Is AI a bubble? - by Azeem Azhar and Nathan Warren （Sep 17, 2025）
AI是否泡沫，或者说是否会进入泡沫？这将是未来多年一直会被讨论的话题。科技创业者、作家Azeem Azhar提供了一个很好的框架，用来对比历史上两次巨大的基础设施投资泡沫：铁路、电信和互联网。作者用五个仪表盘来实时观察AI投资的水温，结论是尚未进入泡沫，但要重点警惕GPU的快速折旧问题，以及未来数据中心的融资结构/资金质量问题。（过去两周已经有投资者戏谑那祖传的1000亿刀，在模型、云和GPU之间转悠）。我大概看了一下简中网还没有翻译，如果是首发送给读者存念收藏，未来几年不断拿出来对照。另外让AI干活还是得盯着，不知道为啥有一处把Nvidia翻成了黄兆龙，真是无厘头。---
### 🧭 **五大指标（“仪表盘”）用于判断AI是否是泡沫：**
1. **经济压力（Economic Strain）**
- AI基础设施投资巨大（预计到2029年达3万亿美元），但目前占GDP比例仍在1%以下，处于“绿色”安全区。
- 然而，GPU等硬件折旧周期短（约3年），使得投资回报压力更大。
2. **行业压力（Industry Strain）**
- 当前AI行业的资本支出与收入比为6:1，远高于历史泡沫时期（铁路为2:1，电信为4:1），处于“橙色”警戒区。
- 说明投入远超当前产出，需警惕。
3. **收入增长（Revenue Growth）**
- genAI收入仍在快速增长，2025年预计同比增长130%，甚至更高。
- 处于“绿色”区，显示行业仍处于上升期。
4. **估值热度（Valuation Heat）**
- 当前纳斯达克P/E约为32，远低于2000年互联网泡沫时期的72。
- 投资者情绪尚未过热，仍属“绿色”。
5. **资金质量（Funding Quality）**
- 目前由微软、亚马逊等现金流充沛的巨头主导投资，资金结构稳健。
- 但未来若依赖私人信贷和证券化融资（如CoreWeave的高杠杆模式）增加，风险将上升，目前为“绿色偏橙”。
---
### 📊 **结论：AI尚未进入泡沫，但存在潜在风险**
- 当前AI热潮更像是一个**资本密集型的“繁荣”阶段**，而非泡沫。
- 若五个指标中有两个进入“红色”区域（如投资占GDP超2%、估值过热、资金质量恶化等），则可能进入泡沫状态。
- 未来两年是关键观察期，需关注：
- 投资是否持续增长；
- 收入是否跟得上；
- 是否出现融资结构恶化或估值泡沫。
---
正文如下
-----
作者：阿兹姆·阿扎尔（Azeem Azhar），内森·沃伦（Nathan Warren）
日期：2025年9月17日
Is AI a bubble? - by Azeem Azhar and Nathan Warren
https://www.exponentialview.co/p/is-ai-a-bubble
一个月前，我着手回答一个看似简单却迷惑性十足的问题：AI 是泡沫吗？自2024年以来，当我在世界各地的活动上发言时，人们一直在问我这个问题。即使华尔街的银行家大多将当前视为一次投资热潮，欧洲和美国的会议厅里也有越来越多的人在提出这个疑问。
有些人已经下定论了。加里·马库斯（Scientist, author and entrepreneur, known as a leading voice in AI. Six books including The Algebraic Mind, Rebooting AI, and Taming Silicon Valley; NYU Professor Emeritus.）称其为“泡沫巅峰”。《大西洋月刊》警告称，“我们目前可能正经历一场 AI 泡沫，投资者的热情已经大大超前于该技术短期内的生产力效益。如果泡沫破裂，其破坏力可能令网络泡沫相形见绌——受到影响的将不仅是科技巨头及其硅谷支持者。”《经济学人》则表示“潜在代价已经高得惊人”。
理解这类问题的最佳方式是建立一个框架——可以随着新证据出现而更新的框架。为此我投入了几十小时的数据分析、建模，并与众多投资者和高管进行了交流。
这篇文章呈现的正是这样一个框架：通过五个“指标”衡量生成式AI（genAI）与历史上各种泡沫的对比。
我亲身研究并经历了网络泡沫。当时我是一名投资人，深切体会了泡沫的影响。和许多人一样，我也亲历了2008年全球金融危机。因此，我投入大量思考和分析，建立了一个稳健的分析框架来理解当前发生的事情。今天，我将这个框架与你分享。
我的思想以卡洛塔·佩雷斯（Carlota Perez）、比尔·杰纳韦（Bill Janeway）等该领域巨擘的研究为基础，并参考了各大银行和分析师的财务分析。但是，我尚未在其他地方看到有人将这些理论转化为针对当今 AI 的实用仪表板：一组参数，方便我们读取、与过去的泡沫对比，并据此校准决策。
Carlota Perez: a British-Venezuelan scholar specialized in technology and socio-economic development. She researches the concept of Techno-Economic Paradigm Shifts.
William Hall "Bill" Janeway is an American venture capitalist and economist. His work on the innovation economy emphasizes the strategic role played by the state and by financial speculators.
我们将在未来几周向 Exponential View 会员提供底层数据和方法。
通常，我只会将这类深度探讨提供给 Exponential View 的付费会员。但这个问题太重要，而公众论辩又被各种姿态所遮蔽，以至于我无法把它关在付费墙后。因此，今天这篇文章所有人都可免费阅读。
泡沫的含义
泡沫是资本主义最古老的故事之一。它们是关于过度、信念和崩塌的寓言。但泡沫不只是金融现象；还是文化产物[5]。泡沫反复出现，作为关于贪婪和愚蠢的道德故事。
郁金香狂热常被误传为织工破产、商人投河的疯狂事件，但实际上并没有传说中那么惨烈。这场狂热局限于富商阶层，对荷兰经济基本没有造成影响。但这个神话却流传至今——这正是关键：泡沫最终成为我们用来告诫自身乐观危险性的故事。
（扬·布吕赫尔二世（Jan Brueghel the Younger），《郁金香狂热的寓言》，1640年）
有些泡沫是金融泡沫：比如18世纪20年代的南海泡沫，20世纪20年代咆哮的股市，日本80年代的地产热，以及2008年的楼市崩盘。也有一些泡沫是技术性的。19世纪40年代的铁路曾被誉为新工业机体的经脉——的确如此。但一副身体所需的“经脉”毕竟有限，铁轨很快铺设到了商业无法支撑的地方。1990年代的电信业承诺打造一个有线乌托邦，结果却有7,000万英里的光纤闲置在地下。互联网泡沫让我们憧憬新经济的图景——其中许多后来确实成真了——但在此之前的2000年，互联网公司的估值曾已化为乌有。
有趣的是，学界似乎并未就“投资泡沫”的定义达成一致。诺奖经济学家尤金·法玛甚至表示泡沫根本不存在。
我想超越那种“眼见为实”的泡沫观。泡沫背后有两个相互关联的机制在运作。其一、也是最显而易见的，是股市估值荒谬高企后崩盘。其二，则在于生产性资本（比如资本开支或风投）的投入量是否崩塌。这两者当然是关联的：股价暴跌会拉高资金成本。而生产性资本投入的长期下滑在股市眼中可能预示增长放缓。
简单框定的话：我们视“泡沫”为从峰值算起股市价值下跌50%以上且低位持续至少五年的局面。以美国楼市和互联网泡沫为例，下跌的谷底大约持续了五年。美国楼市花了10年才完全收复泡沫前高点，互联网则用了15年。同时，我们也可以预料生产性资本投入增速会大幅下滑，同样从峰值腰斩50%。
因此，在本分析中，我将“泡沫”同时涵盖这两个维度。归根结底，它指的是一个阶段，在此期间价格和投资急剧飙升，估值与相关资产的前景和实际盈利能力严重背离。泡沫依赖充裕的资本和诱人的叙事来维系，往往以剧烈且持久的逆转告终，在下行途中抹去大部分先前纸面创造的财富。
相比之下，“繁荣”在早期看起来可能与泡沫非常相似：估值上升，投资加速。但关键区别在于繁荣中基本面最终会追上来——实际现金流、生产力提升或真实需求增长会兑现乐观预期。繁荣依然可能冲过头，但最终巩固为持久的产业和长久的经济价值。
介于两者之间的是灰色地带：狂热时期，当下很难判断资本是在构建新经济的地基，还是仅仅抬高了注定不可持续的价格。这有点像身处风暴之眼：你能感到风雨和气压，却尚不确定它究竟会驱散乌云，还是摧毁房屋。
现在回到我们眼前的问题：AI 是下一个泡沫吗？令许多观察者不安的是那些数字。自2022年末 ChatGPT 发布以来，各大超大规模云服务商（hyperscalers）每年在数据中心上的资本支出已翻了一倍有余，重注于训练和运行更大模型所需的基础设施。当萨姆·阿尔特曼（Sam Altman）去年提出需要投资7万亿美元时，这听起来像狂妄之言。而如今投资者笑不出来了；他们开始担心如此规模的支出是否可持续。
实时判断泡沫是不可能的。只有事后我们才能知道繁荣到底是合理还是妄想。与其做武断的判断——那几乎等同于毫无帮助的猜测——不如把当今的繁荣放到历史中去对标，从中找出现有的泡沫化迹象[16]。
我们不妨把这想成驾驶飞机。飞行员不会只依赖单一仪表，他们需要监测一组仪表来判断飞行状况。因此，我们在这里也采用五个“仪表”[17]：
· 指标1 – 经济压力：当前的投资规模大到足以使整体经济“变形”吗？
· 指标2 – 行业压力：行业营收与投入的资本支出相称吗？
· 指标3 – 收入增长：收入增长得足够快、范围足够广，能赶上投入吗？
· 指标4 – 估值热度：估值有多火热？对比历史，股票是否被严重高估？
· 指标5 – 资金质量：资金来源是怎样的？来自稳健的资产负债表，还是脆弱、老想逃跑的逐利资本？
在下文中，我将逐一考察这五个指标，解释为什么它们各自目前显示“绿灯”、“黄灯”还是“红灯”，并在最后把它们汇总成完整的仪表板视图[17][18]。
指标1：经济压力
眼下对AI 的投资规模极为庞大。摩根士丹利预计到2029年在 AI 基础设施上的投入将达3万亿美元。不过，比起历史上几次泡沫高峰，它还未达到失控的极端程度。这一维度的棘手之处在于“依赖性”。美国当前有超过三分之一的 GDP 增长可以追溯到数据中心建设上。
这本身并非坏事。但如果这种增长势头放缓，危险可能随之而来。一个经济体若过度依赖单一行业拉动增长，一旦该行业减速，经济地基可能会比预期更快地塌陷。
资本支出（Capex）激增，倾注于 AI 所需的实体基础设施，这是乐观的表现。本质上，资本支出就是今天花钱，为的是明天成为源源不断的营收之源。如果当下投放得当，最终会带来生产率提升和经济扩张。
举个例子，如果你打算卖呼啦圈来促进大众的健康和快乐，你得先买来呼啦圈。而且最终你得有一家工厂来制造呼啦圈。为那家工厂提供资金就是资本支出。你投入资本支出去建一个有用的东西，然后才能出售它。资本支出通常（但不总是）预示着业务的成长。
AI 数据中心也有类似的性质，甚至有过之而无不及。它们不仅仅是生产某单一产品的工厂；更是基础设施。微软、OpenAI 和美国政府都将其视作21世纪的基础性公用设施[24]——不亚于前几个时代的公路、铁路、电网或电信网络。我在我上一本书中也提出过同样的观点，所以你大概能猜到我的立场。在美国以外，世界各国政府已承诺到2030年投入逾1万亿美元，将 AI 作为新型基础设施。
建设此类基础设施注定需要巨额投资，可与过去铁路和电力的建设高潮相提并论。麦肯锡预计，要满足2030年前由 AI 驱动的用电需求，需新增约156吉瓦的电力装机容量——相当于西班牙和葡萄牙电网的总和[27]。麦肯锡估计这将耗资5至7.9万亿美元[27]。对比一下，这大约是阿波罗登月计划总耗资的20倍。如此看来，AI 数据中心建设将跻身现代史上最大规模的基础设施建设项目之列。
然而，基础设施再有用，一旦私有资本大举涌入，也可能脱离现实。融资结构的重要性不亚于技术本身。美国的铁路主要由私人出资，因而历经多次投资泡沫；相比之下，电力和公路系统更多地受益于公共投资和协调，较少出现投机过度。当某个繁荣所需资源把整个经济都带偏时，这场繁荣就变得危险了——工资被一个行业吸走，供应链围绕其重组，资本市场对其产生依赖。一旦预期破灭，猛烈的反噬便随之而来。
衡量经济压力的一个方法，是观察某项投资占 GDP 的比重——也就是全国产出中有多大比例被投入同一个技术前沿领域。这比例粗略但很能说明问题：它显示整个经济有多大程度押注在单一技术上。
就AI 基础设施而言，其中大部分支出表现为资本支出：服务器、冷却系统、网络设备、钢筋水泥建造的机房，以及维持其运转所需的供电设施等。
按该指标衡量，铁路泡沫时期的经济负担最重。1872年美国铁路投资曾高达GDP的约4%，正值第一次铁路大崩盘前夕。而1990年代后期电信泡沫的高峰投入则仅接近GDP的1%，这个水平与当下的情况颇为相似。
当前的AI 建设热潮位于上述两者之间。预计2025年全球将有约3,700亿美元流入数据中心建设，其中可能有70%投向美国，约相当于美国 GDP 的0.9%[34]。高盛预测2026年此类支出还将再增长17%。我自己的预测与之类似：到2030年，全球每年资本支出将达8,000亿美元，其中美国约占60%，这将使美国的该项支出达到2025年 GDP 的1.6%。
我们为“经济压力”这个指标设定了三个区间：占GDP比重1%以内为绿色，2%以内为黄色，高于2%为红色。因此，眼下生成式 AI 的投入勉强落在绿色区域——只是刚刚。不过考虑到各方的既定承诺，很快似乎就会进入黄色区域。
但这里存在一个历史上的泡沫不曾面临的转折：快速折旧。铁轨一旦铺设，可以用数十年。进入20世纪时，美国仍在使用19世纪铺设的铁路运输货物。1990年代铺设的电信光纤，35年后依然在传输数据。
相比之下，GPU的寿命短得多，宛如狗年。用于前沿应用（如模型训练）的 GPU 有效寿命可能只有三年，之后就被降级去跑强度较低的任务了。超大规模云公司约三分之一的资本支出正流向这些短命资产。理论上，它们在第5、第6年仍能发挥价值。而其余投资则流向可以使用二三十年的建筑、供电和制冷设施。考虑资产寿命因素后，AI 基础设施建设的要求就更显苛刻：不像铁路或光纤可以服役数代人，这套体系必须在短短几年内赚回本钱。
这种动态究竟让金融环境更糟还是更好，目前下结论还为时尚早。悲观的看法是：一箱熟香蕉总比同价值的巴西坚果贬值得快，因为必须尽快吃完；而乐观的看法则颇有意思：较短的折旧周期可能会对新进入的投资者形成财务纪律。在铁路狂热时期，资产寿命长达数十年掩盖了许多商业模式的弱点；公司即使濒临资不抵债，也能拖上好几年。而在 AI 领域，弊端可能很快暴露，迫使企业要么迅速调整，要么迅速倒闭。
目前的压力虽可察觉，但尚未无法承受。AI 应用层的风投参与虽然风声很大，但相较1990年代的电信狂潮仍属温和[42]。这表明本轮周期在过热之前，可能还有余地。数万亿涌入服务器、冷却系统和电力线路可能是必要的，但历史告诉我们，持久的利润通常并非在那里累积。铁路时代，许多铺轨公司破产了，但利用铁路运输的物流公司和大宗商品巨头却繁荣发展。电信时代，掌握话语权的并非光纤铺设者，而是利用带宽的平台和服务提供商。同样的逻辑可能也适用于AI：超大规模云公司承担了资本支出的重担，但持久的价值增量或许将归于那些控制模型、数据及其上层生态的人。
指标2：行业压力
每场繁荣都需要证明，大笔投向新设备的钱开始产生回报了。在任何成长阶段，营收不太可能立即覆盖投资，但也不应为零。本指标考察的是资本支出与营收的比率。
我们估计，生成式AI 行业今年的营收有望超过600亿美元，而五年前几乎可以忽略不计[46]。需要说明的是，这个数字可能低估了 genAI 带来的实际价值。举例来说，Meta公司表示该技术已使其平台转化率提高了约3–5%。像这样的间接效应或许解释了为何一些分析机构（如摩根士丹利）将2025年的行业营收估计得比我们的数字高出许多，达到1,530亿美元。
谷歌、微软、亚马逊等主要超大规模云公司显然正进入资本开支强度更高的阶段。2021年（ChatGPT问世前），这些公司将其运营现金流的约44%投入资本支出。到2024年，这一比例已升至68%。2025年还将更高。然而，正如新街研究（New Street Research）的皮埃尔·费拉古（Pierre Ferragu）所指出的，这些公司可以通过“重新平台化”来吸收这种变化；结构性更高的资本强度会推动增长和效率提升。事实上，这一模式已存在了十年：2015到2018年间，微软 Azure 的资本支出相当于其营收的70%到90%。这是一项对未来的投资。
这和早期的繁荣周期形成了有趣的对照。铁路的情况尤其值得注意。铁路带来的直接营收与其在美国经济中所创造的价值相比微乎其微。但铁路泡沫始终拴在现金流的实现上：为铺设新铁轨和添置机车而发行的债券，利息必须靠客运票价和货运收入来偿还。一旦资本开支增长超过了收入，紧绷的弦就开始绷断。1873年、1883年和1887年的铁路狂热都遵循同一模式：年度营收与资本支出之比急剧下降，有些年份甚至出现营收绝对下滑。
1872年美国铁路扩张达到高峰时，资本支出约为当年营收的两倍。1990年代末电信泡沫中，这个比率涨到了将近四倍。而相比之下，如今的 genAI 热潮是用约600亿美元的年收入来支撑全球约3,700亿美元的数据中心资本支出，比率高达6倍，是上述三者中压力最大的。
在行业压力指标上，铁路时代的该比率一直保持在绿色的健康水平；而 genAI 已处于黄色区域，且逼近红线。
不过这还称不上警报，特别是考虑到人们正争先恐后地获取 AI 数据中心算力。某报告指出，企业客户在数据中心尚未建成前就提前锁定产能。其背后的驱动力是使用需求，而这也带来了惊人的收入增长。
指标3：营收增速
铁路和电信繁荣期出的问题不在于行业本身的压力，而在于收入动能耗尽。投资总归是指望回报的。1873年铁路泡沫破灭后，铁路收入同比下降了3%。电信行业稍好一些，收入降幅为0.5%。
在崩盘之前，各项收入的增长其实都算不上迅猛。1873年的铁路收入增幅为22%——按此速度约三年翻一番。1990年代末的电信收入增速只有16%，翻番需要四年多。
相比之下，genAI行业的营收仍在加速增长。根据我们的估算，今年 genAI 行业营收将增长约一倍——而这很可能还是保守预测。花旗集团预计模型层2025年的营收将增长483%；OpenAI 预测到2030年其营收可保持约73%的年化增长率；而摩根士丹利等分析师估计这个市场到2028年可能达到1万亿美元规模，相当于2022–2028年间年复合增长约122%。
我们的“收入增长”指标是一个指数型量表，衡量收入翻番所需的时间（年）。也就是说，以当前增长率，行业收入需要多少年才能翻一倍？就这一点而言，genAI 显然处于绿色区域——它正以每年翻一番的速度增长。
大量相关支出正顺流而下，流向运营基础设施的超大规模云厂商和新型云服务商。超大规模厂商本身利润丰厚，因此完全有能力自行加大投资——只要他们认为这有利于未来布局，就算牺牲几个点的利润率也在所不惜。甲骨文公司甚至预计，到2030年其云业务累计营收可达到约3,800亿美元。
从我与各大企业交流的情况来看，很明显他们现在对这项技术是求之若渴。这或许正是高增长率背后的支撑。IBM CEO 的调研显示，生成式 AI 已经带动 IT 预算的扩张，62%的受访者表示他们将在2025年增加 AI 投入。需求之高以至于新建数据中心一投入运营便达到满负荷。亚马逊CEO安迪·贾西（Andy Jassy）指出，“我们新增产能的速度有多快，消耗掉的速度就有多快。”OpenAI 的奥特曼也提到，算力短缺已影响模型升级。黄仁勋（Nvidia CEO）早在2024年初就预计这种情况会发生，他预测对 Hopper 和 Blackwell 芯片的需求至少在明年依然将供不应求。
目前，美国约有9%的企业至少拥有一个有用的生成式 AI 用例。粗略估算，这个比例五年内会升至75%，而平均每家采用企业的用例数量也将从一个增至数百个。
仅这一点就意味着某方面将出现千倍量级的增长。我之所以说是某方面，是因为目前按“Token”（词元）计费的模式可能会改变。即便不变，我们也会看到每 Token 价格急剧下降——很可能是数量级式的下降。关键在于：企业级应用才刚刚起步。目前，各公司几乎连所需的 Token 都很难争取到。
消费者端则是相似的情形。美国消费者每年线上支出约1.4万亿美元。如果保持每年15–17%的增速（2013年以来年增长率均超过14%），到2030年这一数字可能翻倍至3万亿美元。以此为背景，从如今约100亿美元的生成式 AI 应用市场增长到五年后的5,000亿美元就不那么离谱了。300%到500%的爆炸性增长率已经在中型初创公司和大型模型提供商中出现（可参见我上周关于 OpenAI 估值的文章）。这表明，只需将消费者数字支出的一小部分重新分配给 AI 应用，就可能驱动数千亿美元的收入。
综上种种迹象，说明这个行业仍在强劲上行，与铁路和电信泡沫破裂前那羸弱的收入增长截然不同。即便 genAI 收入增长率降至去年的一半——按我保守的预测，到2026年收入也将达到1,000亿美元，足以覆盖当年约25%的资本支出。
指标4：估值热度
如果说经济压力和行业压力显示的是这场繁荣的“重量”，收入增长显示的是其“轨迹”，那么估值热度反映的就是市场情绪。这往往是泡沫最明显的表征：投资者对该领域的定价有多狂热，不管基本面如何。正如卡洛塔·佩雷斯几十年来反复强调的，每次技术革命的早期“安装阶段”，金融市场往往都会过度投入——投入的资本远远超出近期收入所能证明的合理水平。这种狂热在当时看似非理性，但正是社会铺设新基础设施的机制。问题在于，这股狂热能否顺利过渡到“部署阶段”，即基础设施变得无处不在、并带来真正的生产力提升。
互联网泡沫是最典型的例子。当时一些公司在毫无利润的情况下上市，市盈率动辄三位数。有的公司在 IPO 当天筹集的资金甚至超过了它们此生能够赚取的总收入。Boo.com从包括 LVMH 集团主席贝尔纳·阿尔诺（Bernard Arnault）在内的投资者手中拿到了1.35亿美元，号称要做“时尚界的亚马逊”。该网站一上线便进入18个国家，提供本地化语言和配送服务，还有一个名叫“Miss Boo”的虚拟形象向用户的3D模型提供购物建议。
这家公司在上线前就砸下2,500万美元做广告，员工从40人暴涨到400人，并在纽约和欧洲开设了豪华办公室。他们的网站大量使用 JavaScript 和Flash，在拨号上网环境下几乎无法使用，还与 Mac 电脑不兼容且漏洞百出。每四次尝试购买就有一次失败。尽管公司极尽铺张（奢华派对、搭协和飞机、为“Miss Boo”请名人造型师等），调查却显示只有13%的互联网用户知道这个品牌。不到18个月，资金耗尽。2000年5月，Boo.com宣告倒闭。
眼下发生在genAI 身上的事情远没达到这种程度。这里我们关注的核心指标是市盈率（P/E），即投资者为了公司当前每年每股盈利所支付的价格倍数。如果某公司每股年盈利1美元，市盈率为20，那么买家相当于为每1美元当前利润支付了20美元，前提是假设未来增长会使这笔钱值得。高企的市盈率意味着投资者在押注快速的未来增长，但如果长期过高，投资者可能买入了一个幻想。这正是互联网泡沫时期的情况。当时纳斯达克指数市盈率峰值约为72倍。一项详细研究估计，仅互联网板块的股票隐含市盈率就高达605倍。换句话说，投资者愿意为当时的公司支付相当于六个世纪利润的价格。问题并非这些公司的业务需求凭空消失——亚马逊的营收就从2000年的27.6亿美元增长到2001年的31.2亿美元——而是没有任何公司能实现足够快的增长来支撑起那种离谱的预期。基本面在改善，但预期崩塌了。
今天的情况要平静得多。纳斯达克指数的市盈率约为32，仅为互联网泡沫时期的一半。更广泛的科技板块估值虽高于历史均值，但远未达到互联网泡沫的地步。和铁路泡沫时期相比（后者估计的市盈率约为20倍），当前估值算高的。但是铁路泡沫以悲剧收场，原因并不在于估值本身有多极端，而在于收入增长停滞。相反，genAI 的收入目前依然在快速攀升。
另一个许多投资者关注的估值过热指标是所谓的“巴菲特指标”，即股市总市值相对于 GDP 的比率。毫无疑问，这一指标目前处于峰值，高出长期均值两个标准差以上——这种偏离往往预示市场修正。然而，目前我们相对乐观一些。历史是押韵的，不会简单重复。巴菲特指标以 GDP 为基准，而 GDP 在捕捉技术带来的生产力收益方面出了名的不靠谱。此外，大型科技公司的很大一部分收入来自美国以外市场，将它们的收益与本国 GDP 脱钩。最后，AI 提升生产力可能主要体现在提高利润率上——在产出（GDP）不变的情况下增加企业利润。因此，尽管我们会留意巴菲特指标（及其远房表亲席勒CAPE指数），但我们认为数字经济加速发展带来的新动态无法被这些指标很好反映。
那么，这一指标现在有多热？我的结论是绿色。眼下的股价还未像互联网泡沫时那样完全脱离地心引力。
指标5：资金质量
“资金质量”并不是一个标准财务指标，而是一个复合判断。它关注的是资金来源何处、结构如何，以及资本是愿意多年耐心等待回报，还是只想追逐当季炒作。简言之，低质量资本眼光短浅、缺乏纪律且负债累累——来去匆匆；高质量资本则更有耐心、尽职调查充分，并能承受波动。
每场泡沫都有各自的致命弱点，无一例外与其融资方式有关。铁路热潮由缺乏实力的散户投机者推动。到1870年代初，美国铁路公司的带息债务已占其总资产的46%。当过度建设遭遇银根收紧时，融资链条瞬间断裂。1873年的恐慌使多条铁路线破产清算[92]。
一个世纪之后的互联网泡沫略微稳健些。1995年风险投资规模还只有53亿美元的“小作坊”，到了2001年，已有超过2,370亿美元涌入初创公司，而且资金往往来自新入行且缺乏经验的经理人。狂热也蔓延进了公开市场：1999-2000年的IPO发行量比历史均值高出六倍。一些公司几乎没有营收就匆忙上市。我的两位朋友在1998年让 theGlobe.com 上市，当天股价就飙涨了606%。
1990年代后期的电信业则堆起了巨额廉价债务。短短几年里，美国和欧洲的运营商将杠杆率翻了几番。1998至2001年间，德国电信和法国电信合计新增净债务达780亿美元。一旦收入跟不上，违约就在整个行业蔓延开来。
在这些案例中，支撑繁荣的资本最终都被证明是易碎的。但脆弱程度各不相同。铁路和电信泡沫最易受信贷紧缩冲击，债务率急剧膨胀；而互联网泡沫下，公司更多是受市场情绪摆布——股价蒸发殆尽。
在这方面，如今的AI 热潮看起来更稳健。微软、亚马逊、谷歌母公司Alphabet、Meta和英伟达都在赚取海量现金流，轻松就能自筹资金来建设自己的版图——目前是如此。但投资需求正迅猛提升。摩根士丹利估计，2025到2028年全球数据中心资本支出总额将达到2.9万亿美元。超大规模厂商或许能用自身现金覆盖其中的一半，剩下的必须来自私募信贷、证券化融资以及新进入者。各国政府也承诺了1.6万亿美元的主权AI投资，中东产油国资本也在寻求新的机会。
资金质量评估方法：各子项按1–3评分；权重为：资金构成35%，期限匹配30%，中介纪律20%，系统损失吸收能力10%。
风险正在这里潜伏。摩根士丹利指出，大约有1.5万亿美元的资金缺口需要通过债券市场和资产支持证券来填补。这个数字相当惊人：私募信贷预计贡献8,000亿美元，数据中心资产证券化预计1,500亿美元，另外还有数千亿美元来自设备厂商贷款和供应商融资。光是那1,500亿美元，就几乎会让数据中心证券化市场的规模在一夜之间扩大两倍有余。而并非每个借款人都像微软那样稳健。
举例来说，CoreWeave是一家有英伟达背书的新创公司，即将带着80亿美元债务上市。它已经技术性违约——未破产却没有达到贷款契约要求——且其收入依赖于区区两个客户。它的商业模式是出租每年折旧20–30%的GPU，其经济形态更像WeWork的短租合同，而非超大厂商那种稳固的资产负债表。
就目前而言，AI的资本质量还是较高的，但未来的支出中仅有约一半预计能由超大厂商的自有现金支撑，其基础可能因此而削弱。换言之，底子虽比过去的泡沫更牢，但上层结构已开始显现熟悉的旧模式：晦涩的债务结构、集中的交易对手，以及可能无法保值的硬件重现江湖。如果 genAI 收入能增长十倍，债权人自然安然无恙；否则，他们可能会发现，一仓库过时的GPU是种很难处置的资产。
就目前来看，我对这个指标的判断趋近绿色。我们还未真正进入泡沫区域，但如果融资方式在明年继续朝着不健康的方向演变，而收入增速又不像2025年这般强劲，那么该指标就可能转为黄色。
这对我们意味着什么？
基于上述五大指标判断，genAI目前仍然是一场由需求驱动、资本密集的繁荣，而非泡沫。但繁荣可能会很快变质，我们仍需关注几个值得警惕的压力点：
· 投资占比警戒：如果对 AI 的投资攀升至 GDP 的2%左右，那可能表明经济对 AI 的押注已过重，相对于其生产率回报来说过于超前。同样地，如果未来3–5年内有一家或多家超大厂商将资本支出砍掉超过20%，那将标志市场情绪的急转直下，可能引发其他玩家的迅速撤退。
· 需求端预警：当前企业端和消费者端的支出水平一旦出现持续下滑，也是一个警讯，尤其是如果Nvidia的订单积压量持续缩减的话。与此同时，经济效益需要有所改善：每投入1美元资本所带来的收入应提升至0.5–1.0美元区间。如果这一差距迟迟无法弥合，那就意味着扩张规模并未带来预期中的效率提升。
· 估值泡沫警戒：如果估值开始逼近50–60倍市盈率，那看起来就相当虚高了。因为真正的增长周期里，企业盈利本该追赶股价，而不应该越来越跟不上（估值水平远超盈利）。
· 内源资金枯竭：如果内部现金流只能覆盖不到25%的资本开支，数据中心投资的稳定性将受到冲击。目前行业的稳定性来自超大厂商充沛的现金流支撑。如果它们无法再覆盖大部分资本开支，那么更多债务和证券化融资就会渗入。这可不妙——考虑到 GPU 折旧周期那么短。如果内部融资比例跌到新资本开支的四分之一以下，而依赖转向债务和证券化，那么考虑到GPU寿命短、利率走高，该行业对短期资本的依赖将迅速导致不稳定局面。
我现在的经验法则是：一旦五个指标中有两个进入红区，就说明泡沫确立。到那时就该见好就收，买入波动率指数（VIX），深呼吸静观其变了。
事实也证明如此：1873年恐慌爆发前的一年里，铁路的经济压力指标已转红，外加融资质量下降，疲弱的收入增长更是雪上加霜；2001年电信崩盘时，收入增长和资金质量双双拉响红灯；而互联网泡沫破裂前，行业投入压力和估值热度高高挂红。
眼下，生成式AI 还远没到那一步。引擎高速运转，轰鸣作响，却尚未过热。要多久才会有两个指标转入红区呢？我尝试过几种组合，大多数最令人担忧的场景都需要几年时间才能上演（并非所有场景都那么可怕）。但话说回来，从美国经济衰退、通胀抬头、高利率环境，到国内外政治因素等诸多宏观变数都可能浇灭热情。或许我们离真正的泡沫地带尚有距离，但如果认为 AI 投资周期对上述那些狂热动态免疫，那未免过于自负了。
让我们继续前行，拭目以待。目前而言，一切尚好。（完）
注释：
1.我甚至还为1999年出版的《互联网泡沫》一书写过一段推荐词。
2.爱德华·钱斯勒（Edward Chancellor）所著关于泡沫的书是一本有益的指南[118]。
3.去年，半分析（SemiAnalysis）预测未来中期新增的数据中心产能约有70%将发生在美国[119]。
4.若按通胀调整，2000年投向互联网行业的风投资金为859亿美元；Dealroom.co 报告去年投向 AI 应用层面的风投为470亿美元——两者相差389亿美元。
5.收入数据汇总自主要公司的官方披露（如 SEC 文件、财报电话会议记录、投资者演示稿、新闻稿），在公司报告不完善处辅以分析师和咨询机构估计（麦肯锡、Gartner、IDC 等）[121]。我们优先采用公司披露的数据，并对收入分成协议（例如OpenAI–微软）的潜在重复计算进行了调整，同时将收入按订阅、API、基础设施、授权等类别归类以保持可比性。对于私营公司的收入（如Anthropic、Midjourney），我们依据其报道的运行速率或可信的媒体/风投消息，并标注为估算值。
6.有关genAI 收入模型参见前注。铁路数据来自FRED，美国电信收入数据来自 OECD。
7.我们的模型显示AI 公司收入同比增长130%。
8.粗略估算：美国大约有600万家企业，假设目前9%（约54万家）有一个有用的 genAI 用例；预计五年内该比例升至75%（约450万家），且每家采用企业的平均用例数量由约1个升至100个左右——由此产生约4.5亿个用例，增长约830倍。本数据仅为说明用，不构成预测。
9.目前大多数genAI 服务按“Token”计费。一个 Token 是一小段文本，通常约4个字符（约等于3/4个单词）。服务商根据提示和回复中处理的 Token 数量收费（例如输出1000词可能约等于1300个Token）。这种模式将成本与使用量直接挂钩，但未来可能演变——企业用户可能会谈判定额合同、消费包或基于结果计价等方式。
10.在Boo.com 崩溃后，我花了一个下午走访了他们空荡荡的办公室，想看看还有没有什么有形资产能变现。
11.资产支持证券（ABS）是卖给投资者的债券，由一组基础资产产生的现金流提供支持。在这里，基础资产是数据中心的租约或基础设施合同。通过将这些稳定的租金或服务收入证券化，运营商就能以此融资。
12.OEM（原始设备制造商，如戴尔、思科或英伟达）通常会向客户提供赊销，或与金融部门合作帮助客户购买硬件。“厂商融资”则是一个更广泛的说法，指供应商借款给买方，通常由所购设备投入使用后产生的收入来偿还。
