• 课程材料：MS&E 435 | Course Materials

• 网友总结的笔记：MS&E 435｜AI 超级周期经济学 · 中文课程编校版

prompt

• [网友总结的笔记材料]
• 请你对每节课都形成 5 个详细的 TL;DR

结果

---

LECTURE 01 | 生成式 AI 经济学导论 (Apoorv Agrawal)

1. 产业“倒三角”与资本开支周期：当前 AI 收入高度集中在底层半导体（如 NVIDIA），这是因为 AI 产业正处于“容量提前建设期”（类似早期修铁路）。基础设施和芯片必须先于应用产生收入，而 NVIDIA 凭借在训练和早期推理中的垄断地位，截留了产业初期的绝大部分利润。
2. 推理成本带来的结构性差异（非零边际成本）：与传统 SaaS“开发一次，无限复制”不同，生成式 AI 的每次使用（推理）都会持续消耗算力。这意味着应用层的成功不仅不会替代底层芯片，反而会同步推高算力需求，形成“应用与底层共同增长”的非零和局面。
3. 倒三角翻转的条件（应用价值 vs 计算成本）：利润向应用层大规模迁移需要两股力量同时发生：应用层找到可计价的高价值任务（扩大收入），以及 Custom Silicon（自研芯片）、模型量化和系统优化压低单位计算成本。只有当“任务价值增速”远超“推理成本”时，产业结构才会重塑。
4. 消费 AI 的商业化路径与“留存微笑曲线”：消费端 AI（如 ChatGPT）已具备庞大 Reach 和 Habit，其留存率呈现罕见的“微笑曲线”（随着模型能力跨越新任务门槛，老用户回流）。但商业化面临挑战，未来可能从纯订阅转向基于高意图上下文的广告或按任务计费模式。
5. 模型层与应用层的经济学拆分：当前的收入估算常将 Foundation Models（如 API）与 End-user Apps 混为一谈。真正的经济分析需将两者拆分：模型层售卖通用能力（面临开源和价格战压力），而应用层围绕具体任务、工作流和用户体验构建壁垒。

---

LECTURE 02 | 芯片：GPU 经济学 (Brad Gerstner, Sunny Madra)

1. Token 作为 AI 时代的核心经济原子：AI 的总需求可拆解为“用户数 × 任务数 × 每任务 Token 数 × 每 Token 计算量”。Token 不仅是技术单位，更是将知识工作转化为可计价生产投入的经济学原子，算力需求将随 Agent 和复杂任务的普及而呈指数级反弹。
2. 推理（Inference）作为独立工作负载的物理约束：推理不是训练的缩小版，其 Decode 阶段受限于内存带宽和串行依赖。这催生了 Prefill 与 Decode 的分离，以及专用推理芯片（如 Groq 的 LPU）的生存空间——通过静态编译和确定性数据流换取极致的低时延和高吞吐。
3. GPU 的护城河：系统适应性与生态确定性：NVIDIA 的垄断不仅来自芯片峰值性能，更来自 CUDA 生态、编译器、通信库及开发者习惯构成的“全栈适应力”。在模型架构快速迭代的时代，GPU 为“通用性和快速适配”支付了效率溢价，但这正是企业最需要的确定性。
4. 专用芯片与云厂商自研芯片的不同经济逻辑：Groq 等独立芯片公司必须跨越极高的平台迁移成本和生态壁垒，最终往往被大平台吸收；而 Google TPU、AWS Trainium 等云厂商自研芯片，依托内部庞大且稳定的负载摊薄研发成本，其核心目的是降低自身云的边际成本并实现战略自主。
5. 杰文斯悖论（效率反弹）与算力需求的无限性：芯片和模型效率的提升（降低单位 Token 成本）不会导致总算力需求下降，反而会解锁原本不经济的长上下文、多 Agent 协同和复杂验证任务。资本开支的合理性取决于“可变现任务价值”能否持续覆盖算力折旧。

---

LECTURE 03 | 基础设施：建设吉瓦级 AI 工厂 (Chase Lochmiller)

1. AI 数据中心是“从电子到智能”的物理转换链：吉瓦级 AI 工厂不仅是服务器机房，而是融合了能源、变电、冷却、光互连和计算集群的复杂工业系统。瓶颈会不断迁移（如从缺 GPU 到缺变压器，再到缺冷却或网络），可用算力取决于整条供应链的最短板和同步交付能力。
2. 每兆瓦（MW）经济学的分层变现与纵向一体化：基础设施的价值捕获取决于其在价值栈中的位置。仅提供电力和机房（IaaS）收入最低但风险小；向上延伸至托管模型、API 甚至按 Token/任务计费，能显著提高每 MW 收入强度，但也需承担模型迭代和客户需求波动的风险。
3. 选址逻辑：在搬电子、搬比特与搬光子间权衡：大模型训练需要极高的内部网络带宽（搬光子），因此必须靠近大规模稳定电力且集群紧凑；离线批处理可迁至能源廉价地区（搬电子）；实时交互 Agent 则必须靠近用户和数据（搬比特）。
4. 负载弹性与能源调度的结合：AI 园区不仅是电网的消耗者，也可成为调节者。训练任务可中断恢复，适合吸收负电价或绿电；实时推理则需高可靠性。将工作负载特性与电力供应（风/光/气/储）匹配，是降低长期运营成本的关键。
5. 数字劳动对宏观经济与资本 - 劳动边界的重塑：AI 工厂产出的本质是“数字劳动”，它将过去高度依赖人类个体的非例行认知任务转化为可复制的资本品。这不仅改变了企业的成本结构，更可能在宏观层面改变资本与劳动在收入分配中的边界。

---

LECTURE 04 | Ali Ghodsi：基础设施、企业 AI 与服务软件化 (Ali Ghodsi)

1. 企业 AI 的真正瓶颈是“上下文与隐性知识”：通用模型缺乏企业当前的业务状态、权限边界、隐性规则和责任人信息。企业 Agent 的有效性取决于“模型能力 × 上下文 × 状态 × 工具 × 权限”，任何一环缺失都会导致系统失效。
2. 软件并未死亡，而是向“状态与验证层”重新分层：AI 大幅降低了代码生成和界面定制的门槛（削弱了传统 SaaS 的界面切换成本），但系统记录、长期状态、权限控制、合规验证和组织工作流变得更具价值。软件的核心作用从“提供固定操作路径”变为“缩小 Agent 的搜索空间并验证结果”。
3. “服务软件化”（Service as a Software）重塑商业模型：传统 SaaS 按席位/人头收费，而 AI 时代将转向按“完成的任务或业务结果”收费。这要求软件公司承担更多的结果责任、异常处理和人类兜底成本，从而侵入传统 BPO 和咨询服务的巨大市场。
4. AI 对“七种竞争力（Seven Powers）”的重构：AI 削弱了基于代码和界面的规模经济与切换成本，但强化了基于独占数据（真实业务反馈）、网络效应（Agent 使用数据回流）、品牌（信任与责任承担）和流程能力（组织协同与隐性知识）的护城河。
5. 局部生产率不等于组织生产率（组织重构的滞后性）：如同电动机早期未能立刻改变工厂布局，AI 目前多用于加速现有串行流程。真正的组织重构需要围绕“Agent 持续执行、人类处理异常和责任节点”来设计，这要求企业彻底改造审批、协作和评价机制。

---

LECTURE 05 | Sachin Katti：基础设施与综合案例 (Sachin Katti)

1. Agent 将推理从“单次调用”变为“动态异构任务图”：现代 Agent 任务包含长上下文 Prefill、逐 Token Decode、代码执行、数据库检索和多轮验证。这要求基础设施从单一 GPU 优化，转向跨 CPU、GPU、内存、网络和存储的全局编排，以“任务成功率和总成本”为最终指标。
2. 全栈协同设计（Co-design）是自研芯片的唯一出路：OpenAI 与 Broadcom 的合作表明，自研芯片的价值不在于拥有晶圆厂，而在于模型、系统和芯片团队共同定义工作负载。只有当工作负载足够庞大且稳定时，专用化带来的能效提升才能覆盖算法快速迭代带来的“押注风险”。
3. 内存与网络互连正取代计算成为核心瓶颈：随着上下文变长和 MoE 架构普及，KV Cache 和权重读取对内存带宽（HBM/SRAM）及芯片间光互连的需求呈指数级增长。未来的系统创新将高度集中在计算与内存的共设计、以及更低能耗的高速网络上。
4. 跨层编排（Orchestration）是 AI 工厂真正的控制平面：在异构硬件和多云环境中，最稀缺的能力是能够同时理解“Agent 任务意图、模型结构、硬件状态、电力约束和队列”的控制平面。它决定了名义算力能否转化为高可用、低成本的智能服务。
5. 开放权重改变了模型层的经济属性：开源模型使“智能”从租赁服务变为可持有的生产资料，缩短了前沿能力的租金周期。这迫使竞争焦点从“谁拥有最强模型”转向“谁拥有最低的推理运行成本、最好的工作流集成和最真实的反馈闭环”。

---

LECTURE 06 | Yash Patil：智能——解锁企业内部知识 (Yash Patil)

1. 从“静态知识”向“机器经验（Era of Experience）”的范式转移：预训练消耗了大部分人类语料，AI 的下一个增长引擎是 Agent 在真实环境中“行动 - 观察结果 - 获得反馈”产生的经验数据。企业数据的价值不在于“私有文档的数量”，而在于能否形成“决策 - 结果 - 归因”的闭环。
2. 企业记忆的三层架构与持续学习的工程妥协：企业 AI 系统需区分快速变化的“现实业务状态”、任务级的“工作上下文/记忆”、以及缓慢更新的“技能/规则/模型权重”。当前工程实践倾向于将易变信息放在外部上下文和工具中，仅将长期稳定的行为沉淀入模型权重。
3. 专用模型的经济学边界与折旧风险：训练专用模型面临通用模型快速迭代的“能力折旧”和上下文/RAG 技术带来的“定制位置折旧”。只有当任务分布极度稳定、规模巨大，且通用模型存在长期无法弥补的能力缺口时，专用模型才具备投资回报率。
4. Agent 分发优势转化为数据网络效应的条件：拥有大量用户并不自动形成数据壁垒。只有当平台能合法获取“任务目标、环境状态、Agent 尝试、人类修正及最终业务结果”的完整轨迹，并将其抽象为跨用户复用的技能时，才能形成真正的经验网络效应。
5. 可验证奖励（Verifiable Rewards）是突破复杂任务的钥匙：在代码、数学等结果可自动验证的领域，强化学习能产生大量高质量合成数据；但在企业开放世界中，结果延迟且模糊。构建低成本的“沙盒验证器”和“人类反馈分级机制”是企业 AI 落地的核心基础设施。

---

LECTURE 07 | Tuhin Srivastava：推理——构建推理云 (Tuhin Srivastava)

1. 推理是一门独立的生产学科，核心在于“共享与复用”：推理平台的经济学建立在最大化昂贵 GPU 的利用率上。通过连续批处理（Continuous Batching）、KV Cache 复用和前缀缓存（Prefix Caching），平台能在不牺牲时延的前提下大幅摊薄单次 Token 的边际成本。
2. Prefill 与 Decode 的物理分离趋势：由于长上下文 Agent 的普及，Prefill（计算密集型）和 Decode（内存带宽受限）的资源需求差异巨大。将两者路由至不同架构的硬件，并通过高速网络传递状态，是下一代推理云降低总成本的必然架构方向。
3. 从“计算加价”向“任务结果定价”的商业模式跃迁：独立推理平台若仅按 GPU 小时收费，极易被云厂商挤压。其长期护城河在于按 Token 或“成功任务”计费，通过后台的异构硬件调度、量化和缓存优化吸收效率红利，将技术优势转化为毛利。
4. 调度器与编排层的护城河在于“跨负载的隐性经验”：单个路由算法容易被复制，但平台在长期运行中积累的“何种请求适合何种硬件、如何预测输出长度、如何处理尾部故障”的隐性知识，以及连接生产、评价与再配置的闭环，才是抵御大厂吞噬的壁垒。
5. CUDA 生态的真正壁垒是“新模型进入生产的速度”：新芯片或新架构的挑战不在于跑分，而在于编译器、内核、通信库和监控工具的全栈适配。谁能在新模型发布后最快提供稳定、可观测的生产级服务，谁就能截获最大的推理流量。

---

LECTURE 08 | Guillermo Rauch：应用、AI 编程与软件的未来 (Guillermo Rauch)

1. “氛围编程”扩大软件供给，但推高“生产化”成本：AI 让非程序员也能生成代码（Software 2.0），导致一次性原型泛滥。但对于企业级应用，真正的稀缺性和成本已转移到状态迁移、权限配置、安全验证、部署运维和组织适配上。
2. 从“请求 - 响应云”向“Agent 云”的架构演进：传统云围绕短生命周期的 HTTP 请求设计；Agent 云必须支持长时间运行、沙盒隔离、外部状态保存、工具调用和预算控制。云的基本管理对象正从“服务器/函数”变为“任务/身份/记忆/权限”。
3. 软件接口从“人类界面中心”转向“机器能力中心”：未来的 SaaS 将分裂为两层：为人提供的解释与审批界面，和为 Agent 提供的结构化 API、MCP 协议和机器可读账单。无法提供“机器可执行商业入口”（自动注册、授权、计费）的软件将被 Agent 生态淘汰。
4. Agent 偏好“积木经济”与局部可验证的模块：由于上下文窗口和推理能力的限制，Agent 更倾向于使用文档清晰、接口稳定、可独立测试和组合的模块化组件，而非隐式耦合的庞大单体系统。软件的“可发现性”和“可验证性”成为新的 SEO。
5. 中美企业 AI 采用率的差异源于“权限交出的意愿”：美国 SaaS 沉淀了大量标准化的系统权限和流程，Agent 易于接入；中国企业软件高度依赖私有部署和人工定制流程。AI 虽能降低代码生成成本，但企业是否愿意将真实的决策权、预算和审批规则结构化并交由机器执行，才是决定 AI 渗透率的根本瓶颈。

---

LECTURE 09 | 应用：生命科学中的 AI (Eric Kauderer-Abrams, Josh Meier)

1. 数字推理与物理实验的“闭环”是生命科学 AI 的核心：AI 只能加速假设生成和候选分子设计。药物的最终价值必须通过湿实验和临床试验验证。能够自动化、API 化并返回结构化结果的“实验基础设施（如云端自动化实验室）”将成为最稀缺的资产。
2. 通用科学 Agent 与专用分子模型的互补架构：通用 Agent 擅长跨文献推理、数据处理和编排实验工具；专用模型擅长在高维物理空间中生成高命中率的蛋白质结构。未来的发现系统将是“Agent 组织流程 + 专用模型生成候选 + 自动化实验验证”的三位一体。
3. 瓶颈迁移定律：AI 加速早期发现，将瓶颈推向临床：AI 大幅压缩了靶点研究和分子设计的时间，但这会导致更多候选分子涌入管线。真正的瓶颈将向后迁移至：动物模型、临床试验中心、患者亚群招募、生物标志物验证以及监管审批。
4. “Pipeline in a Person”重塑制药行业的公司边界：AI 降低了早期发现的知识门槛，自动化实验室外包了湿实验。这使得极小团队能够像管理投资组合一样管理药物管线（持有 IP，外包执行），挑战了传统大药企重资产、全链条的组织模式。
5. 长链推理中的“怀疑机制”与中间验证：生命科学具有极长的因果链（分子 - 细胞 - 动物 - 人体），模型生成的流畅故事极易在某一环失效。因此，科学 Agent 的核心能力不是写出最完整的报告，而是设计一系列低成本、高信息量的中间实验，以区分竞争性假设并及早证伪。

智能的繁荣与资本的困境：AI 会重演航空业的百年经济命运吗？

一个行业可以改变世界，却未必能够回报资本

航空运输业是现代经济史上最值得研究的产业悖论之一。过去一个世纪，航空技术持续进步，单位运输成本长期下降，全球航线网络不断扩大，曾经只有少数人能够负担的远距离旅行逐渐成为大众消费。飞机制造、机场基础设施和跨境运输网络深刻改变了贸易、旅游、劳动力流动与全球经济分工。然而，这种巨大的社会生产率进步，并没有按相同比例转化为航空公司股东的长期经济利润。

国际航空运输协会（IATA）2026 年 6 月发布的展望预计，全球航空业全年收入达到 1.165 万亿美元，客座率达到 84.0%，但净利润率仅约 2.0%，投入资本回报率（ROIC）为 4.3%，明显低于约 8.5% 的加权平均资本成本（WACC）。即使考虑当年的能源价格与地缘政治冲击，这组数字仍揭示了行业长期存在的资本效率问题：需求规模庞大、资产利用率处于高位，并不意味着资本所有者能够获得令人满意的风险调整后回报。

这种低回报不能简单归因于航空业始终缺乏整合。美国航空市场经历了长期的退出、破产重组与兼并，其中 2013 年美国航空与全美航空完成合并是重要节点。市场集中度提高改善了部分企业的经营条件，却没有彻底改变整个行业对燃油、经济周期、产能供给和价格竞争的敏感性。沃伦·巴菲特曾长期批评航空业的经济结构，随后又在 2016—2017 年重新投资美国主要航空公司，最终于 2020 年退出。这段投资经历说明，航空行业并非任何时期、任何价格都不值得投资，但寡头化与周期性盈利改善，不能直接证明一个行业已经建立可持续的经济护城河。

人工智能正面临一个可能更为复杂的版本。建设数据中心需要昂贵的土地、电力、冷却、网络和加速器，训练先进基础模型需要巨额研发与计算投入，而一旦资产形成，利用已有闲置算力处理额外请求的可避免增量成本可能显著低于包含折旧和资本成本的完全平均成本。模型能力又通过知识蒸馏、开放权重、模型架构优化和推理系统创新不断传播，使越来越多的标准化能力面临价格竞争。

这种结构产生了一个根本问题：当一个行业需要巨额固定资本投入、边际供给成本相对较低、产品逐渐同质化，而且竞争者必须努力维持产能利用率时，为什么长期竞争不会将整个行业的经济利润压到接近零？

人工智能可以创造巨大的社会价值，可以形成庞大的收入市场，也可以长期增加对计算资源的需求，但这三个命题都不足以证明建设算力、训练模型和承担前期资本支出的投资者必然得到高于资本成本的回报。需求增长决定市场可能有多大，产业结构决定利润由谁获得，资产购置价格、技术寿命和资本成本则决定投资者能否真正赚钱。

固定成本、沉没成本与竞争均衡

为什么高利用率不等于高回报

理解人工智能的产业经济，必须首先区分固定成本、沉没成本、边际成本和长期平均成本。考虑一家提供标准化推理服务的企业，其成本函数可以简化为：

[
TC(q)=F+cq
]

其中，(F) 为固定资产及其他固定投入在分析期间内需要回收的成本，(c) 为单位推理服务的边际成本，(q) 为提供的服务数量。平均总成本因此为：

[
ATC(q)=\frac{F}{q}+c
]

在既定容量和服务质量下，增加产量可以摊薄固定成本，因此规模较大的运营商通常能够获得更低的平均成本。实际推理系统还存在功耗、显存、排队时延和容量约束，因此边际成本并非始终为常数，也不接近严格意义上的零。低成本的准确含义，是已有闲置资源处理额外请求的短期可避免成本，可能显著低于企业建设和维持整套生产系统的长期完全成本。

关键的竞争问题出现在资本投入已经完成之后。一家公司在购买 GPU 之前，必须判断未来全部收入能否覆盖设备购置、融资、运营、更新和资本机会成本。但在 GPU 已经部署、投资难以完全收回之后，接受新增订单的决策就发生变化。只要新增订单的收入超过由此产生的可避免成本，接受订单就可能比让设备闲置更合理，即使这笔交易的价格不足以覆盖全部折旧和资本成本。

航空公司出售起飞前的剩余座位，推理运营商向价格敏感客户提供空闲 GPU 容量，遵循的是相似的短期激励。在需求不足时，个体企业通过降价提高利用率可能完全理性，但如果所有企业都拥有相同激励，行业整体价格水平便可能持续承压。

这一机制在标准 Bertrand 价格竞争模型中表现得尤其清楚。假设两家企业提供完全同质的产品，具有相同边际成本，客户能够无摩擦地选择价格更低的供应商，而且两家企业都有足够容量满足市场需求。当其中一方定价较高时，另一方可以通过小幅降价获得大量客户，直到市场价格接近边际成本：

[
P\rightarrow MC
]

此时产品价格可能低于包含固定资本回收的平均总成本：

[
MC<ATC
]

在这种状态下，企业每增加一笔订单可能获得正的边际贡献，但整体投资仍然无法产生足够的资本回报。现实市场很少满足完全同质、无限容量和零切换成本等严格假设，因此价格不必精确下降到边际成本。然而，只要产品可替代性很强、闲置产能较多、价格透明且客户迁移方便，就存在持续压缩经营利润的力量。

零经济利润不等于所有企业持续亏损

微观经济学中的长期零经济利润，也需要与会计亏损加以区别。经济利润扣除了包括股东资本机会成本在内的全部经济成本。因此，经济利润为零的企业仍可能拥有正的净利润，并向资本提供者支付正常的风险调整后回报。竞争性行业长期趋向零经济利润，意味着超额回报逐渐消失，而非所有参与者都必须长期破产。

在完全自由进入和退出、资产能够以合理价格重新配置的理想市场中，长期均衡通常使价格接近长期最低平均成本：

[
P=LRAC_{\min}
]

航空业和人工智能基础设施的实际情况则更加复杂。飞机、定制数据中心、专用网络和已经完成的模型训练均具有不同程度的不可逆性。原先为某一需求增长预期建立的产能，即使需求低于预期，也未必能够及时退出。已经部署的设备只要还能产生高于未来可避免成本的收入，企业便可能继续运行，而历史投资者的本金损失已经成为无法追回的沉没成本。

因此，长期低资本回报不要求企业始终作出错误的运营决策。它可以由进入市场时过度乐观的投资预期、投资完成后的不可逆性，以及竞争者之间缺乏可信的产能约束共同产生。下一轮投资者可能吸取教训，以更低价格购置资产或要求更严格的合同条款，从而改善新资本的预期收益，但上一轮资本已经遭受的损失不会因此消失。一个行业完全可能在技术和需求不断扩张的过程中，反复经历新进入、产能建设、价格压缩、资产减值和资本重新定价。

这也是为什么高利用率本身不是充分的投资指标。GPU 集群即使全年保持很高负载，只要实现利用率依靠大幅降价，资产的实际生命周期收益仍可能低于最初投入。判断一家基础设施企业是否创造价值，必须同时观察销售价格、有效产出、运营成本、资本投入、经济折旧和融资成本，而不是孤立地观察使用率、EBITDA 或收入增速。

从航空公司的囚徒困境到 AI 的动态军备竞赛

寡头市场并不自动创造资本纪律

航空业经常被描述为一种寡头之间的囚徒困境：所有企业都知道减少运力能够改善整体市场供需，但单个企业又有动机增加航班、抢占更有价值的时刻资源或通过促销获得市场份额。只要竞争者无法就未来产能作出可信、持久并符合竞争法的约束，市场集中度提高就不一定带来稳定的高利润。寡头市场的结果取决于产品差异、容量限制、需求弹性、进入威胁和企业之间的动态反应，而不能仅由企业数量决定。

AI 模型行业可能面临两种同时发生的竞争。第一种是已有推理容量之间的价格竞争。第二种是为保持技术领先而进行的研发和训练投资竞争。后一种机制可能比传统航空运输业更重要，因为航空公司的飞机通常不会因竞争者购买下一代飞机而迅速丧失大部分运输功能，模型公司却可能因竞争者发布更强的新模型而失去其前沿能力溢价。

假设两家模型企业都能够选择继续训练下一代模型或暂时减少研发支出。如果双方减少训练，短期现金流可能改善，但其中任何一家只要相信继续投资能够使自己取得能力领先、增加收入或阻止客户流失，就存在继续投入的单边激励。当另一家企业也采取类似行动时，双方可能不得不持续增加研发和计算投入，才能维持原有竞争位置。即使每一代模型都更加先进，行业经济利润也未必相应提高。

这种竞争更接近动态研发军备竞赛。企业投入的资本不一定是为创造持久的新增竞争优势，也可能只是为避免技术落后而支付的维持性成本。某一时期较高的研发支出因此不应全部被视为可以无限期创造增长的扩张性投资，其中可能包含保持竞争地位所必需的资本性投入或经常性研发费用。

不过，模型创新并不必然意味着每一代训练成本都要增加。训练算法、数据选择、强化学习、推理优化、蒸馏和专用模型架构，都可能改善技术进步所需的资本效率。模型公司可能在减少绝对训练投入的同时提高特定任务表现。因此，研发竞赛只能说明资本纪律难以建立，不能证明未来每一轮技术升级都需要更高资本开支。

真正决定行业回报的，是领先模型带来的增量经济收益，能否覆盖为了取得并维持该领先所发生的增量研发投入。

前沿能力的经济租金可能比技术创新更短暂

模型能力不等同于航空座位。对于高度复杂的任务，一个模型将成功率从 80% 提高至 99%，可能使人工辅助流程转变为可独立执行的自动化系统，带来远高于性能提升比例的经济价值。对于能够立即创造收入、节省大量劳动力或避免高成本错误的任务，客户也可能愿意支付显著溢价。因此，不能简单地将所有 AI 模型视为完全同质的商品。

但技术领先必须经过商业化，才能成为经济租金。知识蒸馏、开放权重、模仿训练和竞争性研发，能够使某一代能力在较短时间内被其他供应商追赶。对需要较长验证和商业部署周期的任务而言，率先实现技术突破的公司，未必能够在竞争者追上之前收回研发资本。

科研就是典型的例子。模型可能先于竞争者获得某项新的推理或实验设计能力，但从提出假设、完成实验、验证结论、形成知识产权到最终商业化，可能需要数年。若能力领先窗口明显短于相关经济价值的实现周期，原始创新者可能主要承担前期研发费用，而后续价值由采用更低成本模型的科研机构、产业企业或最终消费者获得。

Stanford HAI 的《2026 AI Index》提供了值得注意的证据。截至 2026 年 3 月，多个领先厂商的模型在人类偏好排行榜上已经聚集在较小分数范围内，竞争重点逐步扩大到成本、稳定性和专业任务性能。同时，最强闭源模型对最强开放模型仍保持一定优势，而且有关差距较 2024 年的低点有所扩大。这说明能力趋同与部分前沿差异仍可同时存在，不能把模型商品化理解为所有前沿能力已经被无成本复制。

可持续技术租金的关键，不是模型是否曾经达到第一名，而是领先窗口内可获得的增量现金流现值，是否足以覆盖取得该地位的研发、训练、服务和资本机会成本：

[
PV(\text{技术领先产生的增量现金流})

\text{增量创新投入}
]

如果高价值任务的商业化速度系统性地慢于技术扩散速度，持续技术进步甚至可能伴随持续低资本回报。但如果少数关键任务存在巨大且可即时支付的能力溢价，前沿模型企业仍可能获得可观收益。

需求爆炸为什么无法单独证明投资回报

单位智能成本下降，可能同时扩大市场并压缩价格

AI 长期投资逻辑中最有吸引力的假设之一，是智能服务价格下降会打开巨大的新增需求。更便宜的推理可以支持持续软件开发、个性化教育、自动研究、长时间运行的 Agent、实时语音与视频服务，以及原先因成本过高而无法实现的自动化任务。模型推理成本不断降低，也可能引发类似杰文斯悖论的需求反弹：单位资源消耗效率越高，使用规模反而越大。

但需求数量的增长与投资收益的增长之间不存在必然关系。行业总收入由服务数量与单位价格共同决定：

[
R=P\times Q
]

如果标准化服务数量增长 100 倍，但单位价格下降 99%，总收入仍然可能保持不变。进一步考虑成本时，即使收入增长，若为了服务新增需求需要投入同比例甚至更多的资本，增量资本回报仍可能下降。

更严格的表达应当比较价格下降速度、可变成本下降速度、资本效率改善速度和需求数量增长速度。如果数量增长快于价格下降，行业收入可以增长；如果单位可保留贡献和资本周转率也同步改善，资本回报才有可能增长。需求弹性本身无法回答这些变量之间的关系。

Token 需求受到真实经济瓶颈约束

AI 的最终经济价值不来自 token 本身，而来自完成能够被真实客户认可和付费的任务。软件开发不仅需要代码生成，还需要测试、部署、安全审查与业务验收；科研不仅需要理论假设，还需要仪器、实验、验证和知识产权转化；教育不仅需要内容生产，还涉及学习动机、反馈、社会环境和教学结果。

这些互补生产要素可能限制 AI 能力向最终经济产出的转换速度。在一种极端的固定投入比例模型中，最终产出可以表示为：

[
Q=\min\left(\frac{A}{a},\frac{H}{h}\right)
]

其中 (A) 代表 AI 可完成的工作量，(H) 代表人类验证或其他互补生产要素，(a) 和 (h) 是单位最终产出所需的投入系数。这不是对全部 AI 生产过程的精确描述，而是用于说明瓶颈约束的简化模型。

例如，系统每天可以生成 1,000 项软件修改方案，但组织只能完成 100 项测试和验收，单纯增加代码生成能力便无法同比例提高实际交付量。更先进的 Agent 可以进一步自动化测试、部署、反馈和验证，因此人类瓶颈未必永久存在，但不同生产环节的升级通常不会完全同步。

这种非同步性产生了一个重要风险：智能供给能力可能在短期内增长得比真实经济活动吸收智能的速度更快。即使从长期看，AI 能够替代大量知识劳动，资本投资者仍需经历从能力发现、组织适配、任务验证到实际收费的转化周期。

数字劳动的高价值未必属于模型生产者

AI 可能进入比传统软件更广阔的劳动和专业服务支出市场。企业过去购买软件工具，再雇佣员工操作软件完成任务；未来可以直接购买 Agent 交付的审计结果、代码修改、合同审查、客户服务或采购执行。这种模式通常被称为 Service as Software，即将服务交付转变为软件化生产。

如果企业购买的是成功解决的问题，而不是使用多少 token，服务价格可以与节省的劳动成本、减少的业务损失或新增收入相关联。这创造了远高于基础推理成本的潜在支付意愿，但仍然必须区分支付意愿和供应商最终能够保留的利润。

如果多个 Agent 应用能够使用可互换的基础模型完成类似任务，下游服务市场的竞争也可能侵蚀利润。即使一家 Agent 公司拥有很高的收入，它还需要承担结果质量、合规、人工兜底、保险、异常处理和业务责任。价值链向高价值任务移动，并不会自动消除竞争，只是改变了竞争发生的位置。

模型、应用与平台：谁拥有真正的切换成本

客户锁定不一定属于基础模型

企业 AI 的潜在竞争优势包括长期上下文、业务状态、工具权限、审批流程、历史决策、客户关系与持续的结果反馈。一个已经处理多年采购、付款、法务和内部协作的 Agent，可能形成较高的客户迁移成本。即使另一家模型供应商将 API 价格降低一半，企业也未必愿意承担整个业务系统迁移和重新验证的风险。

但这些切换成本并不必然属于底层模型供应商。企业的工作流状态可能存放于 Salesforce、SAP、Microsoft、Databricks 或独立 Agent 平台，底层模型只是通过标准接口提供某一类计算能力。如果平台能够把 GPT、Claude、Gemini、Qwen 或其他模型进行路由和替换，终端客户的高粘性便不一定转化为单一基础模型的定价权。

因此，需要明确区分至少四个层次：半导体与系统、算力和推理基础设施、Foundation Models，以及最终应用与企业工作流。一个公司的业务可能横跨多个层次，但产业经济分析必须按照业务活动和收入来源拆分，而不能简单以公司名称分类。

真正可能保留长期价值的资产，包括用户默认入口、难以迁移的真实业务状态、任务结果评价机制、关键权限、交易关系、可靠的工作流以及取得和使用高质量反馈的合法权利。模型权重本身可能被复制、蒸馏和改进，但企业持续运行的状态、权限与责任结构通常无法仅通过复制模型实现迁移。

用户规模不必然产生强数据网络效应

模型行业存在规模经济，但不同来源的规模优势需要分别分析。基础模型可以摊薄训练和研发成本，大型平台能够提高 GPU 利用率、优化推理路由、降低硬件采购成本并支持自研芯片。大规模用户反馈也可能改善模型能力，但普通对话数据的边际价值，未必随着用户规模无限增加。

随着公开语料和通用对话数据被广泛利用，真正稀缺的数据可能进一步转向专业知识、真实业务操作和可验证的任务结果。医疗、科研、金融或复杂工程环境中的高质量反馈不仅稀缺，而且标注、采集和验证成本较高。普通用户数量优势未必能够完全替代高价值专业数据优势。

在 Agent 场景中，数据网络效应更可能来自完整的「任务状态—行动—结果—评价—改进」闭环。只有模型或平台能看到真实结果、获得合法使用权，并将经验转化为其他客户也能受益的改进，才可能形成跨用户学习优势。单纯拥有庞大的聊天记录或 API 调用日志，并不足以证明存在长期网络效应。

规模经济仍然可能产生持续成本领先，但它能否形成超额利润，取决于竞争者是否能以相似成本进入市场，以及领先公司的节约是否会被价格竞争转移给客户。最低成本生产者可能长期获利，但整个行业未必因此具备高资本回报。

GPU、数据中心与能源：资本密集度之外的另一层竞争

GPU 的经济寿命可能短于物理寿命

航空业类比在 GPU 资产上具有较强解释力，因为 GPU 同样需要大量前期投资，闲置计算时间无法储存，产能利用率会显著影响单位经济。但 GPU 相比飞机又多出一个重要的不确定因素：其竞争性经济寿命可能受到快速技术进步的影响。

一块旧 GPU 并不会因为新一代芯片上市而停止工作，只要其服务收入能够覆盖继续运行的可避免成本，它仍可承担批量推理、小模型部署、成本敏感任务或非前沿计算。但新硬件如果显著降低单位任务成本，旧 GPU 的市场租赁价格可能迅速下降，从而无法收回最初的购置成本。

因此，设备的物理寿命、会计折旧年限和经济寿命必须分开分析。即使某一代设备能够持续运行九年，也不能仅凭仍然存在客户订单，就断定其原始投资取得了良好回报。必须将整个生命周期的实际现金收入、运营费用、资本投入和期末残值放在一起计算。

技术效率的改善也不必然损害资本所有者。如果现有硬件能够通过量化、批处理、缓存和软件优化大幅提高产出，其经济寿命可能延长，生命周期收益也可能改善。然而，一旦新设备能够以更低的单位资本成本生产相同服务，旧设备持有者便可能被迫把效率改善转化为更低的销售价格。

这构成了技术学习曲线的双重作用：技术进步一方面扩大总需求、降低生产成本，另一方面使存量资本面临经济性贬值。最终由谁受益，取决于硬件生产率改善能够被谁保留。

单位兆瓦收入不能替代项目资本回报

Stanford MS&E 435 课程中关于吉瓦级 AI 工厂的分析，将数据中心资本开支分为电力与建筑，以及 GPU、网络、存储等 IT 设备。以课程所讨论的美国大型园区为例，电力和建筑约需每兆瓦 2,000 万美元，IT 设备约需每兆瓦 4,000 万美元，完整设施投入约为每兆瓦 6,000 万美元。按照这一假设，一个 1GW 园区的完整资产投入可能达到约 600 亿美元。

课程中的 GPU IaaS 示例，给出约每兆瓦每年 1,500 万美元收入；进一步提供托管模型、API 和推理服务，收入强度可能更高。但这些属于特定项目和经营模式下的课堂估算，不是全部数据中心的行业平均值，更不能直接视为项目现金流或资本回报。

即使某个园区每兆瓦创造很高的年收入，仍必须扣除电力、人员、维护、硬件更新、网络、融资、税费及其他运营成本，并结合不同资产的实际寿命进行折现。大型基础设施的资本回报不取决于绝对收入，而取决于资产生命周期内能够产生多少可分配现金流。

数据中心选址也可能创造差异化租金。土地、变电、许可、冷却和可靠电力接入并非能够瞬时复制。一个可以提前多年取得上电能力的园区，可能在供给紧张时期获得高于普通算力租赁商的经济价值。这种稀缺性与单纯拥有 GPU 不同，因为某些能源接入和基础设施条件需要较长的建设及审批周期。

但电力与数据中心稀缺也存在反方向风险。高租金可能刺激发电、输电、配电和园区建设投资。当新的电力与土地供给逐步投入使用时，原先的稀缺利润可能下降。拥有项目资源并不意味着一定获得项目回报，尤其在建设成本过高、供给提前扩张或长期客户需求不及预期时。

中国与美国的基础设施竞争改变全球供给弹性

AI 产能并非仅由美国大型云厂商决定。中国在工程建设、供电基础设施、设备制造和本土模型生态方面具有不同的成本和供应链条件，能够形成独立的算力与模型供给体系。课程材料中的中国数据中心案例显示，部分机房建设成本明显低于所讨论的美国大型项目；但先进 GPU 获取成本、供给限制和高性能网络，又可能抵消部分基础设施建设优势。

因此，中美 AI 竞争不能简单理解为两套完全相同成本结构的供给者。在部分环节，两国分别拥有能源、工程、先进芯片、生态和供应链方面的优势与约束。国际技术和贸易限制可能使市场分割，局部市场出现不同的稀缺价格；同时，多地区投入和模型开放又会增加全球可获得的智能供给。

这一竞争结构可能降低单一地区算力厂商长期保留高租金的能力，但也可能使先进芯片、关键设备和特殊生产资源保持较高的稀缺性。基础设施行业最终不会产生统一的利润率，利润会在不同瓶颈之间迁移。

人工智能资本开支的规模与收益验证

前所未有的投入仍缺少完整的成熟资产回报记录

摩根大通 2026 年 10 月 19 日发布的研究预计，2026 年全球 AI 资本开支约为 9,000 亿美元，并提出到 2030 年相关累计支出将达到数万亿美元量级的预测。该研究将云收入增长和合同储备列为支持 AI 资本投资逻辑的重要证据，同时提醒市场关注设备供给、电力、许可审批和融资结构带来的风险。

大型云厂商的经营数据表明，当前 AI 和云服务需求并非纯粹依赖远期想象。AWS、Azure 和 Google Cloud 等业务持续报告收入及合同储备增长，支持新增计算能力仍存在真实商业需求的判断。另一方面，资本支出规模扩大，并且部分企业逐步增加债券、股权和项目融资，也说明单纯依靠当前自由现金流维持扩张的难度正在上升。

独立模型公司的资本压力更为明显。2026 年 9 月，《金融时报》援引其所见公司材料报道，OpenAI 对 2026—2030 年累计负自由现金流的预测接近 2,800 亿美元。这一数据属于媒体披露的管理层预测，并不是经审计的已实现现金流，也不能直接推断其必然融资失败，但足以说明前沿模型业务的长期资本需求可能远超传统软件公司的增长模式。

收入增长与投资回报之间需要经过完整的资本周期验证。初期市场供不应求时，GPU 租赁价格和云服务收入可能具有较高的增长率；随着新一代算力、电力和数据中心供给投入使用，价格、利用率以及旧硬件经济寿命都会改变。最初几年的高收入增速，并不构成成熟阶段高 ROIC 的充分证据。

因此，产业分析不能只关注 AI 资本开支总额，也必须追踪每一批新增资本形成的可用容量、实际收费任务、完整成本、经济折旧和资本成本，直到能够形成相对成熟的生命周期现金流记录。

各层价值链的胜率、赔率与利润归属

技术成功、企业获利和投资获利是三种不同结果

投资分析中最容易混淆的，是将行业需求增长视为企业长期盈利的充分条件，再将企业长期盈利视为任何购入价格下都具有吸引力的投资机会。

事实上，至少存在三个层次：某项技术是否能够被广泛采用，某一公司能否在产业竞争中保留经济利润，以及投资者按照当前价格投入资本后能否获得足够的风险调整后收益。技术成功的概率可以非常高，企业竞争获胜的概率却相对有限；即使某一家企业很可能成为最终赢家，其估值也可能提前反映了大部分胜利结果，使新增投资回报变得不具吸引力。

因此，所谓胜率应当明确为在指定期限和条件下实现某种经济结果的概率，而不是抽象地判断某家公司是否会存活。赔率则需要同时考虑入场价格、潜在上涨空间、永久性资本损失和其他情景结果。

下表是对不同产业层级进行的结构性分析，并非统计模型估计出的真实胜率。由于缺少统一、可比较的上市或私人市场交易价格、各公司成熟资产现金流和资本结构，不适宜给出看似精确的真实概率。

产业层级	盈利逻辑	主要风险	结构性胜率判断	当前赔率分析的关键
GPU 与系统平台	技术、CUDA 生态、网络和系统集成	自研芯片、替代架构、估值过高	龙头优势较强，但租金不能视为永久	利润持续时间是否已被充分计价
独立 GPU 云 / Neocloud	利用率、低融资成本、长期合同	价格战、折旧、客户集中、债务	在标准化市场维持超额回报的难度较高	债务、残值和收入下降情景下的权益损失
数据中心园区	电力接入、施工速度、长期租约	工程延期、建设成本、过剩供给	高度项目分化	合同质量、资本成本和资本回收期
能源及电力设备	新增负荷、稀缺接入和设备交付	供给扩张、监管、建设周期	拥有难替代资源者相对有利	扩张投入相对长期受监管或合同现金流的定价
基础模型 API	领先模型、规模效应、推理成本	蒸馏、开源、持续训练、价格下降	标准化能力的持续超额回报面临压力	研发资本回收周期与估值预期
消费 AI 平台	默认入口、习惯、广告和订阅	分发竞争、用户迁移、变现限制	头部可能获得显著网络和渠道优势	高用户规模能否转化为可保留利润
企业 Agent 应用	工作流、权限、结果反馈、服务责任	模型厂商上移、客户自建、应用同质化	取决于是否控制真实业务瓶颈	客户获取成本、留存及结果毛利
行业专用模型	独特数据、低成本部署、合规	通用模型快速追赶	在稳定、高频任务中有机会	定制投资能否在优势失效前回本

这种分层显示，人工智能的巨大社会价值不必平均分配给每个参与者。若模型能力不断商品化，掌握真实工作流的应用企业可能比基础模型提供商保留更多客户价值；若芯片系统存在难以复制的生态，GPU 制造商可能比承担 GPU 购置资本的租赁运营商获取更多租金；若电力接入和许可成为瓶颈，拥有稀缺资源的基础设施主体又可能在某个周期中获得更强议价权。

更重要的是，价值链中的利润既可能纵向转移，也可能被竞争整体压缩。某一层收入池不断扩大，并不意味着该层经济利润也会同步增加。

芯片平台：较强的护城河不等于任何价格都值得投资

芯片平台与普通算力租赁商的区别，在于前者可以通过架构、软件、网络、编译器、开发工具和系统集成能力形成竞争优势。NVIDIA 的竞争地位并不只取决于单块 GPU 的峰值算力，还包括 CUDA、成熟的开发者生态、高速互连、整机系统与生产部署经验。这些资产难以通过简单增加资本支出立即复制，因此具有更强的长期租金基础。

但先进芯片行业仍存在技术替代和客户议价风险。Google TPU、Amazon Trainium、Microsoft Maia 和 Meta MTIA 等自研方案，有可能把部分原先支付给商用芯片供应商的利润转回云厂商。AMD、其他专用加速器和新型推理架构，也会对不同工作负载的单位经济形成竞争压力。领先芯片厂商可能继续拥有很高的经济利润，但利润持续时间和资本市场估值之间仍存在重要区别。

半导体企业还存在明显的价值链分工。GPU 设计企业、先进制造企业、HBM 供应商、封装设备企业和服务器系统集成商，拥有不同的竞争壁垒和资本投入方式。不能因为某一类芯片享有高毛利，就假设全部半导体供应链都能长期获得同样的回报。

通用模型：存在技术成功率很高、投资赔率不佳的组合

通用模型很可能长期改善，但独立模型供应商未必拥有同等程度的长期利润确定性。前沿研发投入、API 价格竞争、开放权重追赶和大型平台交叉补贴，将共同影响模型业务的回报。

Google、Meta、Microsoft 等公司可以把模型能力用于保护或扩大既有广告、搜索、云和软件利润池，而独立模型企业更依赖模型与应用产品本身形成直接收入。这造成了竞争目标的不对称性。大型平台即使接受较低的独立模型利润，集团层面仍可能因为保护已有客户关系而获得合理回报；独立模型公司则需要更明确地证明订阅、API 和企业服务能够覆盖全部资本需求。

不过，防御性 AI 投资的回报不能直接以独立模型收入衡量。对大型平台而言，不投资可能导致已有业务损失，因此正确比较应包括不投资、减少投资、外部采购模型和自主开发模型等不同反事实方案。防御性回报真实存在的可能性，并不意味着所有新增资本开支都合理。

应用层：轻资产并不自动意味着高赔率

企业应用和 Agent 在理论上更接近最终客户价值，因此能够采用任务成功率、节省费用或业务结果作为定价依据。相比单纯出租 GPU，拥有客户关系、权限、流程和真实反馈的企业，可能形成更持久的竞争优势。

但应用层的代码生产成本正在下降，基础模型厂商与大型软件平台也能够向上进入工作流。一个只有聊天界面、提示词和通用模型 API 的应用，可能很难保留长期定价权。相反，真正深入企业系统记录、独占特定交易关系、承担行业合规责任并持续验证结果的应用，才更有可能建立难以复制的经济护城河。

应用层资本开支较低，也不等于全部投资回报更好。如果客户获取成本极高、平台分发费用持续上涨、模型能力不断吞并垂直应用功能，企业仍可能面对低利润和高淘汰率。其投资胜率与赔率必须通过真实客户留存、净收入扩张、毛利质量和增量自由现金流进行检验。

胜率和赔率：当前 AI 投资是否过度？

资本增长不是单纯押对方向

Kelly Criterion 最初用于在已知概率和收益赔率时，计算最大化长期预期对数财富增长的投注比例。它能够清楚揭示一个事实：某项投资即使具有正的预期收益，也不意味着应当把全部资本投入其中；优势越小、损失越大，合理投资比例通常越低。

在一个简化的二元、无杠杆、可全损且胜利时获得净收益倍数 (b) 的模型中，假设盈利概率为 (p)，失败概率为 (1-p)，最优投入比例为：

[
f^*=\frac{bp-(1-p)}{b}
]

半 Kelly 则将理论最优比例减半：

[
f_{\frac12}=\frac12\max(0,f^*)
]

这一公式只有在概率、收益分布、损失比例、投资机会之间的关系以及重复投资条件相对明确时，才具有严格的配置意义。对于 AI 股票、私人模型公司、基础设施股权和长期债务，实际收益具有多种情景、尾部风险、估值变化、流动性限制与相关性，不能机械套用二元公式。

但其基本思想仍然适用：即使长期产业方向正确，也必须根据投资胜率、盈亏赔率与可能发生的资本损失，决定实际投入多少资金。

一个用于理解半 Kelly 的资本配置示例

假设一项风险投资拥有以下假设条件：成功概率为 60%，成功时获得投入本金之外 100% 的净收益，失败时损失全部本金。此时 (p=0.6)、(b=1)，理论全 Kelly 投入比例为 20%，半 Kelly 为 10%。

若投资价格上涨，使成功情景的净收益只有 50%，而失败概率和本金全损风险不变，则 (b=0.5)。在原先 60% 胜率不变的假设下，这项投资的期望净收益已经降为负数，Kelly 建议不投入资本。

假设情景	成功概率	成功净收益	失败损失	全 Kelly	半 Kelly
A：价格相对合理	60%	+100%	-100%	20%	10%
B：价格过高	60%	+50%	-100%	0%	0%
C：较高赔率、较低胜率	40%	+200%	-100%	10%	5%

以上为纯教学情景，不是任何 AI 资产的真实胜率、赔率或合理仓位。

这张表的含义并不是高胜率一定比低胜率更好，而是资本配置同时取决于购买价格和收益分布。胜率 40% 的投资，在足够高的盈利赔率下，仍可能比胜率 60% 但价格昂贵的投资更值得投入。

在当前 AI 投资周期中，这个逻辑尤其重要。市场可能同时高估一部分技术领跑者未来的利润持续性，又低估某些不太显眼的能源、网络、数据中心配套或垂直应用的真实现金流机会。也可能出现相反情况：某一基础设施环节看起来拥有稳健合同，却已经因为高估值和高杠杆而不具备安全边际。

因此，Kelly 框架要求的是针对具体资产价格和损失分布作出配置判断，而不是根据 AI、芯片、能源或应用等行业标签直接确定资金比例。

已经宣布的 AI 资本开支

严格来说，不能直接比较。Kelly 投资比例是相对于可配置财富或风险资本而言的比例，而 AI 资本开支通常是企业在多个年度中发生的真实经营与资产建设投入。资本开支包含维持已有业务、战略防御、客户合同履约、研发、扩张和基础设施储备，并非全部等同于一次可独立下注的金融投资。

另外，大型云厂商的资本开支由经营现金流、债务、租赁以及其他融资工具共同支持；独立 GPU 云企业的融资结构则可能更加集中和脆弱。两个公司都投入 100 亿美元，并不意味着其股东承担相同的永久性资本损失风险。

要判断某家公司投资规模是否超过半 Kelly，至少需要明确其可配置风险资本、增量投资的收益分布、各投资项目之间的相关性、债务约束以及管理层对收益概率的合理估计。目前市场缺少足够透明、经过验证的成熟资产现金流数据，因此无法对整个 AI 行业作出可信的半 Kelly 合规判断，更不能直接声称当前 AI 资本开支已经高于或低于某个严格计算出的 Kelly 最优值。

能够作出的更稳健判断是：AI 投资高度依赖未来增长、部分领域承担技术折旧及再融资风险，且大型参与者同时扩张，意味着投资结果之间的相关性可能被严重低估。 若企业管理层把各个数据中心、模型训练项目或芯片采购合同视为独立投资，而实际上它们共同暴露于 AI 需求、模型价格和融资市场变化，就可能低估整体组合的风险。

一个适用于企业资本配置的简化检验

相比机械套用二元 Kelly，对 AI 资本开支更加适合的是风险调整后的项目现金流模型：

[
NPV=\sum_{t=1}^{T}\frac{FCF_t}{(1+r)^t}-I_0
]

其中 (FCF_t) 为项目各期自由现金流，(r) 为与项目风险相适应的折现率，(I_0) 为初始投资。在需要多轮设备更新的 AI 项目中，还必须将未来替换性资本支出和技术过时风险纳入现金流预测。

进一步分析多个需求和价格情景，可以评估项目的盈亏分布、资本损失概率及对整个企业偿债能力的影响。只有在项目预期回报高于资本成本、下行情景下仍保有足够生存能力，而且投入规模与企业整体风险预算相容时，大规模资本部署才具备较充分的经济合理性。

半 Kelly 可以作为决策纪律：在对胜率、赔率和市场结构存在高度不确定性时，即使项目看起来拥有正的预期价值，也不应按照完全确定的乐观预测投入资本。但它无法代替项目估值，更不能替尚不存在的现金流与概率数据提供数学上的确定性。

用增量资本回报率检验产业叙事

收入、利润率与 ROIC 必须同时分析

当前 AI 投资叙事普遍强调收入增长、用户规模、算力需求和模型性能，但这些指标不能单独决定资本回报。对于资本密集型企业，真正重要的是新增资本投入创造的税后经营利润是否高于相应资本成本。

经济利润可以简化为：

[
EP=NOPAT-WACC\times IC
]

其中 (NOPAT) 为税后净经营利润，(IC) 为投入资本。若经济利润长期为负，意味着公司即使报告正的会计利润，也可能无法满足资本提供者所要求的正常风险调整后回报。

增量资本回报尤其关键，因为一家成熟科技公司可能依靠历史建立的高利润业务维持很高的综合 ROIC，同时把新增现金流投入回报较低的 AI 项目。如果只观察集团层面的盈利能力，原有软件、广告或云平台产生的经济利润，可能掩盖新增 AI 投资本身的低回报。

对于独立模型公司，研发费用和训练资产的会计处理也会影响资本回报口径。大量研发被直接费用化，部分基础设施投入却通过租赁和长期合同体现，因而需要在经济分析中重建一致的资本化、折旧和费用分配方式。不能简单把财报毛利率或 EBITDA 视为完整的模型经济利润。

资本开支的经济性具有明显的时间错配

AI 基础设施具有先建设、后产生收入的特征。数据中心可能需要数年完成能源接入、土建、机电设备与芯片部署，而最终客户和应用市场也需要时间成熟。过早判断全部资本投入失败，可能忽略容量建设与需求商业化的正常时间差。

但时间差也不能成为无期限推迟投资回报检验的理由。资本越早投入，机会成本和融资压力就越早发生；收入越晚实现，其折现现值越低。尤其当芯片技术快速进步时，施工和商业化周期越长，部分设备可能在充分投入使用之前就已经面临技术竞争压力。

因此，一个可信的 AI 投资论证必须同时描述长期市场规模、建设交付时间、资产寿命、收益实现周期和再投资需要。只提出未来十年的巨大可服务市场，而不解释未来十年需要持续投入多少资本，无法构成完整的投资回报分析。

如何验证或推翻航空业类比

航空业类比是一项具有实质经济学基础的假说，但还不是已经被验证的全部产业结论。它要成立，需要观察同质化程度、进入壁垒、长期供给弹性、客户切换成本与投资者资本纪律是否共同朝着压缩经济租金的方向发展。

最重要的验证指标，可以归纳为以下几组。

验证维度	支持航空业式结果的证据	支持持续超额回报的证据
增量资本回报	成熟资产 ROIC 长期接近或低于 WACC	增量 ROIC 长期显著高于 WACC
单位智能价格	同等能力的市场价格持续接近竞争成本	差异化能力可持续获得溢价
模型研发	领先窗口短于增量研发资本回收期	能力溢价足以覆盖连续创新
GPU 经济寿命	存量设备在回本前大幅贬值	完整生命周期持续产生正经济价值
供给弹性	新增产能迅速压低价格	关键资源壁垒长期限制进入
应用切换成本	客户可低成本更换底层供应商	关键状态、权限和生态难以迁移
资本纪律	需求放缓后仍持续扩产和降价	企业能及时调整投入并保留利润
利润归属	租金主要转移到消费者和下游	生产者拥有持久、可防御的租金

其中最重要的不是下一季度的收入增长，而是成熟 GPU 集群和连续多代模型的完整经济回报。一个项目只有在包括资本更新、融资、折旧和残值之后仍然实现足够高的实际收益，才能证明其长期投资逻辑。

同样，模型公司的胜利不能只通过发布最强模型或获得最多用户证明，而必须通过持续高于竞争性资本成本的增量自由现金流证明。

最终的产业经济学结论

固定成本高、边际成本低，是竞争压力形成的基础，但不是经济利润趋零的充分条件。真正决定长期回报的，是沉没成本与可扩张产能、产品可替代性、进入威胁、客户切换成本、规模优势可保留性以及企业能否有效约束未来资本投入。

航空业已经证明，消费者获得巨大利益、行业收入长期扩张、企业运营效率持续提高，与股东资本回报不足可以长期并存。人工智能行业不仅可能复制这种结构，还可能因为技术扩散、持续训练与硬件更新而产生更复杂的动态竞争。

与此同时，人工智能并非单一行业。GPU 租赁、基础模型、专用芯片、数据中心、电力设施和企业应用之间存在实质性不同的竞争机制。普通算力与标准化模型服务可能面临接近航空业的成本和价格压力，而拥有不可复制的技术生态、客户关系、关键权限、稀缺能源资源或分发入口的企业，则可能长期保留经济租金。

由此产生的结论不是人工智能无法赚钱，而是人工智能的技术成功与投资者的财务成功之间，可能存在远比市场叙事所暗示的更深的分离。

技术创新能够不断扩大经济生产边界，但如果新增能力快速传播、供给可以被资本持续复制、企业难以实施有效的资本纪律，那么创新产生的大部分剩余可能被客户、下游企业或少数关键瓶颈的控制者获得，而不是留在承担最高前期投资风险的模型与算力提供者手中。

对投资者而言，真正值得回答的问题并非未来需要多少 token、多少 GPU 或多少吉瓦数据中心，而是每一美元新增资本在完整生命周期内能够保留多少风险调整后的自由现金流。即使一个行业最终创造数万亿美元收入，如果这些收入必须由更大规模的资本投入维持，或者通过竞争主要转化为更低的产品价格，其整体经济利润仍可能相当有限。

因此，当前 AI 产业最值得警惕的风险不一定是需求突然消失，而可能是需求持续增长、技术持续进步、产品不断普及，但资本回报长期落后于投入规模。社会因此获得极为廉价和普遍的智能服务，资本所有者却未必获得与技术进步相称的投资回报。

智能可能成为新的基础设施，但生产智能的资本未必拥有基础设施的定价权。

判断这一轮 AI 投资周期最终是创造了可持续的超额利润，还是形成一场类似航空业的社会价值巨大而资本回报平庸的产业扩张，最终仍需要依赖成熟资产的经济利润，而不是对技术潜力的叙述。

---

资料依据与研究边界

航空业经济数据。 IATA，Global Outlook for Air Transport, June 2026，包括 2026 年全球航空业营收、净利润率、客座率、ROIC 和 WACC 预测。这些数字属于特定日期的行业预测，不应与实际全年审计结果混淆。

模型能力与竞争。 Stanford HAI，2026 AI Index Report — Technical Performance，用于比较前沿模型能力、开放权重与闭源模型差距，以及模型表现趋同的不同维度。模型排行榜不能直接替代企业真实任务的经济价值评估。

资本开支与融资。 J.P. Morgan Global Research，What unprecedented AI capex means for markets and investors，2026 年 10 月 19 日，用于分析当前资本支出、云收入增长、供应链瓶颈与融资结构。长期支出数字属于预测，不是已经发生的实际投资。

独立模型公司的资本需求。 Financial Times 及 Reuters，2026 年 9 月有关 OpenAI 自由现金流预测的报道。相关信息来自媒体援引的公司资料，不能与经审计的财务报表视为同一证据等级。

产业生产函数、AI 基础设施和价值链。 Stanford MS&E 435，Economics of the AI Supercycle，2026 年春季课程材料，涉及 Apoorv Agrawal、Brad Gerstner、Sunny Madra、Chase Lochmiller、Ali Ghodsi、Sachin Katti、Yash Patil 与 Tuhin Srivastava 等讲者关于模型、GPU、数据中心、专用芯片、推理优化和企业工作流的讨论。涉及每兆瓦成本与收入的课堂估算，不能直接推广为全球行业平均。

经济学框架。 Bertrand 价格竞争、沉没成本与短期停产决策、自由进入下的长期竞争均衡、动态研发竞争、规模经济、投入资本回报、净现值以及 Kelly Criterion。对于不能满足严格模型假设的现实市场，使用这些理论的目的在于识别竞争机制，而不是给出确定的利润或收益率预测。

估值局限。 本文讨论的各层胜率与赔率属于结构性和条件性判断，未对具体公司证券进行完整估值，也未建立可校准的概率分布。因此，文章不能据此得出当前任何具体资产的合理投资仓位等结论。

结论：云计算确实具备你描述的「高固定资产投入、低短期边际成本、闲置产能驱动价格竞争」结构。但历史上，三大公有云并没有表现出航空业式的整体低利润。相反，AWS 已经创造了相当可观的营业利润。

真正需要区分的是三个市场：

• 裸计算租赁（IaaS）：CPU/GPU 实例、标准虚拟机。最接近航空业。
• 完整公有云平台：计算、存储、数据库、网络、开发工具、身份权限、企业合同。具有明显的切换成本与规模优势。
• AI GPU 云（Neocloud）：CoreWeave、Nebius 等以 AI 算力为核心的运营商。资本密集度高，历史数据短，未来回报尚未得到充分验证。

你的假说在第一类和第三类中具有较强解释力，但完整云平台的实际盈利表现，构成了一个重要反例。

云厂商竞争有多激烈？

根据 Synergy Research Group 于 2026 年 7 月发布的数据，2026 年第二季度全球云基础设施服务市场达到约 1,430 亿美元，同比增长约 43%。前三大供应商合计拥有约 63% 的市场份额。

image

Synergy Research Group

2026 年第二季度全球云基础设施服务市场份额

0%10%20%30%40%AWSMicrosoftGoogle Cloud 其他

来源：Synergy Research Group，2026-07-30。其他包含不同规模的云服务供应商。

市场增长非常快，竞争也非常明显。AWS 仍是最大提供商，但 Microsoft 和 Google 增长更快；Oracle 和新型 GPU 云运营商也在争夺新增 AI 负载。

不过，这不完全是航空业那种只依靠标准化运力价格竞争的市场。完整公有云具有以下差异：

维度	裸计算租赁	完整云平台
产品同质化	较高	中等到较低
更换供应商	相对容易	往往复杂
固定资本投入	很高	很高
边际资源成本	相对低	不同产品差异很大
定价权	受价格比较约束较强	数据、软件、合同增强定价权
经济利润来源	利用率、采购和成本优势	规模经济、生态、客户锁定及高附加值服务

因此，云市场的激烈竞争并不必然表现为所有服务同时降价到边际成本。价格压力更可能首先集中在标准化计算资源，然后被数据库、网络、数据平台、企业软件等高附加值服务部分抵消。

三大云厂商的利润率到底有多高？

首先看实际财报。由于财年口径不一致，下表采用各公司最近一个完整披露年度，而不是把不同季度的数据强行年化。

厂商及业务口径	收入	营业利润	营业利润率
AWS（2025）	$128.7B	$45.6B	35.4%
Microsoft Intelligent Cloud（FY2026）	$137.8B	$57.0B	41.3%
Google Cloud（2025）	$58.7B	$13.9B	23.7%

来源：Amazon 2025 Form 10-K、Microsoft FY2026 年报及 Alphabet 2025 Form 10-K。

image

sec.gov

+2

0%15%30%45%AWSMicrosoft Intelligent CloudGoogle Cloud

不同公司披露的业务范围不完全一致。营业利润率并非 ROIC。

这里有两个发现。

首先，完整公有云业务显然没有被竞争压到接近零营业利润。AWS 在 2025 年创造了约 456 亿美元营业利润。Google Cloud 的营业利润率也从 2024 年的约 14.1% 提高至 2025 年的约 23.7%。这至少说明，激烈竞争、高固定成本和价格透明，并不必然导致整个云平台业务低利润。

其次，这些数字不能直接代表计算租赁业务的利润率。AWS 同时销售数据库、存储、分析、安全和其他服务；Google Cloud 包括基础设施与 Workspace；Microsoft Intelligent Cloud 还包括服务器及相关业务，而且三家公司的共同研发和集团费用分配方法不同。

因此，这些财报能反驳「完整云平台普遍没有盈利能力」，却不能反驳「裸 CPU/GPU 租赁可能接近零经济利润」。

ROIC − WACC：AWS 是最有价值的分析样本

营业利润率只衡量收入中剩下多少利润，并不能说明为获得这些利润需要多少资本。一个营业利润率达到 35% 的企业，如果需要投入极其庞大的资产，也可能无法覆盖资本成本。

严格而言：

\[ ROIC=\frac{NOPAT}{\text{平均投入资本}} \]

\[ Economic\ Spread=ROIC-WACC \]

目前三大云厂商没有提供足够细的分部资本数据，使外部分析师能够可靠地计算纯计算租赁业务的 ROIC。但 AWS 披露了分部资产，因此可以作一个有价值的近似分析。

AWS：2025 年的回报代理指标

Amazon 2025 年年报披露如下数据。

image

sec.gov

AWS 指标	2024	2025
营业收入	$107.6B	$128.7B
营业利润	$39.8B	$45.6B
分部总资产（年末）	$156.0B	$252.6B
固定资产净额（年末）	$110.7B	$190.1B
年度固定资产净增加额	$53.3B	$96.5B

一个特别值得注意的变化是：2025 年 AWS 营业利润增长约 14.5%，但分部总资产增长约 62%。

资产增长明显快于利润增长。

使用 21% 的示意税率，对 AWS 营业利润进行简化税后调整，并以 2024 年末和 2025 年末分部总资产的平均值作为分母：

\[ \frac{45.606\times(1-21\%)} {(155.953+252.588)/2} \approx17.6\% \]

AWS 2025 年近似税后资产回报指标

税后营业利润 / 平均分部总资产

17.6%

假设 WACC = 9%

+8.6pp

仅为非严格的对比差值

注意：17.6% 并不是经过完整资本调整的 AWS ROIC。分部总资产与投入资本定义不同，21% 为假设税率，9% 为情景资本成本。不能将 +8.6pp 称为已核实的 ROIC−WACC。

这里可以得出两个结论。

第一，AWS 的历史云平台业务具有很强的盈利能力。仅凭「高固定成本、低边际成本」不足以解释它的实际经济表现。

第二，最新资本扩张的回报仍然不确定。AWS 在 2025 年大规模增加基础设施资产，其中许多资产尚未经历完整的收入爬坡和折旧周期。当前的 17.6% 回报代理指标，不能告诉我们新增 AI GPU 投资究竟能否获得相同回报。

尤其值得警惕的是，使用相同方法计算的 2024 年近似税后资产回报指标约为 23.8%，高于 2025 年的 17.6%。这并不证明新增投资正在毁损价值，因为资产已经投入而收入尚未完全释放，也可能出现相同现象；但它明确显示，利润增长与资产增长已经发生显著错配。

Microsoft 和 Google 能计算吗？

目前只能得出有限结论。

Microsoft 的 Intelligent Cloud 2026 财年营业利润率达到 41.3%，但该分部同时包含服务器产品与云服务，并未提供足够独立、可验证的 Azure 计算租赁投入资本数据，无法严谨计算其独立 ROIC−WACC。

Alphabet 披露 Google Cloud 收入和营业利润，却明确表示并不以业务分部资产信息评价运营，因此没有提供能够直接用于 Google Cloud ROIC 的完整分部资产。

image

sec.gov

业务	公开盈利表现	可否计算可靠的独立 ROIC−WACC？
AWS 整体	高营业利润	只能建立近似代理指标
Azure 计算租赁	未单独披露营业利润	不能
Google Cloud 整体	利润率显著改善	缺少分部投入资本
纯 CPU/GPU 租赁	三大厂商未独立披露	不能
AI Neocloud	部分公司披露项目资产及收入	可作公司或项目分析，但不等同于成熟周期 ROIC

因此，不能根据目前公开数据断言三大云厂商的纯计算租赁 ROIC−WACC 为正，也不能断言其为负。

为什么云平台没有像航空公司一样陷入长期零利润？

我认为主要有四种机制，而其中两种与微观经济学直接相关。

计算服务可以同质化，但企业整体云服务并不同质化

对于一个只需要 Linux 虚拟机运行无状态任务的客户，AWS EC2、Azure VM、Google Compute Engine 之间确实有较高的可替代性。

但对于在某个云平台上运行多年、拥有大量数据库、存储、身份权限、消息队列、监控和数据分析服务的企业，更换云厂商的成本往往很高。

需要重新设计和验证的可能不只是虚拟机，而是完整的生产系统。

因此，一个企业可能同时认为 AWS 的计算资源较贵，却仍然不愿迁移。

这意味着：

CPU 实例自身没有很强定价权，不等于 AWS 对这一客户没有定价权。

对云厂商而言，低差异化的计算服务可以成为获取客户和扩大使用量的入口，而更高附加值的数据、软件和管理服务负责保留经济利润。

云厂商通过长期合同，把利用率风险部分转移给客户

这一点尤其重要。

公有云并非只按随用随付价格销售资源。Reserved Instances、Savings Plans、Committed Use Discounts 等机制，允许客户通过承诺未来一至三年的使用量或支出获得折扣。

Google Cloud 官方文档明确显示，部分计算资源的承诺使用折扣可以达到 55% 或更高，具体取决于资源类型和合同条件；客户通常需要履行相应付款承诺。

image

docs.cloud.google.com

这意味着厂商可以通过价格歧视和合同设计，将客户分成不同群体：

• 对价格不敏感、需要灵活容量的客户收取较高的按需价格；
• 对价格敏感、工作负载稳定的客户提供长期折扣；
• 将部分闲置容量以 Spot 形式销售，但允许服务被中断。

这种机制与航空业的价格歧视并不完全不同。航空公司同样根据订票时间、退改限制和客户支付意愿制定不同票价。

但云厂商的优势在于，它可以要求部分客户提前承诺未来使用量，从而降低供给方的不确定性。长期预留、承诺支出和企业合同能够缓解纯现货市场的价格竞争压力。

不过，这并非免费创造利润。为获得长期合同提供大幅折扣，也可能意味着云厂商牺牲单价来换取更高的收入可见性。

大型云平台拥有统计复用优势

云厂商服务不同地区、不同行业和不同时间分布的客户，可以通过集中调度提高资源利用率。

单个企业自建服务器时，必须为高峰负荷准备容量；大型云平台可以利用不同客户之间不完全同步的需求，降低总共需要准备的冗余设备比例。

这形成了真实的生产规模经济。

而且大型云厂商能够进一步通过采购、网络、自研芯片和运行时优化降低单位成本。即使某一种计算实例的市场价格由竞争决定，成本最低的企业仍可能获得正的经济租金。

这也是为什么不能简单以云市场只有三家主要供应商，来判断它们应该获得接近零的经济利润。

标准 Bertrand 模型中，价格接近边际成本的结论依赖同质产品、相同成本和充分容量等条件。一旦企业之间存在稳定的成本差异、容量限制与客户切换成本，均衡便可能截然不同。

激烈竞争已经发生，但很多竞争表现为折扣和市场份额争夺

Flexera 的云计算调查显示，企业广泛使用 AWS Reserved Instances、Azure 企业协议折扣、Google Committed Use Discounts 等采购安排。

image

m3comva1.frb.io

因此，不能只比较各家的公开按需实例价格。企业真正支付的有效价格，会受到合同折扣、长期承诺、资源类型、支持服务、网络费用和迁移补贴影响。

这种竞争往往发生在合同续约和大型客户采购时，而不是通过所有厂商同时公开降低每一种计算实例的标价。

这也意味着公开财报中云平台较高的平均利润率，可能掩盖不同产品之间非常大的利润率差异。

最关键的风险：下一轮 AI 资本开支，可能没有上一轮云计算那么赚钱

这才是与你原先的航空业假说联系最紧密的地方。

传统公有云经历了较长时间的规模化发展。AWS、Azure 和 Google Cloud 已经拥有客户群、工具生态、长期合同以及高附加值的数据库和软件服务。

但新增 AI GPU 投资，可能面临不同的竞争条件。

经济特征	成熟公有云平台	新增 AI GPU 租赁
已建立客户关系	很多	取决于运营商
高利润附加服务	数据库、软件、平台工具	可能较少
技术折旧压力	存在，但工作负载广泛	高性能 GPU 代际变化更敏感
需求增长	相对成熟且多样化	快速增长但集中度可能高
客户集中风险	相对分散	部分项目高度集中
资本获取能力	强	经营主体差异大
价格竞争	通过平台组合缓冲	更直接反映 GPU 小时价格
完整生命周期回报记录	相对丰富	尚不充分

尤其是独立 Neocloud，可能同时面临几个问题：购买昂贵 GPU、依赖少数大型 AI 客户、签订长期容量承诺、使用较高财务杠杆，而且必须不断评估新硬件对旧设备的经济替代。

这使其经济结构更接近资本密集型租赁业务，而不是传统软件平台。

云计算的成功历史可以证明「建设基础设施有机会形成高利润企业」，却无法证明「现在以任何价格建设 AI 基础设施都能获得良好回报」。

最终判断

我认为可以得到一个清晰的产业结论：

公有云的历史是一项对航空业类比的重要限定，而不是全面否定。

它说明高固定资产、低边际成本、技术进步和激烈竞争，不足以让整个产业自动陷入零经济利润。只要企业能够控制客户关系、软件生态、生产成本优势和长期合同，就可能保留较高的经济租金。

但它也揭示了一个更有研究价值的问题：

AWS 过去的高回报，究竟来自销售计算资源本身，还是来自计算资源之上的数据库、软件、客户锁定与平台能力？

如果主要来自后者，那么成熟公有云的高盈利能力，反而支持这样一个更精确的判断：纯算力作为标准化生产投入，可能长期趋向竞争性回报；真正的超额利润必须来自算力之外的稀缺能力。

截至 2026 年 10 月，已有财报能证明 AWS 整体云平台营业盈利能力很强，也能显示其资产增长正在明显快于营业利润增长；但由于缺少纯计算租赁分部数据，以及新增 AI 集群的完整生命周期回报，尚不能定论 AI GPU 租赁的长期 ROIC−WACC。

下一步最值得做的实证研究，是以 AWS 为成熟云平台基准，单独拆解其 EC2 计算租赁的理论单位经济，再与 CoreWeave 等 GPU 专业运营商的设备购置价格、合同收入、利用率、融资成本及折旧年限进行比较。这种对照比直接比较 AWS 和航空公司的集团利润率，更可能真正检验你的假说。