Steve Eisman 警告：AI 基础设施热潮存在一个隐藏弱点

尽管云业务快速增长，Steve Eisman 仍卖出了自己长期持有的 Alphabet 股票；一则 Google News 报道由此成为对一项拥挤 AI 交易的警告。这位因《大空头》中记录的房地产市场押注而闻名的投资者，并非预测人工智能会失败。他质疑的是，其最终利润是否足以证明如今异常庞大的基础设施支出是合理的。

这一区别改变了讨论的焦点。AI 模型可以持续进步，云需求可以不断增长，Nvidia 也可以继续销售处理器，但投资者仍可能获得令人失望的回报。Eisman 的担忧聚焦于连接芯片制造商、云平台、模型开发商、企业借款人和指数投资者的经济链条。

Alphabet 展现了这种矛盾。其云业务正在快速扩张，但公司也在投入更多现金用于服务器、网络设备、电力和数据中心。随着需求超过可用计算能力，Microsoft 面临着类似压力。

看涨观点认为，这些限制证明客户对 AI 服务的需求超过了供应商的供给能力。怀疑观点则认为，在折旧、电力、融资和替换成本之后，单有需求并不能保证具有吸引力的利润率。

Eisman 并未对整个行业进行全面做空。相反，他降低了 AI 敞口，持有更多现金，并等待更清晰的证据。他的决定提出了一个比“AI 是否有效”更棘手的问题：最终是谁能赚到足够的钱，为这场建设热潮买单？

Steve Eisman 实际上做了什么调整

Eisman 卖出 Alphabet 是一项风险决策，并不意味着他认为 Google 或 AI 已停止增长。

Eisman 告诉 CNBC，他持有 Alphabet 的时间太久，甚至已经记不起最初是什么时候买入的。随后，随着科技行业的 AI 支出加速，他卖出了这笔持仓。

根据最初的 AI 敞口警告，Eisman 将所得资金转为现金，而非传统防御型股票。他没有用公用事业股、必需消费品股或其他所谓更安全的主题来替代 Alphabet。

这一选择很重要，因为它将他的立场与传统的衰退交易区分开来。他并不是在说低增长公司天然能提供更好回报。他的意思是，当前市场几乎没有有吸引力的方式能避开其主导性的 AI 敞口。

Eisman 最直接的警告涉及：如果这项技术未能带来足够的财务回报，将会发生什么。他表示，在这种情况下预计会出现一次“大幅回调”，但没有给出时间表或预估跌幅。

这句话听起来可能比他的完整立场更为看空。Eisman 承认，AI 可以成为一项卓越的技术。他怀疑的是，是否每一家为这项技术提供融资、供应或运营服务的公司，都配得上当前市场给予的预期。

这正是 Google News 标题背后的隐藏弱点。技术成功与投资成功彼此相关，但并不能相互替代。

一项有用的产品可以带来巨大活动量，却未必为每一位参与者创造足够利润。航空业改变了交通运输，但其经济效益长期以来仍很艰难。即使投资者曾因过剩产能亏损，电信网络依然成为必不可少的基础设施。

AI 基础设施正面临这一问题的自身版本。云公司购买处理器时，芯片供应商可以确认销售收入。模型公司预订容量时，云服务商可以报告需求。这两笔交易都无法证明终端客户能从由此产生的服务中获得持久利润。

Eisman 还质疑了行业内日益紧密的融资安排。芯片制造商、云服务商、模型开发商和基础设施投资者可以通过合同、投资、贷款或容量承诺相互支持。

这些关系并非天然不当。在真正的扩张期，它们可以帮助为稀缺基础设施融资。然而，它们也使得辨别独立且有利润的需求究竟从何处开始变得更加困难。

因此，卖出 Alphabet 更像是一项投资组合警告。Eisman 在尚未获得 AI 周期已经失败的决定性证据之前，就降低了敞口。现金让他可以等待，而无需转向另一项拥挤的主题。

他的行动并未终结争论。它揭示了他现在希望看到的证据：可持续的收入、持久的利润率，以及超过 AI 基础设施全部成本的现金生成能力。

Google News 遇上 Alphabet 不断膨胀的资本账单

Alphabet 的经营势头支持 AI 逻辑，但其资本需求表明，仅凭增长无法终结这场争论。

Alphabet 于 2026 年 7 月 22 日公布了强劲的第二季度业绩。营收达到 1,198 亿美元，较去年同期增长 24%。营业利润增长 30%，至 408 亿美元。

Google Cloud 实现了最引人注目的扩张。营收增长 82%，至 248 亿美元，积压订单达到 5,140 亿美元。积压订单指的是已签约、但尚未确认收入的业务。

这些数据为 AI 基础设施盈利能力提供了重要支持。它们表明，Alphabet 并非在没有商业需求的情况下建设数据中心。客户正在作出承诺、使用更多容量，并采用 Google 的 AI 服务。

Alphabet 表示，接近 90% 的《财富》100 强企业使用了 Gemini Enterprise。公司还报告称，在此前 12 个月中，超过 2,000 家企业消耗了逾 1,000 亿个 token。

Token 数量衡量的是 AI 模型处理的文本、代码、图像或其他数据。它反映了活跃度，但并不能揭示每个单位所带来的利润。

公司的季度业绩还显示，每分钟处理约 220 亿个 API token，较前一季度的 160 亿个有所增长。

搜索业务提供了另一项支持信号。Alphabet 表示，随着全球扩张，AI Mode 的月活跃用户已突破 10 亿。搜索及其他广告收入增长了 17%。

这些结果挑战了最简单的泡沫论调。Google 并非在停滞的产品之外，为一项无关实验大举投入。AI 功能正在触达庞大受众，云客户也在消耗大量计算容量。

不过，Alphabet 该季度的资本支出达到 449 亿美元。资本支出，或 capex，涵盖服务器、网络系统和数据中心等长期资产。

这一季度支出超过了 Alphabet 的 391 亿美元经营现金流。在资本支出及其他调整后，自由现金流为负 59 亿美元。

管理层将 2026 年预计资本支出提高至 1,950 亿至 2,050 亿美元之间。公司还表示，2027 年的支出将再次显著增长。

这正是 Steve Eisman 的 AI 警告更难被忽视的地方。当基础设施投资增长得更快时，强劲营收并不能消除成本问题。

数据中心需要的不只是初始建设付款。它还需要处理器、内存、冷却设备、网络设备、电力、维护和熟练操作人员。随着更快系统的出现，较旧硬件的经济价值也会下降。

会计规则会将许多资产的已记录成本分摊至其预计使用寿命内。这个称为折旧的过程，会在多个期间内减少报告利润，而不是立即确认全部费用。

折旧并不构成全部风险。更大的问题在于，硬件的经济寿命是否与会计折旧年限相匹配。一块仍能正常工作的处理器，在更先进芯片令其竞争力下降后，仍可能继续使用。

Alphabet 认为，工程和硬件改进正在降低 AI 服务成本。公司表示，该季度 AI Mode 回复的成本已降至自推出以来的最低水平。

这一进展很重要。单位成本下降可以将使用量增长转化为利润率改善，也可以通过更好的软件和工作负载管理，延长现有基础设施的有效作用。

然而，每次回复成本下降，并不自动意味着总支出下降。使用量的增长可能快于效率的提升。功能更强的模型也可能需要更多计算资源来处理每项复杂任务。

因此，投资者需要两组数据。Google News 报道自然强调增长、产品和使用量。财务检验还需要考察资本密集度、折旧、运营费用和自由现金流。

整个市场都押注于一个 AI 假设

Eisman 更广泛的担忧在于集中度：股票和债券看似分散，却可能依赖同一套 AI 经济逻辑。

广泛的指数基金持有数百家企业。这种结构通常能降低单一公司下跌带来的损失。但当最大持仓共享同一支出周期时，它无法消除敞口。

S&P Dow Jones Indices 将标普 500 指数归类为大型公司基准，覆盖约 80% 的美国可投资市场市值。其市值加权方式赋予最大公司最大的影响力。

TheStreet 发布其报告时，规模最大的十家企业约占该指数的 36.4%。Alphabet、Microsoft、Nvidia、Amazon、Meta 及其他与 AI 相关的公司，占据了这一集中群体的大部分。

官方指数方法论并不承诺在公司或经济主题之间提供均等敞口。投资者可以持有 500 只股票，但仍由一小群公司决定大部分表现。

这构成了 Eisman 所说危险交易的一面。股票投资者在很大程度上依赖大型科技公司维持与 AI 相关的盈利增长。

另一面延伸至债券市场。数据中心需要长期实体资产，而建设规模之大，推动科技公司、开发商、公用事业公司和基础设施合作伙伴进行借贷。

在正常情况下，股票和债券的表现方式不同。然而，当其底层发行方依赖相同的预期现金流时，两者都可能受损。

一位投资者可能持有科技股以追求增长，并持有公司债以获得稳定性。如果 AI 基础设施同时支撑股票利润和债券信用状况，那么这份投资组合的经济多样性就低于其标签所暗示的程度。

美联储尚未宣布 AI 危机。其 2026 年 5 月的评估将家庭和企业债务脆弱性整体描述为中等水平，并表示银行体系依然稳健且具有韧性。

不过，美联储发现股票估值压力仍然偏高。标普 500 公司市盈率仍处于其历史分布的高端附近。

接受美联储调查的市场参与者，经常将 AI 相关发展列为潜在威胁之一。他们还提及地缘政治风险、油价冲击、私募信贷以及持续通胀。

这份金融稳定评估提供了有益的平衡视角。它承认 AI 是一条风险传导渠道，但并未宣称崩盘必然会发生或迫在眉睫。

这种差异与 Eisman 的立场一致。高度集中会带来脆弱性，但并不能提供可靠的择时信号。只要盈利依然强劲，估值高企的市场仍可能继续上涨。

集中度也有两面性。当较弱行业陷入困境时，少数盈利能力强的公司可以支撑整个指数。Alphabet 和 Microsoft 都拥有成熟业务，其产生的现金流并不只来自 AI 业务。

Google 仍然获得可观的广告收入。Microsoft 面向多种工作负载销售软件和云服务。Amazon 经营零售和物流业务，而 Meta 则通过广告收入为基础设施投入提供资金。

这些现金引擎将当今的领军企业与那些尚未建立稳定收入的投机性公司区分开来。它们让超大规模云服务商有更多时间改善 AI 的经济效益，并消化早期运营亏损。

不过，压力依然存在。大型公司能够承担庞大的支出计划，但投资者仍会将每项计划与资本的其他用途进行比较。数据中心需要与收购、研发、分红和股票回购争夺资金。

庞大的资产负债表并不意味着资本没有成本。每台服务器最终都必须对收入增长、成本下降、核心业务防御，或创造有价值的战略选择有所贡献。

这一标准解释了为何 AI 热潮可以同时显得健康又脆弱。最强大的公司正在为其提供资金，但许多多元化投资组合都依赖于这些公司能否把经济账算对。

云需求真实存在，但盈利能力才是考验

核心矛盾并非真实需求与虚构需求之争，而是真实需求与能否以盈利方式满足这种需求之间的较量。

Microsoft 为看多观点提供了重要证据。该公司报告称，在 2026 财年第三季度的资本支出为 319 亿美元。

其中约三分之二用于寿命较短的资产，包括图形处理器和中央处理器。这些资产承担着云和 AI 工作负载背后的计算任务。

Microsoft 表示，云容量仍然落后于客户需求。其容量披露表明，该公司是在应对实际约束，而不只是建设闲置设施。

供应约束可能意味着定价权。当客户需要的容量超过供应商能够提供的容量时，供应商可以优先服务价值更高的工作负载，并谈判更有利的承诺条款。

但它也可能掩盖无利可图的需求。客户会对获得补贴的服务提出更多需求，尤其是在供应商争夺市场份额或提供激励措施时。

关键指标不是等候名单，而是在计入计算、能源、折旧、网络、支持和融资成本之后所获得的利润率。

推理处于这一问题的核心。推理是运行训练完成的模型，以回答请求、生成内容或完成任务的过程。

训练产生模型，但推理服务于日常用户。其经济效益决定了大规模采用究竟会成为持续性利润引擎，还是一项昂贵的用户参与策略。

Eisman 的担忧在于，客户可能无法接受实现盈利性推理所需的价格。企业喜欢价格低廉的 AI 助手，但其支付意愿存在上限。

随着芯片和软件改进，模型提供商可以降低价格。竞争也可能在成本尚未充分下降前迫使价格下调，从而压缩整个行业的利润率。

闭源模型面临开放权重替代方案的压力。开放权重模型会在规定条款下提供其学习到的参数，使组织能够自行托管或调整模型。

自行托管并不能消除成本。企业仍需要硬件、工程、安全、监控和治理能力。不过，它为成熟买家提供了另一种议价选择。

云平台可以通过提供完整系统，而非原始模型访问权限来应对。这些系统结合了数据工具、安全控制、自研处理器、软件代理和企业支持。

Alphabet 的做法遵循这一策略。Google Cloud 将芯片、模型、数据服务、安全产品和代理开发工具作为一体化套餐销售。

整合可以改善利润率，因为客户购买的是更广泛的合作关系。当应用依赖单一提供商的专有服务时，它也会提高转换成本。

这形成了更细致的 AI 基础设施盈利能力测试。投资者不应只衡量直接模型调用带来的收入。AI 还可以增强广告业务、云服务留存、开发者采用率、安全产品销售和生产力。

部分回报也会表现为被守住的收入，而非新增收入。Google 可能大举投资 AI，因为若未能改进 Search，其现有业务就会面临威胁。

防御性投资仍然可能是理性的。但它也使计算变得复杂，因为管理层难以轻易证明，哪些收入之所以存在，完全是因为公司建设了更多基础设施。

如果资本支出持续攀升，而利润率、现金流和客户定价能力走弱，Eisman 的论点就会最具说服力。如果收入持续复合增长、单位成本下降、自由现金流恢复，其论点就会减弱。

当前证据支持双方观点。云业务增长和受限的容量表明需求存在。Alphabet 季度自由现金流为负，则展现了满足这种需求的即时成本。

这也是为什么简单贴上泡沫标签意义不大。泡沫意味着价格已脱离可持续的经济效益，但这些经济效益仍在形成之中。

更有用的问题更为具体：超大规模云服务商能否在竞争将稀缺计算能力变得普通之前，把这种稀缺能力转化为高于其全部资本成本的回报？

看多逻辑对基础设施扩张的正确判断

Eisman 的警告值得审视，因为最有力的反驳来自经营业绩，而非乐观情绪。

Alphabet 的第二季度数据表明，收入、营业利润、云业务积压订单和 AI 使用量都在扩大。这些并不是客户已经消失的企业通常会出现的信号。

Microsoft 的容量约束提供了另一项具体信号。当需求纯粹出于宣传目的，或仅限于小规模实验时，公司通常不会长期受到供应限制。

Nvidia 在这条产业链中也处于有利位置。当客户购买其处理器时，它能够获利，即便部分下游应用日后表现不佳。

据报道，Eisman 承认 Nvidia 很可能会通过销售芯片获利。他的担忧从产业链更下游开始：云服务商和终端用户必须从这些计算能力中赚取回报。

这种区别类似于资源热潮中销售设备的供应商。即使一些客户高估了所购资产的价值，供应商仍可能蓬勃发展。

不过，超大规模云服务商并非被动买家。Alphabet、Amazon 和 Microsoft 运营着拥有庞大客户基础和广泛软件产品组合的全球云平台。

它们可以将基础设施复用于搜索、广告、生产力软件、网络安全、视频和外部云工作负载。当需求变化时，为某项服务购买的处理器可以支持其他任务。

自研芯片也可能降低成本。Alphabet 开发了张量处理单元，而 Amazon 和 Microsoft 也设计了自己的 AI 处理器。这些系统减少了对单一供应商的完全依赖。

软件优化进一步强化了这一论点。更好的编译器、模型压缩、工作负载调度和缓存，可以提高现有硬件所产生的输出。

效率提升的到来可能快于财务报表所显示的速度。资本支出会立即反映在现金流中，而由此形成的资产则可以在数年内创造收入。

大型建设项目也会造成季度表现不均衡。一个自由现金流为负的时期，并不能证明一项多年期投资必然失败。

Alphabet 的积压订单表明未来存在已签约需求，尽管积压订单并不保证利润。时点、客户使用情况、服务成本和合同条款仍会影响最终回报。

看多逻辑也承认战略必要性。AI 正在改变人们搜索、编写软件、分析信息以及与企业系统交互的方式。

即使减少资本支出可以改善短期现金流，投入过少的超大规模云服务商仍可能失去产品相关性。管理团队必须在当前回报与这种竞争风险之间取得平衡。

对开发者而言，更充足的基础设施供应可以降低延迟并提高模型可用性。它也可以支持那些无法建设自有数据中心的小型公司。

当云服务商在价格、治理和性能上展开竞争时，企业买家将从中受益。即使竞争给服务商利润率带来压力，也能改善客户的经济效益。

知识工作者可能会在投资者看到明确回报之前获得更好的工具。一项服务可以节省员工时间，却未必让其提供商捕获这种生产力提升的全部价值。

这造成了社会效益与股东回报之间的差距。一项广泛有用的技术，可能将收益分配给客户、员工和竞争企业，而非集中于基础设施所有者手中。

历史先例并非对互联网泡沫时代的完美重演。如今的主要买家产生可观现金流，许多 AI 服务也已经拥有付费客户。

不过，历史提供了一个相关教训。当每个参与者都预期需求足以证明同步扩张的合理性时，关键基础设施可能被过度建设。

最终的赢家可能会在较弱运营商退出后，以低价获得产能。即使早期投资者蒙受损失，客户仍可能从更低价格中受益。

因此，Eisman 的谨慎态度在看多证据面前依然成立。真实采用降低了技术毫无价值的可能性，但并不保证每个环节都能获得有吸引力的回报。

怀疑论观点也必须保持同样的严谨。一个季度的自由现金流为负并不能证明过度建设。较高的资本支出预测也不能证明客户会停止付费。

尚无公开证据能够确定这一投资周期的最终盈利能力。基础设施扩张仍在进行，容量仍然受限，企业仍在报告强劲的使用情况。

三项信号将决定这一警告是否成立

投资者应关注收入与成本的增长关系、自由现金流和客户定价，而不应将每一则 Google News 更新都视为最终裁决。

第一项信号是，与 AI 相关的收入是否比基础设施成本增长得更快。云收入提供了一项衡量标准，但投资者也应考察营业利润率和折旧。

Alphabet 云业务 82% 的增长带来了乐观空间。如果在增长趋于正常化之后，资本支出、电力和折旧仍持续加速，这种比较就会变得不那么有利。

管理层披露的信息应当随着时间推移变得更具体。投资者需要更清楚地区分：为满足 AI 需求的支出、一般云业务扩张，以及现有设备的替换。

他们还需要看到有关资产利用率的证据。服务于盈利工作负载的满负荷数据中心支持看多观点。服务于折扣工作负载的满负荷设施，则无法回答回报问题。

第二项信号是自由现金流的恢复。Alphabet 单季度负 59 亿美元的结果反映了一个重大建设时期，并不一定意味着这种状况会持续。

如果在收入持续增长的同时实现恢复，Eisman 的警告将会减弱。这将表明公司能够在为扩张提供资金的同时，将更多营业收入转化为可用现金。

如果现金流持续疲弱，警告将更具说服力，尤其是在管理层继续提高资本支出预测的情况下。若公司在回报仍然遥远时增加借款，压力将进一步加大。

投资者应考察连续多个季度，而非单一一份财报。建设进度、设备交付和税款缴纳都可能造成波动，从而掩盖潜在趋势。

第三个信号是客户是否愿意为推理付费。如果服务商必须持续以快于成本下降速度的幅度降价，使用量增长的重要性就会降低。

企业续约、承诺型云合同以及不断扩大的工作负载，都可能支撑看涨观点。若客户转向更便宜的模型或缩小部署规模，则会印证 Eisman 的担忧。

模型质量本身不足以决定这场竞争。买家正日益综合比较性能、隐私、延迟、治理能力和总体运营成本。

开放权重模型将提供另一项定价参照。如果企业可借助成本更低的系统满足需求，高溢价服务商就必须以更好的结果来证明其价格合理。

在第三个信号中，产能限制值得密切关注。持续短缺且利润率稳定，表明需求具有持久性；短缺却伴随激进折扣，则说明了另一种情况。

市场的广度也提供了辅助检验。更广泛的盈利增长将降低 Eisman 所指出的投资组合集中度。

如果市场涨幅仍集中在少数与 AI 相关的公司，投资者将继续依赖单一财务假设。这种依赖会放大任何令人失望的结果。

债券发行也应受到同等审视。用于支持已签约、可盈利基础设施的借款，与主要基于预期需求的借款，其风险并不相同。

这些信号都不要求预测投资周期的精确顶部。它们让读者能够依据披露的业绩来检验这一论点。

开发者应当关注，因为一次调整可能改变计算资源的获取条件。服务商可能减少补贴、取消实验性产品，或将产能集中于合同更稳固的客户。

企业买家应当关注，因为当前较低的使用价格未必能持续。围绕补贴性推理构建的服务，一旦工作流程和专有数据对其形成依赖，替换成本就会变得高昂。

知识工作者应区分有用的产品与具备持续经营能力的供应商。以可移植格式保存重要工作，并维护一个可搜索的个人知识库，可以降低对单一服务商的依赖。

AI 产品团队应在多种定价情景下建模成本。他们还应衡量客户是否愿意为已完成的成果付费，而非仅为原始 token 消耗付费。

Eisman 的出售并不能证明 Alphabet 被高估、AI 是泡沫，或市场调整即将到来。它表明，一位备受尊敬的投资者认为这种风险更难分散。

最有力的答案不会来自另一条戏剧性的头条新闻，而会来自云业务利润率、自由现金流、客户续约率，以及处理每个 AI 请求的成本。

下一个财报周期应能厘清，当前支出究竟是在建设一项可盈利的公用事业，还是在为一段长期的补贴式采用期提供资金。在接受任何一种极端观点之前，先关注这些数字。

Google News 将继续带来有关泡沫、突破和巨额新承诺的说法。读者应在每篇报道之下追问一个始终如一的问题：谁赚取最后一美元？

这个问题能将 AI 报道转化为实用的决策工具。追踪收入、厘清成本，并检验链条末端的客户是否能支撑整个链条。