AI投资板块连续暴跌：扎克伯格表态引发连锁震荡

AI投资板块遭遇双重打击

AI投资市场正经历一场剧烈震荡。继此前传出Meta可能出售多余AI算力的消息后，扎克伯格公开表示"AI的进展比预期更加缓慢"，两条消息叠加发酵，直接引爆了美股AI板块的连续暴跌。

数据显示，费城半导体指数（Philadelphia Semiconductor Index，SOX）在前一日下跌超过6个点后，当日再度下挫超过5个点，两天累计跌幅接近12%，跌势相当罕见。

费城半导体指数由费城证券交易所于1993年创立，最初包含16家公司，经过多次调整现已扩展至30家成分股。指数采用修正市值加权法，定期再平衡以防止单一公司权重过高，成分股横跨芯片设计（英伟达、AMD、高通）、制造（台积电、英特尔）、设备（应用材料、ASML）等全产业链环节，因此SOX的波动往往领先于整体科技股，被视为"科技行业的先行指标"。历史上SOX的极端单日跌幅集中出现在2000年科网泡沫、2008年金融危机和2020年3月疫情冲击期间，两日累计跌幅接近12%的情形在该指数31年历史中仅出现过个位数次，每次都伴随着宏观系统性风险或产业基本面的根本性转变。如此幅度的两日连跌，也折射出当前市场情绪的极度脆弱。

说个细节，扎克伯格随后做了进一步澄清——Meta出售云算力更倾向于是公司内部业务调整，而非对AI前景的全面看空。他提到过去四个月团队感到AI开发"并不如预期般加速"，2026年的内部重组也不如预想顺利，加之Meta的AI能力已明显落后于头部公司。综合来看，出售云服务更多是基于公司自身营收考量的战术性调整。

市场的两派解读

围绕Meta出售算力这一消息，市场存在明显分歧。

利空派认为：连Meta这样对AI投资最激进的科技巨头都开始抛售多余算力，是否意味着头部玩家率先意识到AI发展将放缓，并开始重新审视投资回报率（ROI）？若头部公司率先收缩，今年下半年的整体资本支出节奏是否也将随之降温？

调整派则认为：这不过是Meta基于自身营收考量的正常业务优化，不宜过度解读为行业性利空。事实上，美股尾盘时相关标的已出现小幅回暖，费半指数也从盘中接近7个点的跌幅有所收窄。后续走势的关键，仍在于市场对消息的进一步消化。

AI芯片需求前景遭质疑

除Meta消息外，摩根大通（JP Morgan）也同步发出警告：AI芯片的反弹行情可能难以持续。其核心逻辑在于，随着AI进入货币化阶段并开始产生实际营收，云服务商收入将大幅提升，但大型科技公司正同步压缩相关资本支出（CapEx），这将直接削减对AI芯片的采购需求。

这一判断背后有清晰的产业周期逻辑：云服务商的AI基础设施投资遵循"采购→部署→变现"的多年周期——前期大规模采购GPU集群，中期部署训练与推理集群，后期通过API调用、云服务等方式回收投资。当货币化阶段到来、营收开始兑现时，云厂商往往会进入"消化库存"阶段，放缓新增采购。摩根大通的判断正是基于这一周期规律——AI芯片需求的短期峰值可能已在2024年的军备竞赛中提前释放，2025年将进入结构性回调区间。

这一判断精准击中了产业链的敏感神经。若芯片需求真的放缓，整个上游硬件板块的业绩都将承压。受此影响，韩国股市SK海力士与三星电子持续走低，韩国股指多次触及下跌熔断线——按规则，韩股指数单日下跌8%即触发第一次熔断，暂停交易20分钟；跌幅达15%触发二级熔断；跌幅达20%则直接收市。

SK海力士是全球最大HBM（高带宽内存）供应商。HBM是专为AI训练和推理工作负载设计的新一代内存技术，通过将多层DRAM芯片垂直堆叠并以硅通孔（TSV）连接，实现了数倍于传统GDDR6的内存带宽，同时大幅降低单位带宽能耗——英伟达H100/H200 GPU每颗封装5~6个HBM3e堆栈，使得SK海力士的产能直接绑定英伟达GPU出货量。目前全球HBM市场中SK海力士占据约50%份额，三星约40%，美光约10%。三星电子在逻辑芯片与存储芯片领域均有深度敞口，两家公司合计市值占KOSPI约30%，其暴跌是此次指数多次触及熔断线的直接原因。另有消息称某公司正讨论自研专属AI芯片，这或将对三星的市场份额形成进一步冲击。

从全局来看，本轮AI投资市场的下跌，实质性利空并不多，主导因素主要是Meta的一条新闻。更深层的原因，或许是此前市场加杠杆资金过于集中，借此机会完成一轮杠杆清洗。投资有风险，入市需谨慎。

OpenAI的"政治智慧"：向政府献股

在监管层面，一则消息颇为耐人寻味：OpenAI拟向特朗普政府提供5%的股权，以换取政府支持，扫清未来潜在的监管障碍。

理解这一动作，需要先了解OpenAI当前的股权重组背景。OpenAI于2019年创立的"有限盈利公司"（Capped Profit LP）是硅谷史上罕见的混合型法律架构，其设计初衷是在吸引大规模商业投资的同时，通过利润上限（早期投资者最高100倍回报封顶）将超额收益锁定在非营利母体内，以维护"造福全人类"的使命宣示。然而随着估值突破1500亿美元，这一架构带来了严重的股权激励扭曲问题——员工和投资者的实际收益受限，削弱了留人与融资能力。2024年启动的向公共利益公司（Public Benefit Corporation，PBC）转型意在保留使命条款的同时解除利润上限，PBC是美国特拉华州法律下介于传统营利公司与非营利组织之间的企业形式，Anthropic、Kickstarter等公司均采用此架构。此次拟向特朗普政府提供5%股权，正是在这一转型窗口期进行的政治布局，是典型的"监管俘获"策略——主动让利换取监管豁免，在华盛顿游说史上并不罕见。

这一操作背后有着现实的监管压力。随着大模型能力持续增强，美国政府可能出台新规，要求头部AI公司发布新模型前须先经政府审查。在此背景下，OpenAI主动提前布局政商关系，可谓相当务实。Sam Altman甚至公开呼吁所有AI开发厂商效仿这一做法。

不过，并非所有公司都愿意走这条路。有消息显示，Anthropic方面无意向政府提供任何股权，选择了强硬到底的路线。两家头部公司在应对监管上的截然不同策略，也由此清晰呈现。

Palantir CEO炮轰头部AI公司

美股AI龙头Palantir的CEO近期在一档节目上罕见"破防"，连续炮轰头部科技企业超过20分钟。

Palantir Technologies成立于2003年，由彼得·蒂尔、亚历克斯·卡普等人联合创立，公司名称取自《魔戒》中的"真知晶球"，暗示其核心能力——整合碎片化信息、洞察隐藏关联。公司早期获得CIA旗下风险投资基金In-Q-Tel的天使投资，深度嵌入美国情报与国防体系。其核心产品包括面向政府的Gotham平台（情报分析与反恐）和面向企业的Foundry平台，其商业护城河的本质是"数据本体论积累"——通过长达数年的部署周期，Palantir的工程师深度嵌入客户组织，将客户的数据资产、业务逻辑和决策流程全部编码进平台，形成极高的迁移成本。正因如此，通用大模型的"即插即用"渗透模式对Palantir构成了根本性威胁，这也是这位CEO格外警觉的深层原因。

他的核心观点是：这些头部科技企业花大价钱购买token，还把自家核心数据拱手交给OpenAI等大模型公司，实属不智。Token是大语言模型处理文本的基本单位，大约每750个英文单词对应1000个token，按token计费本质上是一种"用量付费"的SaaS定价模型，将AI能力商品化。他质疑："如果这些AI公司真能创造巨大价值，为什么不按股权收费，而要按token收费？如果AI能让你明天赚10亿美元，为什么AI公司不分你30%股份，反而按token计费？"这一质疑触及了AI定价模式的核心悖论：若AI真能创造颠覆性价值，其定价理应基于"价值分成"而非资源消耗。现阶段AI公司采用token计费，本质上是在价值尚不确定时规避风险、锁定可预期现金流的理性选择，但这也恰恰说明AI公司自身对价值创造的确定性尚存疑虑。

破防背后的真实焦虑

深入来看，Palantir CEO的激烈反应，恰恰从侧面印证了大模型公司的强大渗透力。当大模型逐步渗透各行各业，必然会沉淀各领域的核心数据，对于Palantir这类专做高机密数据业务的公司而言，其护城河将面临被逐步蚕食的风险。

这种逻辑颇似搜索引擎之于传统广告业——一种科技层面的降维打击。当企业员工普遍用AI解决特定业务问题时，企业的运营模式、营收逻辑乃至决策路径，都会被AI公司逐步掌握甚至替代。AI极有可能是一个"赢者通吃"的市场，最强的AI公司将持续吞噬各行业的市场份额——这正是这位CEO焦虑的真正根源。

模型能力争议：新版模型被指"偷偷降级"

在产品层面，也出现了值得关注的争议。有用户发现，某新版模型正式上线后，实际表现与预期相差甚远，系统在执行任务时频繁将请求路由至Opus等旧模型，导致输出质量不稳定，引发社区广泛不满。

这一现象涉及大型AI服务商普遍部署的模型路由（Model Routing）机制。其原理类似于互联网的CDN（内容分发网络）或数据库的查询优化器——系统通常基于请求的语义复杂度（通过轻量级分类模型预判）、用户订阅等级与剩余配额、当前各模型集群的负载状态（QPS/延迟），以及单次请求的预估推理成本，动态决策路由目标。简单问答可能被路由至轻量级模型（如Haiku、mini），复杂推理才调用旗舰模型（如Opus、o1）。对于大型AI服务商而言，旗舰模型的推理成本往往是轻量模型的10~50倍，在数亿次日请求规模下，激进的路由策略每天可节省数百万美元的算力成本。然而路由决策对用户完全不透明，当路由策略过于激进时，用户会感知到明显的质量波动，触发强烈的不满情绪。经调研，此次问题的根源并非模型本身能力退步，而是系统在任务分发环节频繁将请求定向路由至旧模型，折射出AI产品在用户体验与运营成本之间的持续博弈。目前部分Pro和Max用户可使用一定额度的最新模型，后续是否需要额外付费、路由问题能否改善，仍是未知数。

中国大模型的性价比优势凸显

在视频生成能力的横向评测中，某海外顶尖模型表现最佳，但调用成本高昂，基本每次需花费约1美元。相比之下，智谱科技的GLM系列模型仅需0.03美元，性价比优势极为突出。

GLM（General Language Model）系列起源于清华大学KEG实验室，是国内最早的开源大语言模型之一。GLM-4等商业版本在代码生成、多语言理解等任务上达到了接近GPT-4的水平，但API调用价格仅为后者的约3%~5%。这种极端的性价比差异，一方面源于国内算力成本相对较低，另一方面也反映了中美AI公司在商业化路径上的根本差异：中国厂商倾向于以低价换规模、积累数据，再通过增值服务变现；美国厂商则依托品牌溢价和先发优势维持高定价。

尽管国产模型在视频生成等专项任务上尚非最优解，但在代码审查、简单问答等高频日常场景中，低价高可用的特性已完全满足需求。据悉，已有美股上市公司开始引入GLM模型。这一趋势也印证了一个正在发生的结构性变化：在AI投资降温的背景下，大型科技公司正主动压缩AI支出，转而寻求更具性价比的替代方案，中国大模型由此获得了重要的市场切入机会。

结语

本轮AI投资市场的暴跌，表面上由Meta消息引发，实质上暴露了市场对AI发展节奏与投资回报的深层焦虑。随着美股休市窗口临近，市场情绪能否迎来反转值得持续观察。

从产业格局看，头部大模型公司"赢者通吃"的态势持续强化、监管介入日益深化，以及中国模型性价比路线的加速崛起，共同勾勒出AI行业下一阶段竞争的关键脉络。

核心要点

核心要点