Jon Gray 回应对 AI 回报缓慢的质疑

尽管围绕支出和现金流的担忧不断加剧，Jon Gray 仍对市场日益要求 AI 投资立即回报的态度提出质疑，称这种急切“有些不合时宜”。

据 google news 发布的一篇 Business Insider 报道，Blackstone 总裁的论点基于更长的投资周期。数据中心需要经过多年的规划、建设、电力采购和客户租赁，其经济效益才会逐渐明朗。

这一立场与公开市场更为迫切的诉求相冲突。投资者越来越希望 Alphabet、Amazon、Meta、Microsoft 和 Oracle 能将 AI 资本支出与可衡量的营收、利润率和自由现金流联系起来。

Gray 并非这场争论中的中立观察者。Blackstone 已将数据中心、能源基础设施和其他 AI 相关资产置于其投资战略的核心位置。公司的业绩为他的乐观态度提供了依据，但其风险敞口也意味着该公司对持续建设存在明确的财务利益。

因此，真正的争论并不在于 AI 是否会创造需求。当前云业务的增长和基础设施承诺已经表明需求相当可观。分歧在于时间、集中度，以及当融资和运营成本计入后，今天的建设能否带来可接受的回报。

Jon Gray 对 AI 回报的论点关乎时间

Gray 希望投资者将 AI 基础设施视为长期工业资产，而不是预期在一个季度内就能收回成本的软件功能。

Blackstone 的公开材料描述了一个持续多年的支出周期，涵盖芯片、数据中心、冷却设备和发电设施。这些资产必须先行落地，云服务提供商才能出售由此创造的计算能力。

这一顺序意味着，早期回报测算并不完整。建设支出会立即体现，而收入则要等到建筑获得供电、服务器完成安装、客户开始使用已签约容量后才会到来。

一个数据中心还可以承载数代计算设备。因此，建筑物和电力连接的经济寿命可能长于其首批芯片的有效使用寿命。

Blackstone 自身的投资组合为 Gray 的立场增添了可信度。在公司第二季度财报电话会上，管理层表示，AI 正在推动其对数字和能源基础设施的投资。Blackstone 还称，其十大季度投资收益中有九项与 AI 相关业务有关。

该公司表示，其混合数字基础设施投资策略自成立以来实现了 18% 的年度净回报。该数字反映的是 Blackstone 的一项投资策略，而非整个 AI 市场，不应被视为普遍性证据。

Blackstone 强调了其在 ChatGPT 发布前收购的数据中心运营商 QTS。根据该公司的年中展望，QTS 的已租赁容量在五年内增长了十五倍。

这段经历塑造了 Gray 的推理逻辑。Blackstone 在生成式 AI 需求变得显而易见之前就投入了资本，随后随着大型云客户寻求更多计算能力而受益。

然而，一个成功的平台无法回答更广泛的回报问题。不同资产的进入价格、电力供应、融资结构、租户合同和建设进度各不相同。

Blackstone 的收益也反映了其在供应链中的位置。即便租户的 AI 产品盈利能力低于预期，拥有长期租约的业主仍可能获得颇具吸引力的回报。

这一差异至关重要。基础设施所有者出售的是稀缺容量，而云公司必须将这些容量转化为持续性的客户收入。应用开发者则面临另一项挑战：必须获得足够收入，才能覆盖高昂的模型访问和计算成本。

这番原始评论最适合被理解为对耐心资本的辩护。Gray 并未声称每一个 AI 模型、数据中心或软件公司都会成功。

他更狭窄的观点是，投资者正在评估一个尚未完成的扩建周期，而其中大量容量尚未投入使用。在这一点上，建设周期支持他的看法。

但同样的时间周期也可能掩盖错误。因电力限制而延误的项目，可能错过最强劲的需求窗口。围绕当前硬件设计的设施，也可能比预期更早需要高成本升级。

因此，时间既是 Gray 的辩护，也是他的风险。等待可以让已签约需求转化为收入，但也给了竞争对手增加容量、压低价格的时间。

为什么 google news 充斥着对 AI 支出的疑虑

随着资本承诺的增长速度超过企业披露相关回报的速度，投资者的怀疑情绪日益加剧。

最大的云服务提供商很少将 AI 收入和利润作为单独项目披露。AI 业务通常包含在更广泛的云服务、广告、软件或基础设施业务中。

这种会计结构使直接计算回报变得困难。Google Cloud 在 AI 服务之外还包含传统云工作负载，而 Microsoft 的云业务板块则将 Azure 与其他产品合并计算。

Amazon Web Services 也面临同样的归因问题。Meta 的大部分基础设施用于内部，AI 在其中支持推荐、广告、内容工具和产品开发。

一篇财报分析发现，云业务利润率能够提供线索，但无法孤立计算 AI 投资的回报。传统云工作负载仍具有很高的盈利能力，可能掩盖较弱的 AI 经济效益。

支出数字则更容易看到。Reuters 报道称，市场对 Microsoft、Alphabet、Amazon、Meta 和 Oracle 的资本支出预估，已从 1 月约 4,850 亿美元升至 2026 年 7 月约 7,300 亿美元。

同一篇现金流分析预计，五家公司在 2027 年的资本支出可能超过其产生的自由现金流。

这些估算包含非 AI 投资，因为企业并未持续地单独披露 AI 支出。不过，管理层已将服务器、数据中心、网络及相关云容量列为主要支出驱动因素。

各公司的压力表现不同。Microsoft 报告季度经营现金流为 358 亿美元，同时资本支出达 375 亿美元，其中包括融资租赁。

Amazon 报告称，其过去十二个月经营现金流达到 1,485 亿美元，而自由现金流降至 12 亿美元。Oracle 2026 财年的资本支出达到 557 亿美元，经营现金流则为 320 亿美元。

这些数字并不能证明相关支出将会失败。但它们解释了为何投资者不再将容量增长视为充分证据。

公开市场股东最初将许多科技公司估值为轻资产平台。软件和广告收入可以扩张，而无需相应增加工厂、设备或库存。

AI 改变了这一模式。收入增长越来越依赖实体设施、专用芯片、冷却系统、输电设备和可靠电力。

其结果类似于软件经济与工业基础设施的混合体。这种组合可以形成持久优势，但也会降低灵活性，并在需求确定前消耗现金。

这正是当前 google news 报道背后的紧张关系。Gray 看到的是能够支撑多年计算需求的基础设施。怀疑者看到的则是规模巨大的固定承诺，其盈利能力依然难以衡量。

两种立场并非完全对立。投资者可以相信 AI 需求将增长，同时质疑当前建设中的每一美元是否都能获得足够回报。

这一差异解释了为何市场反应变得更具选择性。展现云业务增长和稳定利润率的公司，比高度依赖债务或集中客户的公司获得更多耐心。

争论已经超越了高管是否相信 AI。投资者如今希望看到证据，证明新增支出能够带来新增收入，而不会永久削弱利润率或股东回报。

耐心的基础设施资本遭遇季度市场压力

核心冲突在于，Gray 的长期投资模式与公开市场投资者对近期财务证明的要求之间存在矛盾。

Blackstone 募集的基金旨在长期持有私募资产。它可以围绕长期租约、合同化现金流和渐进式开发来构建投资。

上市科技公司则遵循不同的节奏。每一份财报都让股东有机会再次比较资本支出与云业务增长、营业收入和自由现金流。

这种差异可能使双方看起来都正确。一项私募数据中心投资可能在十年内表现良好，同时在最初几年压低云服务提供商的现金流。

Gray 的模式也受益于稀缺性。在主要数据中心市场，合适的土地、电网连接、设备、许可和经验丰富的运营商仍然有限。

Blackstone 表示，在某些地区获得电力所需的时间已从约一年延长至七年或更久。对于已掌控具备供电条件场址的业主而言，稀缺性可以支撑租赁价格和资产价值。

对于超大规模云服务商而言，同样的稀缺性会推高成本。云服务提供商可能需要为电力、建设、网络和设备支付更多费用，因为延迟扩容可能导致客户流失。

这产生了一种不同寻常的激励机制。对科技公司高管而言，投资不足似乎比暂时性超支更危险。

无法获得足够计算容量的客户，可能将工作负载转移到其他地方、自建内部系统，或与竞争对手签署长期合同。即使供应状况改善，失去的客户关系仍可能持续流失。

Moody’s 将这种担忧描述为从超大规模云服务商角度看具有生存性意义的问题。其分析也警告称，激进建设可能造成产能过剩和回报走弱。

数据中心支出通常会大幅早于收入。项目需要经历规划、建设、调试、设备安装和客户部署，才能实现全面产能。

这一滞后支持 Gray 对急躁情绪的批评。期待仍在建设中的设施产生与成熟、完全出租资产相同的回报，并不合理。

然而，投资者评判的不只是未完工的建筑。他们还在评估管理团队能否足够准确地预测需求，以避免同步过度建设。

Alphabet、Amazon、Meta、Microsoft 和 Oracle 正在同时扩张。专业云服务提供商和主权项目又增加了一层计划供应。

如果所有参与者采用相似的增长预测，就可能共同建设出超过客户吸收能力的容量。届时云服务价格将下跌，而折旧、利息和电力支出仍将存在。

Oppenheimer 的 Jason Helfstein 直截了当地概括了这一担忧：如果行业创造了过多容量，其价格就会下降。这正是资本密集型市场的经典风险。

电信行业提供了一个相关的历史参照。20世纪90年代末的光纤投资建成了后来不可或缺的基础设施，但由于产能早于能够盈利的需求到位，许多投资者仍蒙受损失。

互联网并不是一项失败的技术。许多单个项目和公司依然带来了糟糕的回报。

AI 基础设施也可能呈现同样的分化结果。社会或许会使用远超以往的算力，但一些资产所有者可能会发现自己支付过高，或为项目进行了过度激进的融资。

高盛估计，若要达到20世纪90年代末电信行业峰值占经济总量的比例，AI 超大规模云服务商在2026年的支出需达到7,000亿美元。其投资展望还指出，大型服务商拥有可观的资产负债表承载能力。

因此，规模降低了最强势企业立即陷入财务困境的风险。但这并不保证其新增一单位产能能获得与此前相同的回报。

当应用于资本雄厚投资者持有的稀缺、已签约基础设施时，Gray 的论点最具说服力。将其泛化到投机性项目、高杠杆运营商和未经验证的应用时，论点就会减弱。

市场的急躁并不只是短期思维。它是在试图区分具备持久价值的基础设施，与建立在尚未经过检验的假设之上的产能。

缺失的回报数据留下了真实的验证缺口

Gray 的乐观无法解决核心问题，因为 Blackstone 和超大规模云服务商都没有提供 AI 盈利能力的完整图景。

Blackstone 可以报告特定基础设施策略和单个投资组合公司的业绩。这些结果展示了其资产在特定合同和所有权结构下的表现。

它们并未揭示使用这些设施的云客户所获得的回报，也没有说明生成式 AI 应用是否能够支撑整个供应链所需的价格。

超大规模云服务商的信息披露则存在相反的局限性。它们展示合并后的收入、利润率、现金流和资本支出，但很少单独披露 AI 基础设施的贡献。

这使投资者只能结合间接信号进行判断。他们关注云业务增长、积压订单、利用率、营业利润率、折旧、租赁承诺以及管理层评论。

每项信号都有弱点。积压订单可能包含跨越多年的合同，而客户可能会在确认收入前协商部署进度。

利用率可以提升，同时价格却在下降。云业务增长也可能反映传统数据库、存储和网络需求，而非生成式 AI。

由于盈利丰厚的传统服务可以抵消较新 AI 工作负载的亏损，利润率也可能保持稳定。若没有分部门披露，强劲的云业务业绩并不能证明 AI 回报具有吸引力。

客户集中度带来了另一项不确定性。汇丰银行的科技研究估计，OpenAI 和 Anthropic 约占多家主要云服务商披露的 AI 相关积压订单的一半。

由于服务商披露的客户细节有限，确切占比难以验证。但这一可能性很重要，因为两家实验室都依赖持续的外部投资和大规模基础设施承诺。

一个高度集中的市场看起来可能比实际更强劲。一家服务商的基础设施收入，可能来自其支出由同一投资网络中另一家公司提供资金的客户。

这些关系并不必然构成循环融资或不可持续。战略投资者可以理性地为模型开发商提供资金，同时向其出售算力。

不过，这些安排令需求分析更加复杂。投资者必须判断，究竟有多少使用量来自独立付费客户，而非在一个小型群体内部循环的资本。

怀疑观点也延伸至超大规模云服务商之外。企业报告称正在试验 AI，但试验并不总会转化为大规模部署。

试点项目可能证明技术价值，却无法覆盖集成、安全、培训、治理和推理成本。当这些成本超过可衡量的节省时，公司可能会减少使用。

Blackstone 报告称，其约半数投资组合公司已进入某种形式的 AI 应用阶段。这为观察不同企业提供了有用视角，但应用阶段并不等同于财务回报。

最重要的缺失数据是增量利润。投资者需要知道，AI 是否带来了超出企业在没有新增基础设施情况下本可获得的收入或节省。

这一计算需要反事实情境，即估计没有这项投资时的结果。公司很少公布这种数据，外部人士也无法精确构建。

一个推荐系统可以在使用新 AI 硬件的同时提升广告收入。然而，相同的收入增长也可能反映更高的价格、受众增长或无关的产品变化。

AI 编程助手可以提高软件订阅收入。但其贡献仍取决于客户留存、算力成本、支持费用，以及对现有产品可能造成的蚕食。

这一验证缺口使双方都有空间选择有利证据。Gray 可以指向租赁增长和基础设施回报；批评者可以指向自由现金流下降和披露有限。

两者都无法证明最终结果。建设仍在进行，许多相关产能运营的时间还不足以形成稳定的经济效益。

对于从 google news 进入的读者而言，这种不确定性比标题中的分歧更重要。仅靠信心无法解决这场争议。

证据最终必须体现在经常性收入、持续利用率、稳定定价、利润率改善，以及扣除资本成本后的现金生成能力上。

在这些数字变得可见之前，Gray 的评论仍是一项可信的投资论点，而非关于整个 AI 经济的经验证结论。

Jon Gray 的论点面临最严峻考验之处

最大的风险并非 AI 需求消失，而是供给、融资和客户经济效益无法协调。

算力需求可以快速增长，投资者却仍可能获得令人失望的回报。资产的买入价格和融资成本决定了谁能攫取价值。

高额利息支出可能抵消强劲租赁收入的优势。建设延期可能导致设施尚未开始向客户收费便已产生成本。

电力是另一项限制因素。数据中心需要可靠供电，而新建输电或发电项目所需时间可能比算力设施本身更长。

已锁定电力供应的开发商可能享有更强的定价能力。缺乏电力供应的开发商则可能在等待电网接入期间，持有昂贵的土地和设备。

社区和监管机构也会影响项目时间表。关注的问题包括居民电价、用水量、噪音、排放以及土地竞争。

新的要求可能将基础设施成本转移给数据中心运营商。这可能保护居民，但也会降低项目回报或延误建设。

设备周期进一步增加了不确定性。先进处理器的商业价值可能比建筑物、变电站和冷却系统更快过时。

资产所有者必须设计能够支持未来硬件密度的设施。无法容纳新电力和冷却要求的建筑物可能需要追加投资。

快速提升的效率带来了另一种张力。效率更高的芯片可以降低每项任务的计算成本，并通过更低价格鼓励更多使用。

但效率提升也可能减少完成固定工作负载所需的机器数量。需求必须以足够快的速度扩张，才能吸收这些效率收益。

竞争影响着每一个层面。Nvidia 供应了大量加速计算硬件，而云公司则开发自有处理器，以降低成本和对供应商的依赖。

Google 长期运营张量处理单元，这是一类专为机器学习工作负载设计的专用处理器。Amazon 和 Microsoft 也提供内部设计的 AI 芯片。

定制硬件可以改善超大规模云服务商的经济效益。但它也可能削弱围绕某一特定外部处理器优化的设施或融资安排所依据的假设。

近期最大的压力可能落在高杠杆运营商身上，而非最大的科技公司。超大规模云服务商可以依靠多元化收入和庞大现金流来支撑支出。

较小的基础设施服务商通常依赖债务、设备融资或数量有限的租户。一份延迟合同或再融资问题就可能造成更大的影响。

标普全球评级估计，五家大型云服务商将在2026年投入约7,500亿美元资本支出，约占其收入的38%。其信用评估预计，随着 AI 收入规模扩大，现金流将得到恢复。

该机构也警告称，长期信用质量取决于收入增长快于资本承诺。这一条件比泛泛而谈 AI 泡沫更准确地概括了核心考验。

如果需求始终领先于可用供给，且长期合同将稀缺性转化为现金流，Gray 的论点就能成立。如果融资成本上升而产能变得可替代，其论点就会减弱。

如果主要 AI 客户无法通过经营收入为其承诺融资，论点同样会减弱。届时，基础设施需求将依赖持续融资，而非自我维持的使用量。

读者面临的挑战是，避免将 AI 视为一个统一市场。盈利的电力资产、满租设施、云服务和消费级聊天机器人，拥有不同的经济逻辑。

Blackstone 在某一层面的成功，并不能证明每一层都具备盈利能力。反过来，薄弱的应用经济效益也不会自动使已签约的数据中心无利可图。

这种碎片化结果比简单的繁荣或崩盘结论更可能出现。强势平台可以获得有吸引力的回报，而较弱项目则可能重组、整合或关闭。

因此，Gray 关于市场急躁的论点应被选择性地应用。时间有利于受到真实需求和审慎融资支持的资产。时间无法修复过高的入场价格或不可靠的客户。

google news 读者接下来应关注什么

接下来的三个信号将显示，Gray 是判断过早、判断正确，还是忽略了建设与盈利需求之间不断扩大的缺口。

首先，在下一轮超大规模云服务商财报周期中，应将自由现金流与资本支出结合起来观察。仅凭收入增长无法解决这个问题。

对 Gray 最有力的证据，将是 AI 或云业务收入扩张的同时，营业利润率保持稳定，且现金流开始消化新增资本成本。

相反的模式将削弱其观点。如果支出持续上升而自由现金流下降，项目延期、减少回购或增加外部融资的压力将会加大。

投资者应将资本支出与经营现金流进行比较，而不是孤立看待任一数字。他们还应考虑融资租赁，因为这可能使基础设施承诺游离于较为简单的现金支出比较之外。

第二，关注已披露的积压订单是否转化为已确认收入。大型合同只有在客户部署工作负载并持续付款时，才能支持基础设施论点。

有用的证据包括更高的利用率、加速增长的云销售，以及对产能限制提及的减少。稳定或改善的价格将表明需求仍超过可用供给。

延迟部署会传递出不同的信号。多家供应商同时释放产能所导致的价格下跌也是如此。

客户构成与总积压订单同样重要。更广泛的企业采用将降低对 OpenAI、Anthropic 以及少数资金雄厚买家的依赖。

第三，关注融资方式如何变化。债务发行、合资企业、资产出售和私募融资结构，能够显示究竟是谁在承担建设风险。

外部资本可能是合理选择，因为数据中心属于长期资产。将其与长期融资相匹配，能够避免科技公司必须直接为每个项目提供全部资金。

当融资掩盖杠杆水平，或将风险转移给依赖乐观利用率假设的载体时，情况就更令人担忧。投资者应审视担保、租赁义务和租户集中度。

这些信号应在多个财报周期内逐步明朗，而非由一条新闻标题决定。这一时间框架支持了 Gray 的部分观点，同时也保留了市场要求证据的权利。

他的表态反驳了以单个季度为多年度基础设施周期下结论的做法。但这并不意味着可以取消过程中的阶段性里程碑。

因此，最有价值的问题并不是投资者是否过于缺乏耐心，而是企业能否在耐心变成借口之前展示稳定进展。

读者可以通过现金流、已转化的积压订单和融资质量来追踪这一进展。这些指标比又一波乐观的 AI 宣传更能揭示真相。

在阅读下一条关于 AI 支出的 Google News 新闻标题时，请将这三个指标放在一旁对照。若三者同步改善，Gray 关于耐心的论点将更有说服力；若它们出现背离，市场的怀疑态度就会显得越来越合理。