AMD 和 IBM 的 CEO 并不认为存在 AI 泡沫，只看到数据中心有 8 万亿美元
- Aisha Washington
- 6月6日
- 讀畢需時 8 分鐘
已更新：6月17日
围绕当前人工智能估值爆炸式增长的讨论已达到白热化。一方面，行业巨头们——特别是 AMD 和 IBM 的 CEO——认为我们仅仅处于必要基础设施建设的起跑线上。而另一方面，越来越多的投资者和技术专家则认为我们正深处 AI 泡沫之中，这种泡沫是由不可持续的支出和超越现实的炒作所推动的。
最近，AMD CEO Lisa Su 和 IBM CEO Arvind Krishna 在谈到计算的未来时，凸显了这种分歧。他们的立场很明确：市场并未过热，而是配置不足。然而，当你仔细审视他们提出的数字——特别是全球支出接近 8 万亿美元时——这道数学题看起来就不再像是一个商业计划，而更像是一场豪赌。
企业乐观主义遭遇市场怀疑论
防御这种局面的主要手段是AI 泡沫芯片制造商提供的叙事具有历史先例。他们将当前的支出热潮比作互联网或移动网络的建设。其论点是，如果不先铺设物理轨道（硬件），就不可能拥有应用程序（软件收入）。
IBM 的 Arvind Krishna 提供了一个特定的指标，此后该指标在财经讨论中广泛流传。他指出，建设一个容量为 1 吉瓦（1 GW）的 AI 就绪数据中心大约需要花费 8000 亿到 1 万亿美元？不，数字虽然稍微务实一些，但依然令人震惊——最近的估计显示，一个 1 GW 的设施耗资数百亿，但行业领导者讨论的全球总目标所需的总容量估计需要 8 万亿美元 的总 基础设施投资。
这使 AMD 和 IBM 等公司处于有利地位。如果世界决定需要在这类硬件上投入巨资，那么无论软件公司是否盈利，芯片制造商都是赢家。
这种动态复兴了经典的“卖铲子”隐喻。在淘金热中，致富的人不一定是那些在泥土中挖掘的人，而是那些出售镐和铲子的商人。怀疑论者认为，AMD、NVIDIA 和 IBM 只是 21 世纪的铲子商。他们对AI 泡沫 对其股价而言是结构性必要的。如果他们承认需求可能会逐渐减少，其估值就会崩溃。因此，他们的看涨态度应被视为一种推销手段，而非客观的市场分析。
扩建数据中心的经济学
数据中心成本现实：从百万到万亿
从历史上看，数据中心对科技公司来说是一项昂贵但可控的开支。向生成式 AI 的转型彻底改变了单体经济模型。AI 训练和推理需要 GPU（图形处理器）或 NPU（神经网络处理器），它们比传统的 CPU 昂贵得多，且耗电量巨大。
当 IBM 的领导层谈到全球需要 100 吉瓦（gigawatts）的容量时，他们所谈论的是一场足以与国防预算相匹敌的工业动员。其中涉及的硬件是高度专业化的。与可以轻松重新用于托管网站或数据库管理的标准服务器不同，高端 AI 机架针对矩阵乘法进行了优化。它们是纯粹的算力怪兽。
如果对 数据中心 的需求以目前的速度持续增长，那么从先进封装到高带宽内存（HBM）的整个供应链在未来几年都将保持紧张状态。这种稀缺性维持了高价格，使供应商受益。然而，如果这种需求是人为的——由 FOMO（唯恐错过）而非实际的终端用户收入驱动——那么最终的修正将导致价值数万亿美元的硬件处于闲置状态。
如何证明 8 万亿美元账单的合理性
8 万亿美元这个数字令人难以费解。为了更直观地理解，这个金额大约是 Amazon 整个市值的四倍。对于该行业来说，要证明这种规模的基础设施投资 达到这种规模，AI 服务产生的收入必须是天文数字。
这就是计算变得棘手的地方。如果公司通过借贷或稀释股权来支出 8 万亿美元，他们不仅要承担本金，还要承担利息和股东的预期回报。
持怀疑态度的观察家指出，为了支撑如此规模的资本支出，AI 行业每年需要产生数千亿美元的净利润才能在硬件成本上实现盈亏平衡。目前，虽然收入在增长，但除了硬件销售商之外，很少有公司的利润率能证明这种级别的支出是合理的。AI 的“应用层”仍在努力寻找客户愿意大规模支付高额溢价的使用场景。
分析投资回报率（ROI）的脱节
“AI 泡沫”论点的核心在于投资回报率（ROI）。科技史中充斥着虽然具有革命性，但未能为早期投资者赚到钱的技术。90 年代末的光纤繁荣是一个经常被引用的对比案例。我们最终确实使用了这些光纤，但铺设光纤的公司却先破产了。
利息陷阱与基础设施投资
资本不再是免费的。在近乎零利率的时代，在实验性数据中心上投入数十亿美元的风险较低。而今天，资本成本是实实在在的。
当 CEO 们呼吁数万亿美元的基础设施投资时，他们是在要求市场提前支付一场尚未完全实现的革命的成本。如果 AI 的“杀手级应用”最终只是一个稍微好一点的聊天机器人或更高效的代码助手，那么创造的价值可能只是数十亿，而非数万亿。
基础设施成本与产出价值之间的差距正是泡沫产生的原因。如果你建造了一座每天能生产一百万辆汽车的工厂，但市场只购买五万辆，那么你的工厂就不是资产，而是负债。同样的逻辑也适用于数据中心。
饱和市场中的硬件折旧
有一个技术细节经常被一般的财务报告所忽略：硅片的折旧速度非常快。硬件折旧在 AI 领域快得惊人。
Reddit 上的一位用户指出了一项关键风险：二手市场会发生什么？如果泡沫破裂或仅仅是消退，市场可能会充斥着轻微使用过的 H100 或 MI300。与通常保值的房地产不同，GPU 是一种贬值资产。一颗三年前的 AI 芯片在效率上远低于新芯片。
如果像 Meta 或 Microsoft 这样的公司认定他们过度建设并尝试清算库存，算力价格将会崩盘。这对 AMD 和 NVIDIA 来说将是灾难性的，因为他们的新芯片将不得不与自己上一代仅售几分钱的旧产品竞争。“卖铲子的人”只有在矿工持续购买新铲子的情况下才能获利。如果矿工退出并出售二手工具，铲子工厂就会倒闭。
技术与物理限制
除了资金之外，我们的建设规模还存在物理限制。行业领袖提议的data centers规模在电力供应方面正面临着难以逾越的障碍。
吉瓦级别的能源消耗
能源消耗正迅速成为 AI 扩展的瓶颈。一座 1 GW 的数据中心需要相当于一座专用核反应堆或大型太阳能电站的输出功率。美国许多地区的电网已经不堪重负。
将这些设施接入电网需要数年的监管审批和建设。我们看到科技公司正在研究小型模块化核反应堆 (SMRs)，仅仅是为了保证运行时间。这增加了另一层成本和复杂性。
批评者认为，消耗数吉瓦的电力来生成 AI 艺术或撰写营销邮件是资源错配。如果产出的社会价值与能源消耗的环境和财务成本不匹配，监管机构可能会介入以限制增长，从而从外部戳破泡沫。
专用硬件与通用效能
社区讨论中提出的另一个技术点是硬件的专用性。填满这些数据中心 针对 AI 工作负载进行了高度专业化的优化。
如果 AI 热潮消退，这些芯片很难被重新用于通用计算任务，例如托管 Web 服务器或运行标准企业数据库。它们本质上是矩阵乘法引擎。如果你不需要进行大规模矩阵乘法，它们就是昂贵的镇纸。
这种缺乏灵活性的特点使得 基础设施投资 比以往的技术周期更具风险。当互联网泡沫破裂时，服务器仍可用于其他用途。当加密货币挖矿崩盘时，GPU 涌入了游戏市场。但企业级 AI 集群很难拆解并出售给消费者。资产全额减值的风险更高。
结论：AI 泡沫即将破裂吗？
硬件公司的 CEO 们否认 AI 泡沫 是预料之中的。 他们的职责就是推销愿景，从而推动对其产品的需求。然而，在以下两者之间的脱节：8 万亿美元支出计划与 AI 软件当前的收入现实之间的差距正在扩大。
我们正看到“基础设施层”（芯片/数据中心）与“应用层”（软件/服务）之间典型的脱节。基础设施的建设规模仿佛通用人工智能 (AGI) 已经迫在眉睫。然而，即使是像 IBM 首席执行官这样的乐观主义者也承认，短期内实现真正 AGI 的概率很低。
市场目前的定价反映了一种最佳情境，即 AI 同时变革全球经济的每一个领域。如果现实不尽如人意——如果 AI 最终只是一个强大的工具，而不是人类智能的替代品——那么硬件生态系统的估值将不得不进行修正。
“铲子”已经以溢价售出。现在，“矿工”们必须找到金子。如果他们不能尽快找到价值 8 万亿美元的黄金，卖铲子的人将成为最后拿着贬值硅片的接盘侠。
常见问题解答
为什么有些专家将当前的 AI 市场称为“卖铲子”的情境？
这指的是 1849 年的淘金热，当时销售工具的商人获得了持续的利润，而大多数淘金者却失败了。在 AI 背景下，像 NVIDIA 和 AMD（卖芯片的）正获得巨额利润，而购买芯片的公司（矿工）尚未证明他们能产生足以支撑硬件成本的利润。
拟议中的全球 AI 基础设施预计成本是多少？
包括 IBM 和 AMD 高管在内的行业领袖讨论了一份可能需要高达 8 万亿美元投资的路线图。这包括在未来几年内建设大规模数据中心、升级能源网以及采购专用半导体。
为什么能源消耗是 AI 数据中心面临的主要问题？
由于 GPU 计算产生的高热量和高能耗，以 AI 为中心的数据中心比传统服务器集群需要多得多的电力。建设新的吉瓦级设施的提案将需要相当于小城市或专用发电厂的电力，这会使现有电网承受巨大压力，并引发环境担忧。
如果泡沫破裂，AI 硬件可以重新利用吗？
这很难。高端 AI 芯片专门用于矩阵乘法和深度学习任务。虽然它们可以处理一些高性能计算工作负载，但对于通用 Web 托管或标准办公任务来说效率并不高，这意味着如果 AI 市场萎缩，它们的转售价值可能会暴跌。
AI 投资是否存在硬件贬值的风险？
是的，硬件贬值是一个重大风险。半导体技术进步迅速，使芯片在 3 到 5 年内就会过时。如果公司在当前一代芯片上花费数十亿美元，但未能快速将其变现，那么硬件在回本之前就会失去大部分价值。
