AI产业资本开支狂飙，商业回报存疑

AI产业狂飙，但万亿美元资本开支最终谁来买单？

作为一个长期关注AI产业的投资者，我认为自己应该比绝大部分AI投资者接触过更多AI产品，也实际使用过更多不同类型的AI工具。

而越深入使用，越让我产生一个强烈的感受：

AI技术革命大概率是真的，但AI产业链最终能产生多少利润，可能远没有资本市场想象中那么简单。

过去两年，AI产业进入了前所未有的资本投入周期。

英伟达、微软、亚马逊、谷歌、Meta等公司都在大幅增加资本开支，建设数据中心、购买GPU、扩充算力。

表面来看，AI产业形成了一个非常完美的闭环：

AI模型需要算力 → 云厂商建设基础设施 → 企业购买AI服务 → AI公司获得收入 → 继续扩大资本投入。

但真正需要思考的问题是：

这个闭环是否能够长期产生足够高的资本回报？

一、AI需求增长，不等于AI产业一定能产生高利润

很多人讨论AI时，关注最多的问题是：

AI会不会改变世界？

答案大概率是肯定的。

但投资真正关心的问题应该是：

改变世界的过程中，产业链上的公司能不能赚到足够多的钱。

技术进步往往伴随着成本下降。

这里有一个经典概念：

杰文斯悖论（Jevons Paradox）。

当技术提升导致单位成本下降时，需求往往会快速增长。

但投资者容易忽略：

需求增长，不一定等于利润增长。

如果价格下降速度超过需求增长速度，那么可能出现：

使用量越来越大；

价格越来越低；

收入增长有限；

利润空间不断压缩。

AI行业目前已经出现类似趋势。

例如GPT-4刚推出时：

输入价格约30美元/百万token；

输出价格约60美元/百万token。

随后GPT-4 Turbo价格下降至：

输入约10美元/百万token；

输出约30美元/百万token。

仅官方价格调整，输入成本下降约67%，输出成本下降约50%。

更重要的是，随着大量新模型出现，企业完成同样任务所需的AI成本下降幅度更大。

过去需要最强模型完成的任务，现在越来越多可以由更便宜模型完成。

这意味着：

AI使用量可能高速增长。

但单位服务价格也可能持续下降。

二、AI最大的风险：护城河可能没有想象中深

目前很多投资者认为，最强模型会形成类似互联网平台的护城河。

但实际使用下来，一个明显趋势是：

模型之间的差距正在快速缩小。

早期GPT刚出现时，领先优势非常明显。

但现在GPT、Claude、Gemini、DeepSeek、Kimi等模型之间，能力差距已经没有最初那么巨大。

未来三五年，模型能力还会继续提升，但可能逐渐进入边际递减阶段。

从50分提升到80分，是革命性的。

但从80分提升到90分，再到95分，难度会越来越高。

第一个探索路径的人成本最高。

后来者沿着已经验证的方向追赶，成本会低很多。

所以：

领先可以存在。

但领先未必能够形成长期不可跨越的护城河。

三、企业AI需求可能没有市场想象中那么持续

现在企业确实在积极部署AI。

但企业最终关注的不是：

“我要永远使用最强模型。”

而是：

“如何用最低成本提升效率。”

未来很可能出现：

核心任务使用最强模型；

大量普通任务使用便宜模型。

甚至企业完成AI基础设施建设、知识库建设、流程改造以后，后续维护工作可以由低成本模型甚至本地模型完成。

这意味着：

AI建设初期可能产生巨大需求。

但不能简单把建设期需求外推成长期持续需求。

就像种树：

最开始需要大量投入，把树种起来。

但树长大以后，日常更多是维护。

前期建设需求巨大，不代表后期维护需求同样巨大。

四、AI资本开支最大的疑问：未来谁来承担成本？

过去两年，AI最大的变化就是资本开支爆炸。

微软、亚马逊、谷歌、Meta等科技巨头，都在投入数千亿美元建设AI基础设施。

但问题是：

这些资本最终由谁买单？

如果AI应用端能够创造足够现金流，那么整个产业链可以形成健康循环。

但如果下游商业模式不足，那么今天巨额资本投入可能最终变成未来的折旧压力。

五、AI产业链正在形成强大的内部正反馈

以英伟达和SK海力士为例。

AI时代最大的瓶颈之一是HBM高带宽存储。

HBM是英伟达高端GPU的重要组成部分。

因此形成了一种高度绑定：

英伟达需要SK海力士提供先进HBM；

SK海力士则依赖英伟达GPU生态带来的巨大需求。

近期英伟达与SK集团围绕AI基础设施和下一代存储展开大规模合作，相关合作规模达到5000亿美元级别。

同时，SK集团规划建设最高2GW规模AI Factory，并部署超过5万颗英伟达GPU。

这形成了一个非常强的产业正反馈：

GPU需求增加 → AI数据中心扩张 → HBM需求增加 → 存储扩产 → 支撑更多GPU部署。

短期来看，这个循环非常强。

但长期问题是：

最终现金流来自哪里？

如果AI应用端产生足够利润，那么这个循环可以持续。

但如果大量需求来自产业链内部扩张，而终端商业价值不足，那么未来可能面临：

资本开支继续增加；

资产折旧逐渐释放；

算力价格持续下降；

利润率被压缩。

六、微软、亚马逊证明AI有收入，但还没有完全证明长期回报

很多人引用微软、亚马逊云业务增长，认为AI商业模式已经被验证。

这一点不能完全否认。

AI确实已经产生真实收入。

企业也确实愿意购买AI服务。

但这里有一个容易忽略的问题：

收入增长和资本消耗之间存在时间差。

过去两年的大量GPU、服务器、数据中心投资，目前很多刚刚投入。

这些资产未来几年才会进入大规模折旧周期。

现在看到的利润，可能更多反映AI基础设施建设早期阶段。

就像一家制造企业刚建成新工厂：

订单快速增长，收入快速提升。

但真正盈利能力，需要经过完整折旧周期验证。

AI基础设施也是如此。

未来需要观察：

当GPU、服务器进入大规模折旧阶段后：

服务器折旧；

GPU更新换代成本；

电力成本；

数据中心运营成本；

是否仍然能够被AI收入覆盖。

现在证明的是：

“AI有人买。”

但未来需要证明：

“AI产生的利润，足以支撑未来数千亿美元级别的基础设施投入。”

七、不能把早期高利润外推成长期利润

这和新能源车的发展有一定相似。

2022年理想L9上市时，单车利润很高，很多人认为新能源车商业模式已经跑通。

但后来大量企业进入，行业竞争加剧，价格战迅速压缩利润。

问题不是需求不存在。

而是：

需求存在，不代表产业链所有参与者都能获得高利润。

AI也是一样。

现在市场看到的是：

技术突破；

需求增长；

资本投入；

收入提升。

但未来真正决定赢家的，是：

谁能够在价格下降、竞争加剧、折旧增加的环境下，仍然产生高回报。

结语

AI可能是未来十年的超级产业。

但超级产业，不代表所有产业链公司都是超级利润公司。

真正需要关注的问题不是：

AI有没有价值？

而是：

AI创造的经济价值，是否足以支撑今天数千亿美元甚至万亿美元级别的资本投入？

技术革命可能是真的。

但商业闭环，需要时间验证。