阿波罗首席经济学家警告：AI资产或面临痛苦重估

一则来自华尔街的警示

近日，阿波罗全球管理公司（Apollo Global Management）首席经济学家发出警告，称当前火热的AI相关资产市场可能面临一次"痛苦的重新定价"（painful repricing）。这一判断在Hacker News等技术社区引发关注，其背后折射的市场情绪，值得每一位关注AI产业的从业者与投资者认真审视。

阿波罗全球管理公司成立于1990年，由莱昂·布莱克（Leon Black）、乔希·哈里斯（Josh Harris）和马克·罗文（Marc Rowan）共同创立，总部位于纽约，是全球最大的另类资产管理机构之一，管理资产规模超过6000亿美元，业务涵盖私募股权、信贷、房地产等多个领域。理解阿波罗警告的分量，需要先了解"另类资产管理"（Alternative Asset Management）这一行业的独特性——所谓另类资产，是相对于股票、债券等传统公开市场资产而言的，涵盖私募股权（PE）、私募信贷（Private Credit）、对冲基金、房地产、基础设施等。这类机构的核心优势在于信息维度：它们同时深度参与一级市场（直接投资未上市公司）和二级市场（通过信贷等工具介入上市公司），能够形成对整个资本生态系统的360度视角。

值得特别指出的是，另类资产管理机构的信息优势并非来自"内幕消息"，而是源于其跨市场、跨资产类别深度参与所带来的系统性数据积累。阿波罗的私募信贷业务使其成为大量AI数据中心项目的直接债权人，能够第一手获取项目现金流、运营效率和还款压力等核心财务数据——这些信息往往不会出现在公开财报中。私募信贷（Private Credit）作为一种绕开传统银行体系的直接借贷形式，在2008年金融危机后的强监管环境下迅速壮大，目前全球规模已超过1.7万亿美元。与银行贷款不同，私募信贷机构通常直接参与贷款条款谈判，并持续跟踪借款方的经营状况，这使其掌握的微观数据颗粒度远超公开市场分析师。

这里有必要深入说明私募信贷市场的运作机制及其近年来的结构性变迁。2008年金融危机后，巴塞尔协议III等监管框架大幅提升了传统银行的资本充足率要求，导致银行在中型企业贷款、杠杆收购融资等领域大幅收缩，由此为私募信贷机构留下了广阔的市场空白。私募信贷的典型利率比同期限银行贷款高出200至400个基点，但作为代价，借款方必须接受更严格的财务披露义务和更细致的运营监控条款——这些条款恰恰是阿波罗得以掌握AI基础设施项目真实经营状况的制度性来源。以数据中心融资为例，私募信贷合同通常要求借款方每季度提交详细的服务器上架率、电力使用效率（PUE）、合同收入覆盖率等运营指标，一旦某项指标触及预设阈值，贷款人有权要求提前还款或追加抵押。这种"嵌入式监控"机制，使私募信贷机构成为AI基础设施投资热潮中少数能够持续、实时感知项目真实压力的外部观察者。

当阿波罗的贷款团队在全球数十个AI基础设施项目中观察到资金使用效率下滑、还款压力上升的共同信号时，这种来自"债主视角"的微观数据，便构成了其首席经济学家发出警告的底层依据。这也解释了为何阿波罗这类私募信贷规模居全球前列的机构，其经济学家的公开表态在华尔街具有重要的风向标意义。

阿波罗的商业模式还具有一个鲜被外界关注的特殊性：作为横跨公私市场的机构，其投资组合天然覆盖了AI产业链的上中下游——从持有英伟达等上市公司股票的股权基金，到为AI数据中心提供建设融资的基础设施债权，再到直接投资AI初创公司的成长期基金。这种全产业链视角使得阿波罗能够在不同层次、不同阶段同时观察AI投资的真实回报率，当各个层次的信号出现系统性偏差时，其经济学家的判断便具有其他机构难以比拟的综合可信度。

所谓"重新定价"，本质上是指市场对某类资产的价值预期发生系统性调整。当阿波罗这样管理着数千亿美元资产的机构经济学家使用"痛苦"这一措辞时，往往意味着当前估值已明显偏离基本面——一旦市场预期收敛，价格回调的幅度可能相当剧烈。

AI估值泡沫的隐忧

资本狂热与商业回报的落差

过去两年，以生成式AI为核心的技术浪潮吸引了海量资本涌入。仅2024年，微软、谷歌、亚马逊、Meta四大科技巨头合计资本支出便超过2000亿美元，其中绝大部分流向AI基础设施——GPU集群、数据中心建设与电力供应。英伟达市值一度超过3.3万亿美元，OpenAI完成约660亿美元估值的融资，众多AI初创公司在种子轮便能斩获高额融资，整个市场呈现出典型的"叙事驱动"特征。

"叙事驱动"（narrative-driven）是行为金融学中的重要概念，由诺贝尔经济学奖得主罗伯特·席勒（Robert Shiller）在其著作《叙事经济学》中系统阐述。其核心观点是：在信息不完全的市场中，投资者往往依赖引人入胜的故事而非冷冰冰的财务数据来做出决策。席勒通过研究大量历史市场数据发现，具有情感感染力的叙事会像病毒一样在社会网络中传播，改变人们的经济行为预期，进而在宏观层面产生真实的价格效应。

从神经科学与认知心理学的角度看，叙事之所以能够压倒财务数据，有其深刻的生物学根源。人类大脑在处理叙事性信息时会激活与亲身经历相同的神经回路，而处理统计数据时则主要依赖理性认知脑区——前者的情感激活强度远高于后者，这使得"AI将重塑一切"这样的宏大叙事在驱动投资决策时，往往比市盈率分析更具实际效力。行为金融学家将这种现象称为"可得性启发"（Availability Heuristic）：人们倾向于根据记忆中最容易浮现的案例（如ChatGPT的爆红、英伟达股价的暴涨）来评估概率，而非系统性地分析基本面。这一认知偏差在社交媒体高度发达的当下被进一步放大——算法推荐机制天然倾向于传播引发强烈情绪反应的内容，使得AI成功叙事的传播速度和覆盖范围远超任何历史时期。

当一种叙事（如"AI将重塑一切产业"）形成社会共识并病毒式传播，资本就会涌入，资产价格就会脱离基本面。1990年代末的互联网泡沫中，"眼球经济"和"用户增长"的叙事支撑了大量根本没有盈利模式的公司估值；2021年的SPAC热潮同样依赖"未来想象空间"而非当期现金流。AI当前的市场格局与这些历史案例高度相似——大量估值建立在对未来收益的极度乐观假设上，而非可验证的当期财务表现。值得警惕的是，当前公私市场同步狂热还形成了一种"估值双重泡沫"：公开市场的高估值为私募市场提供比价锚点，而私募市场的融资案例反过来又为公开市场的乐观叙事背书，两者相互强化，使得潜在修正更具破坏性。

从宏观数据层面审视，当前AI投资热潮还呈现出一个历史罕见的结构性特征：资本支出规模与可量化商业回报之间的时滞（Time Lag）正在被市场系统性低估。以历史上最具可比性的光纤基础设施投资潮（1996—2001年）为例，当时全球铺设光纤超过3.9亿英里，但投资高峰期结束后足足经历了约十年，宽带普及率才真正触发"杀手级应用"的大规模商业化。AI基础设施的投资回报周期很可能同样漫长——这意味着当前市场对AI盈利时间表的预设，可能存在系统性的乐观偏差。

然而，阿波罗经济学家的核心担忧正在于此：资本市场对AI的乐观预期，是否已经远远超前于AI技术真正能够产生的商业回报？

历史上每一次技术革命都伴随着估值泡沫。1990年代末的互联网泡沫、2000年代的光纤基础设施过度投资，都曾经历"叙事先行、现实滞后"的阶段。一旦市场意识到短期内难以看到与投入相匹配的盈利，AI资产重新定价便不可避免。

集中度风险不容忽视

当前美股的涨势在很大程度上依赖少数几只AI相关科技巨头的拉动。这种高度集中的市场结构意味着，一旦这些龙头股的AI叙事受到质疑，整个大盘都可能受到连带冲击——这也是机构经济学家反复警示系统性风险的重要原因。

以美股为例，英伟达、微软、谷歌、Meta等少数几家AI核心受益公司，在标普500指数中的权重占比已达历史极值区间，这意味着这些公司的股价波动对整个大盘指数有着不成比例的放大效应。从风险管理的角度看，高集中度市场存在"单点失效"（single point of failure）隐患：一旦市场对英伟达的GPU需求持续性产生怀疑，或某家头部AI公司的商业化数据不及预期，引发的抛售可能通过指数基金等被动投资工具快速传导至整个市场，触发所谓的"系统性去杠杆"。

这一传导机制在当代金融市场中尤为值得警惕。被动投资工具（ETF、指数基金）的大规模普及改变了市场的风险结构：当核心AI股票权重超过一定阈值，任何针对这些公司的负面预期都可能触发被动基金的机械性卖出，形成"估值下跌→指数下跌→被动基金赎回→进一步卖出"的负反馈循环。这一机制的危险性在于其非线性特征——被动基金的赎回触发阈值一旦被突破，系统将以远超人工干预速度的节奏自动执行卖出指令，而高频交易算法的介入又会进一步放大价格波动的幅度和速度。据统计，当前美国被动投资规模已超过主动管理规模，这意味着这种机械性传导效应在历史上任何一次市场波动中都未曾出现过，使得本次潜在重估的传导速度和烈度难以用历史经验准确预判。

值得进一步关注的是，市场集中度风险在衍生品市场中还存在一种"隐性杠杆放大"效应。英伟达等AI核心标的是当前期权市场中最活跃的品种之一，庞大的未平仓期权合约意味着做市商为维持Delta对冲（Delta Hedging）需要持续调整现货头寸——当股价下跌引发做市商大量买入卖权的平仓卖出操作时，衍生品市场的对冲需求会在关键价位形成"Gamma挤压"反向效应，将现货市场的波动进一步放大。这种公开市场与衍生品市场之间的耦合效应，是当前AI资产集中度风险中最难以量化的隐患之一。

为何是"痛苦"的重估？

从资产定价的角度看，一次"痛苦"的重估通常具备以下几个特征：

• 估值倍数收缩：市盈率（P/E）、市销率（P/S）等指标从极高水平快速回落至历史均值附近。理解这一机制需要意识到：部分AI软件公司的P/S已超过30至50倍，这意味着投资者预设其利润率和增速将在未来多年保持极高水平。历史数据显示，2022年科技股杀估值期间，高P/S的SaaS公司平均跌幅超过60%，而AI相关公司当前估值倍数普遍高于2021年SaaS泡沫顶峰时的水平；
• 资金流向逆转：追逐AI概念的热钱撤离，转向更具确定性的资产类别；
• 连锁反应传导：从二级市场蔓延至一级市场，导致AI初创公司融资难度上升、估值缩水；
• 信心层面冲击：投资者对整个赛道的长期前景产生动摇。

值得强调的是，重新定价并不等于AI技术本身失去价值。即便在互联网泡沫破裂后，真正具备核心竞争力的公司（如亚马逊、谷歌）依然在废墟中崛起。2000年互联网泡沫破裂后，纳斯达克指数从峰值下跌约78%，亚马逊股价也曾从1999年高点暴跌超过90%。真正让这些公司最终崛起的，是它们在泡沫期间建立起的基础设施能力和用户规模，在泡沫破裂的"寒冬"中被迫进行了极度严苛的商业模式优化——亚马逊正是在那个阶段锻造出其无与伦比的供应链效率和成本控制能力。从更宏观的视角看，泡沫期间的过度投资并非毫无价值：1990年代铺设的大量光纤基础设施虽然造成巨额亏损，却为2000年代中期宽带互联网的普及提供了物质基础；同样，当前数千亿美元的AI数据中心投资，即便短期内难以产生与之匹配的商业回报，也将在客观上为未来更广泛的AI应用奠定算力基础。市场重估往往是"去伪存真"的必要过程，能够通过"压强测试"的AI公司，反而可能在周期底部建立更深的护城河。

对从业者的实践启示

回归真实的商业闭环

对于AI创业者和技术团队而言，这一警告传递出一个清晰信号：技术能力必须转化为可持续的商业价值。单靠"AI概念"讲故事融资的时代正在退潮，能够跑通付费闭环、形成正向现金流的产品，才具备穿越周期的真正底气。

在具体实践层面，AI公司的商业模式主要分为几个层次：底层算力与基础模型层（如英伟达、OpenAI API）、行业垂直应用层（如AI编程助手、医疗影像诊断），以及企业级解决方案层。从投资角度看，离"付钱意愿"最近的往往是企业级应用——B端客户一旦形成依赖，续约率高且付费能力强。评估B端AI产品商业价值的核心指标通常包括：净收入留存率（Net Revenue Retention, NRR）、客户获取成本与生命周期价值之比（CAC/LTV），以及从试点到全面部署的转化周期。NRR超过120%往往意味着产品已深度嵌入客户工作流，形成真正的使用粘性，这是区分"真实商业价值"与"概念泡沫"的重要分水岭。而面向C端消费者的AI产品则普遍面临付费转化率低、用户留存难的挑战。

当前AI行业的真实盈利情况远比市场估值所反映的乐观——大多数AI应用公司仍处于"烧钱换增长"的阶段。真正能实现ARR（年度经常性收入，Annual Recurring Revenue）快速增长并覆盖算力成本的公司，在整个行业中仍属少数。这背后有一个鲜被外界关注的结构性挑战：AI公司面临独特的"推理成本"（Inference Cost）压力，即每一次模型调用所消耗的GPU算力费用。

推理成本的结构性压力远比表面数字更为复杂，且与传统软件经济学存在根本性差异，有必要在此深入展开。在传统SaaS模式下，软件产品的边际成本几乎为零——无论一款企业管理软件服务100家公司还是10万家公司，其核心代码的复制成本可以忽略不计，这也是为何传统SaaS公司在规模化后毛利率能够持续攀升至70%至80%的根本原因。然而，AI推理打破了这一经济学逻辑：每一次用户与大语言模型的交互，都需要在GPU集群上执行数十亿乃至数千亿次浮点运算，消耗真实的电力与算力资源，其边际成本与用户数量几乎成正比增长。

当前主流大语言模型的推理成本约为训练成本的数倍乃至数十倍，且随着用户对更高质量回答的需求，模型参数量不断攀升，单次推理的算力消耗持续增加。更关键的是，这种"规模不经济"的特性从根本上颠覆了互联网时代"越大越赚钱"的商业逻辑，使得传统的SaaS估值框架在AI时代面临严峻挑战。以OpenAI为例，据业界估计其2023年的推理成本高达数亿美元，即便在ChatGPT Plus付费用户快速增长的情况下，整体仍处于亏损状态，核心原因正是每个活跃用户产生的推理成本超过了其订阅收入。

业界已出现一些通过"模型蒸馏"（Model Distillation）、"混合专家系统"（Mixture of Experts, MoE）等技术手段压缩推理成本的探索——模型蒸馏通过将大模型的知识迁移至小模型来降低推理开销，MoE则通过在每次推理时仅激活部分参数来提升效率——但这些方案在效果与成本之间的权衡仍是行业难题。值得注意的是，DeepSeek等新兴模型厂商通过激进的工程优化将推理成本压缩至主流竞品的数分之一，这一趋势既预示着算力民主化的可能，也对依赖高昂推理定价维持毛利的头部模型厂商构成了潜在的竞争威胁——推理成本的快速下降是双刃剑，它在降低AI应用落地门槛的同时，也压缩了整个产业链的定价空间。真正能够实现盈利的AI应用，需要在模型效率优化、差异化定价策略和用户生命周期价值（LTV）管理上同时取得突破，这恰恰是大多数AI公司尚未解决的核心商业命题。

理性看待市场周期

对于投资者和行业观察者而言，保持清醒的独立判断尤为重要。AI作为底层技术，其长期变革意义板上钉钉，但这并不意味着任何时点、任何标的都值得追高。区分"技术的长期价值"与"资产的短期价格"，是在潜在AI市场重估中保全本金的关键所在。

在实践中，这种区分需要投资者具备识别"价值锚点"的能力——即在AI产业链中，哪些环节的商业价值已经被当前价格充分甚至过度反映，哪些环节仍被市场低估。历史经验表明，每次技术革命中真正持续创造价值的往往不是最早期的概念公司，而是那些在基础设施建设期默默积累能力、在应用爆发期快速变现的"第二波"受益者。这一规律有着深刻的结构性根源：技术革命的早期阶段，不确定性极高，先行者承担的试错成本最终往往由整个市场分担；而第二波受益者能够站在前人失败经验的基础上，以更低的试错成本、更清晰的商业路径实现规模化。互联网时代，AWS于2006年推出时，距离互联网泡沫破裂已过去六年，亚马逊在泡沫期间积累的基础设施运维经验成为其商业化云服务的核心竞争力；移动互联网时代的微信，同样是在早期移动应用热潮退温后，凭借对用户需求的深度理解完成了生态构建。这一规律在AI时代的投资者借鉴中值得重点关注。

从更具操作性的角度看，当前AI产业链中存在几个"价值洼地"值得关注：一是AI应用对传统企业工作流的深度整合层——相比直接押注模型本身，帮助传统行业实现AI落地的"系统集成商"和"行业适配层"往往估值更合理；二是AI基础设施中的非GPU环节——网络互联、冷却系统、电力供应等支撑性基础设施在当前叙事中被相对忽视，但其商业模式更具确定性且估值更低；三是因AI替代威胁而被错杀、但实际上能借助AI工具实现效率跃升的传统软件公司。识别这些结构性机会，需要投资者超越"AI赛道整体看好"的粗粒度判断，建立基于产业链各环节真实供需关系的细粒度分析框架。

结语

阿波罗经济学家的这番警告，与其说是对AI技术前景的悲观，不如说是对当前市场情绪的一次冷静校正。技术革命是真实的，但资本市场的定价机制向来存在过度反应的倾向。当泡沫与价值交织，理性判断显得格外珍贵。

无论"痛苦的重估"是否真正到来，对于身处AI浪潮中的每一个人来说，回归商业本质、正视估值风险，都是一种值得坚守的稳健姿态。

核心要点

核心要点

核心要点