AI是泡沫还是繁荣？一枚硬币的两面，风险并无二致-FRR项目全国运营中心

AI是泡沫还是繁荣？一枚硬币的两面，风险并无二致

2026-01-08

AI是泡沫还是繁荣？一枚硬币的两面，风险并无二致

无论从市场结构还是风险管理的角度来看，我们都将人工智能企业视为一个独立行业板块，而非一种支撑所有行业的通用软件类型。只有当我们将人工智能视为企业数字化升级的又一阶段，一种比现有方式更优的问题解决路径，而非某种颠覆性技术时，相关的经济繁荣才会真正到来。

要实现这一经济繁荣，人工智能企业的“外壳” 终将被摒弃，从而实现长期预期的增长。这就如同当年修建铁路的企业资产，最终整合进了交通运输行业；铺设光纤电缆的企业资产，也归入了电信产业的版图。

美国正在进行一场历史上罕见的巨额押注。2025 年上半年，美国国内生产总值 1.1% 的增幅来自人工智能基础设施投资。回顾历史上那些重大计划：当年曼哈顿计划的投资规模占美国 GDP 的 0.4%，这一比例与后来的阿波罗登月计划大致相当。

政府的相关政策、举措与声明，都为人工智能企业提供了发展优势。这些企业的财务可行性—— 包括成本覆盖、向股东与投资者回馈收益以及实现可持续运营的能力，将对经济增长、国家安全和发展韧性起到至关重要的作用。鉴于投入的巨额资本，这场博弈的风险极高。

大型生成式AI模型本质上是一类软件，既被吹捧为迈向通用人工智能(AGI)的关键一步，同时也被用于解决各类特定领域的问题。对于普通消费者而言，这类模型的应用形式通常是生成文本或提供搜索服务。对于企业用户来说，AI模型则应提供数字化转型解决方案（例如：股票市场研究、客户咨询应答、供应链优化等）。

AI模型只是一种解决问题的手段，而非问题的答案本身。真正值得探讨的问题应该是：哪一款AI模型能切实解决问题？技术的发展走向，以及数千亿的投资回报，都悬而未决。

我们不妨分析一下人工智能企业泡沫或繁荣背后的六大关键风险。

SLM还是LLM：解决业务问题哪种更高效？

简而言之，企业是否在解决真正的核心问题？OpenAI、Anthropic、谷歌、Meta、Mistral 等一众企业已投入数千亿美元押注生成式大语言模型(LLMs)，宣称此举是迈向通用人工智能的重要一步。但事实上，绝大多数企业面临的问题相对简单，依靠基于小型数据集训练的小语言模型(SLMs)即可解决。

麦肯锡的调研发现，大多数企业管理者将模型复杂度和训练数据质量列为人工智能技术落地过程中的主要挑战。

以零售商打造更智能、高效的客服呼叫中心为例，该场景完全不需要一个训练数据包含古英语文献和美国医学院入学考试备考资料的AI模型。更具实际价值的做法是，训练数据可以纳入企业的历史客户数据，并辅以相应的礼仪规范和道德准则，用于指导人工智能生成应答内容。企业若想借助人工智能实现数字化升级，就应当集中业务与信息技术资源，开发定制化的小语言模型并加以部署，同时逐步培养员工的人工智能应用能力。

究竟大型还是小型人工智能模型更适合解决企业实际问题？这一区分对于评估那些追逐通用人工智能的企业的潜在营收与信贷风险至关重要。此外，多项研究表明，大型人工智能模型存在不遵守预设规则、甚至会欺骗人类操作者的问题，这进一步加剧了其应用风险。

美国国家经济研究局(NBER)基于人工智能提示词数据的研究发现，约 75% 的 ChatGPT 用户使用该工具是为了非工作相关的需求。苹果公司的一份报告也指出，人工智能的 “推理过程” 可能存在循环论证的问题，因为其训练数据中往往已经包含了待测试问题的答案。

《哈佛商业评论》的相关报道称，工作场景中的人工智能应用往往会产生“低效冗余工作”，由于需要花费精力修正人工智能生成的成果，企业可能因此损失数百万美元的生产力。麻省理工学院的一项研究更是显示，仅有 5% 的生成式AI应用案例真正实现了盈利增长或生产力提升。

智能体技术和AI视频技术的发展或许能创造更多价值，但这两项技术同样面临一个核心挑战，即如何让AI模型与企业具体的业务流程相适配。

监管俘获与寻租行为

大型科技巨头正凭借其现有的市场支配地位、数据垄断优势和游说能力，开展前所未有的游说活动与寻租行为，通过影响政策制定和市场结构，为自身谋取私利，而非为整个经济体创造广泛价值。

这种策略的效果十分显著：一系列行政命令与政府政策调整相继出台，旨在加快人工智能领域的投资步伐，消除基础设施建设的壁垒。关税政策的制定也向人工智能产业倾斜，其中针对计算机零部件的月度进口豁免额度高达340 亿美元。这些零部件在人工智能产业资本支出中占据重要地位，因为数据中心需要部署数千台计算机，而芯片成本约占数据中心总投入的 60%。

企业的营收、成本与盈利能力

据贝恩公司（Bain & Co.）测算，到2030年，人工智能公司的收入需达到2万亿美元，才能支撑 100 吉瓦的电力需求，以满足美国人工智能产业的预期能源消耗。

OpenAI 预计其 2030 年营收将达 140 亿美元，但这一数字与扩大算力所需的资金规模相去甚远。据该公司自身估算，其运营所需电力高达 7 吉瓦，仅数据中心建设和芯片采购就需要投入 3500 亿美元。

这笔巨额投资将如何筹措？OpenAI 近期推出了 GPT-5 模型。尽管这款新版聊天机器人的性能仅有小幅提升，并未打动金融市场，但该公司仍另辟蹊径：在与 AMD 的芯片交易中，OpenAI 接受了认股权证作为交易对价，借助 AMD 股东权益稀释带来的市值调整，获得了采购芯片所需的资金。英伟达也向 OpenAI 注入大量资金，换取未来基于 OpenAI 营收的芯片优先使用权。这种 “循环投资” 策略暗藏风险，一旦市场环境发生突变，整个模式可能面临崩塌。

数据中心的淘汰风险

麦肯锡指出，芯片、服务器和计算机硬件占据了数据中心的大部分成本。与大多数大型基础设施不同，芯片的使用寿命很短，这一局限源于物理损耗和技术迭代两方面因素。芯片长期在高负载、高温环境下运行，能耗巨大，会产生严重的物理损耗。

此外，芯片的技术淘汰速度远快于物理报废速度。假设人工智能数据中心的芯片使用寿命为2.5 年，但每隔 10 至 12 个月，性能更强大的新款芯片就会问世。有人将当前数据中心网络的建设比作 19 世纪美国铁路行业的发展，不妨试想一下：如果铁路轨距每年都在变化，铁路行业又会如何发展？

对经济体的机会成本

2025 年上半年，人工智能相关资本支出对美国 GDP 增长的贡献率达到 1.1%，超过了消费支出，成为拉动经济增长的首要动力。许多人担忧，人工智能领域的巨额资本支出将挤占其他制造业和工业领域的投资，例如大型投资项目管理和工厂建设等。虽然数据中心建设阶段会带来建筑业就业岗位的激增，但项目完工后，同等占地面积的数据中心所需的运营人员数量，远低于传统制造工厂。

过去几年的生活成本危机仍让消费者记忆犹新，而人工智能数据中心的电网用电需求，将进一步推高居民和商业用电价格，持续对经济运行和政界施加压力。

上市公司与私人信贷的关联交织

2025 年至今，人工智能企业的风险投资总额已高达 1610 亿美元。彭博社的图表清晰展示了人工智能企业、科技公司和芯片企业之间资金流动与投资的规模及循环性。上市公司与私营企业、软件企业与硬件企业、初创公司与七大科技巨头之间，通过复杂且不透明的融资结构形成了盘根错节的关联，众多特殊目的载体掩盖了实益所有权。

私募股权、风险投资和银行贷款为这些融资结构提供了支撑。这种循环融资模式可能因多种因素陷入停滞，例如债务偿还期限不足、人工智能初创企业未能实现预期营收、投资者转向新的热点领域，或是政府政策发生调整。

英伟达、微软、甲骨文、AMD、英特尔、Coreweave 等上市公司，与 OpenAI、xAI 等私营企业之间的合作，正以前所未有的速度和规模展开。就连谷歌首席执行官也坦言，该公司在人工智能基础设施上的巨额投入，源于对 “人工智能基础设施军备竞赛” 的恐惧，担心错失发展机遇。而这种错失恐惧症(FOMO)往往难以带来理想的结局。

结语

行业的繁荣与泡沫，都与时间维度密切相关。以2001 年的视角来看，美国全国光纤网络的投资堪称一场失败；但到了 2020 年，这些网络已成为极具价值的基础设施。

未来，人们或许会对人工智能基础设施做出类似的评价。但至少有两点事实是明确的：首先，当前企业在将AI模型与实际业务流程、商业战略相结合方面，仍处于起步阶段；其次，人工智能的价值或许并非由 OpenAI、Anthropic 或 xAI 这类企业创造，而是源于企业利用自身运营数据、伦理准则和战略目标，自主开发的、针对特定领域的小数据模型。

为推动美国人工智能基础设施投资而制造的舆论热度，有其存在的必要性和价值，但不应因此偏离核心目标，即如何利用人工智能模型解决企业实际问题。人工智能行业的发展方向，究竟是打造一款能通过单一指令响应各类查询的通用模型，还是开发面向企业流程数字化升级的、定制化的特定解决方案？

历史经验表明，特定领域的AI模型才是推动数字化升级的主力。这一次的情况或许有所不同，但我们可能需要付出数万亿美元的代价才能得出最终答案。

为保护广大考生的利益，请计划报考金融风险与监管证书(FRR)的考生或银行机构联系FRR证书项目官方授权推广机构咨询报名（在非官方授权机构报名，将无法获得专业培训和人社部注册的证书），授权机构名录详见FRR全国运营中心官网：www.frr.net.cn 和本公众号“授权合作-授权机构名录”或致电4006186078 查询。