"7000亿美元是历史上最大的资本错配(misallocation)。"
4月30日,四大科技公司发布财报后,AI批评者Gary Marcus在X上写下这句话 。同一天,高盛(Goldman Sachs)发布分析:"2026~2031年累计7.6万亿美元的投资,只要几个假设发生变化,数千亿美元就会移动" 。两个阵营看的是同样的数字,结论却分布在"这是泡沫"和"可持续"之间。
这是什么?
2026年,Alphabet、Amazon、Meta、Microsoft四家公司承诺的AI资本开支(capex)合计约7000亿美元 。微软1900亿、Alphabet 1800~1900亿、亚马逊2000亿、Meta 1250~1450亿。这个数字相当于美国GDP的0.8%,与瑞士的年度GDP规模相当 。
增速也很陡峭。从2025年初的4050亿美元起,1年内上涨62%以上。Goldman Sachs Global Institute的基线模型预计:2026年7650亿美元 → 2031年1.6万亿美元年度资本开支,6年累计7.6万亿美元 。
对财报的冲击也要一并看。
- 亚马逊Q1自由现金流12亿美元(同比-95%)
一个季度内自由现金流缩水95%。意思是资本开支几乎吃光了所有经营现金。 - Alphabet Q1自由现金流101亿美元(-47%)
仍然为正,但已减半。 - Meta新发200~250亿美元债券(去年已发300亿之外)
现金不够开始借钱。CreditSights已经维持Meta债券underperform评级。 - 四家公司全部"capacity-constrained(产能受限)"
财报电话会上共同表态:"涌入的需求接不完。"数据中心、芯片供应短缺,想多盖也盖不出来——这是当下的瓶颈。
Marcus为什么称之为资源错配?
Gary Marcus的论点有4个 。
(1)没有任何一家公司在AI上赚到有意义的利润。(2)技术护城河(moat)不存在——LLM正在商品化(commoditize)。(3)价格战不可避免。(4)客户也没看到大的ROI。换言之,他的主张是:7000亿美元砸出来的成果是"很快会以0元甩卖的商品"。
这里还要加上一个有力的数据。American Affairs分析指出,按当前节奏,超大规模云服务商(hyperscaler)到2030年必须创造2万亿美元以上的营收,才能为已规划的资本开支正名 。OpenAI和Anthropic 2025年合计ARR约200亿美元,意味着5年内要做到100倍。
那Goldman怎么看?
Goldman的回答是:"是泡沫还是不是泡沫"这个框架本身就错了。7000亿美元不是固定数字,而是对4个供给侧假设极度敏感的条件性数字——这才是核心 。
| 假设 | 当前基线 | 变化时的影响 |
|---|---|---|
| 硅芯片使用寿命 | 4~6年 | 仅3→7年区间的变动,就能让累计资本开支移动数百亿美元 |
| 数据中心单价 | 每兆瓦1500万美元(过去为1000万) | 1100万~1900万区间变动时,数据中心资本开支以数千亿美元为单位移动 |
| 芯片架构组合 | NVIDIA GPU占75%以上(毛利率75%) | ASIC占比上升时——总额随需求弹性而减少或不变 |
| 建设期延长(elongation) | 电力、人力、设备瓶颈=基础情景 | 瓶颈加剧时 → 供给侧摩擦传导为需求侧怀疑,投资收缩 |
Goldman明确指出的一个陷阱是"账面折旧与实际经济寿命之间的差距"。哪怕芯片按5年折旧,只要NVIDIA每年都做出step-function级别的性能跃升,3年内就会在经济意义上变得过时(obsolete)。账上资产还活着,实际上却变成"卖也卖不出去的东西" 。
另一方面,Goldman同样明确指出不会撼动总额的变量——训练vs推理占比、内存价格波动、表后(behind-the-meter)发电vs电网。这些只决定谁拿走利润,7.6万亿美元的大盘几乎不变 。
那中国公司应该看什么?
7000亿美元不是远在天边的数字。芯片、电力、数据中心供应链都会受到影响,中国的长江存储、中芯国际、华为以及韩国的SK海力士(HBM)、三星电子(代工)都在这条资本开支曲线里。
实务负责人应该看的信号有以下几个。
- 第1步:什么才是真正的信号
"科技巨头资本开支公告"本身不是信号。真正的信号是硅芯片折旧政策的变化(亚马逊把4年延长到6年,短期对自由现金流是正向、长期是风险)、HBM单价(内存价格是利润指标,也是判断资本开支节奏的领先指标)、电力并网排队队列(变长意味着elongation已经开始)。 - 第2步:直接追踪营收差距(revenue gap)
每季度对比"2万亿美元假设vs当前ARR"的差距。OpenAI、Anthropic、xAI、Google AI products等核心营收是接近YoY 100%在走,还是放缓到30%——这是自身业务情景的核心输入值。 - 第3步:为AI API/云服务价格准备2套情景
(a)价格战情景:API单价跌到1/10 → 我们的成本结构会发生什么。(b)产能受限情景:价格维持或上涨 → 我们能否把依赖的模型迁到别处。实务决策就是这两者的加权平均。 - 第4步:芯片单一依赖度自查
如果有100%依赖NVIDIA的工作负载,在ASIC转换情景下提前评估迁移可能性。ASIC比例上升后,各家云厂商上可用的模型也会随之改变。
上手指南
- 第1步:抛弃"是不是泡沫"的框架
用这个框架做不出任何决策。改问:"7000亿美元在哪个假设下会缩到4000亿,或者扩到1万亿?" - 第2步:每季度追踪4个变量
(1)四大公司的自由现金流/债券发行趋势,(2)NVIDIA硅芯片折旧政策,(3)HBM单价,(4)数据中心每兆瓦单价。这4个是Goldman模型的核心输入。 - 第3步:制定2套AI成本结构情景
价格战/产能受限两个情景下,分别描绘公司6个月、12个月后的损益。 - 第4步:每季度监测营收差距(revenue gap)
对比2万亿美元营收假设,看OpenAI、Anthropic、Google AI products、Microsoft Copilot营收合计的实际节奏。差距过大时,市场结构本身就会动摇。 - 第5步:盘点中国供应链暴露度
除了SK海力士、三星、长江存储、中芯国际等直接供应链企业之外,自身业务中AI工作负载依赖度高的部分(例如AI客服、AI搜索、AI推荐)正处在资本开支周期的哪个阶段——也要梳理清楚。
深入了解
Goldman Sachs Tracking Trillions报告 用定量情景分析7000亿美元资本开支会在哪些假设下±数千亿美元变动。深入讨论了硅芯片有效寿命、每兆瓦单价、ASIC占比、elongation四个变量 goldmansachs.com
MarketWatch — Marcus的资本错配言论与科技巨头自由现金流冲击 4月30日财报发布后的整理。亚马逊-95%、Alphabet-47%、Meta发债等数字一页之内归整完毕 marketwatch.com
American Affairs — Understanding the LLM Bubble 正面处理2万亿美元营收假设的分析。模拟了2030年前若无法兑现,会以哪些情景收场 americanaffairsjournal.org
