科技股这轮大跌，市场究竟在担心什么？

最近一轮科技股调整，最值得关注的变化，是市场开始对大型云厂商的财报和现金流表现格外敏感。

从近期美股三季报来看，头部云厂商的业绩出现了一定分化。值得注意的是，部分企业的云业务收入增长并没有明显失速，AWS、GCP、Azure等核心云业务依然保持增长，但自由现金流却承受着较大压力。

根据讨论中引用的财报数据，谷歌单季度自由现金流约为负90亿美元，Meta约为负20多亿美元，亚马逊按年化口径测算则达到负400多亿美元。

为什么收入还在增长，现金流却出现了如此大的压力？

核心原因在于前期资本开支过于庞大。

过去两年，微软、谷歌、亚马逊、Meta等科技巨头持续加码AI基础设施建设，从GPU采购、服务器部署，到数据中心建设、电力配套，都需要大量资金投入。

但数据中心不是今天投入、明天就能产生回报的生意。

从设备采购到建设完成，再到算力投入使用、客户接入和商业收入兑现，中间存在较长的时间差。尤其是数据中心建设，还受到土地、电力、冷却系统和供应链等物理条件制约。

这就形成了一个阶段性的矛盾：企业必须持续投入，才能保持竞争力；但投入产生的商业回报，还需要时间才能逐步兑现。

偏偏这个阶段又遇上了美债利率走高、融资环境趋紧，进一步加大了企业的资金压力。

全球AI产业链的自由现金流在2026年9月可能处于阶段性低点。如果2027年下游商业化推进顺利，同时上游资本开支增速逐渐放缓，产业链现金流有望从2027年下半年开始逐步改善。

这也意味着，市场对AI产业的定价逻辑已经出现变化。

过去，投资者更关注资本开支增长，因为资本开支意味着算力需求和订单增长；接下来，市场可能更加关注这些投入能否形成收入、利润和现金流。

AI产业的下一阶段，不只是比谁投入更多，还要比谁能更快把投入变成回报。

AI算力需求持续爆发，电脑也要跟着涨价？

AI产业的影响，已经不只体现在科技公司的财报中，也开始传导到传统电子消费市场。

最近，不少消费者已经感受到电脑、存储设备等硬件价格上涨。背后的原因之一，是AI基础设施建设正在挤占原本用于传统电子产品的上游产能。

AI训练和推理需要大量高性能存储、先进封装和算力芯片。随着大型云厂商持续增加投入，存储厂商、晶圆厂和先进封装产能都面临较大的需求压力。

这意味着，AI产业的高景气不仅带动了相关硬件厂商，也可能对传统PC和其他消费电子业务形成挤压。

英特尔近期股价出现超过20%的单日跌幅，除了工厂突发事件对后续营收预期的影响，传统PC业务增长预期偏弱也是市场关注的因素之一。

AI对传统PC市场的影响，主要体现在两个方面：

一方面，AI基础设施建设对存储等上游资源的需求增加，可能推高相关硬件成本；另一方面，如果AI PC整机价格随之上涨，也可能对传统PC市场需求形成一定抑制。

那么，这种涨价会持续多久？

从供给端来看，未来两年，存储、台积电晶圆产能以及先进封装等环节仍可能存在明显的供给缺口。因此，硬件价格上涨的压力可能不会很快消失，传统PC和其他电子产品也可能受到不同程度的影响。

除了存储，CPU市场的竞争格局也正在发生变化。

目前，英特尔在CPU市场仍占据较大份额，市场份额在50%以上，AMD约为30%以上。但从未来发展来看，英特尔的领先地位并非没有挑战。

随着AI Agent的发展，CPU的角色正在发生变化。

过去，英伟达主要依靠GPU提供AI算力，但在Agent场景下，多个任务需要持续调用、调度和协同，对CPU的需求也随之增加。

英伟达正在推动Grace、Vera等CPU产品，并尝试将CPU、GPU、存储和通信等环节整合起来，打造更完整的AI基础设施系统。

按照相关产业预测，到2030年，英特尔CPU市场份额可能下降至30%多，AMD大体保持稳定，英伟达、ARM和高通则有望获得更多市场份额。

这背后反映的是一个更大的趋势：英伟达不再满足于单纯销售GPU，而是希望从提供单一芯片，进一步转向提供完整的AI计算系统。

所谓AI工厂，就是将算力、存储和通信等资源整合起来，形成Token的生产体系。通过更高程度的集成化，企业不仅能够扩大产品覆盖范围，也有机会提升自身在产业链中的价值和利润空间。

AI带来的不只是新需求，也在重新分配传统硬件产业的市场份额。

一万块AI生意，上游和中游赚走八千多

理解AI产业链的投资机会，需要先搞清楚一个基本问题：整个产业链究竟由哪些环节组成？钱最终流向了哪里？

从产业分工来看，可以大致分为上游、中游和下游三个层次。

· 上游：算力与存储基础设施

主要包括晶圆制造、芯片设计、先进封装和存储芯片等环节。

代表性企业包括台积电、英特尔、英伟达、AMD、博通，以及三星、海力士、美光等存储厂商，国内还有长鑫等企业。

这些企业为AI模型训练和推理提供底层硬件支持。

· 中游：云服务与大模型

主要包括传统公有云、私有云，以及近年来快速发展的新型云服务商。

例如AWS、微软Azure、谷歌云、Meta的私有云，以及以CoreWeave为代表的新云服务商。

另一部分则是大模型公司，包括国内的DeepSeek、Kimi、智谱，以及海外的OpenAI、Anthropic、Meta、Google Gemini等。

它们承接上游的算力资源，并将其转化为模型能力和云服务。

· 下游：软件应用与物理终端

一类是软件应用，包括Salesforce、Snowflake、SAP等传统SaaS企业，以及各类AI原生应用。

另一类是物理终端，包括可穿戴设备、具身智能、自动驾驶等。

这一层距离真实用户和具体使用场景更近，也是AI技术最终转化为生产力的重要环节。

那么，这条产业链中，谁赚得最多？

一个直观的测算是：如果把AI产业链的收入规模简化为一万元，上游和中游合计能够获得八千多元，下游应用约为一千元左右，其余则分散在其他环节。

为什么会形成这样的分配？

首先，历史上所有的技术革命，刚开始一定是上游的铲子公司拿走大多数利润。其次，中游云厂商和模型公司的算力采购支出，会直接转化为上游芯片、晶圆制造和存储企业的收入。换句话说，下游应用还在探索商业模式时，上游已经因为算力采购获得了实际订单。

这也是为什么在AI产业发展的早期，市场往往更愿意追逐上游的硬件企业。

但这套利润分配格局，也可能随着产业发展发生变化。

尤其值得关注的是大模型公司的商业模式。

以Anthropic为例，从其招股相关材料所反映的情况来看，收入增长并不意味着现金流已经改善。企业仍然需要承担大量算力租赁成本，并持续投入模型训练和推理。

相关长期算力租赁协议的总规模接近9000亿美元，按照现有投入节奏，现金流转正可能仍需要较长时间。

这里有一个重要区别：传统互联网企业的边际成本相对较低，用户规模扩大后，新增用户带来的成本可能逐渐下降；但大模型并不是这样。

每一次Token生成，都需要消耗相应的算力资源。用户越多、调用越频繁，推理成本也可能随之增加。

因此，即使模型拥有较强的市场竞争力，也不意味着它能够迅速成为现金奶牛。

相比之下，拥有传统业务支撑的大型云厂商，可能更容易实现AI投入与现金流之间的平衡。它们既有成熟的云业务收入，也能够将AI算力服务整合进原有商业体系。

这也是为什么，判断AI产业的商业价值，不能只看模型能力和用户数量，还需要看企业能否形成可持续的收入与现金流。

AI会重演2000年互联网泡沫吗？

AI产业的高速发展，很容易让人联想到2000年前后的互联网泡沫。

当年，大量资金涌入互联网基础设施建设，光纤铺设、交换机等硬件设备迎来大规模投资。随着泡沫破裂，不少企业最终退出市场。

这一轮AI产业是否也会经历类似的过程？

一个值得关注的区别，是本轮AI产业链存在相对明确的上游供给约束。

2000年前后的互联网泡沫中，光纤、交换机等基础设施的产能扩张相对容易，大量企业可以迅速进入市场，形成重复建设和过度投资。

而今天的AI产业，上游存在两个重要的供给约束环节：

一是台积电的晶圆制造和先进封装产能，尤其是CoWoS先进封装；二是三星、海力士、美光等厂商的存储产能。

可以用一个形象的比喻来理解：上游的晶圆和存储产能，牵制着英伟达、AMD等芯片厂商；芯片供应又牵制着云厂商的数据中心建设和算力供给。

这就是所谓的“牵狗理论”。

这种约束当然会影响产业发展的速度，但从上游台积电、存储厂商的角度看，在绝对的垄断实力下，利润获取是迟早的，控制全链条的热度，让”航道“不偏航，岂不是经营更稳健。从产业秩序来看，也在一定程度上避免了基础设施无限制扩张。

另一个区别来自宏观环境。

2000年前后的互联网泡沫，与当时美联储的货币政策和加息周期密切相关。流动性收紧叠加企业自身的杠杆问题，加速了泡沫破裂。

因此，判断本轮AI泡沫，不能只看产业本身，还需要考虑宏观利率、融资环境和资本市场流动性。

如果进一步拆解AI泡沫，可以分为三个层面：

第一，技术有没有泡沫？

当前大模型的技术路线仍在快速演进。即使未来出现算法创新，使模型训练和推理的成本大幅下降，也不意味着算力需求一定会随之消失。

原因在于，成本下降可能带来更广泛的应用，进而产生更多推理需求。这种现象在经济学中被称为杰文斯悖论：效率提升不一定减少资源消耗，反而可能因为使用规模扩大，带来总需求增长。

第二，估值有没有泡沫？

从市场测算来看，当前头部科技企业平均远期市盈率（NTM）约为21倍，而2000年互联网泡沫时期的相关估值约为67倍。

当然，不同时期的企业结构、盈利能力和估值口径并不完全相同，不能简单进行一一比较。

但一个明显的区别是，今天的谷歌、微软、亚马逊等企业已经拥有成熟的传统业务和现金流，而2000年互联网泡沫时期，很多科技企业仍处于商业模式尚未成熟的阶段。

第三，商业化有没有泡沫？

这可能是当前最需要持续观察的部分。

AI已经能够应用于代码编写、文献整理等场景，但从工具可用到企业愿意持续付费、从单点效率提升到整个组织生产效率改善，中间还有很长的路要走。

可以参考电气化的发展历史。

100多年前，电力刚开始进入工厂时，企业只是简单地用电动机替换原来的蒸汽机，并没有立即带来生产效率的大幅提升。

真正的效率跃升，发生在工厂重新组织生产流程、围绕电力重新设计生产体系之后。

AI也可能经历类似过程。

如果企业只是把AI作为一个工具，嵌入原有的工作流程，效率提升可能有限；只有当组织架构、生产流程和业务模式都围绕AI重新调整，AI原生的生产力才可能真正释放。

所以，AI商业化的速度可能没有上游硬件增长那么快，但这并不代表商业价值不存在。

DeepSeek为什么要融这么多钱？大模型公司的竞争有多残酷？

国内大模型赛道，也正在经历一轮新的竞争和资本投入。

一个值得关注的现象是：此前并不急于融资的DeepSeek，也开始进行大规模融资。

按照这期讨论中引用的融资口径，DeepSeek今年进行了两轮融资：第一轮估值约3000亿元，融资约500亿元；第二轮估值约5000亿元，融资超过1000亿元。

对于国内大模型公司来说，这已经是相当大的融资规模。

那么，一家此前主要依靠创始人自身资金支持、并不积极寻求融资的公司，为什么开始需要这么多钱？

背后主要有两个原因。

首先，是人才竞争。

大模型公司的团队规模通常并不大，往往只有两三百人，但团队成员需要具备非常强的算法、工程和科研能力。

这类人才在全球范围内都非常稀缺。

因此，大模型公司的竞争不仅是技术竞争，也是人才竞争。企业需要通过薪酬、股权激励等方式，吸引和留住核心研发人员。

融资带来的资金，可以帮助公司进一步完善股权激励机制，让核心团队有动力长期参与公司的发展。

其次，是算力基础设施投入。

随着模型能力不断提升，训练和推理所需要的算力资源也在增加。

DeepSeek已经在乌兰察布规划算力中心，并持续推进国产算力卡适配。

其中，一个值得关注的细节是国产算力生态的建设。

过去国内AI训练所使用的GPU仍以英伟达产品为主，而随着国产算力替代推进，企业开始逐步适配华为昇腾等国产芯片。

但从使用国外成熟生态转向国产算力，并不是简单更换硬件就能完成。

不同芯片在软件架构、算子库、编译环境和训练效率上存在差异，需要大量工程适配工作。

DeepSeek持续开源自身的算子库，并推进与国产算力卡的适配，实际上也在为国产算力生态提供支持。

这件事的意义不仅在于一家企业降低对单一供应商的依赖，也在于推动国内算力产业链形成更加开放的生态。

不过，融资规模大并不意味着竞争优势就能自然建立。

在大模型赛道，资金只是入场券，真正决定企业能否持续领先的，仍然是技术迭代能力、人才组织能力和资源配置能力。

三个月刷新一次斩杀线，大模型赛道有多残酷？

如果说传统科技行业的竞争以年为单位，那么大模型行业的竞争节奏，可能已经缩短到以月为单位。

今年以来，国内外大模型不断刷新技术能力和性价比的边界。

一个典型的例子是DeepSeek。每次推出新模型，都可能以更低的成本实现接近甚至达到其他模型的输出水平。

在部分场景下，其价格甚至可以达到同类产品的二十分之一、百分之一。

这意味着，模型公司的竞争不只是比谁的能力更强，还要比谁能以更低的成本提供同等能力。

行业里有一个很形象的说法：大模型赛道的“斩杀线”可能三个月就刷新一次。

如果一家企业几个月没有推出新一代模型，可能就会迅速落后；如果半年落后竞争对手两代，甚至可能失去继续留在牌桌上的机会。

这种竞争环境，也正在改变一级市场的投资逻辑。

在对AI创业公司的考察中，一个明显的变化是，越来越多95后、00后的年轻技术人才开始进入创业公司和互联网大厂的核心岗位。

他们中的一些人来自全球顶级实验室，在科研和论文发表方面已经具备较强的竞争力。

年轻技术人才的优势，不仅在于掌握前沿技术，也在于没有太多历史路径依赖，能够从新的技术框架出发，重新思考产品和产业的可能性。

但对于投资机构而言，判断一个年轻的技术创业者是否值得投资，不能只看学历和履历。

更重要的是三个能力：

· 技术敏感性：

能否判断技术的发展方向，及时发现新的机会。

· 资源聚集能力：

能否吸引优秀人才、获得持续融资，让核心团队稳定下来。

· 资源配置能力：

在创业早期资金有限的情况下，能否选择正确的技术方向，把钱用在最关键的地方。

尤其是资金门槛，已经越来越高。

早期创业公司可能只需要1亿美元左右的资金，就能获得一定的生存空间；而到了当前的竞争阶段，一些大模型公司每年可能需要投入3亿至5亿美元，才能维持技术研发和市场竞争力。

这意味着，大模型行业的竞争已经不只是技术人员之间的较量，更是企业组织能力、融资能力和资金使用效率的综合竞争。

与此同时，国内模型公司的竞争格局也在逐渐清晰。

DeepSeek、Kimi、智谱、MiniMax、阶跃星辰等企业，都在各自的技术路线和产品方向上持续推进。

但从全球范围来看，国内模型与海外头部模型之间仍存在差距，尤其是在模型能力和综合产品力方面。

未来，算法创新与国产算力的结合，可能是国内企业继续追赶的重要路径。

2027年AI投资，机会可能要从上游往中下游走

把产业链、竞争格局和商业化进展放在一起观察，可以看到一个值得关注的变化：AI产业仍然有长期空间，但不同环节的增长节奏可能逐渐出现分化。

对于2027年的投资配置而言，相比简单地增加AI产业链的整体仓位，更重要的可能是进行结构性调整。

上游：仍有供需缺口，但需要关注资本开支增速变化。

按照讨论中的测算，头部云厂商2026年的资本开支合计不到8000亿美元，2027年预计可能达到1.1万亿美元左右，对应的数据中心建设规模约为50GW。

如此庞大的投入，对电力供应、数据中心建设和上游硬件产能都提出了更高要求。

但问题在于，这些资金能否顺利转化为实际的数据中心建设？

北美电力系统的容量、老化程度、基础设施建设进度，以及当地居民对电价和生活成本的关注，都可能成为数据中心扩张的约束。

即使数据中心建设不及预期，上游硬件企业的订单仍可能保持较高景气度，因为存储、先进封装等环节本身就存在供给缺口。

因此，上游订单增长并不一定能够准确反映整个AI产业的实际推进情况。

中游：云厂商可能成为更重要的观察指标。

云厂商连接上游算力供给和下游应用需求。

相比单纯观察芯片订单和硬件出货，云业务收入、现金流以及算力利用情况，可能更直接地反映AI产业的实际需求。

尤其是拥有传统业务支撑的大型云厂商，既有相对成熟的商业模式，也有能力持续投入AI基础设施。

因此，中游云服务环节的产业价值值得持续关注。

下游：AI应用商业化，可能成为下一阶段的重要增量。

从今年7月以来的市场表现来看，部分传统SaaS企业、数据库和数字基础设施公司已经展现出一定韧性。

这些企业拥有成熟的客户基础和业务场景，如果能够将AI真正融入原有产品和服务，有机会获得新的增长空间。

此外，AI在医药分子设计、材料设计、芯片设计与EDA结合等领域，也已经出现一些早期创业公司。

这些方向目前大多仍处于探索阶段，距离规模化商业化还有距离，但从长期产业发展来看，值得关注。

从一级市场的角度来看，AI与垂直行业的结合，可能是未来几年值得挖掘的早期投资机会。

从二级市场的角度来看，则需要更多关注企业是否真正具备收入增长和利润兑现的能力。

如果说上一阶段AI投资的核心是寻找谁能提供算力，那么下一阶段可能需要进一步寻找谁能把算力转化为真实的商业价值。

长期保留对科技产业的配置

AI是一条可能持续两到三年，甚至三到五年的长期产业主线，但长期趋势并不意味着投资过程中不会出现大幅波动。

对于二级市场投资而言，一个重要的思路是：长期保留对科技产业的配置，同时根据产业和宏观环境变化，进行结构性调整。

例如，当融资环境快速恶化、上游资本开支面临压力时，可以适当降低对上游硬件的集中配置，逐步向中下游延伸。

这种调整并不是简单地离开AI，而是扩大产业链覆盖范围，降低组合对单一环节的依赖。

在具体操作上，也需要结合投资者自身的风险偏好。

例如，对于一个均衡型投资者，如果希望组合最大回撤控制在20%左右，那么科技股配置比例就需要与这一风险目标相匹配。当然，不同投资者的资产结构、风险承受能力和投资期限不同，适合的配置比例也会有所差异。

更重要的是，不能因为相信一个产业的长期前景，就忽略其中的阶段性风险。

未来AI投资中，有几个风险尤其值得关注。

第一，下游商业化能否按预期推进。

如果未来半年到一年，AI应用仍然没有出现足够有影响力的爆款产品，或者无法形成规模化商业收入，市场可能重新评估整个产业链的投入回报。

尤其是AI Agent，虽然产品能力不断提升，但个人隐私、支付安全和数据授权等问题仍然需要解决。

第二，AI安全与监管问题。

目前大模型的底层理论仍有不少未知之处，模型能力很大程度上依赖算力、数据和训练方法的持续投入。

当AI进一步进入企业经营、个人生活和物理世界，数据安全、网络安全以及监管合规的重要性也会随之提高。

第三，技术路线和竞争格局可能发生变化。

今天处于领先位置的企业，并不意味着十年后仍然能够保持优势。

大模型行业技术迭代速度很快，任何一家企业都需要持续投入研发，保持技术敏感性和竞争能力。

第四，宏观的不确定性。

例如美观两党的数据中心建设立法不确定性、通胀粘性下的美联储加息路径等。

因此，长期看好AI，不代表可以不加区分地越跌越买。只有在确认产业基本面没有发生根本性变化、企业竞争优势仍然存在的前提下，才有讨论增加配置的基础。

投资者需要做的，是持续学习、跟踪产业变化，及时识别风险，并根据自身承受能力调整仓位。

AI的产业变革还远未结束。

从上游硬件到中游云服务，从大模型到垂直应用，新的技术、新的企业和新的商业模式还会不断出现。

长期必须在船上，但仓位要睡得着。相信产业趋势，也要尊重市场规律；拥抱长期机会，也要为不确定性留出空间。

这或许是面对AI这场长期变革，更值得坚持的投资态度。

关于「好买基金研究中心」 << 

好买基金研究中心隶属于好买财富体系，是由旗下各持牌机构核心研究力量共同参与的专业研究平台。历经近二十年发展，汇聚了来自公募基金、私募基金及全球资产配置等多业务线的研究骨干。不同背景的研究骨干在统一的长期投资理念与方法论下，持续输出高质量研究成果。

研究团队成员大多具备硕士及博士学历，超过三分之一拥有海外学习或工作经历。长期深耕基金及资产管理机构研究，年均实地调研逾千次，年产出研究成果近百万字。覆盖宏观、策略、基金池、量化、投研系统等多维度研究链路。由此，既具备强大的研究广度，也拥有可追溯、可归因的研究深度，形成了行业最具权威的投研数据库之一。

独创 “4P3 性” 基金筛选模型，以 People（管理人）、Portfolio（投资组合）、Process（决策流程）、Performance（业绩表现）四个维度为主轴，叠加一致性、稳定性、有效性三项定量标准，实现对基金管理人进行 360° 尽调。该方法论在实战中不断迭代升级，已成为基金筛选与组合构建的核心工具，并被众多机构视为行业标准。