为何 AI 热潮不同于其他泡沫

《华盛顿邮报》于 2026 年 9 月 7 日在 Google News 上提出了一个更尖锐的 AI 泡沫论点，挑战了投资者常常拿铁路和电力作比较时所获得的慰藉。财经专栏作家 Matthew Lynn 认为，当前的建设潮在三个关键方面有所不同：地理集中度、惊人的速度，以及对高技能就业的潜在影响。

这一框架之所以重要，是因为人们熟悉的历史类比通常带有乐观的结局。铁路、电网和互联网都曾吸引过度投资、造成资本损失，但最终仍为社会留下了有价值的基础设施。Lynn 的专栏质疑：当一个国家和少数几家公司承担大部分风险敞口时，这一历史过程是否还能提供有意义的安慰。

担忧已不再局限于估值膨胀的科技股。当前建设涉及数据中心、电力系统、半导体供应链、公司债券、私人信贷以及长期容量合同。因此，一旦出现回调，影响将超出 AI 实验室或 Nvidia 股东的范围。

最有力的结论并非 AI 崩盘已不可避免，而是历史比较可能掩盖决定其走向的具体机制。当前热潮同时具备有用的基础设施、回报不确定性、融资集中、硬件快速折旧，以及尚未解决的劳动力转型问题。

Google News 上的 AI 泡沫论点究竟改变了什么

《华盛顿邮报》的专栏通过质疑历史类比中令人安心的部分，而非否认投资热潮的存在，改变了这场讨论。

发表于 9 月 7 日的这篇 AI bubble argument 承认，铁路、电气化和早期互联网都是相关的比较对象。它们都围绕最终变得具有经济价值的技术吸引了投机资本，也都在投资超过短期需求时造成了损失。

分歧在于读者应当从这些先例中得出什么结论。一种常见解读是，投资者可能亏钱，但社会依然获益。倒闭的铁路公司留下了轨道，失败的互联网企业留下了光纤网络，而这些基础设施后来支撑了有价值的服务。

Lynn 认为，三项差异令这种结局对 AI 而言不再那么可靠。首先，尽管中国仍是重要竞争者，但大部分金融风险集中在美国。此前的基础设施浪潮则将建设和融资分散到更多国家。

其次，AI 建设在不到五年内迅速加速。铁路和电网的发展历经数十年，让运营商、银行和政府有更多时间识别疲弱的商业模式。如今的买家往往在需求尚未显现前，就对芯片、电力、租赁和建设作出承诺。

第三，生成式 AI 被部分宣传为认知劳动的替代品。此前的基础设施浪潮确实替代了一些职业，但也需要大量劳动力来建设和运营实体网络。AI 供应商则承诺，其软件能够承担写作、编程、分析、客户支持和行政工作的一部分。

这些差异并不能证明 AI 基础设施缺乏长期价值。它们指出的是：类比在何处不再能提供证据。实用技术仍可能带来糟糕的投资，而持久的网络也无法保证其最初的融资者获得可接受的回报。

该专栏还将注意力从股价转向建设的结构。股市泡沫可能在不影响底层技术的情况下消退；而由债务支持的基础设施收缩，则可能影响建筑企业、公用事业公司、私人贷款机构、设备供应商和区域经济。

因此，在 Google News 上看到这篇评论的用户，接触到的是比“AI 股票看起来很贵”更广泛的主张：经济体对于资本高度集中、投资周期短暂且可能替代劳动力的这种组合，经验有限。

这是一个有益的修正。“泡沫”这个标签常常把几个彼此独立的问题压缩成一个词。估值可能过高，同时采用率仍在上升；基础设施可能不可或缺，同时产能也可能过剩；生产率可能提高，但个别企业未必能获得相应收益。

更好的检验方式是追问：回报出现在哪里、谁为资产融资，以及预测落空时谁承担损失。这些问题直接指向了正在建设底层能力的超大规模云服务商。

五家超大规模云服务商将 AI 变成一场宏观经济押注

这场热潮之所以显得不同，是因为 Amazon、Alphabet、Microsoft、Meta 和 Oracle 的企业基础设施支出已大到足以影响全国经济增长。

Federal Reserve 研究人员计算，这五家公司在 2025 年第四季度的合计资本支出达到 1,310 亿美元。全年合计为 4,120 亿美元，相当于美国年化国内生产总值的约 1.31%。

这份 Federal Reserve data 未包含租赁，因此没有计入与建设相关的所有承诺。这一限制很重要，因为公司可以通过长期合同锁定数据中心容量，而不必将全部义务记作即时资本支出。

同一研究显示，围绕 AI 基础设施供应商的金融预期如何变得集中。从 ChatGPT 发布到 2025 年底，Nvidia 的市值上涨了 975%。Broadcom 上涨了 636%，AMD 则上涨了 179%。

到 2025 年底，这三家芯片公司的合计市值占 S&P 500 的 11.2%。其合计占比在 10 月曾达到 12.4%。这些数字显示出集中度，尽管它们本身并不能证明估值过高。

资金也在流向创造算力需求的模型开发商。Federal Reserve 报告称，OpenAI 和 Anthropic 在 2023 年至 2025 年间分别融资 580 亿美元和 440 亿美元。到 2025 年底，两者估值分别达到 5,000 亿美元和 3,500 亿美元。

这形成了一个紧密相连的市场。云服务商投资 AI 实验室，实验室购买云端容量，芯片制造商向云服务商供货，而预期中的模型需求又支撑更多数据中心建设。每笔交易都可能反映真实的商业活动，但整个网络仍可能放大乐观假设。

Bank for International Settlements 估计，五大超大规模云服务商在 2025 年和 2026 年的 AI 相关资本支出将超过 1 万亿美元。该机构还发现，这些承诺的增长速度快于盈利和自由现金流。

这种不匹配并不意味着这些公司面临即时的偿付能力危机。最大的超大规模云服务商拥有盈利的广告、电商、软件和云业务。现有现金流使它们拥有比高度依赖外部融资的电信初创企业和投机性互联网公司更大的回旋空间。

但财务实力可能加剧竞争。每家公司都担心，投入不足会失去云客户、模型领先地位、开发者忠诚度或消费者分发渠道。因此，单个企业理性的防御性决策，可能在全行业形成过剩产能。

这份 BIS risk assessment 将其描述为对一个市场的竞争，参与者预计少数技术领先者将主导该市场。按照这一逻辑，不投资看上去可能比过度建设更危险。

压力的目标很明确。首席财务官必须在尚无法清晰衡量回报之前，持续批准基础设施投资。投资者则必须判断，云业务增长和广告业务改善是否足以支撑仍被纳入更广泛业务部门的支出。

供应商面临相关风险。半导体制造商、电气设备生产商、冷却技术专家、公用事业公司和建筑承包商，都在围绕超大规模云服务商的预测扩张。它们的收入可能先行增长，而 AI 服务的最终用户尚未证明自己愿意持续付费。

这正是《华盛顿邮报》论点获得支撑的地方。此前的基础设施热潮同样带来了供应链依赖，而如今的版本却异常集中于几项企业预算，这些预算决策会影响公开市场、私人信贷、电力规划和经济增长数据。

真实的 AI 采用让泡沫问题更复杂

AI 并非纯粹的投机故事，但真实采用无法回答当前投资是否能够获得足够回报。

反驳简单泡沫叙事的最有力理由是，人们和企业已经在使用这项技术。Federal Reserve 数据显示，随着调查问题和衡量方法的演变，企业报告的采用率正在上升。其修订后的数据系列显示，2025 年底企业采用率接近 18%，计划采用率约为 21%。

受访员工在工作中使用生成式 AI 的比例，从 2024 年 8 月的 33% 上升至 2025 年 11 月的 41%。专业服务和金融业的使用率尤其高，而制造业则实现了强劲的同比增长。

这并不是许多互联网泡沫企业所特有的空洞网站访问量。员工使用模型起草文件、总结会议、检查代码、回答支持问题、检索信息以及比较替代方案。企业正将 AI 整合进现有产品和内部流程。

知识工作者也有更多方式将模型与自身资料连接起来。personal knowledge base 可以让助手基于文件、笔记和工作历史，而不是只依赖通用模型。这使 AI 能够服务于可重复的工作流程，而非仅用于零散提示。

但采用率和盈利能力是不同的衡量指标。一项服务可以因为供应商补贴使用、将其捆绑进现有订阅，或在争夺市场份额时接受低利润率而迅速普及。高活跃度并不能证明收入足以覆盖推理、训练、折旧、能源和获客成本。

推理是指运行训练完成的模型以生成答案。每次请求都会消耗计算资源，尽管成本会因模型、回答长度、硬件和利用率而异。推理成本下降能够扩大需求，同时也会降低每单位计算所获得的收入。

这种张力使 AI 有别于技术标准相对稳定的实体基础设施。一条铁路线路可以在数代人间持续发挥作用。AI 加速器则可能在新芯片带来更高性能或能效时迅速失去经济价值。

Microsoft 在其 2026 年 7 月的财报披露中说明了这一问题。该公司表示，其资本支出中约三分之二涉及短生命周期资产，主要是处理器。这些资产的更换频率高于建筑物、电力连接或土地。

快速改进有利于用户，但也让投资经济性变得更加复杂。今天建成的数据中心可能仍具价值，但其中已部署的硬件竞争力却可能持续下降。运营商必须在延长旧设备使用周期与再次投入以降低运营成本之间权衡。

云服务公司的财务报表只能提供部分答案。Amazon、Alphabet、Microsoft 和 Meta 并未单独披露 AI 基础设施带来的利润。AI 收入分散在云业务、广告业务、生产力软件及其他成熟业务之中。

多家公司的云业务利润率依然健康。这支持了一种观点：领先企业确实拥有真实的收入引擎。但这并不能单独衡量最新 AI 算力带来的增量回报。

这一区别至关重要，因为既有云工作负载可能让一个高度依赖 AI 的业务部门显得盈利。反过来，当前的折旧和建设成本也可能在新装机容量实现高效利用前压低利润率。公开披露无法让外部人士完全拆分这些影响。

一项 8 月分析发现，AWS 的营业利润率已升至约 39%，Google Cloud 在第二季度达到 35.6%。Microsoft 的 Intelligent Cloud 利润率则维持在约 41%。高管们仍避免将这些结果直接归因于 AI。

云利润缺口仍是尚未解决的核心问题。分析师可以观察资本支出、云业务增长和订单积压，却还无法计算 AI 专属资产的可靠回报率。

这也是为什么，简单地将这轮繁荣称为显然理性或显然投机，都忽略了其运作机制。市场采用验证了这项技术，但并未验证围绕它建设的每一座数据中心、每一种估值、每一种融资结构或每一项预测。

新风险集中在债务、合同与客户集中度

当透明的企业支出让位于借款、表外承诺和循环需求时，看空观点最具说服力。

AI 建设的第一阶段主要依赖超大规模云服务商的经营现金流。随着支出超出常规投资水平，债务开始扮演更重要的角色。国际清算银行报告称，超大规模云服务商的公司债发行额在 2025 年超过 1,000 亿美元。

其中大量借款的期限超过五年。长期限可以降低短期再融资压力，但也会使企业长期为经济寿命仍不确定的资产提供资金。

融资不止于传统债券。超大规模云服务商正越来越多地与私募信贷机构及特殊目的实体合作；后者是依法独立设立、用于持有或融资特定资产的载体。这些实体可以开发数据中心，再将算力租回给科技公司。

在典型结构中，超大规模云服务商持有少数股权，同时承诺长期租赁或采购电力和计算容量。私人投资者提供股权，而该载体则筹集额外债务。

这种基础设施融资可以将即时资本支出替换为多年运营费用。国际清算银行将其中一些义务称为“影子借款”，因为它们在经济实质上类似债务，却留在超大规模云服务商的主要资产负债表之外。

这类安排本身并不必然不当。它们可以在适合为长期资产融资的各方之间分配风险，但也可能令股东、贷款方和监管机构更难衡量总风险敞口。

银行可能向特殊目的实体提供授信额度。保险公司和私募信贷基金可能持有其债务。超大规模云服务商则可能提供担保或合同承诺，以支持融资。

这一网络形成了多条潜在传导渠道。对 AI 需求预期的下降，可能压低数据中心价值、削弱再融资条件、降低私募信贷的投资意愿，并触发企业担保。即使最大的科技公司仍具偿付能力，问题也可能扩散。

客户集中度带来另一项不确定性。云服务公司将模型开发商列为增长最快的 AI 客户之一。这些开发商同时也从其所购买算力的基础设施提供商处获得大量投资。

这并不意味着收入是虚构的。OpenAI 和 Anthropic 服务于真实用户和企业。但这意味着，基础设施行业的一部分增长取决于那些仍持续需要大量外部资本的客户。

国际清算银行还强调了芯片制造商、云服务商、AI 实验室和专业云服务公司之间的循环融资。一名投资者可能为客户提供资金，而该客户随后承诺购买该投资者的计算服务或硬件。

每一项协议都可能服务于战略目的。但综合来看，它们让人更难判断需求究竟来自终端客户，还是来自 AI 供应链内部循环流动的资本。

当长期承诺遇上计算价格下跌时，风险会上升。如果多家运营商建设类似的产能，竞争可能会压低租赁价格。客户将因此受益，但资产所有者的收益可能低于其融资模型的假设。

电力约束起初可能掩盖这一风险。有限的电网接入、变压器、先进芯片和冷却设备使算力保持稀缺。企业因此提前数年预订资源，进而强化了已披露的订单积压。

稀缺并不保证持久的定价权。瓶颈可能促使每个参与者锁定超过最终所需的产能。当供给到位时，市场可能迅速从短缺转向产能过剩。

此处不应夸大《华盛顿邮报》的论点。集中的债务和合同风险敞口并不能证实危机即将到来。公开数据仍不完整，领先企业也拥有强大的现金创造业务。

更站得住脚的结论应当更为审慎：金融体系正通过仅靠股票估值无法揭示的渠道暴露于 AI 风险之中。任何严肃的泡沫分析都必须涵盖债券、租赁、私募信贷、担保，以及底层客户的质量。

就业使这轮繁荣不同于铁路和电气化

最具决定性的差异在于，AI 投资同时瞄准基础设施扩张，以及减少完成认知型任务所需的劳动力。

铁路改变了就业模式，冲击了竞争性的运输企业，并创造了新的区域赢家。它们也雇用了大量人员来铺设轨道、运营列车、维护设备和管理不断扩张的网络。

电气化也带来了类似的组合。它淘汰了一些技术和职业，同时支撑了工厂、家电、公用事业和全新的产业。基础设施在其生产率效益扩散至更广泛经济之前，就已需要劳动力投入。

AI 数据中心同样创造建筑和技术岗位。它们需要电工、工程师、冷却专家、安保人员、维护工人以及能源项目。设备需求也让远不止软件行业的产业受益。

差别在于产品的既定目的。生成式 AI 常被购买用于完成过去分配给文案人员、程序员、分析师、设计师、研究人员和服务人员的部分工作。该基础设施支撑的系统，其经济价值可能取决于降低劳动力需求。

这并不意味着每一次部署都会消除一个岗位。许多应用反而是在辅助员工。一名开发者可以更快审查陌生代码，而研究人员可以检索大量文档，无须手动逐一查看每个文件。

一名产品经理可能使用每周 AI 工作流整理零散笔记并准备状态更新。直接结果可能是工作更完整，而不是团队规模更小。

然而，当企业围绕它重新设计流程时，辅助也可能变成替代。如果一名员工能够处理更多客户或项目，即便没有任何现有员工收到解雇通知，招聘需求也可能下降。

这一转变使生产率数据难以解读。更高的人均产出长期来看可以支撑工资和增长，但也可能与最容易受自动化影响职业中较慢的就业增长同时出现。

国际清算银行观察到，与其他行业相比，美国 AI 暴露程度更高的行业既录得更强的生产率增长，也出现了更弱的就业增长。这种关系并不能证明 AI 导致了每一项差异，但它说明了为何劳动力结果应纳入投资讨论。

地域集中进一步加深了这一问题。美国占据了领先云服务公司和芯片设计企业相关市场价值的很大部分；如果 AI 降低对高薪服务型工作的需求，美国也将承担相当大的风险敞口。

其他国家则通过半导体制造、组装、能源出口和数据中心建设参与其中。中国在模型、芯片、应用和基础设施领域展开竞争。欧洲正通过产业政策吸引产能并发展本土替代方案。

不过，美国股市承载了异常庞大的全球预期。国际清算银行报告称，美国股票约占 MSCI Global 指数的 64%。因此，重新定价的财富效应可能传导至远超美国投资者范围之外的地区。

劳动力替代将遵循不同于股市调整的路径。市场可以在数天内调整，而组织采用新工作流则需要数年。一家公司可能今天宣布 AI 投资，下季度测试工具，随后在更晚的时候才改变招聘计划。

这种延迟制造了衡量陷阱。支持者可以将当前裁员有限视为担忧被夸大的证据。批评者则可能将每一次招聘放缓都解读为自动化，即使利率或需求走弱能提供更简单的解释。

读者应当抵制这两种说法。可靠的分析需要职业层面的招聘、工资、工时、生产率和任务变化数据。仅凭头条裁员人数，无法揭示 AI 是在补充员工能力，还是在悄然减少未来职位空缺。

就业问题也改变了政治回应。政府过去之所以容忍投资泡沫破裂，部分原因是留存的基础设施能够支持广泛的未来扩张。如果纳税人同时面对金融损失和集中的就业压力，公众容忍度可能更低。

这并不保证会出现限制性监管。但它意味着，政策制定者将一并审视劳动者转型、能源成本、本地基础设施、数据权利和市场力量。AI 繁荣并不只是一个新网络是否会被建成的问题。

什么将证实或削弱 AI 泡沫警告

三个信号将决定 Google News 的讨论会演变为持久警告，还是随着 AI 收入追上支出而逐渐消退。

第一个信号是最大云服务商对 AI 专属收入的披露。投资者目前获得的是资本支出指引、云业务增长率、订单积压和宽泛的营业利润率，却几乎得不到有关近期部署 AI 硬件回报的直接信息。

如果收入、利用率和利润率同步上升，更好的披露将强化乐观观点。若资本支出持续高企，而 AI 算力利用率低于预期，或价格下降快于成本下降，则会削弱这一观点。

第二个信号是融资结构。当既有业务能够产生足以覆盖激进投资的现金流时，超大规模云服务商便能更安全地维持高强度投入。不断上升的债券发行、担保、租赁和特殊目的融资，意味着风险敞口正在扩散。

国际清算银行发现，随着支出超过常规投资水平，借款已经增加。未来报告应说明表外项目的规模、期限、交易对手方及相关担保。

由多元化客户支撑、透明且期限较长的融资，将缓解近期担忧。对再融资、集中租户或披露不充分的担保日益依赖，则会印证《华盛顿邮报》的警告。

第三个信号是可量化的工作场所采用情况。关键问题已不再是员工是否尝试生成式 AI，而是组织能否将使用转化为持续的生产率、收入、更优质的服务或成本下降。

全球增长的观点指出，2025 年第三季度，信息处理设备和软件投资同比增长 16.5%。文章还认为，传统统计方法可能遗漏数据、算法和组织变革带来的无形收益。

这一衡量难题具有双向影响。在由此产生的产能提供足够有价值的服务之前，GDP 就可能将服务器和软件记为投资；同时，它也可能低估通过更快的研究、更优的决策或新产品体现出来的收益。

未来几个季度内，若多个行业出现可信的生产率提升，将强化 AI 作为持久通用技术的论点。若增长仅局限于技术供应商和少数专业领域，集中度担忧仍将无法消除。

读者还应区分：繁荣得以延续，并不意味着每一位参与者都会成功。铁路、电力和互联网都曾改变经济，尽管期间出现了破产潮和剧烈的市场调整。AI 也可能遵循这一总体模式，同时带来截然不同的赢家、损失和劳动力影响。

《华盛顿邮报》的专栏在将历史视为反对确定性的警示时颇具说服力。若读者将差异解读为崩溃的证据，其说服力便会减弱。前所未有的特征带来的是不确定性，而非预先注定的结局。

对开发者而言，实际问题是补贴支持的试验结束后，应用需求能否持续。对企业采购方而言，问题在于 AI 系统扣除集成、治理、培训和审查成本后，是否仍能带来可衡量的价值。

知识工作者应关注雇主如何重塑岗位，而不只是购买了多少工具。投资者应审视现金流、客户质量、折旧和融资承诺，而非依赖笼统的采用率说法。

Google News 呈现了一场值得比“泡沫”一词通常所能承载的更精确讨论。下一项检验将是证据：更清晰的 AI 收入、透明的融资，以及惠及基础设施销售企业之外的生产率提升。

每当又一笔创纪录投资出现时，都该问这三个问题：最终由谁为这些产能买单？它产生了什么可衡量的回报？又有多少需求依赖持续的外部资金？答案将揭示，这轮建设更像是持久的网络、昂贵的产能过剩周期，还是两者令人不安的结合。