芒格这段话，几乎是为今天的AI产业提前写下的注脚。
过去三年，全球科技巨头掀起了一场基建狂潮。数据中心拔地而起，英伟达GPU排队到明年，日本、爱尔兰的电价被算力需求推上天。
据红杉资本合伙人 David Cahn 在 2026 年 7 月的最新测算，今年全球 AI 基础设施投入将达 1.5万亿美元，整个行业需要创造约 3万亿美元 的年收入才能回本。而AI行业实际创造的净收入，扣掉吞噬性的算力与研发开支，接近于零。
这篇文章讨论的，不是"AI有没有用"——AI当然有用。真正的问题是：当前以 GPU 硬件为核心的算力资本狂欢，是不是正在重演历史最大的泡沫之一？把"AI有价值"和"算力硬件投资值得"混为一谈，是当下最危险的认知混淆。
红杉的逻辑并不复杂：1.5万亿美元（2026年单年全球AI基础设施资本开支）基建投资按 5 年折旧，年化折旧成本约 3000 亿美元；加上电力、运维、研发、人力等运营成本约 3000–5000 亿美元，年化总成本约 6000–8000 亿美元；再考虑资本要求的合理回报率（15–20%），行业需要创造的年收入在 3万亿美元 量级。哪怕用最宽松的假设，折旧拉到 6 年、运营成本压到最低，也至少需要 1.5–2 万亿美元。
那行业目前实际赚了多少？把各家光鲜的 ARR（年化经常性收入，订阅制下按当前月收入推算的全年理论收入，非实际到账利润）加总，OpenAI 年化收入已站上百亿美元，Anthropic 站上 300 亿美元，加上微软 Copilot、谷歌、Meta 以及中国厂商，全行业 ARR 合计已有数千亿美元量级。但 ARR 是账面经常性收入，不是落袋的净现金。OpenAI 2025 年经营亏损 209 亿美元、2026 年 Q1 单季再亏 93 亿；Anthropic 的高 ARR 也远未变成自由现金流。这些 ARR 背后对应的算力采购、研发投入，是实打实的现金流出。减去吞噬性的开支，真正能沉淀下来、去覆盖那 1.5 万亿美元硬件成本的净收入，接近于零。
3万亿美元的年收入——目前看不到任何一个商业模式能把它赚出来。 而资本开支还在加速。
下面的论证，就是拆解这个缺口为什么填不上：收入端每个赛道都在撞天花板，成本端还在加速恶化，上游的超额利润也保不住——以及为什么这和"AI有没有用"完全是两回事。
3万亿的缺口已经摆在那里。问题是：每个赛道能填多少？把 C 端和 B 端两条主线拆开看。
通用 AI 助手曾被视为最性感的入口，结果交出了一份难堪的答卷。
绝大多数用户不愿意为通用 AI 助手付费。一个月收几十块人民币的订阅费，很多用户就卸载了，换下一个免费的。开源模型（DeepSeek、Llama 系列）可以免费下载部署，已经把通用大模型的付费溢价空间压到了极低水平。少数愿意付费的重度用户呢？他们单次推理消耗的 GPU 算力成本，数倍于订阅费。厂商原本想用"轻度用户亏一点、重度用户赚一点"的交叉补贴来撑住，结果发现：轻度用户基本不付费，重度用户全是亏的。
于是有了标志性的一幕：2026 年 6 月，微软旗下 GitHub Copilot 从固定订阅转为按 Token（模型调用的最小计费单位）用量计费。换言之——"之前收的订阅费，根本不够付算力成本，现在用了多少 Token，就老实交多少 Token 的钱。"连世界上现金流最充裕的公司之一微软，都不得不在开发者产品上承认订阅费覆盖不了算力成本，你怎么指望通用 AI 助手成为万亿级产业？（注：面向企业的 Microsoft 365 Copilot 仍维持订阅制，2026 年 7 月起还上调了价格，但企业端的溢价承受能力和 C 端不可同日而语。）
视频生成赛道更干脆。2024 年 Sora 发布时轰动全球，2026 年 3 月 OpenAI 宣布关停 Sora，4 月正式关闭服务。AI 视频生成的单次推理成本是文本的数百倍，但用户只愿"好玩试一下"，头部厂商 Runway、Pika 的付费转化率不足 5%，单用户推理成本是订阅费的 3 倍以上。研发投入大、推理成本极高、需求场景狭窄、变现路径模糊，这是整个赛道的共性困局，不是 OpenAI 一家的个体决策。
B 端是所有 AI 厂商最后的希望。而且确实有一条路走通了：用 AI 替代人力。
逻辑简单粗暴：一家公司原来养 10 个客服，一年人力成本 100 万。现在用 3 个人的工资买 Token，可以裁掉 10 个人。OpenAI、Anthropic 为首的全球大模型厂商，把最多的研发资源都砸在"提升模型能力"上，就是为了让这个替代更干净、更彻底。这是当前唯一在商业上被验证了的 AI 变现模式。
但这个模式本身也自带天花板。
AI 帮企业裁 10 个人，收入上限就是这 10 个人的工资——不可能更多。这不是"创造新市场"的逻辑，而是"切存量蛋糕"的逻辑。
有人反驳说"AI 替代的都是廉价人力，成本结构反了、根本不划算"。这个判断是片面的。AI 替代的范围其实很宽：它不光替代月薪三五千的客服、数据标注、初级翻译，也能替代年薪几十万甚至上百万的资深程序员、数据分析师。替代昂贵的程序员，恰恰是 AI 目前最有利可图的落地：一个资深工程师年薪几十万美元，用 AI 帮他把效率翻几倍、甚至替代其中一部分工作，省下的钱远超消耗的算力成本。这部分钱是实打实能赚到的。
但"能赚钱"和"能撑起万亿投资"是两回事。先算一笔账：全球程序员、分析师、设计师加起来就那么多人，他们一年的工资总额是个固定的数字——这就是 AI 在 B 端能变现的总天花板。以全球约 2000–3000 万程序员计，发达国家程序员平均年薪约 8–10 万美元，发展中国家远低于此，全球工资总盘乐观估算在数千亿美元量级；加上分析师、设计师等其他白领岗位，乐观估计总天花板在 1万亿美元 左右。而行业需要的是 3 万亿。
而且越是高价值的替代，可替代的岗位数量就越少：程序员虽贵，但总量远小于客服。"有利可图的程序员替代"单价虽高、总量却有限；"规模庞大的客服替代"量大、单价却低。需要细分来看：在中国，月薪三五千的客服岗位如果用最先进的 H100 集群去替代，确实不划算；但用国产芯片（如华为昇腾、阿里平头哥）搭配蒸馏后的小模型，部分场景已接近成本线，这也是国内客服替代能落地的原因。两头一挤，B 端人力替代的总市场规模，远没有万亿级投资所需要的那么庞大。
模型能力趋同后，企业选 API 只看价格。训练一个前沿大模型动辄几亿美元，推理服务还要持续烧算力，收入被价格战压到地板，成本一分也省不下来。海外好歹能指望 OpenAI、Anthropic、谷歌三家默契地维持一个不太难看的定价水平。但中国市场是另一个维度的故事，下一节单独拆。
这正是芒格那番话命中的靶心。假设 OpenAI 今年靠人力替代赚了 100 亿美元——能拿走吗？不能。MiMo-V2.5-Pro、DeepSeek-V4-Pro、智谱 GLM-5.2、Kimi K3 接二连三地以开源、极低成本、高性能的姿态杀出来，OpenAI 只能把全部利润砸回去训练下一代模型，重新拉开差距。明年呢？中国的开源系列又更新了。无穷无尽。
OpenAI 2025 年的泄露审计文件显示：全年营收约 130 亿美元，经营亏损约 209 亿美元，研发烧掉 191.8 亿，其中超百亿美元付给了微软 Azure。值得注意：GAAP（美国通用会计准则）口径的净亏损 385 亿美元中，有约 300 亿美元是一次性的非现金重组费用（OpenAI 从非营利转为营利实体时的会计调整），扣除后实际经营亏损约 209 亿。即便如此，这个数字仍然触目惊心。ARR 与净收入之间的鸿沟，正是全文核心矛盾的微观缩影：2026 年全行业 AI ARR 合计约 3000 亿美元，但对应年折旧+运营+研发总成本约 7000–8000 亿美元，自由现金流仍为显著负值。几千亿的收入听起来很多，但它还不够覆盖成本的一半。更值得追踪的是趋势：2026 年一季度 OpenAI 招股书披露的营收已升至 57 亿美元，但单季经营亏损仍达 93 亿美元，亏损并未收窄，反而在加速。Anthropic 2026 年 4 月的年化收入（ARR）已站上 300 亿美元，听起来很厉害；但一个反常的细节是，Anthropic 从 6 月起开始封禁海外用户使用 Claude。一家 ARR 站上 300 亿的公司为什么主动放弃海外市场？算力成本太高，必须聚焦高 ARPU（每用户平均收入）市场。这恰好印证：只要开源模型还在追、芯片迭代还在加速，ARR 就只是账面数字，远未变成自由现金流。
上一节说了价格战的下限。但中国市场的故事，还会把下限再往下压一截。
美国大模型厂商的逻辑是清晰的：OpenAI、Anthropic、谷歌三家默契地把 API 价格维持在一个"有利可图但不过分"的水平，形成寡头垄断的舒适区。谁也别打价格战，大家都能赚点。
但中国市场把这条路线碾得粉碎。
中国大模型赛道的竞争烈度，已经超出正常商业竞争的范畴。二三十家玩家，DeepSeek、MiMo、智谱、Kimi、通义千问、百川、MiniMax、豆包……百模大战早已不是比喻，是描述。它们的竞争逻辑和硅谷完全不同：硅谷讲究"高毛利、高留存、慢扩张"，中国玩家信奉"低价占市场、规模换生存"。只要算力成本能勉强覆盖，甚至只要广告费、生态绑定费、数据变现等附加收益能补上缺口，API 本身亏本也照干不冒。你降一点，我降更多。你免费，我倒贴。
这不是修辞，是正在发生的现实。几个数字：
2026 年 5 月，DeepSeek 宣布旗舰模型 V4-Pro 永久降价 75%——原本的限时 2.5 折促销，直接定为长期官方定价。调价后每百万 Token 输出仅 6 元人民币（约 0.87 美元），缓存命中输入低至 0.025 元。作为对照，OpenAI 同期 GPT-5.5 每百万 Token 输出约 216 元，Claude Fable 5 约 362 元。最贵与最便宜之间，差了 178 倍。需要说明的是，DeepSeek V4-Pro 在 MMLU、HumanEval 等主流基准测试中已达到 GPT-5.5 约 90% 的能力水平，178 倍的价差并非来自十倍的能力差距，而是来自中国厂商截然不同的定价策略。智谱 GLM-4-Flash 甚至完全免费、不限调用量。2026 年上半年，中国各大实验室六次下调 LLM API 价格，其中三次宣布为永久性降价；同期美国市场 API 均价反而上涨 89%——一边涨、一边跌，这道剪刀差正在从根本上重塑全球 AI 的定价逻辑。连奥特曼都公开表态"OpenAI 很乐意降价 75%"——这是被 DeepSeek 逼到墙角的被动回应。微软甚至开始评估用 DeepSeek V4 替代 OpenAI 模型作为 Copilot 的底层引擎。
这和外卖大战、社区团购大战有相似之处：同样的剧本——资本涌入、烧钱补贴、价格踩踏、剩者为王。但大模型有一个外卖和社区团购都没有的关键差异：外卖有物理配送半径，区域垄断尚有可能；API 完全没有物理边界，竞争是全球性的，价格战只会比外卖更彻底。更要命的是另一层差异：外卖大战时，全社会都在嘲笑"烧钱补贴不可持续"，投资人算账算得明明白白；百模大战却披上了"国运之战""第四次工业革命入场券"的外衣，烧同样甚至更多的钱，质疑声反而小了。一样的生意逻辑，一个被当笑话，一个被当信仰。当投资决策被宏大叙事绑架，市场的价格发现机制就失灵了——这才是大模型价格战比外卖更危险的地方：不是杀得更狠，而是杀得更久，因为没人敢先喊停。
这些宏大叙事确实振奋人心。中美科技竞争事关国运，AI 被赋予的使命远超任何单一行业，它是"第四次工业革命的入场券"，是"不能输的国运之战"。但宏大叙事解决不了一个最朴素的问题：现金流。一场战争可以不计成本地投入，但一家公司不能。无论你承载了多少"国家战略"的光环，如果你的商业模式永远赚不回覆盖算力成本的现金流，资本的耐心终有耗尽的一天。2018 年中兴被激活出口禁令、2019 年华为被列入实体清单时，"中国芯"的叙事同样热血沸腾，但大基金一期投资的企业里，至今有多少实现了健康现金流？叙事可以撑起估值，撑不起利润。
但大模型还有一把外卖和社区团购都没有的刀：开源。中国开源模型——DeepSeek-V4、GLM-5.2、Kimi K3——正在从另一个维度动摇高端算力溢价的根基：大部分实际场景"够用就行"，不需要最前沿的闭源模型；开源模型权重公开、免费部署，边际成本极低。这把刀如何击穿高端算力定价、加速存量硬件贬值，2.4 节会展开。
再加上 AI API 几乎零用户黏性，改一行 API 地址就能切换模型，替换成本接近零。低黏性 + 近零切换成本 + 中国式无限内卷 + 开源，价格战很难看到底部。
更关键的是：这场仗不会老老实实待在中国。美国企业用户今天就能去 HuggingFace 下载 Kimi K3 或 GLM-5.2，在自己服务器上部署；或者直接调中国厂商的 API，跨境结算，价格甚至不到美国本土的十分之一。国界对 API 的拦截能力有限。中国的价格战正在通过开源渠道向全球传导。
这已经产生了直接后果：OpenAI 的 IPO 已从 2026 年下半年推迟至 2027 年（奥特曼坚持万亿估值，SpaceX 上市后破发压低了市场情绪），Anthropic 虽仍瞄准 2026 下半年但市场预期持续转冷。投资人不傻：一家公司的 ARR 再漂亮，只要定价权上面悬着中国开源模型的刀，ARR 就很难变成自由现金流。
讲完 C 端和 B 端的主线，还有几个被反复用来论证"AI天花板无限高"的方向，但每一个都有现实约束：
●存量业务增益（AI乘数）：Meta 用 AI 优化广告投放，谷歌用 AI 提升搜索，亚马逊用 AI 做推荐，微软用 AI 给 Azure 加价——这几家巨头靠自身千亿级广告/电商/云业务底座消化算力成本。但全球拥有这种底座的就这三四家，AI 乘数效应是巨头的特权，不是行业通用的救命稻草。
●AI编程工具：这是目前商业化最扎实的 AI 赛道，2026 年全球市场约 128 亿美元，Cursor ARR 达 20 亿、Claude Code 达 25 亿。但它本质上是 B 端程序员替代的一个子集——天花板已在 1.2 节算过。而且一个尴尬的细节：Cursor 收入的 40% 以上直接流向 Anthropic 等模型厂商付 API 调用费，自己的毛利并不高。AI 编程工具越成功，模型层的价格战就越狠——它无法独立撑起 3 万亿。
●AI Agent（智能体）：2026 年最受追捧的热门概念，市场约 109 亿美元。但一组数据说明了一切：80% 的新企业应用嵌入了 Agent 功能，只有 17–31% 真正跑在生产环境；Gartner 预测 2027 年底超过 40% 的 Agent 项目将被取消。80% 在 demo、不到三分之一上线、近半数要砍——这不是"新兴赛道的早期阵痛"，这是"大部分人还在试，少数人已经在退"。AI Agent 的想象力很大，但当前能变现的，仍是"帮企业自动化流程、省几个人力"的 B 端替代逻辑，天花板同上。
●AI医疗：2026 年全球市场约 560 亿美元，增速 47%——体量和增速都很可观。但 AI 医疗的主力场景（影像诊断、药物发现、病理分析）依赖的是专用模型和专用算力，不是通用大模型集群。560 亿美元的医疗 AI 市场，对 1.5 万亿美元通用 GPU 基础设施的消化能力有限。
●人形机器人：商业化、成本、技术三重不成熟。即便某天能大规模落地，那也是在 AI 训练成本大幅下降之后，而不是在"现在需要消化 1.5 万亿美元硬件"之前。
这些方向都是正确的远景——但没有一个能在三五年内，以与通用大模型算力直接相关的方式，吃下足够大的收入来覆盖 1.5 万亿美元的硬件账单。
当然，确实有部分垂直场景已经跑通盈利：AI 法律文书、AI 工业质检、AI 药物靶点筛选等领域的小厂商，靠高客单价+低算力成本实现了盈利。但这些垂直赛道的总市场规模不足 200 亿美元，仅占 3 万亿缺口的不到 1%，能证明"AI有价值"，却无法撬动全行业回报。
收入端每条路都走不通。但真正致命的，还不是"赚不到钱"——而是"你以为赚到的钱，其实不在手里"。
这是整个 AI 投资叙事中最隐秘也最致命的细节。
打开微软、Meta、谷歌的财报，AI 服务器统一按 6 年计提折旧。意思是：今天花 100 亿买的 GPU 和服务器，每年在利润表上只扣掉 16.7 亿的折旧成本，剩下的 83.3 亿算作资产，留在账上。
但 GPU 的实际节奏是什么？
英伟达的数据中心架构代际约 2 年一代：Hopper 架构（H100）2022 年发布，Blackwell 架构 2024 年发布，Vera Rubin 预计 2026 年下半年发布，Feynman 预计 2028 年。黄仁勋在 GTC 大会上明确宣布了加速迭代的路线图，目标是向更短的周期靠拢。即便按当前约 2 年一代的实际节奏，GPU 的实际有效经济寿命不过 2 到 3 年。行业数据支撑这一判断：H100 在训练场景下的有效服役周期约 2.5 年，3 年后性能仅为新卡的 30%，基本退出训练集群；推理场景可延长至 4–5 年，但训练需求占当前 GPU 采购量的 70% 以上，综合加权后的有效经济寿命约 3 年。
这意味着什么？如果把折旧从 6 年修正为 3 年，那 100 亿的资产，每年要折旧 33.3 亿。折旧成本近乎翻倍，直接吞噬运营利润。今天微软和 Meta 的"AI业务盈利"，很大程度是靠折旧年限的会计手法在撑着。
2008 年做空美国次贷、被拍进《大空头》的 Michael Burry 对此的评论是："科技企业拉长折旧年限人为虚增账面利润，GPU 租赁企业的商业模式长期不可持续。"
更尴尬的是，钱花出去有时候连转起来都做不到。2026 年 1 月微软财报披露，Q2 单季资本开支 375 亿美元买 GPU，但纳德拉亲自承认"芯片堆在仓库里、电网供不上电"。美国数据中心连接电网的排队周期已超过 4 年，微软有 800 亿美元 Azure 订单因电力不足无法履约。钱花了，电没有，GPU 闲置在仓库无法上线。这是成本端失控的最直白证据。
会计手法撑出的利润空间，终会被现实追上。
折旧再假，也只是账面数字。真正要命的是真金白银。
资本开支是当期的、大额的、不可逆的现金流出。各大云厂商有一个共同特征：资本开支增速远远超过经营现金流增速。钱进来 100，花出去 200，中间差的那 100 要么靠发债，要么靠消耗现金储备。市场管这叫"投资焚毁"（cash burn）。这不是投资，这是燃烧——今天花钱，明年花更多，钱烧完的那一刻就是泡沫破裂的那一刻。
美国 AI 巨头之间，存在一张盘根错节的交叉投资与服务采购网络。
微软投了 OpenAI，谷歌投了 Anthropic，甲骨文给 OpenAI 提供云基础设施，英伟达给所有人卖 GPU，而所有云厂商的算力订单又在反哺英伟达收入。A 公司投资 B 公司，B 公司用 A 公司的云服务，C 公司卖 GPU 给 B 公司，A 公司再向 C 公司下采购单，每一笔钱都在这个圈子里打转。
但需要指出一个重要的区分：云厂商（微软、谷歌、亚马逊）确实有来自非 AI 外部客户的真实收入，企业的 Office 订阅、搜索广告、电商佣金，这些是真金白银的外部现金流，不是圈子里的循环记账。问题在于，当 AI 业务的资本开支增速（2026 年四大云厂商合计 7250 亿美元，同比增 77%）远超外部收入的增速时，循环对现金流的净影响依然是吞噬性的。钱从外部客户流入，经过 AI 投资和算力采购的管道，又流出去了。绕了一圈，外部收入在增长，但自由现金流没有同步增长。
这就像三个人坐在一张桌子上互相借钱。甲借给乙 100 块，乙用这 100 块向丙买了一张显卡，丙把这 100 块存到甲的银行。三个人账面上各有 100 块的"业务往来"，但桌上从头到尾只有那一张显卡。问"你们到底赚了多少钱"，每个人都指着账面数字说有利润。问"外部进来的现金呢"，一部分进了那张显卡，一部分被 AI 投资烧掉了。
芒格讨厌第二种生意的理由是什么？"你看着账面上的钱，但手里根本没有现金。"这张交叉投资网络，就是把芒格讨厌的那种生意，放大到了整个行业的规模。每个人的利润表都好看——因为 A 投 B 的钱在 B 的账上是收入、B 付给 C 的钱在 C 的账上是收入、C 卖 GPU 给 A 的钱在 A 的账上是投资资产。
但只要有一环断裂，比如某个季度微软宣布优化 GPU 采购结构，整个循环的钱流立刻承压。届时你会发现，相当一部分"利润"来自这个圈子内的循环记账，而非真实的外部现金流入。
每年英伟达发布新卡，每年量化技术迭代，每年自研 TPU 突破——单位推理成本持续下降。所有人都说这是好事，技术进步嘛。
但对算力持有者而言，这恰恰是噩梦。
你的机房里跑着去年花天价买的 H100。今年 Blackwell 发布，同样的推理任务成本降了 40%。你想把你的 H100 租出去，客户说"Blackwell 便宜多了，H100 凭什么还收这么贵？"你只能降租金。降了租金，折旧怎么摊？摊不了，就亏。
为了填旧卡的坑，你只能继续买新卡 Blackwell。明年 Vera Rubin 发布，Blackwell 又贬值。再买。后年又有下一代。
这就是推理成本下降的恶性循环：它利好新客户，利空存量硬件持有者。而整个 1.5 万亿美元泡沫的持有者，全都是"存量硬件持有者"。技术进步越快，泡沫越危险。
前面讲的折旧、贬值，还停留在"渐进"的想象里：一台机床今年值 100 万，明年折旧到 80 万，后年 60 万——一条平滑向下的曲线。做投资的人习惯用这条曲线外推："去年赚 100 亿，今年 120 亿，明年 150 亿"，利润和资产价值都可以线性预测。
但 AI 领域的迭代，是阶跃式的，不是渐进式的。
一项新技术一旦出现，性能更好、成本却更低，旧技术可能瞬间从紧俏货变成库存废铁。中间没有平滑过渡，只有一刀切断。
证据比比皆是：
●推理成本的断崖：GPT-4 发布时，推理贵得离谱。仅仅几年功夫，到 2026 年，20 亿参数级别的小模型已能在手机端流畅运行，推理成本降了数量级。
●蒸馏与量化：通过模型蒸馏、INT4/INT8 量化，小模型可以用几百万美元的代价"逆袭"千亿参数的大模型——保留 90% 的性能，推理成本却降 90%。昨天还需要一整座 GPU 集群才能跑的服务，今天一块端侧芯片就能搞定。
●开源模型的密集冲击：1.3 节已提及中国开源模型对定价权的冲击，这里展开它对存量硬件价值的毁灭性影响。2026 年 4 月，DeepSeek-V4 对标 OpenAI 的前沿模型发布；6 月智谱 GLM-5.2 以 MIT 协议开源，1M 上下文；7 月 Kimi K3 以 2.8 万亿参数成为全球最大开源模型。它们不追求做到最好，不奢望超越 OpenAI 和 Anthropic，只需要用尽可能少的算力，接近美国最强的闭源模型，达到足够好。大多数实际应用场景——写个周报、回个客服邮件、做个会议纪要——根本不需要最前沿的闭源模型，中国开源模型"够用就行"，而且权重公开、免费部署，边际成本极低。一个花了数亿美元训练的前沿闭源模型，定价体系被成本仅为其几十分之一的开源对手反复击穿。
当高端算力的需求被开源从底下抽走、推理成本被新技术一刀砍断，你过去的高利润就不是"可持续的竞争优势"，而是"恰好站在技术代际切换的间隔期里"。而投资人的习惯，是把这个间隔期里的利润，当作永恒的常态线性外推——去年赚 100 亿，今年 120 亿，明年 150 亿。
你以为 H100 还能稳定卖三年、每年赚确定的利润？结果一项性能翻倍、成本减半的新架构明年就发布，H100 的订单一夜之间蒸发。你以为囤的 GPU 按 6 年折旧平滑入账没问题？结果一项新算法把同等任务的算力需求砍掉 90%，你账上那批"资产"的公允值直接归零。
收入端赚不到、成本端还在加速。折旧与贬值的压力，已经开始沿着产业链向上游传导。连被视为"卖铲人"的硬件厂商，高利润也未必保得住。
"就算下游不赚钱，上游英伟达他们赚得盆满钵满啊，高利润就是护城河。"
这张底牌，也快捏不住了。
AI 硬件上游当前的超高利润，是这轮泡沫里最耀眼的部分——英伟达毛利率长期维持在 70% 以上，一颗 H100 卖几万美元仍一卡难求。但商业史上反复上演一条规律：高利润本身就是最强烈的扩产信号，它会引来一切能跨行的资本，直到利润被摊平为止。
光模块是 AI 硬件里利润最肥的环节之一。800G、1.6T 高速光模块单价高企，过去由中际旭创、Coherent 等少数厂商把持。但暴利之下，跨界玩家正在成群涌入。
最典型的是比亚迪电子和立讯精密——两家消费电子精密制造巨头，2025 到 2026 年集体跨界光模块。比亚迪电子 2025 年完成 800G 高速光模块产线搭建，规划月产能数万片，2026 年一季度已脱离试产阶段。立讯精密 2025 年 800G 硅光模块量产交付，同样重金切入。连做整车的比亚迪都来分一杯羹，说明这个行业的利润水位高到了什么程度。
逻辑很简单：哪里利润高，资本就往哪里涌。当英伟达们把硬件毛利率顶到 70%，每一个有精密制造能力的中国巨头都会想："凭什么不是我赚这笔钱？"跨行玩家带来的不只是产能，更是价格战——它们没有历史包袱，敢用更低报价抢单。
如果光模块只是"群雄逐鹿"，那存储芯片的故事就是"降维打击"。
长鑫存储（CXMT）正在用史诗级扩产，冲击三星、SK 海力士、美光三大巨头把持了数十年的 DRAM 垄断格局。数据说话：2026 年第一季度，长鑫已占据全球 DRAM 市场份额的约 8%，稳居全球第四；上半年营收 1100 亿至 1200 亿元，同比增长超过 600%。半导体分析机构 SemiAnalysis 预测，长鑫有望在 2026 年底在晶圆产能上超越美光，成为全球第三大 DRAM 供应商。
更值得关注的信号是：美银分析师指出，苹果正考虑将长鑫存储作为供应链选项，以此向三星、海力士、美光施压降价。长鑫的报价远低于三大巨头的市场价格。苹果一旦把部分订单转过去，就等于向三大巨头传递一个信号——"你们不降价，我有别的选择。"
一家客户的转向，就能撬动整个定价体系。这正是三星、SK 海力士、美光最不愿看到的剧本：当长鑫把 DRAM 的稀缺性打破，存储三大家的超额利润会从根基上松动。而存储价格的下降，对英伟达反而是利好——GPU 系统的 BOM 成本中，存储芯片占比极高，存储越便宜，英伟达的终端售价空间越大。上游利润的松动不是均匀的：有人受伤，有人受益。但整体而言，当中国产能把一个又一个环节的价格打下来，上游"所有人都在赚超额利润"的时代终将结束。
把视野拉远，会发现一个冷酷的规律：凡是被中国大陆企业彻底掌握并可以大规模量产的行业，几乎无一例外走向同一个终局——全行业利润归零，所有人白忙一场。这不是正常的市场竞争，是产能竞赛中典型的合成谬误——每一家企业扩产的决策在个体层面是理性的，但集体行动的结果是全行业产能过剩、利润蒸发。
最典型的是光伏和新能源。这两个行业曾是高利润、高增长的代名词。中国企业掌握量产能力后，不是"参与竞争"，而是"倾轧式扩产"——看到利润就上产能，看到同行上产能自己更要上，因为不上就会被吃掉份额。谁先刹车谁先死，于是没有人刹车。扩产，再扩产，直到供给是自己需求的几倍。价格从云端跌到地板，全行业从暴利跌入微利甚至亏损。欧美日韩的老牌玩家被挤出市场，然后轮到中国人自己互相厮杀。头部企业长期在盈亏线上挣扎，二线企业批量倒闭，三线企业连倒闭的资格都没有——因为连银行都不愿意给它做破产清算。最终整个行业年产值数千亿，但利润加总接近于零——所有人忙了十年，没有一个人真正赚到能留住的现金。
更荒诞的是，这个剧本的核心矛盾在于：每一家参与扩产的企业都是理性的，但所有人的集体行动是毁灭性的。就像一座矿，第一个发现的人能暴富；很快所有人都扛着铲子来了，铲子越买越多，矿还是一座矿。最后每个人分到的矿石都不够买铲子的钱。中国制造业在过去二十年里，把这种"矿里淘金、金不够买铲"的戏码，在光伏、LED、面板、动力电池、新能源车上一遍又一遍地重演。每一次所有人都说"这次不一样"——技术壁垒更高、生态位更独特、政策扶持更坚定。但最终每一次结局都一样。
此外，还有一个更大的危机。中国的史诗级扩产，往往恰好在巨头资本支出开始转向的节点完成。这不是巧合，而是周期错配：巨头前几年疯狂下单，把价格和利润预期推到高位，正是这个高利润信号吸引了海量中国资本涌入扩产；而产能建设需要 2 到 3 年，等产线建成时，巨头自身的需求峰值已过、开始强调"资本效率"。2026 年 7 月初，Meta 宣布向外部客户出租闲置算力——约 250 万张 H100 等效 GPU 因自有大模型落后而闲置——这一事件被市场解读为"算力过剩焦虑首次被巨头自己承认"。消息当日 Meta 股价大涨 8.8%，但费城半导体指数两日累跌超 10%。需求端，巨头开始讲究资本效率；供给端，中国产能集中释放。两头一夹，订单增速放缓，产能却多了，价格只能往下砍。
AI 硬件上游正在复刻这个剧本。当长鑫们把存储价格打下来、比亚迪们把光模块价格打下来、华为昇腾们把训练芯片价格打下来，所有参与者都会发现：扩产的时候觉得"自己会是活下来的那一个"，产能落地之后才知道"谁也跑不掉"。
这一节做一个关键的区分，否则很容易把两类完全不同的生意混淆。
世界上有两种生意。第一种靠品牌和网络效应赚钱，第二种靠参数和 spec（规格）赚钱。前者有真实的护城河，后者，用芒格的话说，赚到的利润还没焐热就又变成了下一轮资本开支。
可口可乐值钱，不是配方复杂，是全世界几十亿人每天喝、只认这个牌子。茅台值钱，不是酿造工艺难模仿，是它在消费者脑子里种下了一个不可替代的价格锚点。Google、Facebook、Amazon 也一样。它们的护城河不仅仅只是技术，更是网络效应和数据垄断。几十亿用户、数百万广告主、不可复制的社交图谱和购物习惯，这些才是"换不掉的酱料秘方"。互联网泡沫破裂后活下来的巨头，不是因为他们铺设的光缆比别人粗，而是因为他们的用户黏性。
英伟达的 CUDA 也属于这一类，而且护城河比很多人想象的更深。CUDA 生态不是简单的"软件接口"，而是经过十几年积累形成的开发者习惯壁垒：全球数百万 AI 开发者从研究生阶段就开始用 CUDA 写代码，PyTorch、TensorFlow 等主流框架的底层算子针对 CUDA 深度优化，十几年的开源代码库、调试工具、性能调优经验都沉淀在 CUDA 生态里。一个云厂商要切换到 AMD 的 ROCm 或华为昇腾的 CANN，不仅要重写大量代码，还要重新训练团队、重建工具链、承担性能不达预期的风险。这种切换成本是真实的，不是光靠参数和价格能短期击穿的。承认英伟达 CUDA 的真实护城河，反而能反衬出光模块、存储芯片等环节的脆弱，因为后者的切换成本接近于零。
AI 硬件上游的绝大多数环节，PCB 板子、高速光模块、通用 DRAM 颗粒，是彻彻底底的面粉。参数一致、价格更低，客户换供应商毫无心理负担。你问一个数据中心运维工程师自家机房里光模块的牌子，相当一部分人答不上来。通用 DRAM 更是如此：长鑫和三星的 DDR5，只要认证通过、spec 一致，下游厂商不在乎贴谁的标。
光模块、PCB、存储芯片，这些企业必须永远参加参数军备竞赛：800G 之后追 1.6T，1.6T 之后追 3.2T，永无止境。可口可乐不需要每年把利润砸回去研发新配方，同样的飞天茅台至少还能卖一百年，腾讯也不用担心 14 亿中国人卸载微信。但光模块厂商挣到的每一分利润，下一秒就变成了下一代产线的资本开支，是芒格最讨厌的那种生意。
而且这道脆弱的技术壁垒还在加速退化。大厂的认证周期正被行业迭代速度倒逼缩短——芯片约 2 年一代，下游客户没耐心花 12 到 18 个月慢慢认证新供应商了。比亚迪、立讯这些跨行玩家能在短时间内拿到订单，本身说明认证壁垒在退化。
收入端、成本端、上游——三条线都在收紧。但还有一派人始终不服："互联网当年也被说是泡沫，结果改变了世界。AI 只会更大。"
他们有一半是对的。AI 很可能是比互联网更大的革命。互联网改变了信息流动的方式，AI 正在改变认知和决策的方式——它不是某个行业的技术升级，而是对所有行业的效率重塑。规模上，AI 的潜在影响力很可能超过互联网。
类比还有另一半，这一半是错的：更大革命 ≠ 更大投资能更快回本。恰恰相反，正因为 AI 的想象力太大，市场把"无限可能"直接折现成了"无限投资"，1.5 万亿只是开始，折旧拉到 6 年也没问题。至于利润和现金流？"等 AGI 来了自然就有了。"这才是真正危险的类比。
互联网和 AI 的周期，在最底层有两个关键差异，今天很少有人认真对比。
企业拥抱互联网，是因为算得清账。一个门店的年租金几十万，开个淘宝店成本不到十分之一——这是明确的投资回报，不需要任何宏大叙事来驱动。企业上电商、搞搜索广告，出发点是"这能省钱"或"这能赚钱"，理性且清晰。
企业现在上 AI，很多不是因为这个。是焦虑，是怕落伍，是为 AI 而 AI。高管在各种峰会和技术分享里反复听到"不拥抱 AI 就会被淘汰"，竞争对手的 PPT 里写满了 AI 战略，投资人问"你们有没有 AI 布局"。于是大笔签下 GPU 采购单、部署 AI 客服系统、搭建智能中台，但账是不是真算得过来，很多企业并没有认真算过。
一个典型的例子是低端客服替代。用 AI 替代一个月薪三五千的客服岗位，训练成本、推理成本、系统集成成本加起来，实际每单成本常常并不比人工便宜。很多企业在 AI 上的投入，节省的只是人力成本表上的一个数字，而增加的是一张持续膨胀的算力账单。如果算上 GPU 折旧和系统维护，ROI 可能为负。高盛分析师 Jim Covello 的提醒在这里仍然成立：用高价技术替换低成本人力，经济性从根本上就是反的。
当然，第一章已经讲过，替代昂贵程序员时 AI 确实省钱。这是两回事。但在大量"跟风上 AI"的企业场景里，客服、初级文案、数据标注这类岗位，节省的人力远不够覆盖新增的算力成本。
互联网的商业模式有一个数学上的魔法：用户量翻倍，成本几乎不增加。Google 多一个搜索用户、Facebook 多一个活跃用户，服务器的边际成本趋近于零。这是教科书级的规模经济——你建好平台，每新增一个用户带来的收入，几乎全是纯利润。这正是互联网巨头能积累惊人自由现金流的核心原因。
AI 的商业模式没有这个魔法。每多一个用户、每多一次调用，都在消耗 GPU 算力。缓存命中和批量推理可以部分摊薄单次成本，但摊薄幅度远没有互联网那么夸张——用户量翻倍，推理成本大致也翻倍，只是略低于线性增长。更糟糕的是，如果用的是按 Token 付费的第三方 API，成本不仅随用量增长，定价还受制于人——模型厂商涨价，你的利润直接蒸发。如果自建推理集群，第二章已经讲过，GPU 在持续贬值。
互联网是规模的朋友。AI 是规模的敌人。互联网多一个用户，你多赚一分钱。AI 多一个用户，你多付一分钱。两种成本曲线，一个向下收敛到零，一个可能永远是一条斜向上的直线。这正是为什么互联网投资可以线性外推"用户越多越赚钱"，而 AI 投资恰恰相反——用户越多，现金流压力越大。
先澄清一个常见的误解：AI 对生产力的提升是显而易见的，不是被夸大的。一个程序员用 Claude Code 一天写的代码，可能顶过去三天；一个分析师用 AI 整理数据、写报告，效率翻几倍；客服、翻译、文案这些白领工作的产出密度，肉眼可见地提高了。诺奖得主 Daron Acemoglu 的研究也指向同一个方向——他对 AI 宏观生产率增益持谨慎态度，并不是因为技术没用，而是因为下面这个更根本的矛盾。
真正的问题从来不是"AI 能不能提升效率"，而是：生产力提升了，消费端的需求并没有变多。
AI 最主要的落地方式，是用更少的白领，干完原来需要更多白领的活——也就是裁员。程序员效率翻三倍，公司就少招两个人；分析师产出翻五倍，团队就缩编。效率提升被企业转化为"人头缩减"，而不是"业务扩张"。
这意味着：AI 每提升一分白领的生产力，就多消灭一批有稳定收入、有消费能力的人。而白领恰恰是消费的中坚——他们买车、供房、下馆子、旅游、给孩子报班、给父母看病。当这批人失业或降薪，社会总需求不是不变，而是收缩。
于是恶性循环启动了：
这不是"AI 没用"，恰恰相反——正因为 AI 太"有用"、太擅长替代白领，它才在消灭自己的客户。一个被 AI 裁掉的客服，不会再为下一个 AI 产品付费；一个被缩减的分析师团队，不会再采购新的 AI 工具。
这才是比"生产率被夸大"更可怕的困局：AI 在供给侧创造了效率，却在需求侧挖掉了地基。企业省下的每一分人力成本，最终都会从市场的消费能力里扣回来。当越来越多人失去购买力，所有面向消费者的生意，包括卖 AI 本身的生意，都会撞上一堵越来越厚的墙。
有人会说：历史上每次技术革命——蒸汽机、电力、计算机——短期都出现失业恐慌，但长期消费总量总是上升的，因为新技术创造了新岗位、降低了物价、释放了新的消费需求。为什么 AI 可能不同？
这里需要做一个更深的对照。工业革命时期也有过"机器消灭工人"的卢德运动，长期确实创造了新岗位。但 AI 的特殊性在于：它替代的是"认知劳动"而非"体力劳动"。工业革命释放的体力劳动可以转向操作更复杂的机器、进入新工厂；而 AI 替代的认知劳动，新岗位（提示词工程师、AI 训练师等）往往需要更高的认知技能门槛，被替代者很难平滑过渡。三个理由让这次可能不同：其一，AI 替代的速度远超以往的技术革命——不是"几十年逐步替代"，而是"几年内大量白领同时被替代"，社会没有时间调整；其二，这次被替代的主力是消费能力最强的白领阶层，而非工业革命中收入本就较低的蓝领——消费主力的流失对总需求的冲击更大；其三，AI 创造的新岗位数量远少于被消灭的岗位，且门槛更高。工业革命用机器释放了双手，AI 却在解放大脑的同时，让被释放的大脑很难找到新的用武之地。
互联网投资的变现周期，大致是可以估算的。1998 年建一条海底光缆，容量是固定的，每比特成本乘以预期流量，三五年回本——那时候的泡沫在于流量预期被严重高估了。但一旦泡沫破裂、光缆铺在那里，后来的宽带需求确实把它消化了。互联网的泡沫是"时机太早"，不是"东西太多余"。
1.5 万亿美元不是在建设一种"以后总会被用起来"的基础设施，它在建设一种两年后可能就该换代了的资产。第二章已经详细论述了上游标准化工业品（光模块、PCB、存储芯片）和算力本身的标准化属性带来的价格战与贬值风险。这里要说的是更根本的：投资规模与变现周期之间的错配。
互联网泡沫时期，全球电信资本支出达到千亿美元级峰值（按当时币值）。20 多年后，AI 基础设施一年的投入就是那个数字的十倍以上。而互联网当年有一个 AI 至今没有的东西——一个明确的、不断增长的终端消费市场来承接多余的产能。1999 年的人疯狂建光缆，是因为看到上网人数每年翻倍。建多了，三五年后人数追上来就消化了。
AI 的消费市场呢？C 端拒绝付费，B 端人力替代的天花板就是被替代岗位的工资总额，而 AI 替代白领的同时正在亲手削减能为之付费的人群。
这不是"时机太早"的问题。这是"建了一座水坝，却不知道上游的水从哪来"的问题。互联网泡沫是你先修了路，后来车确实多了。AI 的问题是你先买了一堆赛车，然后发现没有那么多愿意买票的观众。
资深科技投资人 Roger McNamee 又加了一层：LLM 还带来了巨额隐性社会成本，能源消耗、版权纠纷、虚假信息泛滥，这些外部性至今没有进入任何企业的损益表，但社会已经在为之买单。
AI 在各个垂直场景中的价值是真实的。问题从来不是"AI 有没有用"，而是：这些真实价值，到底能不能撑起 1.5 万亿美元的算力账单？
用一个案例来对照，答案会很清晰。
小米是当今全球最激进的 AI 玩家之一，ALL IN AI 是雷军亲自挂帅、压上个人声望的战略决策。
2026 年 2 月，雷军在发布会上宣布：未来三年，小米将在 AI 领域投入超 600 亿元，其中 2026 年 AI 研发与资本开支即超 160 亿（作为对照，小米 2025 年总营收 4573 亿元、研发总投入 331 亿）。小米自研的 MiMo-V2.5-Pro 大模型刚发布就在 Artificial Analysis 全球榜单拿下开源模型并列第一，端侧智能助手基于 MiMo 实现手机本地部署，融入"人车家全生态"；自研芯片玄戒 O2 也在持续推进。
雷军不是一个冲动的人。从金山软件到小米手机，再到在纽北赛道上震撼世界的汽车，每一步都是技术判断、产品节奏和供应链把控的精密咬合。他大力投入 AI，有比任何人都清晰的战略逻辑：小米不是一家纯互联网公司，它有手机、有汽车、有家电、有世界上最全的 IoT 生态。AI 对小米而言，不是锦上添花的卖点，是整个"人车家"底盘的底层能力。材料研发用 AI 从海量配方中筛出 2200MPa 超强钢、端到端模型驱动汽车自动驾驶、智能助手调度全屋智能设备，这些不是"讲故事"，是真金白银的研发投入，也是肉眼可见的技术产出。SU7 的端到端自动驾驶已经跑在全国道路上，玄戒 O2 芯片在持续推进，这不是一个靠性价比吃饭的公司在做 AI，这是一个在技术前沿全线出击的公司在押注 AI。
更值得注意的是小米的生态位，这可能是全球最独特的 AI 产业位置。小米几乎是世界上唯一一家同时踩在所有关键节点上的公司：它掌握全品类 AI 终端入口（手机、汽车、家电、手表、音箱、电视，用户从早到晚的每一个交互界面）；它有自研顶尖大模型（MiMo）；它在推进自研芯片（玄戒系列）；它还有自己的云服务底座（金山云）。终端入口+大模型+芯片+云，这条完整链条上，苹果和三星缺大模型和云，谷歌和阿里的终端硬件生态不够全面。只有小米四张牌齐备。如果 AI 的价值真的能通过"拥有终端入口+模型+芯片+云"的完整链条来变现，小米应该是全世界最有资格的那一个。
但问题来了——一个算了一辈子账的人，这次账还没算过来。
在当前可预见的商业模式下，雷军的 600 亿押注，尚难看到利润回流的清晰路径。MiMo 能力再强，消费者买手机还是看性能、拍照、续航、价格——没有一个消费者会"因为这台手机的 AI 大模型更强"而多付 500 块。SU7 自动驾驶靠的是传感器融合、规控算法、海量路测数据，不是堆大模型参数。AI 确实在帮小米造更好的产品，但"更好的产品"能不能让消费者多掏钱——答案很骨感。中国普通民众的消费能力上限就摆在那里，AI 溢价在终端价格里很难传出去。产品更好了，但价格带没动；用户更满意了，但 ARPU（每用户平均收入）没涨。雷军花 160 亿让产品体验提升了一截，但这一截提升，变现的通道在哪里？
这就是整篇文章反复说的问题的最强版本：连雷军，全中国最懂技术、最懂产品、最懂用户、最懂供应链的企业家，一个坐拥全球最完整 AI 产业位置、四张牌齐备的掌局者，在当前商业模式下也看不到 AI 算力投资利润回流的清晰节点。如果连雷军都算不过来这笔账，那些既无终端入口、又无用户生态、纯靠卖 API 活着的小公司，凭什么认为自己能？
小米的案例不是"失败故事"，恰恰相反，它证明了 AI 的真实价值：加速研发、赋能产品、推动创新。但它的困境同样清晰：即便一个年营收几千亿、有实体产品和千万用户的巨头大力投入 AI，算力投资也远未形成利润闭环。
AI 赚钱的方式，和"囤 GPU"几乎没有关系。那些既无产品又无用户、纯靠卖 API 的 AI 公司，处境只会更糟。
这个判断不是本文独有。2025 年 11 月百度世界大会上，李彦宏提出了一个精准的框架：当前 AI 产业呈"正金字塔"结构，底层芯片攫取了绝大部分价值，模型层价值仅为芯片的约十分之一，应用层更小。他认为这种结构是不健康、不可持续的，因为芯片不直接产生价值，应用才是价值的源头。健康的产业结构应该是"倒金字塔"，模型创造的价值应是芯片的 10 倍，应用创造的价值应是芯片的 100 倍。而现实恰恰倒过来了——当前的产业兴奋点和资本涌向芯片与模型层，科技巨头和新贵交叉投资不断抬升估值与市值，应用层反而最薄。这与本文的判断完全一致：1.5 万亿美元的绝大部分砸在了"囤"（芯片、算力基础设施）上，而不是"用"（解决问题、创造价值的应用）上。产业结构倒置，正是泡沫最深层的原因。
这是认为 AI 没有泡沫的人最后的避难所。本文开头的三个核心假设里，第一条就是"AGI 不会在 2–3 年内突然降临"。但如果它真的来了呢？整个论证是否会崩塌？
需要厘清一点：AGI 改变的是"AI 能力上限"，而非"收入分配机制"和"折旧物理规律"。即便 AGI 真的实现，它不会自动解决三个问题：
第一，AGI 来了，谁来付费？能力更强不等于用户更愿付费。一个能写代码、能做研究的 AGI，如果用户依然习惯免费使用、企业依然面临价格战，收入端的缺口不会因为能力提升而消失。
第二，AGI 来了，算力成本只会更高而非更低。训练 AGI 所需的算力规模远超当前的前沿模型，1.5 万亿可能只是前奏。折旧年限与实际寿命的鸿沟不会被 AGI 填平，反而会被拉大。
第三，AGI 来了，需求塌陷只会更剧烈。如果 AGI 连资深程序员、分析师、律师都能替代，4.2 节的恶性循环只会加速——被替代的消费主力更多、社会调整时间更短。
换句话说，AGI 的到来不会让 3 万亿缺口消失，反而可能让缺口更大。把"等 AGI 来了自然就有利润"作为投资逻辑，本质上是用一个更不确定的未来，去背书一个当下就站不住脚的账本。
论证到这里，收入端、成本端、上游、投资逻辑——四条线全部收紧。问题是：这个泡沫什么时候破？
历史级泡沫的共同特征：它们不是在所有人疯狂追涨的时候破裂的，而是在账终于盖不住的那一刻破裂的。
对于这轮 AI 算力泡沫，跟踪三个信号就够了：
信号一：收入缺口的显性化。当全市场终于集体意识到 3 万亿美元的年收入根本不可能从任何单一商业模式里产生，当"再等等，下一个季度会好转"的说法再也编不下去，资本开支的加码就会变成犹豫。2026 年 7 月 Meta 出租闲置算力，已经被市场解读为这个信号的前兆——当最大的买家之一开始承认"算力用不完"，资本开支永续增长的叙事就开始动摇。
信号二：折旧亏损的暴露。当 GPU 真实寿命（2–3 年）和账面折旧（6 年）之间的鸿沟再也无法被会计平滑处理，头部企业的利润将断崖式下调。届时你会发现，所谓的"AI 盈利"很大程度是一个折旧年限上的数字魔术。
信号三：某个巨头优化采购结构。当微软、Meta、谷歌这三家中任何一家率先宣布"本季度 GPU 采购计划调整"，意味着这场击鼓传花的游戏在第一个人停下的时候，所有人都知道了"花在自己手里"。2026 年初微软因电力不足导致 GPU"堆在仓库"、Azure 增速从 40% 放缓到 39%，已经让市值单日蒸发 3570 亿美元——这就是一次预演。
结局预判：泡沫大概率不会在今天或明天破裂，因为每个人都害怕先停下来、先错过"AGI 的门票"。但这不是能一直玩下去的游戏。1.5 万亿美元的基建投资中，将有相当一部分资本永久无法回收。就像 2000 年互联网泡沫破裂后，全球各地留下的空置数据中心和未启用的光缆，只不过这次，留下的将是布满灰尘的 GPU 机柜。
谁先死，谁能活？泡沫破裂时分层会很清晰：先死的是纯卖 API、无产品无用户的 AI 公司和二线模型厂商，以及囤 GPU 的租赁商，它们没有外部现金牛缓冲；苦撑的是云厂商，靠 Office、广告、电商等外部现金流为 AI 输血，但自由现金流会被持续拖累；可能活下来的是两类，有实体产品+用户黏性的应用层巨头（如小米、苹果、谷歌），以及 CUDA 生态内的英伟达（护城河真实存在，但高利润会被中国产能摊薄）。
AI有价值，算力有泡沫。这两件事同时为真，而且互不为因果。
AI 的价值不会因为算力泡沫破裂而消失——正如互联网的价值没有因为 2000 年泡沫破裂而消失。药物研发会被加速，能源网络会被优化，制造业的研发流程会被重塑，这些都不会因为 GPU 价格崩盘而停止。AI 是真革命，这一点本文从未否定。
但 1.5 万亿美元中相当一部分，会在泡沫破裂时被证明投错了方向、买错了东西、算错了账。这个行业正在犯的错误，可以浓缩成一个逻辑滑坡——
这个链条的每一步单独拎出来都"好像有道理"。但连在一起，走向的是一个深渊：把"可能性"当作了"确定性"，再把"确定性"折现成了今天的巨额资本开支。然后用会计手法，把那个本该亮红灯的窟窿，涂成了一种叫"长期战略投入"的颜色。
到那时候再来区分"价值"和"泡沫"，代价就大了。
AI 的价值会在未来十年逐步兑现，但现在押注在 GPU 和数据中心上的 1.5 万亿，大部分会成为技术迭代路上的沉没成本——这不是 AI 的失败，是资本过度乐观的代价。
这笔账，现在还算得清。再拖两年，谁也算不清了。
