必威官方网站,Betway必威,必威APP下载人工智能投资热潮并非完全由“非理性繁荣”驱动，而是与国家战略自上而下、企业发展自下而上的主动布局息息相关。国家为保障技术安全、巨头为抢占生态位、初创企业为寻求突破点，资本涌入AI领域具有战略合理性。美国AI产业研发范式高度聚焦于Scaling Law路线，科技巨头正以前所未有的力度增加AI资本开支。而中国因受外部资源约束，触发国产替代的内生需求，并依托新型制与超大规模市场全方位支撑AI发展。相较而言，中国AI泡沫风险或许更加可控。
AI泡沫长期安全，短期高危：AI泡沫再次让市场担忧，我们用传统的泡沫测定工具加上长期的社会稳定指标，从宏观角度测定市场现在的风险，同时用短期流动性杠杆测定市场短期风险。从短期逃顶/抄底指数来看，股票市场存在潜在风险，从长期指标看来现阶段市场处于安全区间。因此，我们认为泡沫这个概念已经进入新的阶段，即资本市场与泡沫共存，需要警惕的是非理性泡沫。全球央行认知进步，控制金融风险不蔓延到实业已经是普遍共识，互联网泡沫重来的可能性偏低。新时代的泡沫破裂会带来资本市场走低，但对于实体经济而言，只要AI技术能切实提高劳动生产率，就不存在“崩溃”风险。我们需要关注的是AI技术进步后，对于就业、经济结构、社会政治等带来的长期影响和可能引发的动荡。
热力学视角下的AI资本市场：我们引入热力学熵增定律来分析AI资本市场，关键要素包括“能量输入”（资本流）、“信息熵”（市场主流共识）和“结构熵”（产业链有序度），资本能量（Capex）持续注入，流向上游（芯片/硬件）和中游（CSP）并转化为下游AI应用，基于该框架对AI产业链上、中、下游进行脆弱性分析。当前巨额资本的注入正在构建高度有序的AI基础设施和智能，如果这些资本（能量）无法以足够高的效率转化为可持续的商业价值，系统的“熵”（无序度）就会累积。当熵值超过某个临界点，依赖外部融资维持的扩张循环被打破，系统可能从“高能有序”状态，相变为“低能无序”的调整或出清状态。因此，AI泡沫的熵增判断可聚焦两个关键问题即“上游Scaling Law是否持续有效”与“下游ROI能否变现”。
从龙头股表现来看，美股市场中，以英伟达、苹果、谷歌、微软、亚马逊、脸书、特斯拉为代表的科技七巨头近三年总市值累计上涨174%至21.6万亿美元。A股市场中，以中际旭创、寒武纪-U、新易盛、海康威视、中科曙光、科大讯飞、浪潮信息为代表的七家AI科技公司近三年总市值累计上涨371%至3283亿美元。港股市场中，以腾讯控股、阿里巴巴-W、小米集团-W、网易-S、中芯国际、百度集团-SW、联想集团等七家公司为代表的AI科技公司近三年总市值累计上涨101%至1.4万亿美元。
2025年以来，关于AI泡沫的担忧与辩论迅速席卷全球金融市场与科技行业。主要是因为AI为主的公司市值上行速度过快，投资者普遍担忧科技公司AI相关投资越发激进，对AI未来发展充满不确定。同时，对AI未来的憧憬让投资者类比2000年出现的互联网泡沫。虽然互联网最终走进千家万户，但前期激进带来的损失也是印象深刻。这种担忧下，对于当下AI的“狂热”是否使得科技公司估值已经“泡沫化”，市场是否处于危险的位置，是现下讨论的热点。
宏观层面，20世纪90年代被称为“令人惊艳的十年”（The Fabulous Decade），美国经济摆脱了80年代末的滞胀制约，形成“高增长、低通胀、低失业”组合。1995年后美国实际GDP同比增速中枢维持在4%左右的高位区间，核心PCE长期运行在2%以下，失业率持续下行，充分就业并未像菲利普斯曲线所预示的推高薪资通胀。与此同时，格林斯潘主导下的美联储采取了相对温和的货币政策，贴现率环境持续改善，低利率与信贷宽松为资产估值提供条件。
产业层面，互联网技术在此阶段完成了从实验室向商业化的关键拐点，需求扩张具备可验证的现实基础。克林顿政府于1993年提出“国家信息基础设施”计划，为新兴产业发展提供明确指引。1995年网景公司（Netscape）凭借其产品的垄断性份额及上市首日的高溢价，向资本市场证明，即使缺乏短期盈利，互联网企业仍可能通过网络效应与规模优势实现长期资本化。同年，微软发布Windows 95操作系统，将图形界面与网络功能深度整合，显著降低了个人电脑与互联网的使用门槛，推动PC渗透率与互联网用户数呈指数级增长。1996年《电信法》的颁布进一步打破行业准入壁垒，电信运营商为抢占市场份额，开启了大规模光纤铺设与设备采购周期，互联网基础设施投资进入快速扩张阶段。
外部环境的变化进一步强化了这一理性泡沫。1997年亚洲金融危机爆发后，新兴市场货币大幅贬值，资产价格剧烈波动，美国经济相对稳健的基本面使其成为全球资本的“避风港”。大量国际资本从新兴市场回流至美国国债与股票市场，压低了美国长端无风险利率，为权益资产估值扩张提供了宽松的贴现环境。同时，资本流入直接推升了美元指数，美元升值与美股上涨形成正向强化的循环，使得在美联储尚未大幅开启降息周期的背景下，市场资金面已呈现出提前充裕的体征。根据Bloomberg，1996年至1998年标普500指数各板块回报表现，系统软件指数位列第一，是整体标普500的3倍。
安然曾是全球最大的能源交易商之一，在互联网泡沫高峰期，通过激进转型将自己包装为高科技宽带交易平台，从而获得远超其真实盈利能力的市场估值，并间接推升了光纤通信等相关领域的投资热潮。2000年7月，安然宣布与百视达合作，计划通过光纤网络向家庭提供电影点播服务。尽管该商业模式在当时并不具备技术可行性，公司仍在当年账面确认了约1.1亿美元的虚假利润。丑闻曝光后，安然股价在数周内几近归零，并于2001年正式申请破产。
本轮来看，2022年11月，美国OpenAI公司正式公开发布全新对话式AI模型ChatGPT，点燃了AI的“iPhone时刻”。发布仅一周后，ChatGPT的注册用户数量就突破了100万人，两个月后，注册用户就超过了1亿人，速度远超YouTube、Facebook、Instagram等产品此前记录。2023年1月，微软宣布与OpenAI合作，推进人工智能开发与应用投资，正式拉开人工智能飞速发展的篇章。ChatGPT的超高热度也使得AI科技股投资爆火。全球各大科技公司争相加入AI领域角逐之中，获得了资本市场的正向反馈。随着AI企业估值攀升，资本开支持续加码，而应用端盈利模式尚未清晰，围绕AI泡沫担忧加剧，全球市场出现震荡。
目前与互联网泡沫时期在龙头效应特征上比较相似，且当前这一效应更为显著，主要由几家龙头科技企业推动大盘上涨。当前美股“七姐妹”占到纳斯达克指数总市值超过一半的比例，并推动了美国股市的强劲表现。2022年12月以来，截至2025年12月9日，美股“七姐妹”市值增长174%，合计为纳斯达克指数市值增长贡献了66%的涨幅。这种很高的指数集中化程度，对于投资者分散风险、多元化投资布局来说也是一大挑战。特别是考虑到这七家公司均属科技行业，业务线重叠，相关性密切。正如互联网泡沫时期互联网代表性企业，包括微软、思科、英特尔、甲骨文、雅虎、eBay、亚马逊等，由于他们对整个市场的影响力，股价上涨阶段助长市场泡沫扩大，而股价快速下行阶段也使得对市场的冲击更加广泛和严重。1995年至2000年3月高点，上述七家公司市值增长2076%，合计为纳斯达克指数市值增长贡献了32%的涨幅。可见，本轮尚不及互联网泡沫时期涨势，但龙头效应更为明显。
当前和互联网泡沫前的投资情绪有很多相似之处，特别是体现在对新科技的兴奋以及跟风追涨、害怕错失投资机会。在互联网泡沫时期，投资者对新兴技术和商业模式的预期过于乐观，这种乐观情绪在当前市场中也有所体现，导致了许多不切实际的投资决策。互联网泡沫破裂后，投资者和市场参与者对风险有了更深刻的认识。在经历了2008年金融危机和2020年市场动荡后，投资者对于危机和泡沫的体验更加切实。当前市场虽然对新技术和创新仍然保持高度兴趣，但部分投资者和市场参与者可能更加理性和谨慎。
在泡沫时期，监管机构对于互联网企业的监管力度相对较轻，更多地采取观望态度，允许市场自我调节。这在一定程度上促进了互联网行业的快速发展，但也导致了市场的过度投机和泡沫的形成。金融市场的监管框架相对较为宽松，尤其是在对新兴的互联网相关企业的投资和上市方面。许多国家的监管机构对互联网企业的监管缺乏明确的指导原则和法律依据。当前市场监管环境更为严格，金融市场的监管框架已经相对成熟，许多国家已经建立了较为完善的法律法规体系，如美国的《萨班斯-奥克斯利法案》（Sarbanes-Oxley Act）等，以应对企业财务透明度、内部控制和投资者保护等问题，对上市公司的财务透明度和信息披露要求更高。这有利于降低金融系统性风险。
首先，AI通过重塑生产力与创新体系，能够深刻改变全球经济格局与国际竞争规则。从18世纪英国以蒸汽机革命开启“日不落帝国”，到20世纪美国在信息技术浪潮之中奠定全球领先地位，技术领先从来不是单纯的产业竞争，而是涵盖经济、军事、金融、文化、制度的全面博弈。技术进步是驱动宏观经济增长最核心、最持久的动力，谁能率先完成新一轮通用目的技术的产业化、标准化与规则化，谁就能在随后的半个世纪里掌握国际分工的制高点、资源配置的主导权以及全球治理的话语权。当下人工智能作为新一轮通用目的技术，正将这一逻辑推向更为激烈、更为复杂、更为不可逆的新阶段。AI的革命性在于其渗透性、互补性、创新催化性，能够通过智能制造、算法优化和数据分析，对传统产业实现效率的指数级提升。这种技术跃迁导致全球价值链的利润加速向芯片设计、核心算法框架、数据基础设施等高端环节集中。各国看似是在半导体、算法和云平台等战略制高点上的争夺，其实是数字经济时代对全球资源配置权的体系化争夺。因此，即使面临巨大的资本投入和市场过度预期的“泡沫”风险，各国仍必须投入大量公共资源，以期掌控产业链主导权，避免在未来全球经济格局中被边缘化，这种基于不容错失的技术机会和经济安全的投入是国家的理性选择。
近年来，世界各国纷纷将AI发展提升至国家战略高度，并实施系统性战略规划。投资AI已超越单纯的技术研发范畴，成为关乎未来国力格局、经济自主性与军事优势的核心变量。美国通过创世纪计划和AI行动计划等项目，旨在利用人工智能加速科学发现的速度，以巩固其全球科技领导地位；中国通过“人工智能+”行动意见强调AI与实体经济的深度融合和应用普及，追求产业效率和竞争力的全面突破；而欧盟则颁布了全球首部全面监管框架《人工智能法案》，试图将伦理和安全标准融入全球技术规范，争取数字规则的主导权。与此同时，印度、新加坡等亚太国家则更偏向实用主义，聚焦本土化场景与人才高地建设，争夺细分领域优势。这些多维度的国家战略部署，共同印证了AI已上升为各主要国家最高级别的国家战略，即使全球布局已显过热，竞争蕴含风险，也要抢占本轮全球格局调整的制高点。
以上从理论到实践，均反映出全球深层共识：在技术变革的关键窗口期，规避短期泡沫风险的重要性远低于错失长期战略机遇的代价。人工智能作为决定未来国力、经济安全与军事优势的通用目的技术，迫使所有大国陷入了一种“囚徒困境”式的博弈。由于担心错过决定性的战略先机，尤其是在芯片设计、核心算法等高端环节的主导权，没有任何一方敢于在AI投入上放慢脚步，这将全球AI热潮不断推向高点。更关键的是，与纯粹由经济回报驱动的市场投资不同，国家层面的AI投入往往带有维持技术领先、保障数字主权和军事优势、推动产业转型或获取全球治理话语权等政治战略目标。这种由国家意志驱动的“不得不投”的战略紧迫性，将市场中可能存在的泡沫转化为一种长期持续的战略性投入状态。最终，这种超越商业投资的竞争构成了当前无法回避、由国家意志所支撑的“理性泡沫”下的战略竞逐。因此，AI领域已成为全球竞争新的科技制高点，各国均加大力度部署，即使面临一定的“过热”，也不能错失本轮全球格局调整机遇。
企业万亿级押注AI是一场巨头的游戏，其中存在收益极度不对称（wildly asymmetric）的战略博弈。一方面，巨额押注具有赢家通吃的潜在收益，赢得下一代AI技术或通用人工智能主导权，意味着企业将掌控AI时代的游戏规则制定权，这将带来近乎垄断的利润、定义全球商业规则的能力，以及万亿美元级别的市值增长。另一方面，掉队或者观望也存在失去市场的输家风险，对于龙头科技企业来说，除了利润减少之外，更存在企业被彻底边缘化、商业模式被颠覆乃至消亡的威胁。这种“掉队”的代价是如此之高，以至于企业宁愿承受过度投资的风险，也不愿承担不投资而错失未来的风险。与过高估计AI的潜在回报而花费的额外成本相比，未能继续留在这场游戏中所要付出的代价将更为巨大。因此，对在该博弈矩阵任何企业来说，无论竞争对手怎么做，企业的占优选择均是大力投资AI。
当前AI领域的竞争，实则是企业面对的一场关乎长期生存的“囚徒困境”：不得不投入，又难以预知结局。这场博弈直接塑造了AI产业的竞争逻辑与淘汰机制。一是竞争本质是“范式定义权”之争。与互联网和移动互联网时代不同，当时竞争主要在既定技术范式下进行效率优化与需求拓展。而当前AI竞争的核心，是定义下一代技术范式本身。未能参与范式构建的企业，将丧失未来参与效率竞争的资格。二是范式转换期的淘汰往往是迅速且彻底的。历史表明，技术范式变迁时，曾经的成功可能成为最大的包袱。例如诺基亚，曾凭借Symbian系统占据智能机市场主导，却因既有成功的路径依赖，未能抓住智能手机在操作系统、应用生态和用户体验上的根本性变革，最终迅速滑出主流舞台。三是早期布局AI有助于构建结构性壁垒。AI时代的核心壁垒，并非单一技术或用户规模，而是“数据－算力－算法”闭环驱动的飞轮效应、顶尖人才的聚集效能，以及将AI能力深度融合进全产品线的生态整合能力。早期投入正是为了在这些维度建立长期、系统性的护城河。
因此，AI投资热潮并非失去理性，而恰恰是一种理性泡沫。诺贝尔经济学奖得主Michael Spence也表示，主要玩家宁愿冒着过度投资的财务风险，也要避免被踢出局的高昂代价。这种输不起的生存逻辑，使得在旁观者眼中看似疯狂的投入，成为局中人理性的必然选择。在这种逻辑下，大量资本涌入、估值高企、甚至重复建设都成为一种必然，因为谁也不敢先停下。这是一种基于战略恐惧的“理性”行为，从而形成了“理性泡沫”，企业的巨额投入是生存战略。
当前AI产业的研发范式，高度聚焦于基于Transformer架构的“Scaling Law”路线年问世以来，Transformer凭借其自注意力机制，已成为GPT系列、Claude等主流大语言模型的核心技术基础，并被产业界普遍视为迈向通用人工智能（AGI）最具可行性的路径之一。该路径的核心逻辑建立在“Scaling Law”之上，即认为模型能力会随着模型参数规模、训练数据量和计算消耗的持续增长而实现可预测的提升。在此范式下，产业投入的逻辑是线性的，通过构建更大的模型、收集更多数据、投入更多算力，以期逐步逼近AGI。Anthropic技术负责人Sholto Douglas等人的观点强化了这一信念，他们认为即便没有根本性的架构突破，通过强化学习等工程方法的持续优化，Transformer也足以达到人类专家级的专业表现。
通过“创世纪计划”“星际之门”等进行布局，加大巨额资本投入，其中，“创世纪计划”旨在通过联邦政府的大规模资金投入，加速AI技术在科学研究中的应用，特别是在能源、环境、医疗等关键领域的发现速度，目标是利用AI改变科学研究的开展方式，确保美国在基础科学和前沿技术上的长期领先地位。而“星际之门”计划代表了美国国防和情报部门对尖端技术的探索战略，国防高级研究计划局等机构对AI、量子计算等高风险、高回报领域的持续巨额资本投入，其目的并非追求短期商业回报，而是维护国家安全、军事优势和全球技术规则主导权。此外，《2025财年国防授权法案》拟投入数百亿美元于AI、机器人系统、高超音速等关键技术研发、测试和评估；《芯片与科学法案》为美国本土半导体产业提供巨额补贴和投资激励，从底层算力供给侧筑牢AI技术领先的基础，确保其在AI供应链上的核心控制权。这些政策旨在赢得长期的战略制高点，必须不计代价地进行前瞻性、基础性的“理性”资本投入。二是美国科技巨头正以前所未有的力度增加AI资本开支。这种由科技巨头主导的资本开支飙升，构成了当前AI泡沫主要市场驱动力。数据显示，AI四巨头的资本开支总额预计将从2022年的约1497亿美元，在2025年飙升至3150亿美元，体现了军备竞赛式的紧迫性。这种跨越式增长目的是争夺下一代AI基础设施主导权。
这是对未来AI能力的基础性押注。例如，微软的投入从2022年的248亿美元激增至2025年的800亿美元，重在建设下一代数据中心和AI超级计算集群，以深度集成OpenAI的大模型技术，并将其AI服务推广到企业级客户；谷歌则将从2022年的347亿美元扩大至2025年的750亿美元，集中于自研TPU的生产和扩大Google Cloud的AI基础设施，以优化其大模型训练效率和云服务能力；而亚马逊的资本开支预计也将从2022年的704亿美元增至2025年的1000亿美元，主要用于扩建云服务的全球基础设施，强化其AI和机器学习服务的支撑能力。
巨头们通过战略投资、收购和大规模循环投资来确保其在未来生态系统中的领导地位。算力供应端，Oracle与OpenAI签署了为期五年、总值约3000亿美元的云服务合同；CoreWeave与OpenAI的多次合作扩展，累计合同价值已达224亿美元。芯片供应与资本支持端，NVIDIA一方面直接支持终端需求，宣布了一项与OpenAI算力部署进度挂钩、总额高达1000亿美元的渐进式投资计划。另一方面，其通过价值63亿美元的“容量订单/回购协议”为CoreWeave提供财务保障，实质是为自身芯片构建需求确定性。AMD为战略性切入核心供应链，在与OpenAI达成的6吉瓦AI芯片供应协议中，嵌入了极具激励性的认股权证条款，允许OpenAI未来以象征性价格购买大量AMD股权，将商业合作与资本利益深度捆绑。这些资本布局本质上是对未来的押注，AI产业巨头已通过一系列复杂的财务与商业契约，构建产业战略闭环。
中国所面临的硬约束在于尖端训练芯片进口受限以及高端GPU供给阶段性稀缺，因此建立大规模算力集群在经济性与可持续性上显然难以与美国比肩。在此情形下，单纯复制美国的算力堆叠模式，并不具备现实可行性。与其追随美国进行算力军备竞赛，不如选择一条更具中国特色、符合国情的发展道路，即在有限算力条件下挖掘最优效果，产业界的高性价比模型和开源模型就是这一思路下的产物。例如，DeepSeek等产品不靠算力堆叠，而是在工程体系优化和精准建模中持续降低成本并提升性能，体现出用工程能力弥补算力限制的方法论选择。得益于相对较低的token使用价格，中国大语言模型如DeepSeek、通义千问等在全球范围内广受欢迎，过去一年的使用量位居全球前两位。
一是国家战略需求以战略预期引导创新方向，推动形成“战略指引—市场响应”的双向机制，即通过顶层规划为科研和产业提供明确目标，通过稳定的预期引导市场主体积极投入，从而实现国家目标与社会创新活力的有效衔接。二是国家战略资源提供基础支撑，通过在教育、科研和应用全链条上进行跨周期的资源配置，保证创新活动的长期稳定性。三是产业政策与市场机制相结合，一方面通过政策支持和前期试错探索技术路径，另一方面依靠市场竞争筛选优势企业，逐步孵化出具备国际竞争力的“产业赢家”。四是国家耐心资本与社会资本形成合力，通过国家投入托底，引导社会资本投入，为高风险，长周期的前沿创新领域建立起长期稳定的资金供给机制。五是创新制度为AI发展提供制度保障，知识产权保护、成果转化等制度供给不断完善，打通科研创新与产业落地之间的“死亡之谷”。六是国家安全保障为AI发展提供战略护航，有效应对外部技术封锁，确保我国AI发展过程中的技术、数据和供应链安全。
美国AI的估值体系在很大程度上建立在对未来技术演进的强假设之上，当预期发生偏离，风险容易沿着单一技术路线向外扩散；而即使预期修正，调整力度也可能更为剧烈。尤其是当面对技术进展放缓、商业场景落地不及预期且能源瓶颈削弱算力扩张等因素时，都可能触发估值大幅回调。而中国AI泡沫的风险结构与美国明显不同。中国AI并不依赖单一技术路径推动估值扩张，而是由多行业的真实需求共同支撑；场景分布广且行业之间关联度低，使得风险难以沿着产业链形成放大效应。即便出现过度投入或项目回报周期偏长的问题，其影响通常局限于区域或细分赛道，不具备引发系统性冲击的传导机制。
五、传统风险指标测度：市场局部过热传统定义上对泡沫的测度以总市值、估值和总量信贷来表达。这些指标在一定程度上显示了市场的拥挤度和资金的活跃度，一定程度上提示了风险。但是仍然要注意到这些指标是总结了以往的经验而形成的，指标的表述是机械的和不够灵活的。资本市场是与泡沫共舞的市场，所以采用的测度指标没有确切合理的范围。泡沫破裂也并不是这些指标处于高位，所以必然下跌形成的结果，这些指标只是用来描述泡沫的一种方式。
我们会在本章简述上述的一些指标，展示AI为主导的阶段各种指标的阶段性变化。总体来说指标分为宏观流动性指标、杠杆率和市场估值指标三类。我们选取了其中有代表性的指标，这些指标从各个方面来测定市场是否涨幅过大。巴菲特指标衡量的是资本市场相对于实体经济是否涨幅过大，与M2相比是测定与货币总量相比是否涨幅过大，席勒市盈率测定市场相对于利润是否过大，托宾Q测定市场相比自身价值涨幅有多大。ERP是市场本身是否有吸引力，保证金债务和投资者头寸测定散户和机构的“狂热”（杠杆率），高收益债券利差测定的是底层信用风险的恐慌程度。
从结果来看，股市表现出局部过热，但泡沫仍然可控的状态。巴菲特指标、股票市值/M2和投资者杠杆比例略高，标准差超过2个以上，显示股市上行速度过快，投资者显得较为激进，有回调的需要。但实体经济问题并不大，信用风险利差仍然在健康范围，股市本身性价比仍然可以接受，企业和居民杠杆率保持平稳。整体市场估值可能在偏高的位置，但标准差并不高，说明股市估值偏高不是最近发生的问题，可能由于央行操作以及全球金融深化，科技股引领市场，股市估值自然略高。
从数据上来看，无论是标普500还是纳斯达克指数，其与无风险收益率（美国10年期国债收益率）的ERP均跌入负值，股票性价比进入低位。从标准差角度来看，2025年三季度后标准差跌入了0附近，意味着风险补偿几乎消失，意味着现阶段需要增加防御配置。考虑到历史上来看标普和纳斯达克的标准差水平并未进入到负值，所以接近于0也就是较低位置。从风险补偿的角度来看，2023年之后股票虽然仍然在快速上行，但是ERP转负，风险补偿效用逐步降低，黄金这类防御型的资产受到欢迎。
从总量金融来看，股票市场占用的资金已经进入高位区间，我们用股票市值和M2的比值来测定。从数据上来看，股票市场总市值与M2的比值已经超过3%，超过了2000年互联网泡沫时期。2025年10月份美国股票总市值与M2的比值达到3.06%，互联网泡沫时期的最高水平是3.01%。考虑到美国金融市场的持续深化，M2所代表的资金投放在美国金融体系中的位置有所下滑，但是2023年后这一指标快速上行，侧面也印证了市场的不稳定性。
我们把目光拉回到投资者的现金情况，投资者杠杆率一般用纽约交易所保证金债务和投资者现金头寸来表达。投资者保证金债务是客户证券保证金余额，简单来说就是投资者欠券商的钱，这是投资者杠杆率的绝对指标。投资者保证金债务越高，说明投资者借钱买股票越疯狂，当标准差2时，可能意味着市场已经到达了“借钱买股”的极限位置。投资者现金头寸表达的是投资者可动用的现金余额，当头寸为负数时，表明投资者现金覆盖不了债务，当负值变得较为巨大时，市场轻微的波动就会带来投资者大规模平仓，杠杆率快速减少会带来资产价格更快的下行。当标准差-2时，投资者现金紧张程度进入危险区间。
投资者在交易所显得更为激进，在现实生活中更为稳健。美国家庭部门偿债比率维持在11%左右，并未有明显的上行，基本保持平稳。居民部门偿付比率的上行历史上与股票的涨跌关系并不明显，但是可以显示出整体居民家庭的负担。一旦在金融市场遭受损失，家庭的偿付压力可能会上行，仍然在可负担区域。企业的杠杆率更为稳健，2021年以来处于持续下行的状态，可能一部分源于美国的高利率。从企业部门和居民部门来看，非金融市场的杠杆率仍然处于安全区间。
危机前，央行主要扮演周期调节者角色，政策目标集中于通胀与就业，资产价格并不被纳入明确的政策目标体系。在这一框架下，利率、信贷、杠杆率、估值等总量指标能够较为清晰地反映周期位置，一旦触及历史经验中的高风险区间，往往会通过融资收缩、风险偏好下降等机制推动市场进入调整阶段。然而，危机之后，央行的角色发生了根本性转变。以美联储为代表的主要央行，不再仅通过利率间接影响经济运行，而是通过量化宽松、资产购买、信用支持和流动性工具，深度介入资产价格形成过程。央行从“调节经济周期”逐步转向“稳定市场预期”，并在事实上成为重要的风险承担者。
在这一制度环境下，资产价格不再是单纯的金融变量，而与信贷扩张、企业投资、居民财富效应以及政府财政状况形成高度联动。资产价格的波动不仅影响金融市场本身，也直接影响实体经济的运行稳定性。这使得泡沫的破裂不再是一个局部市场出清过程，而可能通过金融渠道与预期渠道迅速外溢，演变为系统性风险。正是在这一背景下，传统总量指标的含义发生了变化：指标依然能够反映基本面状态，却越来越难以指示风险释放的时点和方式，其“能见度”显著下降。历史估值中枢、杠杆阈值和周期经验，正在失去作为有效锚的功能。
与2000年前后不同，当前AI周期运行在高债务约束强化的背景下。2010年以来，美国国债规模长期高于GDP，2024年美债总额超过美国国内生产总值近7万亿美元；利息支出已成为财政中增速最快的项目之一，截至2025年二季度，联邦政府利息支出为2900亿美元，占其经常性收入比重20.34%。在经济增速中枢下移、增量税收受限的条件下，维持高利率水平本就难持续，这也构成特朗普政府强烈呼吁降息的重要现实基础。
一方面，全球宏观杠杆率的持续上升，使得泡沫破裂的冲击力呈几何级数放大。高杠杆意味着经济体系对利率波动与资产价格变化的敏感度大幅提升：资产价格下跌导致抵押物贬值，触发保证金追加与债务违约，进而引发“去杠杆-资产抛售-价格进一步下跌”的恶性循环；同时，高杠杆企业的偿债压力在泡沫破裂后显著增加，企业为维持现金流将被迫削减投资与裁员，进一步加剧经济衰退。另一方面，财富分布不均加剧社会与经济脆弱性。这种财富分布不均在泡沫周期中被进一步强化——资产价格上涨的收益主要由高财富群体获得，而泡沫破裂的损失则通过失业、通胀等方式传导至中低收入群体。当泡沫破裂时，中低收入群体的消费能力将急剧收缩（其边际消费倾向显著高于高收入群体），导致社会总需求大幅下滑；同时，财富差距的扩大将引发社会不满情绪，催生政治极化与政策不确定性，2008年金融危机后全球民粹主义抬头、贸易保护主义升温，正是这一逻辑的体现。这种“经济冲击-社会矛盾-政治动荡”的传导链条，使得泡沫破裂的损害从经济层面延伸至社会与政治层面，形成难以修复的系统性危机。
在此基础上，泡沫的最终结局出现明显分化。第一类是“好泡沫”，通常建立在真实的技术进步和生产率提升基础之上，尽管在定价过程中存在阶段性高估，但并未显著撬动系统性杠杆，其破裂更多体现为估值消化而非经济失序。第二类是“可控泡沫”，伴随一定程度的资源错配与金融风险，但仍处于政策可调控范围内，其出清往往通过行业分化和结构重组完成。第三类则是“坏泡沫”，其风险不再局限于金融层面，而与就业、分配结构和社会稳定高度耦合，一旦破裂，可能通过财政和政治渠道放大为更广泛的系统性危机。
从现阶段来看，将AI视为“纯叙事泡沫”并不符合事实，本轮AI投资并非缺乏真实商业基础。一方面，头部AI相关企业已经开始体现出明确的财务回报特征，经营活动产生的现金流量净额与营业收入之比已经出现了可验证的改善。另一方面，从增长理论出发，一个技术能否被视为“未来方向”，关键在于其是否具有持续提升全要素生产率（TFP）的潜在能力。当前AI并非停留在概念阶段，而是正在被广泛嵌入企业的研发、运营、营销与管理流程中，具备真实的“被使用”和“被付费”特征，美国全要素生产率已经出现改善。只要AI能够在更大范围内转化为持续、可复制的生产率提升，其长期价值就具有坚实基础，即便在过程中出现估值波动或阶段性过热，也更接近“好泡沫”的范畴。
截至2025年二季度，以计算机设备和软件为代表的AI投资在名义GDP中的绝对占比为3.28%；叠加数据中心后，2024年AI投资占比为4.28%，仍低于互联网投资峰值水平4.58%，体量并未失控。资金结构方面，与互联网泡沫时期高度依赖VC/PE不同，当前AI基础设施投资中，大型科技公司自有资金、产业资本与长期信贷占比明显提升，其中大型企业自由现金流融资占比达到48%。耐心资本的上升，使泡沫的自我强化机制天然放缓。
但如果AI对生产率的提升主要停留在局部环节，未能在宏观层面形成持续可观的效率改善，那么风险判断将显著不同。在这种情况下，AI 投资对企业盈利的支撑将高度依赖财务指标的持续改善。一旦出现以下组合情形：一是AI相关企业盈利增速放缓，财务指标难以进一步支撑估值；二是估值水平被推升至历史极端区间；三是通胀重新抬头或金融条件边际收紧，那么市场对AI的风险定价可能会在较短时间内发生逆转。在这一情形下，AI泡沫的脆弱性将在2026年下半年显著上升。
另一方面，本轮AI技术革命发生在高利率、逆全球化与人口老龄化背景之下。企业在成本压力与外部需求不确定性上升的双重约束下，更倾向于将AI视为“降本增效工具”而非“扩张工具”，即通过技术替代压缩人力支出，而非通过技术应用主动扩大产能与雇佣规模。这种以成本控制为导向的AI应用模式，客观上强化了“就业压力—收入预期走弱—消费意愿下降”的传导路径，使得AI在短期内更可能表现为抑制消费的力量，而非拉动消费的力量。一旦这一冲击在宏观层面显性化，其外溢效应可能通过政治与政策渠道，反过来影响全球经济运行。
此外，本轮技术革命收益的分配结构亦能影响泡沫性质。若AI产业革命的红利主要以资本利得形式集中于少数头部企业与高净值人群，而通过工资与就业渠道向中低收入群体的传导有限，则即便宏观层面TFP获得改进，消费端的承接能力也可能不足，从而在“生产率改善”与“总需求支撑”之间形成新的结构性缺口。在此情形下，AI泡沫从经济供给侧的角度看仍可被称为“好泡沫”，但从经济需求侧的角度看，却存在向“坏泡沫”演化的内在动力。
发达经济体可能出现两种应对路径，一是通过持续扩大财政支出、增加社会福利和就业补贴，来对冲技术替代带来的收入与就业压力。这意味着财政角色进一步强化，赤字率与政府债务水平被动上行。在经济增速放缓的背景下，将显著削弱财政可持续性，并压缩未来政策空间；二是政治层面的变化。如果社会福利扩张难以充分缓和就业压力，社会情绪可能向更为保守或民粹的方向演化。这一变化不仅影响国内政策取向，也可能通过贸易、产业政策和地缘政治关系，扰动全球经济秩序。在这一情形下，逆全球化可能进一步深化，抑制全球经济潜在增速。
与典型的叙事型泡沫不同，AI已经在部分行业和企业层面展现出真实的商业回报，其对劳动生产率和全要素生产率的提升路径具备可验证性。无论是通过替代部分重复性认知劳动，还是通过提高研发、管理和运营效率，AI均有可能在中长期内改善潜在增速。这意味着，即便在当前阶段存在估值偏高或投资前置的问题，只要生产率红利能够逐步兑现，其泡沫更可能以估值消化的方式出清。2）从金融体系与宏观政策约束看，当前 AI泡沫仍处于“可控泡沫”的范畴。一方面，AI投资主要集中于少数现金流充沛、融资能力较强的头部企业，尚未演化为大范围的高杠杆扩张；另一方面，金融体系并未出现明显的信用失控迹象，政策工具仍具备调节空间。在这一层面，AI 泡沫尚未对金融稳定构成直接威胁，其潜在风险更多体现为行业内部分化，而非系统性冲击。3）然而，从需求侧、就业结构与分配机制看，AI泡沫则显露出向“坏泡沫”演化的潜在动力。当前 AI 的应用模式在中短期内更偏向于成本压缩而非需求创造，其对中等技能和中等收入群体的替代效应，可能通过就业和收入预期渠道抑制消费需求。如果技术红利主要集中于资本端，而未能通过工资、就业和更广泛的收入增长向居民部门传导，即便供给侧生产率得到改善，需求侧也可能难以形成有效承接。在这种情形下，AI 泡沫的风险将不再局限于资产价格，而可能通过消费走弱、财政压力上升以及社会预期变化等路径外溢。
通过分析系统的系统中的“能量”（资本流）、“信息熵”（市场主流共识）和“结构熵”（产业链有序度），我们发现，当前的AI资本市场是一个被巨额Capex（能量）持续注入的系统，并且正在构建高度有序的AI基础设施和智能（负熵），而一旦这些资本（能量）无法以足够高的效率转化为可持续的商业价值（即技术提升和收入增长跟不上资本消耗的速度），系统的熵（无序度）就会累积。当熵值超过某个临界点，依赖外部融资维持的扩张循环将难以为继，系统可能从当前的“高能有序”状态，相变为“低能无序”的调整或出清状态。
AI产业爆发增速后上游产业链营收增速逐渐趋于稳定。2022年底OpenAI推出ChatGPT后，人工智能产业经历了深刻变革，ChatGPT基于Transformer架构和人类反馈强化学习技术，显著提升了自然语言处理能力，开启了生成式人工智能（AIGC）时代，成功推动了大模型向通用人工智能平台演进，为智能时代提供基础设施。人工智能产业链上游迎来快速爆发，英伟达系列旗舰产品+CUDA生态领衔市场，营收迎来爆发式增长，由于其此前低基数效应，近期营收增速略有下滑，但仍维持50%以上增长。根据英伟达2026财年三季报显示，实现营收570.06亿美元，同比增长62.49%。
通用型GPU具有先天劣势，在当前美国缺电背景下，GPU比ASIC、TPU等消耗更多功耗，并且具有更高延迟。传统芯片公司设计ASIC芯片实现最高效率，但过往经验来看开发成本较高，谷歌自2016年以来长期积累了丰富的TPU设计经验，从2016年谷歌推出第一款TPU v1开始到现2025年谷歌推出第七代TPU芯片Ironwood，经过漫长的积累，谷歌TPU已经可以在性能上与英伟达系列旗舰产品正面对抗，更凭借低功耗、低成本的优势冲击英伟达GPU一家独大的竞争格局。
谷歌TPU单卡算力逐渐缩小代际差，更多架构高性能芯片逐渐进入市场视野。根据SemiAnalysis的数据显示，谷歌TPU v4和v5的单卡算力（BF 16浮点运算）远低于当时英伟达系列的旗舰产品，TUP v6的单卡算力性能已经非常接近H100/H200，但比H100落后了两年发布，TPU v7更加缩小了这一差距，谷歌TPU v7发布时间仅仅比GB200晚了几个季度，但峰值理论算力性能基本上接近GB200，谷歌TPU与英伟达GPU之间的代际差正逐渐缩小，英伟达面临更多高性能其他架构芯片的市场冲击。
未来AI芯片的竞争格局面临诸多不确定性，技术护城河脆弱性逐渐暴露，一旦以谷歌TPU为代表的专用芯片或将快速渗透，AI芯片可能会将迎来“双轨时代”。谷歌凭借专用TPU芯片的超高能效比和成本优势，正在不断挑战英伟达系列旗舰产品的垄断地位，但英伟达凭借CUDA生态的统治地位和GPU的通用性仍然是其最大优势，两种不同技术路线之间的鸿沟正逐渐缩小，技术壁垒上的脆弱性开始显现，未来或将形成英伟达GPU与谷歌TPU的双寡头格局。
我们引入一个指标，即“收入/资本支出比率”，来衡量AI云厂商的资本支出投入对营收的拉动作用，从而来评估AI云业务的增长前景。该比率的“收入”是基于过去12个月的营收增量（主要由AI拉动），“资本支出”是基于滞后一个季度的过去12个月的资本支出（考虑到新数据中心开始运营存在1个季度的滞后）。通过对亚马逊、谷歌、微软的“收入/资本支出比率”进行计算对比，我们可以看到，头部AI云厂商的营收增速仍处于较高水平（20%-40%），但是AI资本支出对营收的拉动从季度上看整体在减弱，意味着AI的货币化能力当下未及预期。
全球数据中心市场在AI需求的强劲驱动下，呈现出空置率历史性走低、租赁价格持续上涨的繁荣景象。然而，中游算力租赁业务的商业模式正暴露出日益显著的结构性脆弱性，尤其是面临上游供应链与下游需求的双重不确定性。上游算力租赁商严重依赖英伟达等芯片供应商，面临地缘政治导致的供应波动和成本压力，而下游需求完全依赖于AI产业的发展。AI的价值兑现是一个漫长过程，短期内对全社会生产力的提升有限。若AI应用商业化受阻或云服务支出放缓，算力需求可能面临降温。这种需求的高度不确定性与重资产投入的刚性形成了巨大风险。
其次，开源生态的繁荣和客户自研能力的增强，削弱了中游平台的生态控制力，并推动其价值定位发生根本性转变。开源战略催生了去中心化的开发者社区，使开发者和企业可以绕过大型平台，直接基于开源模型进行创新。企业为追求更贴合自身业务、更低成本或避免供应商锁定，正转向更多定制构建AI应用。这使得中游平台的角色从“模型和算力的垄断性提供者”，被迫降级为“工具链与集成服务的赋能者”。其价值创造点转向提供更高效的微调工具、部署方案和数据管理等差异化服务。
美国正在陷入缺电危机，电力荒逼迫全球算力节能降耗。据美国能源研究所（IER）估算，OpenAI Orion模型进行一次训练所消耗的电量约达110亿kWh，这一耗电量相当于约100万美国家庭一整年的用电量。根据EIA报告显示到2030年，全球数据中心电力需求将达945太瓦时（等于10亿千瓦时即10亿度电），占全球用电量近3%，较2024年增幅超一倍。在美国，仅OpenAI一家计划到2033年部署的算力中心，新增负荷就超过美国当前全国最高用电负荷的四分之一。相比之下，美国电网却显得捉襟见肘：345kV变电站交付周期长达128周，输变电工程师缺口达20万人，根本无力支撑算力中心的电力需求。
结合对芯片性能的估算，SemiAnalysis预计到2030年，AI数据中心消耗的能源占全球总能源产量的4.5%，整体处于可控范围。SemiAnalysis通过分析北美地区1100多家数据中心的情况来预测未来AI数据中心的电力需求。在未来几年内，数据中心的电力容量增长速度将会加快，其复合年增长率将从12%-15%上升到25%。全球数据中心对关键IT系统的电力需求也将大幅增加，从2023年的49吉瓦增加到2026年的96吉瓦，其中AI相关应用将消耗约40吉瓦的电力。
当前AI产业链的核心矛盾，已从上游资本开支（Capex）的快速扩容期，转向下游应用层商业价值兑现期。市场将开始更多考量投资回报率（ROI），对AI应用的价值兑现进行残酷的“达尔文式”筛选。一方面，开源模型的崛起和成本曲线的陡峭下滑，正在瓦解传统闭源模型的定价权，暴露出应用层普遍的“轻资产”模式在资本高估值下的脆弱性（β风险）。另一方面，在激烈的竞争与快速的技术迭代中，真正能够深度嵌入业务流程、创造独特数据资产和领域知识壁垒的应用，正在沉淀出远超市场当前定价的韧性、多样性和反脆弱性（α价值）。
首先，当前主流大模型泛化能力依然不足。IFBench于2025年7月在《Generalizing Verifiable Instruction Following》论文中正式发布，IFBench主要评测模型对新颖、复杂约束的泛化表现，该基准旨在揭示模型在未见指令下的精确执行水平，基于58个可验证的单轮任务进行评估。根据DataLearner报告显示，IFBench针对以下核心问题：一是模型对未见约束的泛化不足；二是缺乏可自动验证的评估标准；三是现有基准任务的分布偏差，导致高分模型在实际应用中表现不稳。
全球大模型推理成本持续下降。根据斯坦福大学人工智能研究所（HAI）2025年4月发布的《斯坦福2025年人工智能指数报告》，在MMLU测试（评估语言模型性能的常用比较基准）中达到GPT-3.5水平（64.8分）的模型，其推理成本从2022年11月的每百万tokens20美元降至2024年10月的0.07美元（Gemini-1.5-Flash-8B），约1.5年内下降超280倍。在GPQA（比MMLU更具挑战性的比较基准）上得分超过50%的模型的成本也呈现出类似的趋势，其推理成本从2024年5月的每百万tokens 15美元降至同年12月的0.12美元（Phi4）。Epoch AI估计，根据任务不同，大语言模型的推理成本正以每年9至900倍的速度下降。
根据Artificial Analysis给出的Artificial Analysis Intelligence Index（大模型智能化指数）标准测算主流大模型，在给定指数任务中，观测主流大模型的output tokens消耗量和总运行成本。若以此作为定量假设进行测算，可得出在给定任务中，不同大模型所需的单位运行成本。据我们测算，目前主流大模型的输出成本大部分集中在2美元/百万tokens至25美元/百万tokens区间内，国产大模型具有成本优势。以GPT-5.1为例，在给定指数测算过程中，output tokens约为80.9百万tokens，总运行成本约为859.06美元，因此估算GPT-5.1单位运行成本约为10.62美元/百万tokens。而Kimi K2 Thinking大模型在同给定指数测算过程中，output tokens约为138百万tokens，对应总运行成本约为380.47美元，因此估算Kimi K2 Thinking大模型单位运行成本约为2.76美元/百万tokens。
在医疗、金融、法律等高风险场景中，AI Agent的“自主执行”特征使传统软件责任边界失效。当Agent因模型幻觉给出错误诊断、错误交易信号或合同条款时，企业面临“三重责任线、模型提供方以“技术中立”免责；2、集成方以“仅调用API”推脱；3、使用方因“未直接编写代码”而主张无过错。国内现行《数据安全法》《个人信息保护法》尚未对Agent责任主体做出明示。为对冲风险，头部机构普遍采用“人工在环”折中模式——将Agent降格为Copilot，所有关键操作必须人工复核，结果是把效率提升幅度大幅压缩，Agent的“自主价值”名存实亡。
成本-价值曲线的重构下，“高性能-低成本”组合普及，隐含群体性β风险。《State-of-AI》报告中的市场地图分析揭示了在成本（每百万Token价格）与使用量的二维坐标系中，市场分化为两个阵营，即：以OpenAI GPT系列、Anthropic Claude系列为代表的闭源模型，凭借其顶尖的性能、可靠性和企业级支持，占据了“高成本、中高使用量”的象限，其商业模式依赖于为“任务关键型”应用创造不可替代的溢价价值。而以DeepSeek 、Qwen Max等为代表的开源模型，则密集分布在“低成本、极高使用量”的“效率巨人”（Efficient giants）区域，其单位成本可能低至闭源模型的十分之一甚至更低，却驱动了海量的Token消耗，表明市场并非单一同质的，而是由“价值敏感型”和“成本敏感型”两类需求共同构成。开源模型通过极致的性价比，正在快速将“成本敏感型”这一类规模巨大但此前未被充分满足的市场彻底激活和占领。
以上形势对AI应用层货币化产生了直接冲击，这种“高性能-低成本”组合的普及，对下游应用企业的商业模式构成了根本性挑战：一方面，如果企业难以将成本下降的全部红利转化为利润，竞争会迫使终端服务价格同步下降；另一方面，企业技术壁垒部分被削弱，因为竞争对手可以基于相同的低成本技术底座，快速复制和迭代相似的服务，导致市场竞争加剧，产品同质化风险上升。这导致我们前面所述行业整体估值（PE/TTM）处于历史高位，许多企业的营收增长和盈利路径尚不清晰，存在“达尔文式进化”下的群体性β风险。
美国AI生态的基石仍是由OpenAI、Anthropic、Google等巨头构建的闭源模型体系为主导，其ROI逻辑根植于相信在AGI（通用人工智能）的终极竞赛中，绝对的技术领先能够创造最高的商业壁垒。因此，其下游应用多聚焦于构建高价值、高复杂度的企业工作流解决方案。例如，将Claude Sonnet或GPT-5深度集成到金融分析、法律文档审查、复杂代码生成等场景中。用户为此支付的溢价，购买的是可靠性、安全性、极致的输出质量以及“任务零失败”的保障。《State-of-AI》的数据表明，尽管价格高昂，Claude Sonnet、GPT-4/5等模型依然维持着可观的使用量，表明存在一个庞大的、对价格不敏感但对性能极度敏感的企业市场。其价值闭环在于：通过解决此前无法自动化的高价值问题，成为企业核心业务流程中“不可卸载”的组件，从而实现高客单价和长期的生态锁定。
中国下游应用的ROI路径更侧重于场景驱动和规模变现，利用开源模型的低成本优势，快速进行产品迭代和场景验证，在角色扮演、轻量级编程辅助、社交娱乐、内容生成等领域实现了用户规模的指数级增长。OpenRouter数据显示，中国团队开发的开源模型的崛起，不仅体现了它们在质量上的竞争力，也反映了它们快速迭代、频繁发布新模型的发展模式，这些模型的市场份额从2024年底时每周的使用比例仅为1.2%，升至2025年在整一年的时间中平均每周使用量约为13.0%。其价值创造不在于单次调用获取高额利润，而在于通过极低的边际成本触达亿级用户，形成流量入口和平台效应，再通过增值服务、广告或生态系统进行变现。这条路径更敏捷，试错成本更低，但也更依赖于持续的用户增长和活跃度。
自2024年底OpenAI发布o1推理模型以来，行业发生了根本性转向。到2025年底，推理模型处理的Token已超过总量的50%，且平均请求的输入Token长度增长了近4倍，与推理范式崛起同步的是交互深度的急剧增加，平均每次请求的输入Token长度自2024年初增长了近4倍，从约1.5K增长至超过6K，意味着AI应用的核心价值正从简单的内容生成转向复杂的AI Agent演进，其价值密度显著提升。比如：从“帮我写一篇邮件”升级为“帮我分析这份财报并给出投资建议”、“帮我调试这段代码并优化性能”、“基于这些客户反馈制定一个产品迭代方案”。AI应用的价值不再取决于生成了多少文字，而在于解决了多复杂的问题。
我们选取了以英伟达为中心的上下游产业链共计60家公司的市值和净利润变化进行比较，客户端的公司包括英伟达、微软、META、超微电脑、亚马逊、谷歌、工业富联、联想、纬颖、华硕、技嘉科技、安富利、百思买、特斯拉、慧与、思科等；供应端的公司包括台湾集成电路、纬创资通股份、SK海力士株式、美光科技、鸿海精密、伟创力国际、Fabrinet、日月光投资控股公司、是德科技公司、揖斐电株式会社、安靠技术公司、三星电子、阿里巴巴、芯源系统、广达电脑。
按照市值增长率的正负变化和归母净利润增长率的正负变化将区间分为四个区间，其中市值增长率为正和归母净利润增长率为正的区间为2020年12月至2021年12月，以及2024年3月至2025年9月，这表明一般情况下AI产业链基本处于盈利和市值同向增长的长周期；市值增长率为正，归母净利润增长率为负的区间为2023年3月至2023年12月，市值增长率为负和归母净利润增长率为正的区间为2022年3月至6月，这两段时间AI产业链总体经历了市值与利润之间关系的多种组合，反映了市场情绪与基本面之间的阶段性背离和不同步；市值增长率为负和归母净利润增长率为负的区间为2022年9月至2022年12月。
进一步地，第一象限（盈利增长+市值增长），这是最健康的阶段，表明行业处于成长期或景气周期，盈利增长得到市场认可，估值逻辑自洽，通过优化投资者沟通可以进一步稳定市场预期，防止估值过快上升带来的回调风险；第二象限（盈利为负+市值增长），在此阶段市场提前乐观，反映投资者对行业未来的预期，而非当前盈利，此时AI产业链面临行业的主题炒作期或者技术突破阶段；第三象限（盈利为正+市值下降），市场情绪悲观或行业面临短期利空，但AI产业链企业仍能保持盈利，说明基本面有一定韧性；第四象限（盈利为负+市值下降），行业低谷期，市场与基本面双重承压，反映行业出清或调整阶段。
从2023年12月起，英伟达产业链盈利和估值双双正向增长，结束了从2022年12月至2023年12月的泡沫期，进入乐观期。对比纳斯达克指数，2023年6月归母净利润同比增速由负转正，后进入估值和业绩同比正增长周期。对比中国创业板，在经过2024年9月短暂的归母净利润增长率为负，市值同比增长为负的泡沫期后，中国创业板进入市值同比增长为正，归母净利润增长率为正的乐观周期。当前，中美AI相关板块并未处于典型的泡沫狂热期，美股当前高位分歧较高，处于泡沫警告和乐观期并存阶段，创业板则处于业绩修复的价值回归阶段。
佩雷斯的科技周期理论认为，科技创新为社会带来实际收益需经历两大周期和四个小阶段，其中，大周期分为导入期和展开期。导入期意味着新技术出现并开始影响社会的阶段，在该阶段新技术逐渐被引入市场，但还没有广泛普及，经济增长可能放缓，因为旧的产业结构和金融体系尚未适应新技术。展开期指技术被社会广泛采用的部署阶段（例如铁路时代美国西部的开发，汽车时代郊区、购物中心和快餐店的创建，以及互联网/移动时代的iPhone、Facebook和拼车服务等）。通常来说，导入期和展开期都需要二三十年的时间。而这两个阶段之间的“转折点”几乎总是以金融崩溃和复苏为标志。
根据2025年8月发布的Gartner人工智能技术成熟度曲线项值得关注的新兴技术有望在未来2至10年内显著影响商业模式与社会运行，成为企业数字化转型的关键推力。其中，多模态AI与AI信任、风险和安全管理（TRiSM）已进入期望膨胀阶段，成为当前最具关注度的两项技术。它们将与AI原生软件工程、具身AI、世界模型、AI智能体、因果AI等前沿方向共同推动更强大、更创新且更负责任的AI应用，深刻改变企业运营方式。在这一过程中，需特别警惕过度炒作可能带来的风险。
泡沫的累计与资金的快速流入高度相关，而新科技的出现和前景又对资金具有很强的吸引力。因此，市场泡沫与科技发展具有天然的联系。从1920年代汽车、广播、电影和航空技术的发展及1929年股市的，再到1970年代末至2000年的信息技术革命及互联网泡沫破裂，每一次科技和投资周期都伴随着技术创新的兴起、资本市场的繁荣和泡沫的形成与破裂。这些周期不仅影响了经济结构和产业布局，也深刻地改变了社会生活和人类的工作方式。
因此，泡沫对于AI技术来说并非是绝对的坏事。当前，AI技术正处于快速发展阶段，从ChatGPT引发的生成式AI热潮，到AI在医疗、教育、制造、金融等领域的应用探索，每一项突破都吸引着资本的高度关注。随着AI领域资本开支大规模扩张，投资者对AI板块热情追捧，部分AI企业估值飙升，确实呈现出一定的泡沫迹象。但长远来看，这场AI泡沫反而可能是促进AI技术提升和推广的“好泡沫”：一方面，充足的资金能支持AI企业投入算力基础设施建设、大模型研发和数据库建立，加速技术从实验室走向商业化应用的进程；另一方面，泡沫带来的市场热度会吸引更多人才进入AI领域，推动产学研融合，同时也会让普通民众更早接触和使用AI产品，培养用户习惯，为AI技术的大规模应用推广奠定基础。
短期来看，泡沫难言破灭。尽管部分AI企业股价出现波动，估值有所回调，但这更多是市场对前期过度上涨的理性修正，无需过度恐慌。历史经验表明，每一次科技泡沫形成过程中，都会出现阶段性调整，而这种调整恰恰是市场自我修正的过程。经历阶段调整后，风险投资者会变得更加谨慎，重新评估他们的投资策略，不再仅仅关注企业的增长潜力和概念热度，而是更加注重公司的基本面，比如核心技术的壁垒、商业化落地的能力、持续的盈利能力以及健康的现金流。这种转变会导致投资方向发生变化：一方面，投资者会重新关注早期阶段的AI企业，尤其是那些在细分领域拥有核心技术、团队背景扎实的初创公司，因为这些企业在市场调整期估值更为合理，且具备长期成长潜力；另一方面，具备明确商业模式和稳定收入流的AI企业会更受青睐，比如为传统行业提供AI解决方案、通过AI技术提升效率并实现盈利的企业。整体来看，投资活动会有所放缓，但资金会更精准地流向有价值的领域。
一旦泡沫被刺破，缺乏可行的商业模式、过度依赖风险投资、或者无法适应市场变化的公司往往率先退出市场，可能直接破产或被私有化。破产的公司可能因为资不抵债、现金流断裂或无法维持运营而被迫关闭。而被私有化的公司可能是因为股价低迷，使得私有化成为一种更有吸引力的选择。那些幸存下来的公司，恢复过程也是充满挑战的，可能需要进行重组、削减成本、改变商业模式或寻找新的收入来源。其中，部分公司能够在削减成本和投资未来当中掌握平衡，既不过度防御、也没有激进冲刺，做出务实决策，在泡沫后的市场调整和经济衰退中复苏、并继续取得领先蓬勃发展。例如微软和亚马逊，在经历了市场洗牌后变得更加强大和有竞争力。
同时，合理的估值水平是筛选核心资产的重要维度，也是投资者在泡沫环境中规避风险、把握机遇的核心依据。一方面，真正具备穿越周期能力的核心资产，其估值往往能与自身的技术实力、商业化进度和盈利预期形成匹配。另一方面，在评估AI企业时，需结合估值与企业特征动态判断：对于拥有核心技术但估值过高的企业，需警惕短期泡沫风险，等待估值回调至合理区间再介入；对于估值合理且技术壁垒深厚、商业化路径清晰的企业，即便市场出现短期波动，其估值也能依托基本面支撑保持相对稳定，成为穿越周期的优质资产。
