AI的融资浪潮，正快速席卷中美两大经济体。

2026年5月，中国大模型公司DeepSeek曝出首轮融资消息，募资金额最高为500亿元人民币，估值也从一个月前的约100亿美元飙升至450亿美元。

同一时间，国内头部大模型企业月之暗面（Kimi）也完成最新一轮20亿美元融资，投后估值也从去年底的43亿美元增至200亿美元。

在产业层面，阿里巴巴CEO吴泳铭5月中旬解读财报时表示，阿里AI已跨越初期投入阶段，正式迈入商业化回报周期。面向未来五年目标，阿里AI基建投入资金会远远超过3800亿元人民币。

太平洋另一端，同样的力量以更庞大的体量在运转。

2026年，Alphabet、Amazon、Microsoft和 Meta四家公司的资本开支预算合计约7250亿美元，比2025年的4100亿美元增长77%。其中Amazon一家就计划投入2000亿美元，Alphabet的预算是1750亿美元至1850亿美元。而两年前，Alphabet的预算还是525亿美元。

在私募市场，估值飙升的速度同样惊人：Anthropic在2026年2月以3800亿美元投后估值完成融资，仅约两个月后就在寻求8500亿至9000亿美元的新一轮定价，不到一个季度估值翻了一倍多。

这些数字不是在为一个未经验证的概念下注。英伟达的利润表、OpenAI超过250亿美元的年化收入、企业端涌入的算力订单，都是真实的。

但金融市场最危险的时刻，往往不是故事全然虚构的时候，而是故事大体正确、价格却提前兑现太多的时候。

1999年的互联网正是如此：它没有看错未来，却看错了未来到来的速度。今天围绕 AI投资，真正需要回答的问题不是“AI是否有用”，而是当前的投资节奏是否匹配真实的需求增长？产业链的繁荣能否转化为广泛的利润？以及，这项技术对经济结构本身的冲击，是否已经被充分考虑？

2025年7月26日，上海，世界人工智能大会上的参观者。

AI：高速运转的融资机器

AI投资热潮首先体现为资本规模的陡峭上升。Stanford HAI公布的《2026 AI Index》显示，2025年美国私募AI投资达到2859亿美元。但真正的大头来自Alphabet、Amazon、Microsoft和Meta四家上市公司的资产负债表：2025-2026两年合计资本开支将达约1.12万亿美元，经通胀调整后超过阿波罗登月计划、马歇尔计划和曼哈顿计划三者总和的3.1倍。

高盛的研究指出，当前AI资本开支约占美国GDP的0.8%，而历史上重大技术投资周期——如20世纪90年代末的电信建设——峰值曾达GDP的1.5%以上。理论上，开支规模仍有翻倍的参照空间。

估值端同样不便宜。2026年5月，标普500的周期市盈率大致在40倍上下，明显高于长期均值。尽管今天最大的科技公司多数有利润和自由现金流，不能简单等同于2000年那批既无盈利也无可信商业模式的dot-com公司。但高估值意味着低容错率：收入增速、资本回报率或利率假设有一项不及预期，市场就需要重新定价。

为这些估值和开支提供底气的，是收入的高速增长。OpenAI截至2026年2月底年化收入超过250亿美元，Anthropic的年化收入在数月之内从约90亿美元升至超过300亿美元。这些数字证明AI不缺需求，也让巨额资本开支看起来合情合理。

但收入增长本身不是终点，关键是收入能否沉淀为利润，利润能否覆盖资产投入，资产投入是否来自真正的终端需求，而非产业链内部的资金循环。

微软投资OpenAI，OpenAI购买微软旗下云计算平台Azure的算力；英伟达拟向OpenAI分阶段投资最高1000亿美元，同时OpenAI将建设使用英伟达系统的数据中心。当供应商、客户、投资人的角色越来越重叠，市场就更难分辨：某一环的收入究竟来自外部终端需求，还是来自产业链内部对未来需求的共同押注？

这正是泡沫讨论最容易失焦的地方。AI投资不像纯粹的概念炒作，它更像一台高速运转的融资机器：资本开支带来收入，收入支撑估值，估值吸引融资，融资再转化为资本开支。只要最终需求持续跟上，这台机器就是生产力革命；如果最终需求慢于建设速度，它就会变成供给过剩和资产减值。

来源：ROPES&GREY，Pitchbook，Neuberger Berman，斯坦福2025-2026《AI Index Report》，上市公司公开资料，GBAI整理测算。

互联网泡沫的两个教训

20世纪90年代末的互联网投资也经历过类似的正反馈：资本涌入推高基础设施建设，建设本身创造收入和就业，收入增长又吸引更多资本。互联网最终被证明是过去三十年最重要的技术变革，但这并不妨碍它在短期内造成巨大的资本损失。这段历史包含两个看似矛盾的教训。短期来看，建设速度远超需求。

1996年至1999年，互联网投资从合理乐观转向融资狂热。据当时美国金融学者Tim Loughran与Jay R.Ritter的研究，美国IPO平均首日回报从1990年至1998年的约15%，跃升至1999年至2000年的65%，二级市场为远期故事支付极高溢价。

但在需求端，现实却冷得多：2000年6月，美国家庭宽带渗透率仅约3%，零售电商销售仅占零售总额的约0.9%。资本市场已在为高互联网渗透率时代定价，消费者却还在实体店买书。

基础设施的错配同样严重。电信公司和设备商大规模铺设光纤，1996年至2001年前后，电信设备与网络投资超过5000亿美元，其中相当部分由债务融资支撑。当有支付能力的客户不足以吸收产能，vendor financing（卖方融资）开始出现。设备商向运营商提供融资，运营商再购买设备商产品，设备商确认收入。

这和今天AI产业链中供应商投资客户、客户购买供应商产品的模式在结构上相当相似。供给端融资伪装成需求端增长，直到客户破产、坏账暴露，幻觉才消散。2000年3月至2002年10月，纳斯达克指数从5048点跌至约1114点，两年多时间跌幅累计达到78%。

但如果把时间拉长，互联网给出了截然不同的答案。泡沫出清之后，宽带普及、智能手机出现、云计算成熟，让互联网从“网页访问量”变成可持续的利润池。从长期来看，互联网可以称得上是过去三十年最重要的机会。

美国亚利桑那州立大学教授Bessembinder对全球64000只股票在1990年至2020年的表现研究显示，Apple、Microsoft、Amazon、Alphabet、ExxonMobil五家公司贡献了8.3%的净财富创造；在美股近百年样本中，96%的公司终其上市生涯，累计回报仅勉强跑赢国库券，互联网巨头几乎垄断了那不到4%真正创造超额收益的席位。

跨国比较让这一点更清楚。美国“七巨头”合计市值超过12万亿美元，欧洲七大科技公司仅约7050亿美元。近20倍的差距背后，是互联网创造的净财富绝大多数被美股捕获，欧洲没有长出全球性的搜索、社交或电商平台。

麦肯锡的研究指出，2010年后，欧洲GDP增速降至约1%，而美国凭借软件和生物科技维持在5%的水平。日本ICT产业占GDP比重高达9%，强项却集中在电子硬件，软银在2000 年投资阿里巴巴反而成了一个隐喻：日本资本参与了互联网革命，收获价值的却是中国和美国公司。

1999年底的市场共识与事后真相形成了剧烈反差。当时被视为赢家的Yahoo市值超过 1000亿美元；Netscape被AOL以约42亿美元收购，Excite@Home估值约67亿美元，这些掌握浏览器和门户入口的大厂，是机构组合的标配。而今天的巨头当时几乎都处于边缘或尚未诞生：苹果市值仅约130亿美元，刚从破产边缘被拉回；Amazon市值约257亿美元，仍在以亏损换取增长；谷歌还未上市；Facebook要到2004年才成立。

这意味着，即使在1999年正确判断了“互联网会改变世界”，如果在2000-2002年的崩盘中离场，不仅或多或少要面对跌幅，也永久错过了随后二十年的超额回报。方向正确不等于短期安全，但过早离场意味着永久放弃超额收益。

AI的短期风险

从互联网经验出发，AI当前的短期风险可以从三个层面理解。

第一，利润集中在上游，终端需求存疑。

芯片环节非常赚钱，尤其是英伟达——高端GPU、网络、HBM和先进封装构成真实的物理瓶颈，上游算力拥有强议价权。但产业链其他部分没有同样确定的利润结构：云厂商先投入再等待用量增长，模型公司收入快但持续支付训练和获客成本，应用公司进入门槛低、竞争激烈。AI总需求增长很快，但利润可能高度集中在少数上游环节，这和互联网时代设备商先赚钱、应用层后赚钱的节奏相似。

终端需求是否真的跟得上，答案并不确定。代码生成和开发者工具是目前最清晰的高价值场景，Claude Code等产品已证明用户愿意付费，斯坦福大学公布的2025年人工智能指数报告也显示，软件开发任务存在可观的效率提升。

但其他企业场景远没有这么顺利。麦肯锡2025年关于AI的调查显示，多数组织仍未将AI扩展到企业级规模；麻省理工学院MIT NAND项目于2025年的研究更直接，在约300亿至400亿美元企业对生成式人工智能的投入中，只有约5%的业务试点能够提取出百万美元级价值，约95%尚未体现可衡量的损益表影响。

从“好用的工具”到“能改变企业损益表的系统”，中间还有很长一段路。

第二，模型层同质化，护城河远弱于互联网。

互联网时代的赢家通常有强网络效应，Google的搜索越多人用越强，Facebook的社交图谱越大迁移成本越高，Amazon的飞轮越转越快。大模型层则未必如此。

斯坦福大学公布的2025年人工智能指数报告显示，达到GPT-3.5水平的推理成本从2022年11月的20美元/百万Token，2025年初骤降至0.07美元/百万Token；2026年指数报告显示，顶级闭源模型领先顶级开源模型仅约3.3%，美国顶级模型领先中国顶级模型约2.7%。领先优势越来越短，价格压力越来越大。开源和开放权重模型不断逼近闭源前沿，正在把模型能力从稀缺资产变成基础设施。若趋势延续，长期利润可能流向上游芯片和拥有用户入口的应用层，而非所有基础模型公司。

第三，退出供给集中，给高估值市场带来额外压力。

互联网泡沫的破裂不能简单归因于IPO，但密集IPO和锁定期解禁确实在市场转弱时放大了抛压。今天AI私营公司的估值远高于1999年的多数互联网公司，OpenAI2025年融资估值达到3000亿美元，Anthropic2026年2月投后估值3800亿美元，还有大量模型、数据、应用和基础设施公司在等待退出窗口。

VC和PE基金最终需要向 LP 返还资本，员工和早期投资者需要流动性。如果未来一两年AI公司集中上市，二级市场不仅要判断长期价值，还要同时消化巨额新股供给和盈利路径的不确定性。高估值市场最怕的不是坏消息，而是需要同时吸收太多“好公司”的股票。

供给扩张之后，谁来购买？

如果说AI的短期风险是节奏和结构问题，长期风险则触及更根本的供需关系。

过去两百年的技术革命也在替代劳动，纺织机替代手工纺织，流水线替代手工装配，计算机替代文书流程，互联网替代线下渠道。但这些技术有一个共同特征：它们替代人的某一类能力的同时，也放大了人在其他方面的互补角色。机器提高体力劳动效率，人转向脑力劳动；计算机提高信息处理能力，人转向判断和沟通；互联网降低交易成本，人转向创造和服务。旧岗位消失，新岗位出现，社会经历痛苦调整之后，供给扩张最终被新的需求吸收，经济在新的均衡上重新增长。

AI的不同之处在于，它替代的不是某一个机械动作，而是更通用的认知任务：写作、分析、编程、客服、法律检索、财务建模、设计。这不意味着所有人都会失业，也不意味着新岗位不会出现。但它削弱了过去自动化冲击中的关键缓冲机制——当AI开始替代一般认知能力本身，人类可转移的下一类工作就不再显而易见。

从供给端看，这将是惊人的生产率提升：一段代码、一份分析、一张海报、一个客服回复，都可以以极低边际成本复制。但从需求端看，问题更棘手：消费能力最终来自收入，收入大多来自工作。乐观的情景是：生产率提升带来更高利润，企业扩张创造新类型岗位，实际工资随之上升，新的需求接续出现，这正是工业革命和计算机革命事后证明的路径。

但这个循环能否在AI时代再度成立，存在一个关键前提：替代的速度不能快于社会重新分配生产率收益的速度。如果 AI替代或压低认知劳动收入的速度，快于新就业机会和转移支付安排形成的速度，有效需求就可能无法同步增长。

AI在理论上存在这样一种风险：如果收益高度集中于资本所有者，而没有足够的转移支付，被替代劳动者的购买力就可能持续萎缩，进而引发通缩和经济危机。这不是必然的结果，但它是需要制度应对的真实风险——而非自动会被市场机制化解的过渡阵痛。

IMF2024年研究估计，全球约40%的就业暴露于AI影响之下，发达经济体约60%的工作可能受到影响。如果制度调适跟不上，生产率革命可能先表现为利润率上升，随后表现为工资份额下降、需求不足和社会压力上升。

这对投资者构成一个真实的悖论：AI公司越能替代人，越能在短期创造利润；但如果被替代的人没有新的收入来源，企业最终面对的市场也会变小。技术公司不能脱离宏观经济单独繁荣，它们的收入来自其他企业和消费者，而后者的购买力来自整个社会的收入分配。

因此，AI投资若要长期成立，不只需要更强的模型和更便宜的算力，还需要就业转型、税收制度和社会保障安排，让被替代或被压价的劳动者仍然有消费能力。资本市场今天定价的是供给侧奇迹，却很少定价需求侧的制度成本。

不只是一个投资问题

短期看，AI的风险在节奏，资本开支跑在终端需求前面，利润集中在少数上游环节，模型层的竞争壁垒远不如互联网时代的平台，而密集的IPO窗口正在逼近。这些风险是可定价的，市场迟早会通过调整来反映。

长期看，风险在一个更根本的潜在错配上。过去每一轮技术革命，被替代的工人最终找到了新的工作，他们的收入变成了新的消费，新的消费又支撑了新技术创造出的供给。这个循环是两百年来技术进步与经济增长并行的基础。AI对认知劳动的替代，有可能打破这个循环。如果打破了，受损的不只是被替代的人，也包括那些替代他们的公司，因为利润最终来自一个有购买力的市场。

1999年的投资者没有看错互联网会改变世界，却看错了未来到来的速度。今天的AI 投资者面对一个更尖锐的不确定性：他们看对了技术的方向，却可能看错了技术成功之后，谁来购买这个技术。AI投资若想长期获利，必须押注的不只是算力和模型，还有一个社会能否在机器替代人的同时，为被替代者重建收入与消费的能力。

如果这一安排缺位，技术的成功与经济的健康，将不会自动站在同一边。而这一次，技术的成功本身，可能就是最大的风险。

（作者：刘劲-大湾区人工智能应用研究院理事、特聘专家，安妮-大湾区人工智能应用研究院高级研究员，夏欣羽-大湾区人工智能应用研究院助理研究员）