面的绑定就消失了，而绑定正是这套软件业务的根基。换句话说，微软在销售的能力恰好指向消解自己护城河的方向。选择 90 年代的 IBM 而非巅峰期的 IBM 作类比，本身就是判断的一部分——那是一条体面而长期的道路，但意味着接受从平台所有者到服务提供者的降级。

苹果与谷歌

苹果的评价是「与其说做得好，不如说运气好」，三条优势都不是其 AI 战略带来的：拥有客户因而供应商最终必须来找它；可以把推理成本卸载到用户自己的设备和电费上；做实物产品的难度本身构成隔离。第二条最被低估——第四章指出无上界的边际成本是核心难题，而端侧推理把这个成本从供应商的资产负债表移到了用户的电费单上，重度使用消耗的是用户自己的电池。这意味着端侧路线与云端路线的经济学是根本不同的。

谷歌被解读为「变成伯克希尔」：搜索是其 See's Candies——近乎完美、零边际成本、高利润率，但再投资空间有限；而 AI 是低利润率、烧资本的重资产赌注，绝对利润远大得多，因此值得为更大饼的一片而稀释股权。这个框架解释了第三章那组反常动作。在纯粹的搜索业务框架下，一边有巨额现金一边发股融资、暂停回购、接受自由现金流首次转负难以理解；在资产配置框架下它们完全一致。

一个共同规律浮现：四家中处境最好的都不是因为 AI 能力最强，而是因为拥有一项商品化无法侵蚀的资产——亚马逊的物流、微软的企业关系、苹果的终端、谷歌的分发。反过来这也指出了最脆弱的位置：只拥有模型能力、既无终端入口也无既有现金流主业的纯 AI 公司，处于价值链上最不设防的位置。它们必须在商品化完成之前建立起某种非算力资产，否则会在资本收紧中最先失去融资能力。这也解释了为什么头部实验室都在加速构建产品入口与企业关系，而不只是继续提升模型指标。

第六章　中外双轨：两个市场，两套约束

汤普森的分析完全建立在美国市场之上，这既是它的力量来源也是它的局限。本章引入中国算力产业作为平行样本，目的不是比较产业规模，而是用一个已在部分维度上走得更远的市场去检验前几章推导出的机制。

中国市场有一项特殊价值：它同时呈现严重的产能过剩与严重的高端短缺，而这在美国还没有同时发生，因此为大宗商品逻辑提供了一个先行观测窗口。

一、总量与路径分野

图 6-1　双轨路径：训练导向的集中投入与推理导向的场景消化

基础设施侧：在用算力中心标准机架突破 1445 万架，已建成超 70 条算力大通道，万卡智算集群达 42 个；八大枢纽骨干传输网 2026 年已基本成型，20 毫秒低时延算力圈全覆盖。需求侧最有说服力的单一指标是日均 AI token 调用量两年增长超千倍。

二、双面市场：70% 空置与 35% 缺口同时存在

这是本章最重要的一节，也是中国样本对汤普森框架最有价值的贡献。

过剩的一面：腾讯云在 MWC26 上海给出的数据是国内智算中心 GPU 平均利用率不足 30%，大量机柜利用率在 20% 至 30%，部分企业级中心低于 10%。分解公式很有解释力——算力生产力等于标称算力乘以效能系数再乘以满载系数，效能系数平均约 0.6，满载系数平均约 0.5，相乘后 100% 标称算力只剩约 30%。用一句话概括：每投入 100 块钱建算力，有 70 块钱的算力在空转。

多个独立来源结论相近：浪潮的判断同样是约 30%；中国信通院数据显示 2025 年国内智算共算量约 38 亿卡时而用算量仅 14 亿卡时，用算占比 36.8%；行业调研给出整体空置率接近 70%；部分国产芯片集群闲置率高达 50% 至 80%。

短缺的一面：中国信通院 2026 年第一季度测算，高端 AI 算力需求同比上涨 417%，同期供给增速只有 128%，剪刀差接近三倍，高端算力供需缺口率约 35%。市场表现完全印证——高端芯片交付周期拉长至 6 到 8 个月，头部云厂商已暂停接受一年期合约，仅接受 3 到 5 年长合约。腾讯高层在 2026 年 6 月的公开表态是算力资源仍处于「不太够」的状态。

两者为什么能并存

这不是统计矛盾，而是三重结构性错配的叠加。

6. 性能错配。空置的大量是中低端与早期国产芯片集群，短缺的是最先进训练卡。两者技术上不可互换，因此不构成同一个市场。

7. 适配错配。已完成 30 余款主流大模型双向适配的头部服务商，集群利用率稳定在 83% 以上；未完成预适配的集群，用户自行迁移的人力成本占整体使用成本 40% 以上，空置率普遍超 60%。软件适配而非硬件性能是决定利用率的主变量。

8. 服务形态错配。推理需求已占超 75%，特征是小批量、碎片化、临时性；但许多地方智算中心按传统超算思路建设，以年租或整租为主要服务模式，在商业形态上天然无法承接碎片化需求。

本报告的第三项独立判断  第四章推导出「短缺会先恶化再改善」，中国数据提供了一个更精细的修正：短缺与过剩不是时间上的先后关系，而可以是空间与层级上的并存关系。过剩发生在低端与不适配的层级，短缺发生在高端与已适配的层级。这意味着美国未来两三年可能出现的不是「从短缺切换到过剩」，而是「高端仍然短缺而通用产能已经过剩」——事实上美国通用数据中心利用率仅 10% 至 15% 的数据已显示这个分化在发生。实践含义是：不能用总量供需平衡表来判断某一层级的价格走势。

三、二八分化：中国样本里的边际供应商

第四章的第一条铁律说价格由边际供应商决定。中国市场已清晰呈现出谁是边际供应商，以及他们的处境。

资本市场反应同样清晰：A 股 99 家算力租赁概念公司中，2025 年第三季度超五成毛利率同比下滑；已有全国政协委员在 2026 年初公开呼吁谨防智算中心成为「数字烂尾楼」。这为第四章那条推论提供了实证：稀缺期算出的回本周期确实不成立，而不成立的方式是中小项目在利用率线以下持续亏损运营，而不是关停——它们继续提供算力，因为停机损失更大。这正是高固定成本行业周期底部的标准形态。

四、中国大厂的资本支出与利润代价

仅阿里、字节、腾讯三家 2026 年投入已逼近万亿元级别，合计招标量有望突破 5 吉瓦。阿里净利润骤降 84% 与第三章谷歌自由现金流首次转负在性质上是同一件事，但表现位置不同：在中国，期限错配的代价更多体现在利润表上；在美国，更多体现在现金流量表与资产负债表上。差异来自融资结构——美国厂商更多依赖债务与股权市场加杠杆，中国厂商更多依靠经营现金流直接投入。

五、电力：中国的约束已经变现

第四章指出「电力约束到来得慢」这一判断有地域性。中国提供了直接对照。

• 一个 1 吉瓦算力中心满负荷年耗电接近 100 亿度。即按新疆优惠电价 0.35 元每度计算，年电费约 35 亿元。

• 2025 年国内算力中心总用电量 1700 亿千瓦时，占全社会用电量约 1.6%；预计 2030 年达 8000 亿千瓦时，占比约 6%。同期美国算力耗电约 180 至 220 太瓦时，占全美 4.3% 至 5.2%，已是全美第六大电力用户——按占比美国压力更大，按增速中国爬升更陡。

• 最具约束力的是行政要求：自 2026 年起枢纽节点新建项目绿电占比不得低于 80%，无绿电指标项目无法落地。内蒙古、云南等绿电富集区并网排队周期已拉长，部分地区能评要求配套分布式电源。

• 市场应对是向绿电资源地集中：远景科技在内蒙古乌兰察布投建的基地规划容量超 2 吉瓦，全域绿电占比 67%，并计划 2030 年在全球戈壁荒漠建成 5 吉瓦绿色算力中心。和林格尔集群电价约 0.32 元每度、绿电占比 84.57%，上架率约 54.1%。

这项要求把电力从一个成本变量变成了一个准入条件，约束性质与美国完全不同：在美国，电力是价格问题与工期问题；在中国，电力是审批问题。

六、国产芯片：份额反超与闲置率并存

2026 年第一季度英伟达在华 AI 加速卡份额降至 37%，被国产芯片反超，其中国收入贡献占比已不足 6%（同比腰斩）。预期 2026 年国产份额将突破 50%，推理场景实现全面替代。但存在一个需正面处理的悖论：份额快速上升，同时部分国产集群闲置率高达 50% 至 80%。

两者并不矛盾，因为它们分别衡量出货与使用——份额衡量采购决策，闲置率衡量软件适配与运营能力。这恰好印证了本章第二节的第二重错配：决定算力资产实际价值的是软件适配深度，而不是硬件账面性能。而适配是一项需要时间与生态积累的能力，无法通过加快采购获得。

七、最关键的分野：一个在收紧，一个在加速

本章最后指出中美当前最重要的一项结构性差异，本报告认为它比任何总量数字都更值得关注。中国方面，国家发改委已出台政策收紧新建大型与超大型算力中心布局，引导低效存量向集约化转型，全国一体化算力网已接入约七成智能计算资源，业界预期 2027 年起新增大型项目审批将显著收紧。美国方面，四大厂商的资本支出指引在同一时期被持续上调，2026 至 2027 年估算在六个月内被上调约 6300 亿美元。

本文的第四项独立判断  这两种机制没有优劣，它们只是把同一个周期风险配置到了不同位置。行政收紧减缓过剩形成，代价是低效存量的出清也被减缓、资源被长期占用；市场出清更快，代价是四家公司的股价会同步重估。更有价值的观察角度是：中国当前正在处理的问题——存量低效产能如何出清、碎片化推理需求如何匹配整租式产能、液冷运维人才如何跟上 90 天的建设周期——恰好是美国在两到三年后可能面对的问题。因此中国市场的应对方式具有前瞻参考价值，而不只是对比材料。

八、建设模式的转变决定残值

最后记录一组工程层面的观察，因为它们决定资产的实际质量，而资产质量最终决定第二章那个「泡沫破灭后留下什么」的答案。

最易被忽略的是运维能力滞后。液冷运维需要暖通、电气与信息技术的复合型人才，培养周期远长于机房建设周期。一个 90 天建成的机房与一支需要两年培养的运维团队之间的时间差，会直接体现为可用率与实际利用率的损失——这也是第二节那个 0.5 满载系数的一部分来源。

全球尺度的参照作为收尾：2023 年全球数据中心容量约 49 吉瓦，预计 2026 年突破 96 吉瓦，三年新增接近现有总量，其中约 85% 投向智算中心。无论在哪个市场，本轮建设都会留下一批物理资产。它们的最终价值取决于两件事：电力接入是否可复用，以及外壳与配电是否为下一代硬件保留了足够的适配空间。

第七章　收入接棒、能源遗产与观察框架

前六章都在讨论支出与约束。本章处理三件事：收入能否接棒（这是唯一能跨越断层的路径）、最长期的遗产判断能否成立，以及把全篇收敛为一套可操作的观察框架。

一、消费者不付费与广告的必然

聚合理论是过去十年解释互联网竞争格局最有力的框架，其核心是聚合者通过拥有需求、并以零边际成本解决发现问题而获胜。汤普森指出 AI 打破了这个框架里一个从未被质疑的前提——零边际成本。他的对比很具体：一个免费的对话产品用户的服务成本不比服务一个网页高多少；但一个使用测试时扩展推理数小时的用户，是真实的、没有上界的边际成本，二者不在同一个宇宙。

第三行是核心难题。当边际成本无上界时，任何固定价格的订阅制都存在结构性缺陷——最重度的用户一定是最亏钱的用户，而他们恰好是产品价值最高的证明。这是一个内在矛盾：产品越成功，亏损越大。

汤普森对付费意愿的判断不留情面：硅谷每十年重学一遍这一课——消费者不会为软件付费，也不想变得更有生产力。后半句更有洞察。「生产力工具」这个定位假设消费者有提升自身产出的内在动机，而消费产品史表明付费的真实驱动是娱乐、身份、社交与便利，生产力排在很后面。这解释了为什么面向企业的 AI 订阅进展顺利（企业确实为生产力付费，因为它直接对应人力成本），而面向消费者的订阅始终难以突破小众。

他对 OpenAI 的具体批评是正在以 100 倍规模重演 Dropbox 的故事——本该立刻押注广告却去卖订阅，并给出反事实推断：如果在产品发布之时就做广告，谷歌和 Meta 会麻烦得多。这个批评的力度不在于订阅制赚不到钱，而在于它放弃了一次结构性机会——那个窗口里拥有历史上增长最快的注意力池，而对手的广告系统尚未适配生成式界面。

为什么广告是唯一匹配的模式

把成本结构与付费意愿放在一起，广告的必然性就不是偏好判断，而是约束求解的结果。收入模式必须满足三条：不依赖主动付费意愿、收入随使用强度自动上升从而与边际成本同向、能在极大基数上摊薄固定成本。

最后一行是重要限定。企业市场确实为 AI 付费，微软 AI 业务年化超 370 亿美元、同比增长 123% 就是证明。但企业市场的天花板由企业软件预算决定，而全球企业软件市场远小于全球广告市场。因此更准确的表述是：企业订阅能支撑一个大生意，但支撑不起一年 7450 亿美元的资本支出；只有广告市场的规模量级与之匹配。

广告模式在 AI 时代也面临一个尚未定价的挑战。Cloudflare 披露非人类流量首次超过 50%，而互联网广告的整个计价基础是人类注意力。当过半流量由智能体产生时，价值捕获点会从「向人展示信息」迁移到「影响智能体的选择」——这更接近搜索排序与竞价分发的机制，而不是展示广告。这个迁移需要的能力（大规模实时竞价、意图理解、闭环归因）恰好是当前广告巨头最强的能力。

本报告的第五项独立判断  广告是必然出路这个结论成立，但它对期限错配的救援能力被高估了。原因是时序：广告业务的建立需要供给侧、需求侧与计量侧三者同时成熟，历史上每一次新广告介质的成熟周期都在三到五年。若从 2026 年开始认真推进，规模化贡献大概落在 2029 至 2030 年——这与回报显现时点吻合，但恰好晚于资本曲线可能耗尽的时点。也就是说广告是正确的答案，但它的到达时间可能不足以填补断层，中间那段仍需资本市场持续供血。一组中国数据把这一点具体化到令人不适的程度：头部 AI 应用日算力成本高达 1.32 亿至 2.4 亿元，而日收入不足 100 万元——成本与收入相差两个数量级，这不是运营效率问题，而是变现模式尚未建立的直接体现。

二、最持久的遗产：能源充裕能不能成立

八项判断的最后一项，也是汤普森自己认为最重要的一项：这轮投资最持久的遗产可能是让世界从能源稀缺走向能源充裕。他的原话大意是「如果这一切崩塌，我们最后发现电力大量过剩，那其实是个相当好的世界。我们一直生活在能源稀缺状态，能源是一切的基础。」

图 7-1　从稀缺到充裕：电力生产与输送能力作为本轮最可能留存的遗产

本报告认为这是八项中最可能成立的一项，理由在于它直接建立在第二章那个资产寿命差异之上——恰恰因为芯片寿命只有 2.5 至 3 年而电力设施寿命是数十年，本轮投资的长期残值必然集中在电力侧。这不是乐观主义，而是资产寿命结构的算术后果。但它的成立需要三个条件。

第三个条件是关键，也最少被讨论。「能源充裕」暗含了「能源便宜」，但两者并不等价。如果新增产能是在高成本条件下建成的（偏远选址、专用输电线路、为满足绿电比例而配套的储能），那么过剩时的边际电价会跌，但全成本电价未必低于当前水平。按第四章的两条铁律，这恰好是高固定成本行业的典型结局：价格跌到边际成本，投资者亏钱，但用户享受低价。所以对社会而言这个判断很可能成立，对本轮出资人则不然。

本文对这项判断的完整表述  本轮最可能留下的遗产是电力生产与输送能力、数据中心的物理外壳与配电设施，而不是加速卡。这份遗产对社会是正面的：过剩的电力会以低于全成本的价格供给，推动电气化、工业脱碳与算力普惠。但正如铁路时代那样，享受这份遗产的人与支付这份遗产的人不是同一批。伯克希尔用铁路的钱给谷歌融资这个闭环之所以耐人寻味，正是因为它说明基础设施的长期回报最终会兑现，只是兑现给了残值的接手者而不是原始的建设者。

三、四条方法论与可跟踪的观察对象

汤普森给出四条判断方法，它们的价值在于都是可观察的，不依赖对未来的预测。

9. 盯住期限错配。如果一家公司从自由现金流转向债务再转向股权发行，这是它沿资本曲线下行、可能接近边缘的信号。要把曲线位置当作状态变量跟踪，而非关注单期数字。

10. 不要忽视大宗商品逻辑。三个检验问题：是否高固定成本与近零边际成本？差异化是否正被标准化替代？当前价格是稀缺期价格还是常态价格？三个都是「是」，就该用航运与存储的周期模板而非软件的估值模板定价。

11. 注意风险被卸载到哪里。每当某个环节风险下降，立即追问它转移到了哪个环节；识别对价形式（价格折让、或有负债、放弃的收入、股权稀释），其中可见度最低的往往规模最大；追踪到末端，问最后的承担者是否有能力定价这个风险；区分「风险被转移」与「风险被消灭」——技术进步可以消灭风险，金融结构只能转移风险。

12. 寻找最优先客户。这家公司的第一个客户是不是自己？如果是，它可以在产品尚无竞争力时获得迭代所需的出货量；如果不是，它必须在第一代就足够好，这在硬件领域几乎不可能。

四、分层判断

对投资者：最重要的调整是把四家超大规模厂商当作一笔高度相关的交易而非四笔独立交易看待，市场已经这样定价了。其次，任何基于当前算力价格的回报测算都应同时给出价格跌至边际成本情形下的结果。第三，把租赁承诺与购买义务附注纳入承诺规模计算，报告的资本支出是下限而非全貌。

对产业方：第五章的规律给出明确方向——可防御的位置是拥有需求的一端与拥有能源的一端，而不是拥有算力的中间环节。对自建算力的企业，中国样本的教训是软件适配深度而非硬件账面性能决定资产实际价值，完成适配与未完成之间的利用率差距远大于任何硬件代际差距。对以推理为主的场景，服务形态的匹配比总算力规模更能决定资产收益率。

对政策与规划方：行政收紧与市场出清是把同一个周期风险配置到不同位置的两种方式，各有代价。而电力接入的规划前置性在两个市场都被低估——电力接入与变电周期约 3 至 7 年，远长于数据中心的 6 至 12 个月，这个时间差决定了电力而非芯片将成为最终的约束。

五、未决问题

对一个正在展开的周期而言，问题清单比结论清单更有用。

• 资本曲线的第四级之后是什么？长期资本池已是久期最长的一层，若它也被消耗，替代来源尚不清楚。主权基金与产业政策资金是可能候选，但那意味着风险性质从金融风险转为政治风险。

• 积压订单中有多大比例的交易对手依赖下一轮融资付款？这决定了那些万亿量级数字的真实质量，而它目前无法从公开披露中推算。

• 广告变现的规模化时点能否早于资本约束的到达时点？这场时序竞赛的结果决定了断层能否被跨越。

• 台积电的产能纪律在需求转向时会变成什么？2028 至 2029 年到位的产能可能撞上需求放缓，届时其叙事将从产能受限切换为价格受限，这个切换尚未被定价。

• 先进封装的第二重瓶颈由谁解决？制程环节的多元化路径已清晰，封装环节没有任何一方可信地提出过方案，而这是内存带宽约束下的真实卡点。

• 中国的双面市场是否会在美国重演？高端短缺与通用过剩并存这个形态，在美国已有通用数据中心利用率仅 10% 至 15% 的早期迹象。

六、结语

把全篇收束为一句话：本轮 AI 基建的核心风险不是技术不成立，也不是需求不存在，而是支出的时间轴与收入的时间轴不对齐，以及这个不对齐所产生的风险被沿着一条链条转移到了定价能力最弱的一端。

汤普森那句「我相信 AI，我也担心我们能否撑到它真正产生足够回报的那一天」的价值，在于它把信念与担忧放在同一个句子里而不相互否定。这也是本报告试图保持的立场：商品化会压缩供应环节的利润但会扩大总市场；期限错配是真实风险但成熟主业提供了铁路时代不曾有过的缓冲；泡沫破灭会留下有用资产但留下的是电力与厂房而不是硅片；两个市场走在不同轨道上，各自的约束不同，各自的教训对另一方都有参考价值。

最后一条也许最重要：在一个所有人都在讨论算力的周期里，真正的稀缺资源已经先后换过三次——从芯片，到电力，到资本。识别当期约束在哪里，比预测终局在哪里更有操作价值。