AI泡沫警报：银行与云巨头为何开始集体示警

AI泡沫论走向主流

关于人工智能是否存在泡沫的讨论，早已不是新鲜话题。然而最近出现了一个值得警惕的新动向——连银行机构和超大规模云服务商（hyperscalers）都开始加入警告的行列。当那些本应是AI浪潮最大受益者和推动者的角色都在释放谨慎信号时，这种情绪转变值得所有人认真对待。

所谓超大规模云服务商，指的是亚马逊AWS、微软Azure、谷歌云等提供大规模计算基础设施的公司。这一概念起源于2010年代，用于描述能够以极低边际成本无限扩展计算基础设施的平台型企业，Meta和甲骨文也是公认的成员。值得关注的是，AWS早在2006年就开创了云计算即服务（IaaS）的商业模式，通过将自身内部IT基础设施对外开放，率先验证了"算力商品化"的可行性；此后微软Azure（2010年）和谷歌云（2011年）相继跟进，三者合计占据全球云计算市场超过65%的份额。这种高集中度并非偶然，而是规模飞轮持续转动的结果：更大的数据中心意味着更低的单位能耗成本（PUE值），更多的用户数据意味着更精准的模型训练，更强的模型能力意味着更高的用户黏性。它们既是AI训练与推理的核心算力供应方，也是过去两年AI资本开支狂潮的主要受益者——2023至2024年间，这五家企业合计宣布的AI相关资本开支超过3000亿美元，其中英伟达GPU采购占据相当比重。其背后逻辑是：率先建立算力优势的平台将获得AI时代的基础设施垄断地位，类似于工业时代的铁路网络效应。

值得注意的是，Hyperscaler模式本身天然具有"规模飞轮"特性：用户越多，数据越丰富，模型越强，从而吸引更多用户。这种正反馈机制的底层原理，在于数据网络效应（Data Network Effect）与规模经济的叠加共振——AWS、Azure等平台通过持续扩大数据中心规模，将单位算力成本压至普通企业无法复制的极低水平，构筑起难以逾越的竞争壁垒。这种飞轮效应在云计算时代已被充分验证，是资本市场愿意给予高溢价的核心逻辑之一。然而，AI时代的飞轮能否像云计算时代一样高效转动，目前仍缺乏足够的实证支撑。当这些企业开始在财报电话会议和公开表态中，就AI投资回报周期、算力过剩风险及需求可持续性发出提醒时，本质上是在为市场高涨的预期主动降温。

**数据网络效应（Data Network Effect）**是区别于传统网络效应的第二类平台护城河。传统网络效应（如电话网络）的价值随用户数量线性或指数增长；数据网络效应则是指：平台收集的数据越多，其算法模型的预测精度越高，用户体验随之改善，进而吸引更多用户贡献更多数据。这一机制由安德鲁·麦卡菲（Andrew McAfee）和埃里克·布林约尔松（Erik Brynjolfsson）在《机器、平台、人群》（Machine, Platform, Crowd）中系统阐述，被认为是数字平台企业在AI时代建立垄断优势的核心机制，也是监管机构在反垄断审查中日益关注的焦点。对于超大规模云服务商而言，其掌握的海量企业级工作负载数据，恰恰是训练专用AI模型的稀缺原材料，使得这一效应在AI时代被进一步放大。

谁在敲响警钟

金融机构的谨慎立场

多家投行和金融机构近期在研究报告中指出，当前AI相关企业的估值已经计入了极其乐观的增长预期。类似的场景在互联网泡沫时期并不陌生——1995至2000年间，纳斯达克指数从1999年初到2000年3月峰值上涨超过150%，随后在18个月内跌去近80%。彼时市场使用「眼球经济」「点击量」等非财务指标为企业估值，大量企业市值数十亿美元却从未实现盈利，资本市场将遥远的潜在市场折现到了当前股价中。

从行为金融学的角度看，这种现象被称为"叙事经济学"（Narrative Economics）效应——诺贝尔经济学奖得主罗伯特·席勒（Robert Shiller）的研究表明，当一个技术叙事足够强大，它本身就能驱动资产价格脱离基本面，形成自我强化的上涨周期，直到叙事与现实的裂缝大到无法弥合为止。席勒在2019年出版的《叙事经济学》中系统阐述了经济叙事如何像病毒一样传播并影响真实经济行为：当"互联网将改变一切"的故事被广泛传播时，即便缺乏盈利模型的企业也能获得天量融资，而这些融资反过来又强化了叙事的可信度。

叙事经济学的传播动力学：席勒借鉴了流行病学中的"基本传染数"（R₀）概念来量化叙事的传播力。一个经济叙事的传播速度取决于其情感共鸣强度、记忆钩挂（Memory Hook）的鲜明程度以及传播媒介的带宽。互联网时代的叙事R₀已经远超工业时代，而社交媒体算法的出现使得情绪化、极端化的叙事获得了系统性的传播优势——平台算法倾向于推送能引发强烈情感反应的内容，无论是极度乐观的"AI将让所有人失业"还是极度悲观的"AI是骗局"，都比客观中性的分析更容易获得流量。这意味着，在当前信息环境下，市场预期的形成与修正均可能以远超历史平均的速度发生，预期差（Expectation Gap）的累积与释放周期被压缩，波动性风险系统性上升。

AI时代的叙事传播速度和覆盖范围远超互联网时代，社交媒体、播客和大量科技媒体的存在使得叙事扩散的摩擦成本几乎为零，这既加速了资本的汇聚，也可能加速预期修正时的波动幅度。席勒的核心洞见在于：经济叙事并非被动反映经济现实，而是主动塑造市场参与者的预期与行为——当"AI将重塑一切行业"的故事被媒体、分析师和企业领袖反复讲述，这个叙事本身就成为了驱动估值上行的燃料，与技术落地的实际进度形成越来越大的张力。AI"将重塑一切行业"的叙事，在强度和传播速度上均超过互联网时代，这既是其融资能力的来源，也是估值泡沫化的温床。技术本身的价值是肯定的，但资本市场往往在早期阶段过度透支未来收益，导致估值与实际盈利能力严重脱节。值得注意的是，当前AI头部企业多为已有稳定现金流的成熟科技公司，而非纯烧钱的初创公司，这使得潜在调整的烈度与路径可能有所不同，但估值透支的底层逻辑依然高度相似。

银行的担忧主要集中在三个层面：其一，巨额资本开支能否真正转化为可持续的营收增长；其二，AI基础设施的投资回报周期可能远比市场预期更长；其三，一旦增长不及预期，高度集中的科技股权重可能对整体市场造成连锁冲击。

云巨头的自我提醒

更耐人寻味的是超大规模云服务商的表态。这些公司过去两年在数据中心、GPU采购和AI基础设施上投入了数千亿美元。数据中心基础设施的投资回报周期通常为5至10年，而GPU等AI专用硬件的技术迭代周期却可能短至18至24个月（对应英伟达的产品路线图节奏）。这种错配意味着企业需要在尚未看清需求全貌的情况下锁定巨额长周期资产。

这一矛盾在业内被称为"算力过剩风险"（Overcapacity Risk）。以历史为参照，2000年代初电信行业的光纤铺设热潮提供了一个深刻的警示：1996年《电信法》出台后，美国电信市场迎来全面放开，Worldcom（世通）、Global Crossing（全球电讯）等运营商在资本市场的支持下疯狂扩张，仅2000年一年美国就新增约3900万英里的光纤铺设，但实际互联网流量增长远低于预期，建成带宽的利用率在2001年仅约2.6%。随后的崩溃是灾难性的：Worldcom于2002年申请破产（当时美国历史上最大的破产案），Global Crossing紧随其后，整个电信行业的市值蒸发超过2万亿美元。

基础设施投资的"死亡谷"效应：经济学中将基础设施过度投资后需求追赶供给的漫长等待期称为"死亡谷"（Valley of Death）。这一效应在电信行业的表现尤为典型：光纤网络建成后，宽带应用的普及、视频流媒体的兴起以及移动互联网的爆发，最终在2010年代将当年被视为"过剩"的光纤容量全部消化殆尽——今天Netflix、YouTube的全球流量，正是在那些被廉价拍卖的破产电信公司资产上流动。这一历史细节至关重要：它意味着基础设施投资的"对错"不能以当期需求为唯一标尺，时间维度至关重要。AI数据中心是否会经历类似的"先过剩、后追赶"周期，取决于生成式AI应用的商业化落地速度——而这恰恰是当前分析师分歧最大的变量。

运营商竞相铺设海底光缆和城域网络，全球光纤总铺设量在2001年前后达到顶峰，但最终建成的带宽利用率长期不足10%，导致全球电信行业陷入长达数年的去杠杆周期，数以千亿美元计的资产被迫以极低价格清算。这一"光纤时刻"最深刻的教训在于：基础设施投资的不可逆性（Irreversibility）与需求预测的内在不确定性之间存在根本性矛盾，竞争压力迫使所有参与者同时过度投资，基础设施的需求曲线往往呈S形增长，而供给方在竞争压力下倾向于以线性甚至指数速度扩张，两条曲线的交叉往往迟于预期且猝不及防。AI数据中心是否会重演这一幕，目前存在尖锐的市场分歧。乐观派认为，生成式AI带来的算力需求是前所未有的结构性增长，现有供给远未饱和；悲观派则指出，需求方企业的实际AI部署进度远落后于供给方的建设节奏，产能消化将是未来2至3年的核心矛盾。高盛2024年的研究报告估计，AI基础设施建设已耗资逾1000亿美元，但可归因于AI的直接营收贡献仍十分有限，质疑资本效率的声音由此而来。云巨头们发出警告，并非否定AI的长期价值，而是对短期内投资节奏与回报匹配度表达审慎态度。

当供给端的核心玩家都开始谈论「泡沫风险」时，往往意味着行业内部已经对当前投资强度能否被真实需求消化产生了分歧。

为什么这次值得格外关注

泡沫警告本身并不新鲜，市场上从不缺乏看空的声音。但这次的特殊之处在于，警告恰恰来自那些最有动力维持乐观叙事的一方。

• 利益相关方的立场转变：云巨头和金融机构本是AI繁荣的直接受益者，它们的谨慎表态比外部批评者更具信号价值。
• 资本开支规模史所罕见：AI基础设施投资已达历史罕见量级，一旦需求端出现疲软，资本开支的杠杆效应会将风险成倍放大。
• 市场集中度风险不容忽视：当前美股市场结构性风险的核心在于极度的权重集中。标普500指数中，被称为「Magnificent 7」的七家科技巨头（苹果、微软、英伟达、谷歌、亚马逊、Meta、特斯拉）合计市值权重一度超过30%，且在2023至2024年间贡献了标普500指数超过60%的涨幅，这一数字本身就揭示了市场集中度风险的严峻程度。

这一现象在市场结构层面有其深层根源：过去十年，被动投资（Passive Investing）的规模急剧膨胀，全球被动型基金管理的资产规模已超过主动型基金。被动投资的理论基础来自尤金·法玛（Eugene Fama）的有效市场假说（Efficient Market Hypothesis），认为主动选股无法长期跑赢市场，因此按市值权重持有全部成分股是最优策略；先锋基金创始人约翰·博格尔（John Bogle）于1976年推出全球首只面向个人投资者的指数基金，开创了被动投资的时代。被动基金按市值权重买入所有成分股，这意味着越是市值大的公司，被动资金流入越多，形成"大者恒大"的机械性强化。

被动投资的"定价中性"悖论：被动投资的核心假设是市场有效——价格已经反映了所有公开信息，因此无需主动选股。然而，当被动资金规模超过市场总量的50%时，这一假设开始产生内在矛盾：价格发现功能（Price Discovery）依赖于主动投资者的分析与博弈，若主动投资者持续减少，市场定价效率将系统性下降。法国兴业银行的研究显示，在主要指数成分股中，被动基金的持股比例每上升10个百分点，该股票与指数的相关性（Beta）就上升约0.15，意味着个股的基本面信号被市场平均信号逐渐淹没。这一"定价中性"的悖论在AI主题股上体现得尤为明显：英伟达在2023年的股价上涨超过240%，被动基金在此过程中扮演了持续的增持角色，无论其市盈率是否已经偏离合理区间。当市场参与者中有足够大比例是"估值盲视"的被动买入者时，传统的估值锚定机制便失去了部分约束力。

然而，当被动基金规模占市场的比重超过临界点时，其"价格无关"的买入机制开始扭曲市场定价功能：主动投资者会基于基本面分析决定买卖，具有一定的价格发现功能；而被动资金则完全不考虑估值水平，无论市盈率是20倍还是200倍，只要指数权重存在，资金就会持续流入。这种"估值盲视"的资金流动，在AI叙事推动科技股市值膨胀的环境下，形成了一个难以自我纠偏的正反馈回路。当Magnificent 7的市值因AI预期不断膨胀时，全球数万亿被动资金被动地持续买入，进一步推高其权重与估值，形成自我实现的循环。一旦AI预期出现系统性重定价，退出机制将形成负反馈循环：指数下跌触发赎回，赎回迫使基金抛售权重股，进一步压低指数。这种机制在历次科技股调整中均有体现，是监管机构和机构投资者共同关注的系统性风险来源。

泡沫与技术价值并不矛盾

需要厘清的是，「AI泡沫警告」并不等于否定AI技术本身的价值。历史一再证明，即便泡沫破裂，真正具备变革性的底层技术依然会长期重塑产业格局。互联网泡沫破灭后，电商、云计算和搜索引擎最终成长为万亿级产业——亚马逊在2001年股价跌去90%后，最终成为全球市值最高的企业之一。

技术经济学家卡萝塔·佩蕾丝（Carlota Perez）在其经典著作《技术革命与金融资本》中，将这种规律理论化为"技术-经济范式转变"的必经阶段。佩蕾丝是委内瑞拉裔英国技术经济学家，她通过对工业革命以来五次重大技术革命（1771年工业革命、1829年蒸汽机与铁路、1875年钢铁与电力、1908年石油与汽车、1971年信息技术）的系统研究，提炼出普遍规律：每一次重大技术革命都会经历"安装期"（Installation Period）与"部署期"（Deployment Period）两个阶段，中间以金融危机或泡沫破裂为分水岭。安装期的特征是金融资本涌入、基础设施过度建设和投机盛行；泡沫破裂后进入部署期，生产资本取代金融资本成为主导，技术红利才真正扩散至整个经济体。

全要素生产率（TFP）的滞后释放：佩蕾丝框架中一个常被忽视的关键细节是：技术对生产率的贡献往往在"部署期"才集中体现，而非在"安装期"的投机高峰。经济学家罗伯特·戈登（Robert Gordon）和埃里克·布林约尔松的研究共同揭示了这一"生产率悖论"：电力技术在1880年代开始普及，但可测量的全要素生产率提升直到1920年代才在制造业数据中显现——中间经历了约40年的"组织重构期"，企业需要围绕新技术重新设计生产流程、培训工人并改造管理体系。类比至AI：即便大型语言模型（LLM）的能力已经足够强大，企业将其转化为可衡量的生产率提升，仍需要完成数据治理体系的重构、业务流程的再造以及员工技能的系统性升级，这些组织层面的摩擦成本往往被资本市场的短期预期所忽视。

佩蕾丝通过对五次技术革命的研究发现，这一模式具有惊人的历史重复性：每次技术革命的安装期都伴随着金融投机的狂热，每次泡沫破裂后都有人宣称"技术神话破灭"，但每次最终都是技术改变了世界，只是比资本市场预期的更慢、更迂回。尤为值得关注的是，互联网泡沫破裂后2000年代初的低谷期，恰恰是部署期的起点——亚马逊AWS、谷歌搜索和Facebook等改变世界的应用，都诞生于泡沫破裂之后的"冰河期"。按照这一框架，当前的AI热潮或许正处于安装期的高峰阶段，泡沫的破裂未必是终点，而可能是真正产业化进程的起点。这一规律同样适用于人工智能。

因此，当前的警报更应被理解为对估值节奏和资本纪律的提醒，而非对AI趋势的全盘否定。对于投资者而言，关键在于区分「技术的长期确定性」与「短期估值的高度不确定性」；对于从业者而言，则需要更务实地关注AI应用能否真正落地，并产生可衡量的商业价值。

结语

当银行机构与云巨头都开始为AI泡沫风险敲响警钟，这不应被解读为唱衰，而是市场走向理性的重要信号。AI的长期潜力依然巨大，但短期的资本狂热终究需要接受基本面的检验。对所有身处这场浪潮中的人来说，保持对技术价值的信心，同时对估值风险保持清醒认知，或许才是穿越周期的正确姿态。

核心要点