广告
加载中

投资人Azhar:评估AI投资泡沫的5项指标 当下为什么“不完全是泡沫”

MD 2025-11-04 08:30
MD 2025/11/04 08:30

邦小白快读

EN
全文速览

总体上,本文总结了投资人Azeem Azhar评估AI投资是否泡沫的五个关键指标和核心观点。

1.经济压力指标:AI数据中心建设占美国GDP不到3%,未达历史泡沫临界点(1870年代铁路占3%),但带动工程等实体岗位增加和电价上涨问题。

2.行业压力指标:AI Capex约3700-4000亿美元远超收入约600亿美元,比例达6倍,高于铁路和电信泡沫,需收入增长追平支出风险。

3.收入增长指标:关键为能否连续每年100%增长,来源包括服务付费(如ChatGPT年营收达100亿美元)、广告精准投放和生产率提升。

4.估值热度指标:AI股票估值飙升(Nvidia和Meta推动股指),虽有互相持股形成蜘蛛网风险,但需求真实强劲,不同于互联网泡沫。

5.融资质量指标:未来三年Capex或达3万亿美元,表外融资如SPV需透明度防风险,目前奇异但非有毒,崩盘可能带来廉价基础设施机会。

总体上,本文提供AI对消费趋势、品牌竞争和产品研发的启示。

1.品牌营销趋势:企业为AI服务付费需求激增(如ChatGPT年营收100亿美元案例),消费者行为朝精准广告转移,有助于品牌提升投放效率。

2.品牌渠道建设:AI服务集成成为竞争焦点,企业需提供AI功能以维持市场份额,参考SaaS公司添加AI插件以吸引客户。

3.品牌定价和产品研发:高支出背景下(如OpenAI合作Oracle案例),需关注收入增长是否能支撑成本;产品研发应考虑数字集成,但部署挑战如通下水道式琐碎问题。

4.用户行为观察:企业迅速采用AI工具(Stripe数据显示AI公司营收增速最快),推动消费趋势快速变化,品牌需顺应技术扩散。

总体上,本文解读政策、市场机会和风险提示。

1.政策解读:AI融资涉及表外结构(如SPV),政策风险需盯紧透明度和会计规则(GPU折旧问题),崩盘可能触发修正措施。

2.增长市场机会:数据中心Capex催生新商机(如建设带动电工岗位需求),合作方式借鉴供应商融资(如Nvidia模式)但需评估可行性。

3.消费需求变化:需求强劲源于AI工具付费和广告优化,机会提示在真实收入增长(如年100%增长目标);风险包括支出远超收入可能导致抛售。

4.可学习点与应对措施:学OpenAI营收快速扩张;最新商业模式如共享基础设施,但风险提示在估值过热或收入不足时的负面影响。

总体上,本文揭示产品生产需求、商业机会和数字化启示。

1.产品生产和设计需求:GPU生产主导(占Capex 50%-60%),折旧周期短(2-3年需更新),挑战会计处理需改进设计。

2.商业机会:数据中心建设拉动实体岗位(如工程和暖通),参考微软案例,机会在基建服务供给;推进数字化启示:技术快速扩散但部署耗时,工厂可借鉴学习转移经验。

3.电商推进启示:借鉴AI收入增长案例(如Cursor三年达几亿营收),工厂在数字化中需关注真实需求避免超前投资风险,把握廉价基础设施机会。

总体上,本文分析行业趋势、新技术和解决方案。

1.行业发展趋势:AI投资年增速高(Capex或达3万亿美元),方向包括服务付费模式和广告创新(Meta案例),但面临收入滞后挑战。

2.新技术:GenAI技术商业化快速追赶(ChatGPT案例),客户痛点如部署复杂性和成本控制(IT主管反馈两年见效),需创新解决方案。

3.客户痛点与解决方案:痛点包括融资质量风险(SPV不透明);解决方案借鉴供应商融资(如Nvidia权益模式),关注真实需求增长避免泡沫。

4.代表企业启示:OpenAI等快速扩张路径可学,但风险提示在估值过热时修正。

总体上,本文讨论平台需求、运营管理和风向规避。

1.商业对平台需求:平台需处理巨额Capex(如3万亿美元),超级云厂商覆盖一半,招商策略涉及SPV融资需透明度避免风险。

2.平台最新做法:采用股权和分期交易(Nvidia与OpenAI案例),运营管理需平衡支出与收入(比例6倍差距),借鉴GMAC供应商融资经验。

3.风向规避:风险在估值热度和融资质量(表外结构易隐藏问题),平台应盯紧GDP占比(约2%)和收入增长信号,避免崩盘负面影响。

4.合作方式:平台间互相持股形成生态,但需防止自证循环风险,管理策略加强审计监管。

总体上,本文揭示产业动向、新问题和政策启示。

1.产业新动向:AI投资比例(Capex/收入6倍)超越历史泡沫,新问题如GPU折旧短期化和部署复杂性(企业挣扎案例)。

2.新问题与商业模式:收入增长滞后引发质疑(如能否连续100%年增),商业模式创新如供应商融资,但风险在透明不足(SPV黑箱结构)。

3.政策法规启示:建议改进会计规则(GPU折旧周期)和监管融资质量,避免崩盘;崩盘后可能带来廉价基础设施,促进民主化创新机会。

4.代表观点:Azeem提出五项指标框架,强调收入增长是关键信号,提供泡沫定义基准(估值下跌50%+资本降50%持续数年)。

返回默认

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

Overall, this article summarizes investor Azeem Azhar's five key metrics and core views for assessing whether AI investment is a bubble.

1. Economic Pressure Indicator: AI data center construction accounts for less than 3% of US GDP, below the historical bubble threshold (e.g., railroads at 3% in the 1870s), but it drives growth in physical jobs like engineering and raises electricity price concerns.

2. Industry Pressure Indicator: AI Capex (~$370-400B) far exceeds revenue (~$60B) by a factor of 6, higher than during railroad and telecom bubbles, highlighting the risk that revenue growth must catch up with spending.

3. Revenue Growth Indicator: The key is sustaining 100% annual growth, driven by service fees (e.g., ChatGPT's ~$10B annual revenue), precision advertising, and productivity gains.

4. Valuation Heat Indicator: AI stock valuations have surged (driven by Nvidia and Meta), creating a web of cross-holdings risks, but underlying demand remains robust, unlike the dot-com bubble.

5. Financing Quality Indicator: Capex could reach $3 trillion over three years; off-balance-sheet financing (e.g., SPVs) requires transparency to mitigate risks—currently unusual but not toxic, with a potential crash offering cheap infrastructure opportunities.

Overall, this article offers insights for brands on consumer trends, competition, and product development.

1. Marketing Trends: Surging corporate demand for paid AI services (e.g., ChatGPT's ~$10B revenue) and a shift toward precision advertising can boost brand campaign efficiency.

2. Channel Strategy: Integrating AI services is a competitive battleground; brands must offer AI features to retain market share, mirroring SaaS firms adding AI plugins.

3. Pricing & R&D: High costs (e.g., OpenAI-Oracle deals) necessitate revenue growth to justify spending; product development should prioritize digital integration while addressing deployment hurdles.

4. User Behavior: Rapid enterprise AI adoption (per Stripe data on AI firms' growth) is accelerating consumer trends, urging brands to adapt to technological diffusion.

Overall, this article deciphers policy implications, market opportunities, and risk warnings.

1. Policy Insights: AI financing involves off-balance-sheet structures (e.g., SPVs), requiring vigilance on transparency and accounting rules (e.g., GPU depreciation); a crash may trigger regulatory corrections.

2. Growth Opportunities: Data center Capex spawns new ventures (e.g., electrician demand), with partnership models借鉴 supplier financing (e.g., Nvidia) but requiring feasibility assessments.

3. Demand Shifts: Strong demand stems from AI tool subscriptions and ad optimization; opportunities hinge on real revenue growth (e.g., 100% annual targets), while risks include sell-offs if spending outpaces income.

4. Lessons & Responses: Learn from OpenAI's rapid revenue scaling; newer models like shared infrastructure carry risks if valuations overheat or revenue lags.

Overall, this article reveals production demands, business opportunities, and digitalization insights.

1. Production & Design: GPU manufacturing dominates Capex (50-60%), with short depreciation cycles (2-3 years), challenging accounting practices and necessitating design adaptations.

2. Business Opportunities: Data center construction boosts physical jobs (e.g., engineering, HVAC), offering infrastructure service opportunities (e.g., Microsoft案例); digitalization lessons highlight rapid tech diffusion but time-consuming deployment.

3. E-commerce启示: Learn from AI revenue cases (e.g., Cursor's billions in 3 years); factories should focus on real demand to avoid overinvestment and leverage cheap infrastructure post-crash.

Overall, this article analyzes industry trends, new technologies, and solutions.

1. Industry Trends: AI investment grows rapidly (Capex may hit $3T), driven by service fees and ad innovation (e.g., Meta), but faces revenue lag challenges.

2. New Tech: GenAI commercialization accelerates (e.g., ChatGPT), with client pain points like deployment complexity and cost control (IT leaders report 2-year ROI timelines), demanding innovative solutions.

3. Pain Points & Solutions: Risks include opaque financing (e.g., SPVs); solutions借鉴 supplier financing (e.g., Nvidia's equity models), emphasizing real demand to avoid bubbles.

4. Enterprise启示: Learn from OpenAI's expansion path, but beware of corrections if valuations overheat.

Overall, this article discusses platform demands, operational management, and risk avoidance.

1. Platform Demands: Platforms must manage massive Capex (e.g., $3T), with hyperscalers covering half; merchant strategies involving SPV financing require transparency to mitigate risks.

2. Platform Practices: Equity and installment deals (e.g., Nvidia-OpenAI) are emerging; operations must balance spending and revenue (6x gap), learning from GMAC-style supplier financing.

3. Risk Avoidance: Risks include valuation hype and financing quality (off-balance-sheet opacity); platforms should monitor GDP share (~2%) and revenue signals to avoid crash impacts.

4. Collaboration Models: Cross-holdings create ecosystems but risk self-reinforcing cycles, necessitating audit and oversight enhancements.

Overall, this article reveals industrial shifts, emerging issues, and policy implications.

1. Industrial Shifts: AI investment ratio (Capex/revenue at 6x) exceeds historical bubbles, with new issues like short GPU depreciation cycles and deployment complexity (e.g., corporate struggles).

2. Emerging Issues & Models: Revenue lag raises doubts (e.g., sustaining 100% annual growth); innovative models like supplier financing carry transparency risks (e.g., SPV opacity).

3. Policy启示: Reforms needed in accounting rules (e.g., GPU depreciation) and financing oversight to prevent crashes; a crash may yield cheap infrastructure, fostering democratic innovation.

4. Key Framework: Azeem's five-metric framework emphasizes revenue growth as a critical signal, defining bubbles by sustained 50%+ valuation and capital declines.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

近日,在播客Plain English中,主播Derek Thompson与投资人、研究机构Exponential View创始人Azeem Azhar展开了一次对谈,他们主要围绕当下AI投资是否形成“泡沫”进行了讨论。而在此前该播客的节目中,分析师Paul Kedrosky的“当下AI投资是一个巨大的泡沫”这一观点和分析引发了硅谷广泛的争议。

Azeem Azhar则持不同观点。

关于“AI是否处于泡沫”,Azeem提出五项观察指标:经济压力、行业压力、收入增长、估值热度、融资质量。他的总体结论是,当下确有值得担忧之处,但尚未满足“泡沫”严格定义。

首先,他给出两条判断泡沫的硬标准——估值至少下跌50%、并持续数年;与之相伴的生产性资本投资也至少下降50%、并持续数年。以此观之,当下的AI投资并不符合这一情景。

在“经济压力”指标上,数据中心建设对美国GDP的贡献显著,但未到历史大泡沫的临界水平。Azeem回溯18次泡沫后指出,一个经验阈值是投资占GDP约2%开始“棘手”,3%则“很麻烦”。当下的AI建设确实在紧张电力与地方政治之间制造张力,但它也把美国经济重新拉回“建设”,带动工程、暖通、电工等实体岗位。

“行业压力”与“收入增长”是最关键的两项指标。他们分析称,当下AI数据中心年Capex约3700-4000亿美元,而AI相关收入仅约600亿美元,存在约6倍差距。与铁路(Capex约为收入2倍)、90年代的电信(4倍)相比,AI的“投资超前”更明显。Azeem承认这“令人担忧”,但指出技术基础设施的收入天然滞后,且生成式AI的商业化正快速追赶。他认为,核心在未来数年能否实现“连续每年约100%的收入增长”。

“估值热度”方面,AI龙头的权重驱动了股指上涨,生态内存在“供应商融资”的互相持股,看似形成“估值蜘蛛网”。Azeem将其与互联网泡沫时期的债务式循环融资区分:如今更多采用股权、附带条件,但需求真实强劲。

最后,“融资质量”指标是历史上最容易引爆崩盘的引信。未来三年全球数据中心Capex或达3万亿美元,超级云厂商仅能覆盖约一半,剩余需依赖SPV、私募信贷、证券化等“表外”结构。Azeem称之为“奇异”但还不是”有毒”,但强调要盯紧透明度:看清SPV里的真实风险、GPU折旧与现金流匹配等方面。

以下为「明亮公司」编译的访谈正文(有删节):

泡沫的两个标准

Derek Thompson:今天的主题是“关于人工智能的错误看法”。两周前,投资人兼作家Paul Kedrosky解释了他为什么认为人工智能是个泡沫。……我最近开始怀疑,会不会形成一个“把AI称作泡沫”的泡沫?今天的嘉宾说:会。

Azeem Azhar是投资人,在介绍Azeem之前,先回顾下为什么如今大家都笃定AI是泡沫。

回到上世纪60年代,阿波罗计划投入约3000亿美元(按通胀调整)让美国登月。今天的AI建设要求企业集体资助一个新“阿波罗”,不是每十年一次,而是每十个月一次。超级云厂商、大型科技公司、前沿实验室每年一起在AI上花3000到4000亿美元。这可能是任何一组公司为任何事情花过的最多的钱。

金融泡沫的标志之一是复杂融资:当你看到公司开始借债,或设计新型金融工具来建造一个没有可靠回报的东西,你就该警惕。我认为我们已经抵达这个阶段。正如Paul Kedrosky在上期节目里说,这些超级云厂商正在创建所谓的SPV(Special Purpose Vehicle,即“特殊目的实体”),像黑箱一样,往里面扔点钱,私募也扔点,然后这个黑箱就去建数据中心。它们把AI基础设施移到表外,让我对“他们不想让投资者看到建设到底有多贵”这点感到不安。

九月,Oracle宣称将与OpenAI达成数千亿美元的未来交易,股价大涨。

但有个问题,Oracle没法靠自身现金流(业务赚的钱)来支持这笔交易,它需要承担惊人的新债务。J.P.Morgan的Michael Cembalest这样描述这笔交易——Oracle股价因被许诺每年从OpenAI拿到600亿美元而上涨25%,这钱OpenAI还没赚到。

用来提供云计算设施是Oracle还没建好的。需要4.5吉瓦电力,相当于2.25个胡佛水坝,而美国还没建。AI梦想建立在很多“还没有”和“也许”上。但Azeem认为,现在还太早不必恐慌。今天我们讨论AI“尚非泡沫”的论证。欢迎来到节目。

Azeem Azhar:谢谢邀请,Derek。

Derek Thompson:……我们从最基础的开始吧,Azeem,什么是“泡沫”?

Azeem Azhar:这就个问题价值万亿。我其实同意Paul说的很多东西。在我看来,泡沫要有非常清晰的定义,不是“感觉”。

我给两条标准:第一,必须出现显著的市场回撤,不是20%的熊市,而是40%、50%,且要持续很久。互联网泡沫的市场回撤持续了15年;房产泡沫持续了七八年。

第二,为了区别于投机者过度兴奋,推动泡沫的生产性资本投资也要显著下降。过往泡沫里,这个降幅通常要达到50%或以上。所以我看两个测试:估值至少下跌50%,持续几年;该技术领域的生产性资本也至少下降50%,持续几年。

Derek Thompson:你提到房产泡沫、全球金融危机,也提到互联网泡沫。这次有哪些相同、有什么不同?

Azeem Azhar:我都经历过。互联网泡沫时,有人沿着消防通道爬进我办公室就为了推销项目找投资。希望这场面不会重演。房贷危机时,我认识了Countrywide Financial的CEO、次贷发放者Angelo Mozilo——他有个很棒的古铜色肤色,我那会儿每天都在电视上看到他。

Derek Thompson:不知道为什么,我对他的肤色记忆犹新。全球金融危机和房市崩盘的画面我都不太记得,但我记得那人的肤色,真的非常棒。

Azeem Azhar:确实非常棒,不幸的是,他的抵押贷款就不像他的肤色那么棒。你会看到这些人、这些时刻。跟互联网泡沫的相似之处是:它由风险资本、硅谷、对“改变世界”的新技术的承诺推动。

我们在1999年还幻想在网络空间建一个新国家。但真正不同的是,那时除了Yahoo、CNET、eBay,几乎没人用这些网站和服务。它们是空的。那时流行一句话,来自凯文·科斯特纳主演的《梦幻之地》:建好,他们就会来。结果人们把东西建好了,没人来。比如pets.com花了1.5亿美元,月营收只有60万美元。非常混乱。相似性到此为止。

今天的生成式AI不同:我们大多数人都在用ChatGPT,很多公司也在用,而且真金白银在花。这感觉与2000年截然不同。

Derek Thompson:这就是我的困惑。我承认我用ChatGPT;我也承认Claude很出色,很多GenAI工具都很棒。与此同时,我看到关于“Thinking Machines”的新闻——这家AI初创公司由前OpenAI高管Mira Murati掌舵,刚完成史上最大种子轮,融资20亿美元,估值100亿美元。他们没有发布产品,也没向投资者说明要做什么产品。

有位和Murati见过面的投资者(她公认非常聪明)说:“这是最荒唐的路演。她就说,我们要做一家有最好AI人才的AI公司,但我们不能回答任何问题。”这让我不免联想到互联网时代——巨大的承诺要重塑零售业,却几乎看不到真实业务。或者像某个凤凰城不知哪的边缘地带的住房开发项目,看着很美,融资也似乎妥当,但无人入住。

像这样的故事,是否让你有点“直觉感应”,觉得现在大量资金正涌向非常昂贵的项目,预期泡沫很重,而缺乏明确的收入证明?

Azeem Azhar:Thinking Machines确实是很好的例子,我的“直觉感应”也在发抖。没有商业计划、没有产品,却是那样的估值,很难拼起来。但这种事在私募风投市场时不时会发生,通常不会溢出到“现实世界”。三年前,风投募资和估值疯狂到不行。后来停了,价格回归正常,如今又贵起来了,确实感觉在朝向泡沫时刻。

但另一面是,即便这些初创公司,也在疯狂增长。刚听说Cursor已经做到几亿美元的营收,这家公司才三岁。我投资过一个AI邮件工具,帮助你回复邮件。我记得看他们的路演时很生气,因为他们说第一年做到1000万美元营收,我说这太荒唐,不可能,这是我不喜欢你们项目的地方。结果他们9个月就做到1700万美元,而且增长更快,因为客户愿意付钱。别忘了,今年底那个三年前闯入我们生活的奇特实验ChatGPT——到今年底年化营收会到100亿美元。这是真钱,而且比Facebook或TikTok达到这个里程碑更快。所以当然会有亢奋的时刻,但也有真实客户在为他们真正喜欢的产品花真金白银。

Derek Thompson:我记得和Stripe的人聊过,他们比较了平台上AI公司与非AI公司的数据。他们展示了非常有说服力的证据,在Stripe上自称AI公司的企业,在营收增长上遥遥领先,超过平台历史上任何群体的增长速度。

这很令人困惑也很吸引人——AI公司的营收增长惊人,同时AI基础设施的投入远大于营收。这仍然可能是泡沫。我们正把它当作一个10万亿美元的经济市场来投资,而它可能是一个1万亿美元的市场。所以需要具体化。

你的分析非常具体。你说,判断“AI是不是泡沫”没有一种答案,而是五种测试。接下来我想逐一过这五个测试。

你定义为:经济压力、行业压力、收入增长、估值热度、融资质量。

经济压力:历史上看占GDP 3%的投入就「很麻烦」

Derek Thompson:我们从第一项“经济压力”开始。这基本是在问——这个行业的投资规模是否大到足以扭曲整体经济,就像铁路或互联网泡沫那样?最近的GDP增长中,有三分之一可以追溯到数据中心建设。这太巨大了。为什么这还不足以让我们担心AI的泡沫?

Azeem Azhar:我回溯了18次泡沫案例,最早到1790年代的运河。在可获得数据的地方,我发现一个临界点——约占GDP的2%开始“有点棘手”,到3%就变成“很麻烦”,铁路在1870年代就到了3%。

原因是,尤其在像美国这样庞大复杂的经济体,它能吸收这样的水平。此外,我还要说,在目前这个时点,如果没有数据中心的建设,美国经济可能走向衰退。而这次建设涉及到——美国公开强调且像你和你的同事也一直强调——“回到建设”。建数据中心要浇筑混凝土。我刚和一家有140年历史的美国工程公司高层交流,他们现在在忙着建数据中心,用到电工、项目经理、暖通工程师等。这在我看来,眼下其实是好事。同时也要看到其他后果:数据中心建设地的电价普遍上涨,这让没从硅谷风投里获利的人承担了成本,社区开始反弹。

Azeem Azhar:就在这周,威斯康星州的Caledonia镇否决了一个微软数据中心,他们说不愿意把农田改成数据中心。这种政治张力开始出现——经济压力的落点在哪?是经济总体的能占上峰,还是政治动态会迫使公司改变做法?

Derek Thompson:你刚讲的可以有两种叙事。一种是:我们过去不怎么在物理世界建东西,现在我们在建东西,建的是数据中心,这是好事,因为“建设就是好事”。

另一种是:数据中心在吸走我们应该建的其他东西的资源,比如住房。住宅投资最近骤降,制造业就业下滑。Paul的观点是,AI和数据中心像黑洞、像垂死恒星、像“死星”,把周围所有行星吸过去,把劳动力、资源、资本都吸向AI,从而不能用于建房等。你怎么看这个解读:AI不只是新增投资,它也在“挤出”我们认为长期更有生产性的投资?

Azeem Azhar:“挤出效应”的风险是真的。原因在于,建数据中心的回报率要高于建公寓楼。但这些情况往往会趋于平衡。我们更希望看到的是需求刺激。看看美国的能源基础设施,过去25到30年,美国对电网和电源的投资不足。这打破了经济长期关系:更多能源意味着更多福利、繁荣、收入、创新。

现在有钱的公司开始破局,说我们需要更多电力,这在中期净效应可能是好事。当然短期会有紧张。好在“建设”的美妙之处是,会形成许多可转移的学习和实践,适用于其他类型的建设——时机一到就能用。所以我认同眼下存在一个“焦点问题”。但三到五年后,我们是否会开始看到收益?它可能不是黑洞,更像是一颗M型恒星(注:红矮星,低于0.25个太阳质量,占银河系恒星总数约70%)。

Derek Thompson:补充一点:你说中长期对发电是净增益,我觉得这个限定很重要。未来几个月、几个季度、几年,数据中心很可能先推高电价,再推动发电增长。这两者都可能为真。我想回到你刚才的比较:你把AI建设比作铁路、宽带、19世纪初的运河。

但有个重要差异:GPU的折旧远快于钢轨。你把钢铁铺进地里,几十年都能跑火车;你挖运河,水路能载蒸汽船几十年。用你的话说,Nvidia现在的高质量芯片,2到3年就不是前沿。企业若想最好的预训练,就得换新芯片。如果企业每三年集体花上5000亿美元买最好的GPU,他们怎么回本?

Azeem Azhar:如果收入能兑现,他们就能回本。我们可以后面再谈收入。今年投向数据中心的三四千亿美元里,约50%到60%是GPU。公司通常把这些资产在账上折旧六年。这很长,但不是运河或铁路。我们也知道,三年后它们就得退出现役。这确实是个ugly point,和会计处理有关。

公司可能会说,GPU能赚钱,两年就回本,目前看似如此,六年也还有余寿。但这个论证有点草率。这是我们希望能改进的地方(但可能大概率得不到):比如GPU该如何折旧、公司作为“运维费用”(Opex)应有什么税收激励、以及更透明。

有人给我发邮件说,在中国,会计规则里计算机芯片折旧三年,最多五年。我们得盯着它,它可能变成问题。

行业压力:AI收入和资本支出不成比例?

Derek Thompson:你提到收入,我们就跳过去。第二项测试叫“行业压力”,本质是问,行业收入是否与资本开支相称?公司是否能凭AI基础设施赚回投资?这里是我特别关心你“非泡沫”论的地方。按你算,数据中心Capex约3700亿到4000亿美元规模,AI收入约600亿美元,这最少是6倍差距。为什么不令人担心?

Azeem Azhar:它确实值得担心,但还没到其他历史例子的程度。互联网泡沫时,资本投入与产生的收入几乎是数量级上的差距。当下问题是——这种状态能持续多久?要注意,三年前我们还没有GenAI收入。我们估算很保守,2025年约600亿美元。有家大投行估算2025年更接近1530亿美元。真实值可能在中间。

再强调,600亿只是粗略覆盖Capex的“量”,没算利润率、没算利润。技术建设在这个阶段,收入通常滞后。这不是建酒店,开业当天就指望80%入住率。技术就是这样。目前用收入覆盖投资的比例在16%左右,暂时可以。如果两年后还在这个水平,我会紧张。

AI收入的增速:最关键的指标

Derek Thompson:我们马上谈“收入增长”。有人会说:现在收入低没关系,只要每年增长300%,最终会追上。但我想钉住一点:在你的分析里,这项是AI最容易被批评为泡沫的短板。你写道:1870年代美国铁路扩张高峰,Capex约为收入的2倍。90年代末电信泡沫顶峰,Capex约为收入的4倍,有点更泡沫。AI是6倍,AI的Capex支出是收入的6倍。对不起给听众丢了一堆数字,但结论是:按这项指标,AI比铁路“泡沫性”高3倍,比电信建设高50%。你同意吧?我想明确记录,你同意这在目前是令人担忧的。情况会动态变化,但现在是有点担忧。

Azeem Azhar:是的,令人担忧。但让我解释我的思路:想象飞机在跑道上起飞。我周日要飞行。跑到一半,时速80英里,你祈祷机长别此时拉杆,否则会很惨。如果我们在跑道上已经前进了90%,时速还只有80英里,那会撞上尽头的墙。所以这就是为什么我把这项指标标成“黄灯”,需要看“加速度”,看它带我们去哪儿,这是关键。

最终要靠真实客户付费的真实收入,他们不是被逼付钱,明确知道买什么。这是为任何投资买单的方式,也是大家如今做出的最大赌注。

Derek Thompson:问题是,收入增长是否足够快、足够广,能赶上基础设施支出?如果答案是“是”,那就不是泡沫,只是基础设施建设+人类史上增长最快的通用技术带来的收入增长;如果答案是“否”,那就是支出的增长远快于收入的增长,显然是泡沫。你先来:为了不让这些“超级云厂商”的营业利润在未来几年暴跌、从而引发大科技公司大抛售,他们需要什么样的收入增长?钱从哪里来?

Azeem Azhar:他们需要很多,真的很多钱。我们说的是连续几年每年100%的增长,之后可能会下降,因为基数升高。钱从三处来:第一,消费者和企业为服务付费,消耗大量tokens,或付费购买能替他们做事的应用,比如会计、物流、供应链。第二,广告投放回报。AI能更精准投放,Meta已经提供一些证据。第三,生产率提升降低成本或让他们做出更好的产品。这里有两个方向——要么用同样数量的开发者交付更好的产品,省钱;要么为了让产品在市场里保持相关性,你现在必须为它提供AI服务。

很多SaaS或Web公司现在就发现了这一点,为了不被淘汰必须提供AI插件,他们可能每月收费20美元,但成本是25美元。如果不做,就会失去客户。所以这三方面能把收入做起来。还要认识到,这些现在已经是很大的数字了。

线上广告和软件购买一年总额超一万亿美元,而且已经在以14%年增率增长。问题是,AI能把这个增长率提高多少?又会替代多少没用AI的既有公司?投资银行里有人谈到2030年实现每年一万亿美元的AI相关收入。不是板上钉钉,也不是天方夜谭,介于两者之间。

Derek Thompson:既然谈收入增长,就必须承认,有人认为我们接近“最后的发明”——AGI。如果我们在硅里发明了一种“智能”,能做任何事,那它也会赚很多钱。假如未来两到五年技术跃迁,我们造出所谓“全自动智能体”,也就是AI白领工人,能在几年内完成99%的白领工作。这会如何改变现状?

Azeem Azhar:那会很糟糕,有点像沙皇俄国——沙皇更富,农奴更穷。没有重大政策干预,你会看到旧金山有一个巨大吸钱器,通过AI系统把世界的金钱都吸走。甚至那些自己运营产品的公司,也要向AI公司支付巨额经济租,利润薄得像17世纪英国农场的佃农。如果技术真如你描述那样,且无政策干预,我们可能就会朝那个方向走。

我的判断是,AGI不会像人们想象的那样上演。我认为让这技术在经济里落地,会花更久,会更难把“能做任何事”的机器人造出来。我也认为,总会出现像威斯康星Caledonia那样的时刻,人们站出来说——我们要改剧本,往不同方向推动。

Derek Thompson:我觉得Paul Kedrosky那类写AI泡沫的人,与OpenAI或Anthropic的创立者的割裂在于——如果你认为自己“距离发明近乎上帝的东西只有几个月”,你怎么会关心短期的泡沫?你认为我们在抵达人类技术发展的终局阶段,你不会对“Capex是否略微领先收入增长”这类问题感兴趣。你会觉得“幕布后面,离我们的手指只有几英寸,藏着一种绝对改变世界的技术”,这就是你唯一关心的。

我觉得这可能让我们(经济)陷入麻烦:构建技术的人对它的信仰,在心理和哲学上,与铺设光纤的人不同。即便做pets.com的人也不认为他们要终结人类就业;修铁路的人知道自己在干嘛,把马车放上钢轨,运过全国。

进入下一个指标前,我想暂停一下。可能导致经济泡沫的一个因素,是这些技术构建者前所未有的自信,认为他们造的是“圣经意义上的最后之物”。

Azeem Azhar:“技术升天论”,可以这么叫。这种救世主式的信念来自一些老板和员工,确实怪异。但现实总会粗鲁地打断梦想。事情总比我们预想更混乱。生成式AI已经能看出这点。企业采用它的速度快于过往技术,快于互联网和PC。它们也更快看到结果,同时很多公司在挣扎。但把这技术全面融入经济,把那个“全能AI”递到我们手里,覆盖美国乃至全球,不会像给iPhone推个更新那么简单,过程中还有很多步骤。我和企业谈时极常听到这些。

几周前我在拉斯维加斯和300位IT主管交流,做举手问答。大约一半说:我们现在还没见到结果,但两年内应该能见到。和他们深聊,是很具体的挑战,像通下水道一样的琐碎事。公司是复杂的,你不能把ChatGPT“丢进Costco或沃尔玛”,打个响指就搞定。要时间,要很多事。技术扩散和部署的故事一直如此。所以我的看法是,这些系统会变好,也会更快变好。但我们得做好准备,让它们变得非常好。现实永远比表格模型更凌乱。

估值热度:现在股价过高了吗?

Derek Thompson:第四项测试叫“估值热度”,本质是问:股价是否过高?天啊,只要沾上AI的股票就暴涨。过去两年,标普500的涨幅中约60%来自与AI相关的公司,如微软、Nvidia、Meta。看这些公司估值飙升的原因,常常显得像是自证循环。

比如Nvidia说要向OpenAI投资1000亿美元,作为回报,OpenAI同意向Nvidia买数十亿美元的芯片。之前,OpenAI又和Nvidia的对手AMD签了合约,买数百亿美元的芯片,作为交换,OpenAI将获得AMD约10%的股份。这就像“我会买你10亿美元的东西,只要你给我10亿美元的股票”。到某个点,这一切像一个极度互相牵连的估值蜘蛛网。你觉得这和互联网泡沫相比,有何相同或不同?

Azeem Azhar:我觉得和互联网泡沫很不同。彼时也有循环的供应商融资,但多是债务,不是权益,技术性上不同;而且花的钱常常是“假”的,下行时没人用那些光纤。我们直到2012、2013年,也就是YouTube真正爆发时,才开始用上那些光纤。今天的差异是,这类交易多用权益;很多都是分期,要达到里程碑才兑现;而且美国乃至全球的企业前所未有地强烈需求这种技术。它难看吗?我现在屏幕上就开着你说的蜘蛛网图,确实,你应该看着它觉得“不对劲”。

但让我再举一个我们熟悉且曾长期有效的例子——“供应商融资”。大概是在1919年,通用汽车设立了GMAC(注:即通用汽车金融公司,现为Ally Financial Inc),因为经销商很难融资开店,美国人有稳定工作但没法全款买车。GMAC:我们有最好的资产负债表、最多现金,我们来为经销商和美国购车者提供融资。GMAC今天仍存在。十年内,GMAC的贷款账本相当于美国GDP的0.5%。所以“供应商融资”并不必然会烂尾。它会引入新风险,让参与方可能表现糟糕。我们需要透明,看到这些关系之间发生了什么,有没有隐藏东西。我们在安然、WorldCom身上学到过。对我来说,这正是需要媒体审视的领域。现在看,它可能会变坏,但还没有,看起来离变坏还有一段距离。

Derek Thompson:有没有理由担心,把一个在稳定行业有效的供应商融资模式,应用在21世纪一个全新行业——AI,会带来我们不熟悉、无法映射历史类比的风险?

Azeem Azhar:我认为会带来各种我们难以映射的风险,我们会像全球金融危机时一样,落后于形势,比如评级机构没把一筐烂按揭的债券评级好。让我注意的是,很多交易目前仍相对透明,也有一点经济逻辑。不是Nvidia说“你来买我的芯片,我再给你钱去买”。这里发生的是——Nvidia有最强资产负债表,也在芯片上近乎垄断,它真的很想多卖。某种程度上,这是它的逻辑做法,特别是OpenAI这种非常年轻、巨额亏损、没有适合Capex的大资产负债表的公司。这当然是个很乐观的解读。但如果你要思考:如何确保不因为燃料短缺无法满足客户需求?我不确定你还会怎么做,尤其当需求如人们所说那样火爆时。

融资质量:大量数据中心支出发生在表外

Derek Thompson:第五项:你称之为“融资质量与即将到来的信用(兑付)压力”。按你的测算,未来三年全球数据中心Capex将达到3万亿美元。 “超级云厂商”能覆盖约一半。剩下的1.5万亿要从别处来。可能是私募信贷、证券化融资、新运营商、甚至政府。正如Paul Kedrosky在上一期节目里解释,大量数据中心支出发生在表外。SPV里,超级云厂商往盒子里扔点钱,私募资本也扔点钱,盒子就去买数据中心。但在超级云厂商的报表之外,这更容易展示公司盈利,同时也在融资AI的内脏。也许这能奏效,但听起来非常乱。你觉得有多乱?

Azeem Azhar:挺乱。那些有时间积累利润和现金的大公司不需要这么干,但年轻公司——比如新兴的超大云厂商CoreWeave或OpenAI——需要融资来匹配增长。当然,他们会找到越来越“带劲”的方式。就目前这个周期阶段,这些看起来更像“异域风情”,而不是“毒药”。问题在于之后会怎样,有没有足够透明度?我们能不能看清SPV里发生什么?我们能否看清GPU折旧到了哪一步?如果看不清,这种不透明会出现各种种暗招。

回顾繁荣如何转泡沫再转崩溃:我分析了18次崩溃,有足够数据深入的案例里,“融资质量”是引爆点的有9次,是压垮的压力源的有一半。有时是非法行为,有时只是看不清风险去哪了——全球金融危机就是如此。所以这绝对是我们要盯着的指标,希望资本市场能承担这个“让大家守规矩”的角色。

Derek Thompson:总结一下,我们谈了投资规模、投资远超当前收入、你期待收入能以极快的速度增长来追上支出;从股价角度,这些公司至少是很健康的估值,但也在建有巨大需求的东西;最后,融资结构很奇异,但你认为的还是“奇异”,而非“有毒”。

做一个非常简单的总结就是:如果AI收入未来五到十年每年增长100%,这不是泡沫;如果AI收入未来两到三年无法每年增长100%,投资者会重新评估这些公司是否能负担现在的AI支出,我们可能会看到“泡沫破裂”。这可能忽略了“融资质量”这个关键点,但整体上你觉得这总结如何?

Azeem Azhar:这总结很合理,最重要的指标是“收入增长”。它是需求的信号,是可货币化的信号。我们必须盯住它,通过各种方式,因为这些公司大多是私有的。如果收入增长不出现,那我们就可能重演pets.com或电信泡沫:建了基础设施,也许未来某天有用,但今天填不满。这也常是这类基础设施建设的故事。

Derek Thompson:Azeem,谢谢你跟我过了这五个指标。坦白说,我个人仍然担心AI是泡沫。对我而言想不通的地方有两个:

第一,我不认为收入会按时到来来抵消这些投资。OpenAI等要在未来几年成为每年200、500、1000亿美元的“现金喷泉”,我觉得概率太低,但要证明当前估值合理,需要类似的事情发生。

第二,我不认为三年后的估值还站得住。当投资修正(公司不得不缩减支出)叠加资产价值修正(比如OpenAI不值五千亿美元),那就是泡沫:投资修正+资产价值修正。……

最后,AI的“崩盘”会是什么样?

Azeem Azhar:某种意义上,我们可能会感激它。当然股价会下跌。但会发生的是,市场上会出现很多GPU基础设施、计算基础设施,资金不那么充裕的公司和组织可以用“清仓价”拿到手。那些资产会流向更小的玩家,他们可能有新的方法,更偏好开源,不去追逐“机器之神”,定价更理性,财务纪律更强。我们甚至可能看到更快的创新与民主化,多样化团队在更实惠的基础设施上创新。所以在某种程度上,崩盘之外也可能有光亮。

Derek Thompson:我喜欢你为听众和我提供了第三扇门。如果第一扇门是:AI是泡沫,是灾难;第二扇门是:AI不是泡沫,一切正常;你给出了第三扇门:AI可能是泡沫,但也没关系。短期会有价格修正,但正如互联网泡沫之后,价格修正会让后来者用上廉价基础设施。建出YouTube和Netflix那样的东西——那些光纤在90年代和2000年代初被铺设,我们后来很感激。

注:文/MD,文章来源:明亮公司(公众号ID:suchbright ),本文为作者独立观点,不代表亿邦动力立场。

文章来源:明亮公司

广告
微信
朋友圈

FAQ回顾

评估AI投资泡沫的五项指标是什么?

五项指标包括经济压力(投资占GDP比例)、行业压力(资本支出与收入比例)、收入增长(商业化速度)、估值热度(股价循环关联)和融资质量(表外融资风险)。当前AI投资未完全满足泡沫定义。

AI基础设施投资与收入差距有多大?

2024年AI数据中心年资本支出约3700-4000亿美元,而AI相关收入仅约600亿美元,比例达6:1。历史对比:铁路泡沫时期为2:1,电信泡沫为4:1。

AI投资泡沫破裂可能带来哪些影响?

若收入增长未达预期(需连续数年100%年增长),可能导致股价下跌50%以上、资本投资缩减。但GPU等基础设施降价可能促进创新民主化,类似互联网泡沫后的YouTube崛起。

这么好看,分享一下?

朋友圈 分享

APP内打开

赞 +1
+1
微信好友 朋友圈 新浪微博 QQ空间
关闭
收藏成功
发送
/140 0