新闻详情

瑞泊研报 | AI的万亿豪赌: 泡沫，还是新一轮资本形成

发表时间：2026-08-30 17:34

瑞泊研究部 | AI 产业深度研究

AI的万亿豪赌: 泡沫，还是新一轮资本形成

从主流大型科技公司最新财报出发
研究所谓AI泡沫论，并看懂真实需求、资本错配与中国机会

数据截至：2026 年 8 月 28 日

一、2026 年夏天，AI 为什么越赚钱越让人担心？

2026 年夏天，AI 市场出现了一幅看似矛盾的画面。英伟达单季数据中心收入达到 890 亿美元，微软商业剩余履约义务达到 6780 亿美元，Google Cloud 的积压订单达到 5140 亿美元。

与此同时，Meta 当季资本开支几乎吃掉全部经营现金流，腾讯和阿里的自由现金流转负，专业 AI 云 CoreWeave 一边握着千亿美元级未确认收入承诺，一边承受高杠杆和高利息。到底哪一边才是真相？

答案是：两边都是真的。AI 已经产生真实需求，但“有人买芯片”不等于终端客户已经创造出足够现金；资本开支有战略必要，也不等于每一个项目都能活到需求成熟。

过去两年的争论大多停留在第一张表——利润表。模型能力提高了多少，芯片卖了多少，云收入涨了多少。现在争论进入第二张表——资产负债表。服务器能用几年？项目靠谁融资？设备还能运行时，租金会不会已经跌了？客户承诺能否变成现金？

核心判断把整个 AI 称为泡沫是错的；把每一笔 AI 投资都当成未来利润，同样是错的。

真正值得追问的不是“AI 有没有用”，而是三件更具体的事：谁在持续付费？模型变便宜后，新增任务能否快过单位算力下降？终端现金流能否在设备贬值和债务到期前追上资本投入？

这三件事把技术方向和资本回报分开了。AI 可以成为下一代生产基础设施，一批算力项目仍然可能亏损；应用可以繁荣，旧设备租价仍可能下降；头部平台可以继续扩张，高息融资的专业云也可能先出清。

模型能力往往阶跃式提高，企业采用却必须经过数据清理、权限配置、流程改造和组织磨合；数据中心则要提前几年拿地、锁电、订设备。钱先投下去，而持续付费的客户来得慢一些，这就是资本形成期的正常错位。错位能否被融资期限和未来需求吸收，才决定它是建设成本，还是泡沫。

图1｜技术、采用与资本有三种不同速度

资料来源：瑞泊研究部。机制示意，不代表收入、资本开支或估值的点预测。文件中的曲线用于解释先后关系，不是点位预测

二、二十五年前，暗光纤是怎样从繁荣走向破产的？

1996 年到 2000 年，美国电信公司押注互联网流量爆发，累计铺设约 3900 万英里光纤。到 2001 年，美林证券估算实际使用率只有 2.6%。这些没有传输流量的线路被称为“暗光纤”。

最容易误解的是，当时并不是没有增长。WorldCom、Level 3、Williams、康宁、思科和朗讯的收入都曾快速上升。光纤真的埋进了地下，路由器真的完成了交付，上游利润也真的增加了。

问题出在增长的来源。一部分收入来自运营商之间互换网络容量：甲把容量卖给乙，乙又把另一段容量卖回给甲。现金几乎没有净流入，两家公司却都记录了销售。另一部分采购依靠供应商融资：设备商向客户提供贷款，客户再用贷款购买设备。

终端需求最终也没有消失。美国家庭宽带用户持续翻倍，后来 YouTube 和 Netflix 真正点亮了大部分网络。但家庭采用需要时间，杀手级应用比光纤铺设晚了六到八年。债务不会等待应用成熟，利息和到期日先来了。

技术效率又补了一刀。波分复用让一根光纤可以传输更多数据，相当于突然放大了有效供给。互联网流量继续增长，光纤价格和利用率却仍然下降。需求增长与资产过剩并不冲突。

历史真正的教训暗光纤失败的不是互联网方向，而是资本、终端需求和债务期限没有对上时间。

机制	暗光纤时期	今天的 AI	应该观察什么
终端需求	互联网流量真实，但商业化比建网慢 6—8 年	云、广告、软件已产生外部收入，核心流程 Agent 仍早期	生产环境付费、续约、单位任务回报
效率冲击	波分复用迅速放大既有光纤容量	量化、蒸馏、路由和新硬件降低单任务算力	任务增速能否超过效率提升
融资	供应商融资、容量互换和高杠杆普遍	头部平台现金流更强，但专业云、担保与交叉投资增加	独立第三方现金与供应商支持分开
资产差异	光纤高度同质，价格战直接	电力、网络、软件栈、地域和设备代际造成差异	高利用率、多客户、可转用资产

表4｜历史能提供机制，不能替代对今天数据的逐项检验

今天的 AI 与暗光纤既相似又不同。相似之处是资本开支巨大、效率持续提高、融资关系越来越复杂；不同之处是云、广告和企业软件已经出现规模化外部收入，头部平台也拥有更强的经营现金流。历史不能替我们下结论，但能告诉我们应该检查什么。

三、芯片卖出去了，不等于每座 AI 工厂都能赚钱

1. 这组财报到底证明了什么？

NVIDIA 2027 财年第二季度收入 962.21 亿美元，同比增长 106%；数据中心收入 890 亿美元，同比增长 117%，占总收入约 92%。公司给出的下一季度收入指引中值为 1080 亿美元，GAAP 毛利率达到 75%。

这组数字回答了第一个问题：AI 基础设施建设确实发生了，芯片和系统已经交付，英伟达也形成了可收取的货款。它足以否定“这一轮行情完全依靠二级市场讲故事”的说法。

但它回答不了后面三个问题：这些设备能否长期高负荷运行，算力运营商能否从独立客户获得持续收入，终端企业是否愿意从经常性预算中反复付费，以及整座 AI 工厂能否在设备过时前收回成本。英伟达 75% 的毛利率首先证明英伟达的议价能力，不等于下游客户也有同样回报。

图2｜NVIDIA 季度总收入与数据中心收入（十亿美元）

资料来源：NVIDIA FY2024—FY2027 第二季度官方财报；瑞泊研究部整理

2. 现金回收比原稿写得更复杂

最新 10-Q 还提供了一个重要限定。英伟达应收账款从期初的 384.66 亿美元升至 630.59 亿美元，半年增加约 245.9 亿美元。公司解释，增长部分来自对部分投资级客户的大型、多季度协议提供了 90 天至一年的延长付款期。

Q2 单季净利润为 596.88 亿美元，经营现金流约 240.77 亿美元。收入和利润是真实的会计结果，但现金回收受到应收账款、账期和生态融资安排影响。因此，上一版“穿透到现金利润”的表述过强，新版改成“穿透到交付、确认收入和供应商利润”。

3. 四级证据，必须一级一级往下走

图3｜从上游交付到最终回报的四级证据

资料来源：瑞泊研究部。每一级都是真实证据，但回答的问题不同

第一级是上游交付。英伟达收入主要属于这一层，证明芯片和系统卖出去了。第二级是独立外部使用，观察第三方云收入、GPU 利用率和可比租价，证明设备有人使用。

第三级是终端经常性付费，包括生产环境席位、续约、扩容、按结果付费和现金回款。第四级才是最终回报：企业获得的增收降本，扣除模型、集成、数据治理和人工接管成本；基础设施获得的外部现金毛利，扣除电力、维护、利息、租赁和设备经济贬值。

证据边界卖出去不等于用起来；用起来不等于持续付费；持续付费也不一定等于赚到钱。

四、最新财报说明外部付费已经出现，也说明回报仍在分化

1. 海外平台：外部收入、合同和付费席位同时出现

公司 / 期间最新兑现资本与现金信号NVIDIA FY27 Q2收入 962 亿美元；数据中心 890 亿美元，同比增长 117%应收账款半年增至 631 亿美元；Q2 经营现金流 241 亿美元Microsoft FY26 Q4收入 900 亿美元；Microsoft Cloud 593 亿美元；商业剩余履约义务 6780 亿美元季度资本开支 410 亿美元；经营现金流 554 亿美元；自由现金流 196 亿美元Alphabet 2026 Q2Google Cloud 248 亿美元，同比增长 82%；积压订单 5140 亿美元资本开支 449 亿美元；自由现金流 -59 亿美元Amazon 2026 Q2AWS 422 亿美元，同比增长 37%；经营利润 166 亿美元过去12个月经营现金流 1614 亿美元；净购置物业设备 1690 亿美元Meta 2026 Q2收入 608 亿美元，同比增长 28%；AI主要通过广告效率变现资本开支 311 亿美元；经营现金流 319 亿美元；自由现金流 7.8 亿美元表1｜海外平台：需求兑现与资本压力同时增强。财年和口径不同，不用于直接估值比较。微软提供了目前最接近终端需求的组合证据。Microsoft 365 Copilot付费席位超过 3000 万；商业剩余履约义务即已经签约、尚待确认的合同达到 6780 亿美元；剔除 OpenAI 后，这一指标仍同比增长 25%。这说明需求已经明显越过 AI 公司内部互购。但微软云收入中同时包含传统云和 AI，剩余履约义务的平均期限约 2.3 年，不能把 6780 亿美元当成当期现金。微软 FY2026 还从 OpenAI 商业安排确认收入 241 亿美元，期末对 OpenAI 应收约 60 亿美元；关联关系必须与“剔除 OpenAI 后仍增长”同时披露。这些数字共同说明，微软既有广泛外部客户，也深度参与前沿模型生态。剩余履约义务是强合同证据，却不是已经收回的资本；剔除单一关联方后仍增长，则提高了证据质量，但仍需等待现金与续约验证。AWS 和 Google Cloud 的收入与经营利润快速增长，说明外部云客户确实在付钱。Meta 则展示另一种变现方式：AI 改善推荐、广告定向和创意效率，价值进入原有广告收入，而不是单独挂上“AI 收入”标签。Google Cloud 的积压订单提供很强的未来收入可见度，但公司从 2026 年第一季度起把原始期限不超过一年的合同纳入口径，跨期增速需要谨慎解释。Meta 管理层确认 AI 改善推荐和广告投放，却没有量化其中多少收入由 AI 单独贡献。Salesforce 的 Agentforce 年度经常性收入超过 15 亿美元，ServiceNow 披露的 AI 年合同价值超过 10 亿美元。虽然产品口径仍在调整，这些指标比下载量和 Token 数更接近生产环境的经常预算。2. 中国平台：收入增长与现金压力同时发生公司 / 期间收入端证据现金流与结论边界腾讯 2026 Q2收入 2048 亿元；营销服务 +22%；云收入增速进入低 20% 区间资本开支 528 亿元；自由现金流 -138 亿元。AI进入收入表，也进入成本表阿里巴巴 2026年6月季AI Cloud and Compute Services 新分部 484 亿元，同比增长 45%；其中 AI 产品 124 亿元新分部含平头哥；集团资本开支 677 亿元、自由现金流 -447 亿元，不能直接当分部回报百度 2026 Q2AI Cloud Infra 73 亿元，同比 +50%、环比 -17%；GPU Cloud +283%GPU Cloud 为未审计管理口径且未披露基数；集团自由现金流 -80 亿元表2｜中国平台：需求是真实的，但基础设施与应用兑现速度并不一致。腾讯、阿里和百度共同说明，中国 AI 需求已经进入收入表，但不同环节的速度差异很大。阿里的 AI 云与算力服务新分部增长最快，腾讯先在广告和云中兑现，百度基础设施业务快于应用端。口径也需要谨慎。阿里的 484 亿元新分部收入包含平头哥，不能全部称为纯 AI 云；更直接的 AI 产品收入约 124 亿元。百度 GPU Cloud 的 283% 增速来自未审计管理口径且没有绝对基数，只能作为方向信号。同一批财报也把资本代价写得很清楚。腾讯资本开支同比增长 176%，阿里季度资本开支接近 100 亿美元，百度自由现金流转负。真实需求并没有自动消除现金流压力。因此，当前证据支持两个同时成立的判断：AI 已经产生规模化商业需求；终端经常性现金流是否足以吸收全部新增资本，仍然没有被证明。

五、谁在为 AI 买单？先把三种钱分开

一笔 GPU 销售进入英伟达收入表时，买方的钱可能来自三处。第一是企业、消费者或政府的经常性预算；第二是云平台和模型公司的既有现金流；第三是债务、租赁、风险投资、供应商支持和交叉投资。三种钱都能形成真实采购，但可持续性完全不同。

1. NVIDIA 自己的披露，说明为什么必须追踪资金来源

英伟达最新 10-Q 显示，公司不仅出售硬件，也通过股权投资、云服务采购承诺、延长账期和项目担保参与生态建设。文件披露了 250 亿美元股权投资承诺和 360 亿美元 AI 云服务承诺；部分 AI 云伙伴采购英伟达硬件，英伟达又承诺购买其云服务。

图4｜同一笔上游收入，背后可能是三种资金来源

资料来源：瑞泊研究部。融资可以跨越建设期，但不能永久替代终端预算

公司还披露了数十亿美元级的项目担保与潜在残值支持。与此同时，英伟达与多家资本管理机构宣布筹建目标超过 5000 亿美元的第三方算力融资平台，但目前仍是谅解备忘录，是否形成最终协议、何时拨款都不确定。它不能计入已经到位的需求或资本。

这些安排不意味着 GAAP 收入“是假的”。硬件确实完成了交付，会计收入也按规则确认。它们意味着研究者必须另做一张更严格的“收入质量桥”，把上游销售额与独立终端现金需求分开。

收入质量桥

上游确认收入 → 独立第三方现金
→ 经常性终端预算 → 全链可持续回报

每向右走一步，回答的问题更严格；数据不可得时应标注未披露，而不是武断扣除。

2. 哪些钱能进入终端需求分母？

最严格的口径，只计算来自产业链外部企业、消费者和政府的实际现金，而且已经进入生产环境，具有订阅、持续用量或稳定年度预算特征。云积分、免费额度、与采购直接绑定的供应商支持以及能够识别的内部互购，需要扣除或单列。

高质量的长期合同可以纳入基准口径，但必须按取消条款、客户信用、交付条件和合同期限调整。剩余履约义务和在手未履约订单提供可见度，却不能按面值全部当作今天的终端需求。

试验预算、风险投资支持的算力采购和项目债务，则属于宽口径。它们说明行业活动很热，也为产品走向成熟争取时间；但如果外部经常性现金迟迟不能接棒，融资最终会成为需要偿还的负担。

交叉投资不能机械扣除。供应商投资了客户，不代表客户的全部采购都没有价值。更稳健的做法是披露投资、采购和反向承诺，只对能够确认与采购直接绑定的融资支持作调整，其余部分进入压力测试。

资金来源贷款买 GPU 也是真成交；成交真实，不等于投资一定能收回

六、模型越便宜，算力需求一定越大吗？

这是上一版最大的逻辑缺口。同一种效率提升，在不同段落里一会儿扩大需求，一会儿制造供给过剩，却没有说明判别条件。真正需要比较的只有三个数字：付费生产任务增加了多少、每项任务少用了多少算力、行业又新装了多少产能。

第一条判别式：总算力

总算力需求 = 付费生产任务量 × 每项任务所需算力

只统计外部付费、成功完成并进入正式流程的任务；排除免费调用、内部互调和失败重试。

假设原来有 1 亿件付费任务，每件需要 1 个单位算力。量化、缓存和小模型让单任务算力下降 40%，现在每件只需要 0.6 个单位。如果任务量只增长 30%，总算力变成原来的 78%；如果任务量增长约 67%，总算力刚好持平；只有任务增长超过 67%，总算力才会增加。

这就是严格意义上的需求反弹。成本下降以后，只有付费任务增加得足够多，总资源消耗才会上升。看到 Token 价格下降和调用量增长，还不能直接宣布“杰文斯效应”成立，因为调用可能来自免费额度、反复重试或 AI 系统之间的内部调用。

图5｜效率提升可能扩大需求，也可能形成供给压力

资料来源：瑞泊研究部测算。假设单任务算力下降 40%，其他条件不变

第二条判别式：资产利用率

产能利用率 = 总算力消耗 ÷ 已送电、可调度的有效算力容量

总算力增长时，若算法效率和新建产能增长更快，利用率、租价和设备残值仍会下降。

继续上面的例子。付费任务翻倍后，总算力从 1 亿单位增至 1.2 亿单位；但如果已上线容量同时从 1 亿增至 1.5 亿单位，利用率就从 100% 降到 80%。AI 完成了更多真实工作，总算力也在增长，算力租价和资产回报仍可能下行。

这不是自相矛盾，而是需求没有追上“算法效率提升加新增硬件”共同带来的有效产能。AI 应用繁荣与部分数据中心过剩，完全可以同时发生。

1. 效率改善只有在三个条件同时满足时才是需求利好

第一，增长的是外部付费生产任务，而不是试用。第二，价格下降真正传导给客户，并让原本不经济的流程变得可用。第三，任务量不仅超过单任务算力下降，还能吸收新增硬件容量。

斯坦福 AI 指数显示，达到 GPT-3.5 相当能力的推理价格在不到两年内下降超过 280 倍，AI 硬件能源效率也持续提高。国际能源署同时观察到，单个同类任务能耗快速下降，但 2025 年 AI 专用数据中心用电仍增长约 50%。两者并不冲突，因为任务数量和任务复杂度也在上升。

NBER 对 5172 名客服人员的研究发现，生成式 AI 使每小时成功解决的问题数平均提高约 15%。这个研究最值得借鉴的不是“15%”本身，而是统计口径：衡量成功解决的生产任务，而不是 Token 数。

效率判断更便宜的 AI 只有在带来更多付费、成功完成的任务时，才是真正的需求扩张。

七、没有分母，就无法判断资本是不是跑得太快

“资本投入领先需求太久”听起来合理，却必须有分母。上一版列出了资本开支、租赁、债务和长期承诺，却没有建立终端现金需求的统一口径。这会让“领先太久”停留在修辞，而不是可检验判断。

1. 为什么不能把英伟达、云和软件收入直接相加？

假设英伟达把 GPU 卖给云厂商，云厂商把算力租给模型公司，模型公司把 API 卖给软件公司，软件公司再把智能客服卖给银行。四家公司都有收入，但产业链外真正流入的新钱，只有银行最后支付的那一笔。把四层收入相加，会把同一笔终端需求重复计算四次。

AI 也没有统一会计科目。微软云混合了传统云和 AI，Google Cloud 同时包含云服务与系统销售，腾讯没有单列 AI 云收入，广告效率又嵌入原业务。试图给出一个精确的“全球终端 AI 预算”会制造虚假精度。

正确办法不是放弃分母，而是从公司、项目和企业预算三个层级，建立一组可重复观察的代理指标。

观察层级	核心指标	它真正回答的问题
企业预算	生产预算转化率 = 经常性生产 AI 预算 / 全部 AI 预算	支出是长期业务预算，还是一次性试验与补贴
公司经营	资本覆盖率 = 外部 AI 现金毛利 / 完整年度资本成本	外部回款能否覆盖折旧、利息、租赁、维护和维持性投入
新增投资	增量资本效率 = 新增外部 AI 现金毛利 / 新增 AI 投入资本	每追加一元资本，带来的可持续现金回报是在改善还是恶化
项目融资	项目现金覆盖 = 风险调整后的外部合同现金流 / 债务与运营支出	单个数据中心能否在设备过时和债务到期前活下来

表3｜没有一个完美的全球分母，但可以建立四个可观察的资本吸收指标。

2. 资本吸收率必须把资产成本年化

资本吸收率

（严格终端现金需求 − 可变现金成本）÷（经济折旧 + 资金成本）

投入资本应包括服务器、数据中心、租赁现值、长期容量承诺，以及担保与残值支持风险。

为什么不用“一年收入除以当年资本开支”？因为资本开支是多年资产，收入是当期流量；租赁分类和折旧年限变化还会改变报表口径，却不一定改变真实经济负担。

资本吸收率大于 1 并持续改善，说明终端现金贡献已经能够覆盖资产消耗和资金成本。短期低于 1 并不自动等于泡沫，资本形成期本来就需要先建设；但如果连续多个季度低于 1，同时利用率、租价和外部续费转弱，融资支持型需求上升，资本错配就开始从建设成本变成资产负债表风险。

3. 用三种口径观察需求质量

严格口径只看已经进入生产、具有续费特征的产业链外现金。基准口径再加入风险调整后的高质量长期合同和可验证的广告增量毛利、内部成本节约。宽口径则包含试验、一次性采购、风险投资、债务和供应商支持。

真正值得跟踪的是“终端化率”：严格终端需求占全部可见 AI 活动的比例。收入继续增长、终端化率也上升，说明行业从融资驱动走向经营驱动；收入增长但终端化率下降，则说明购买力越来越依赖外部资本。

研究纪律没有一个完美的全球分母，但不能因此只看分子

八、真正危险的不是 AI，而是六类资产与融资结构

1. CoreWeave 把资本形成期的矛盾集中在一张报表里

CoreWeave 是观察专业 AI 云最合适的样本。2026 年第二季度收入 25.75 亿美元，revenue backlog 约 1040 亿美元；该口径宽于 GAAP 剩余履约义务，含公司估计的未来可确认金额，并受容量交付和服务可用性约束。

这仍然是强需求可见度，却不是无条件订单。前三大客户分别贡献 36%、26% 和 10% 的季度收入，集中度很高；6 月底债务本金约 355.51 亿美元。需求、交付、客户信用和融资必须放在一起看。

上半年，公司现金购置物业和设备约 141 亿美元；6 月底物业和设备净值约 467 亿美元，经营租赁负债约 163 亿美元。上半年经营现金流约 37 亿美元，债务偿付约 62 亿美元。未确认收入承诺是融资的基础，却不能替代现金。

这套模式可以用一条资金链解释：客户先签长期合同，项目拿合同融资，用融资购买 GPU、机房和电力；项目必须在利息、租赁、维护和设备贬值之前，把合同变成现金。任何一环延迟，都会把需求风险放大成融资风险。

2. 折旧年限不是技术寿命的同义词

GPU 能开机十年，不代表十年都能租出同样价格。会计折旧回答资产多久摊完，经济寿命回答它还能产生多少现金。新架构每瓦吞吐更高、软件兼容性改变或租价下降时，旧设备仍能服务低成本推理，回报却可能低于原来的融资假设。

因此，折旧研究不能只争论五年还是六年。更重要的是同代设备的可比租价、二手价格、维护成本、每 GPU 小时外部收入和客户愿意签多长合同。

图6｜AI 工厂的瓶颈会迁移，不会消失

资料来源：瑞泊研究部。有效产出取决于计算、内存、网络、电力、冷却和软件调度的整套系统

3. 六个更可能先出现泡沫的地方

高风险区	为什么危险	领先预警
未送电的概念容量	规划 GW 不等于可交付产能，建设与并网可能延误	在建工程上升、送电推迟、客户可取消
单一客户专业云	合同、债务和设备寿命高度依赖一个客户	Top 1 客户占比、续约与再定价
供应商支持的采购	销售真实，但独立终端购买力可能被高估	延长账期、担保、反向采购、应收上升
折旧慢于经济贬值	账面利润尚可，租价和残值已下降	二手价格、旧卡租价、减值与维修成本
同质化上游扩产	供给从短缺转宽松时，利润率可能快速回落	交期缩短、库存上升、价格与利用率下行
多重乐观估值	需要需求、份额、毛利和资本成本同时有利	盈利预期下修、融资成本上升、稀释

表5｜泡沫更可能先出现在特定资产和融资结构，而不是整个 AI 产业同时坍塌

这些风险不会在同一天爆发。更常见的顺序是：终端收入增速放缓，利用率和租价下降，设备与上游产能仍在交付，自由现金流继续恶化，信用利差上升，最后才出现减值、资产出售或项目违约。

单个项目失败、资本开支创新高或股价大跌，都不足以证明系统性泡沫。只有需求、利用率、现金流和融资条件在多个主体、多个季度同时转弱，风险才从局部资产升级为产业级出清。

4. 千亿美元订单，为什么不能按面值估值？

在手订单最容易给人确定感，却是最需要拆解的数字。第一要看客户能否取消，第二要看供应商是否已经具备交付所需的电力和设备，第三要看客户本身有没有独立经营现金流，第四要看合同期限是否覆盖债务与资产寿命。

一份不可取消、由高信用客户担保、按月照付并与项目债务期限匹配的合同，接近基础设施资产；一份依赖客户下一轮融资、容量尚未送电、可以重谈价格的合同，更接近远期选择权。两者都叫 backlog，经济含义却完全不同。

订单还会被客户集中度放大。单一客户能够帮助新项目快速起量，也能让融资更容易；但如果这名客户推迟部署、切换芯片或压低续约价格，整座数据中心的收入、残值和再融资会同时受影响。规模越大，合同质量越不能只看总额。

因此，订单研究至少要完成四次折价：取消与重谈概率、交付概率、客户信用概率，以及资金时间价值。只有经过风险调整的合同现金流，才能与建设成本、债务和租赁现值放在同一张表里。

5. 从局部出清到系统性风险，中间还有很长一段路

今天最大的缓冲，是主要资本承担者拥有广告、电商、订阅、游戏和传统云等多元现金流。微软、Amazon、Alphabet、Meta、腾讯和阿里即使暂时低估了 AI 回报周期，也不必立刻出售资产或停止建设。

缓冲并不等于承诺可以忽略。Alphabet 截至 2026 年 6 月披露的重大采购及其他合同义务约 8110 亿美元，其中包含技术基础设施、库存、内容和能源安排，不能全部归为 AI，也不能与资本开支和剩余履约义务直接相加。

Meta 截至 6 月底披露约 2789.9 亿美元尚未开始的租赁，7 月又新增约 680 亿美元数据中心租赁。它们不是当期债务的简单同义词，却说明一部分未来现金支出已经被合同锁定，回报验证需要跨越更长时期。

这与当年依靠高杠杆扩张的电信新进入者有本质差异。头部平台可以用内部现金、普通债务和长期合同吸收波动，系统性风险目前并不高。这个结论并不为单个项目背书，只说明损失首先会由资产回报和股东现金流承担。

真正需要警惕的是风险向同一方向集中：专业云依赖少数客户，项目债务依赖相似的 GPU 残值，供应商又通过担保、投资和反向采购支持客户。若这些安排在同一轮需求下修中一起失效，局部减值才可能通过融资链向外传导。

资产负债表纪律订单不是现金，现金不是利润，利润也必须经得起折旧与资金成本。

九、中国机会：用任务密度换资本效率

美国正在用极高资本强度推进前沿模型、超大集群和全球云平台。中国若把竞争理解成“复制同样规模的数据中心、追逐同样大的模型”，很容易在电力、先进芯片和资金成本约束下，落入投入跟随、回报滞后的被动局面。

更有优势的路径，是把模型能力嵌入高频、可计量、有人负责的生产任务。制造、零售、物流、金融、政务、医疗和内容产业拥有大量流程密度，单个任务价值不一定高，但数量大、反馈快、组织边界清楚。

图7｜中国路径：以任务密度换取资本效率

资料来源：瑞泊研究部。开源模型降低试错门槛，场景、工程与治理决定最终回报

1. 模型开放，把竞争从“谁能训练”推向“谁能部署”

开源和开放权重模型降低了企业第一次试验的门槛，也压缩了基础模型的单独租金。对产业而言，这不是价值消失，而是价值向数据治理、行业知识、系统集成、计算调度和最终工作结果迁移。

当模型可替换，企业不必把全部流程绑定在一家供应商上，可以根据任务复杂度在大模型、小模型、专用模型与传统算法之间路由。简单任务用低成本模型，复杂任务才调用高能力模型，资本效率由“平均使用最贵模型”转向“每项任务选择足够好的模型”。

这也改变服务商的护城河。仅仅提供模型接口会越来越像标准化云资源；能够打通权限、知识库、业务系统、校验规则和审计留痕的服务商，才真正进入客户的生产流程。模型更新很快，流程信任与组织迁移却很慢。

2. 真正的单位不是 Token，而是完成的工作

中国企业的 AI 项目经常从“调用量”开始验收：多少 Token、多少用户、多少次对话。这样的指标容易得到，也最容易误导。一个 Agent 调用模型十次仍未完成报销审核，算力消耗增加了，生产率并没有增加。

更好的单位是完成的工单、通过复核的合同、准确预测的缺陷、缩短的交付周期和减少的坏账。每个任务同时记录成功率、人工接管率、端到端成本与业务价值，才能知道降价究竟扩大了有效需求，还是只增加了机器之间的对话。

一旦用完成任务核算，许多看似不够炫目的场景会更有价值。客服、质检、商品运营、供应链排程、工程文档和政务材料处理频率高、规则清楚、结果可复核，适合形成持续预算；一次性演示再惊艳，也难以覆盖长期算力与集成成本。

3. 阿里、腾讯、百度代表三种不同的回报路径

阿里的路径最接近“云基础设施加开放模型”。AI 云与算力服务新分部快速增长，模型生态扩大了开发者和企业使用，资本投入也同步上升。下一阶段关键不是再证明需求存在，而是外部 AI 收入与云利润能否持续快过年化资本成本。

腾讯更像“在既有现金流中吸收 AI”。推荐、广告创意、游戏和社交产品可以用转化率、留存与内容效率直接验证价值，云业务再把这些工程能力输出给外部客户。它的优势是应用入口与经营现金流，难点是必须把 AI 带来的增量与原业务增长分开。

百度的路径更偏向“搜索、智能体与 AI 云”。GPU 云同比增速很高，却缺少绝对基数，AI 云基础设施收入又环比下降 17%；应用收入和自由现金流提醒市场，流量入口、模型能力与商业回款之间仍需产品闭环。

三家公司没有谁天然胜出，关键在于各自能否把资本转换成外部、可重复的现金。强劲同比可以说明方向，环比、基数和现金回收则决定这个方向能否形成可持续回报。

这三种路径也对应三套指标。阿里重点看外部 AI 云收入、利用率与云利润；腾讯重点看广告增量毛利、生产工具渗透和云回款；百度重点看智能体交易、AI 应用续费和 GPU 云的客户结构。用同一张“模型排行榜”评价三家公司，会错过真正的经济差异。

4. 产业智能服务商的机会，在模型与业务之间

大量传统企业不会自己训练前沿模型，也不会仅凭一个聊天窗口完成数字化。它们需要有人把历史系统、数据权限、岗位责任和异常处理接到 Agent 上，并对结果负责。这正是产业智能服务商的价值空间。

可持续的商业模式不应只按人天或 Token 收费，而应逐步转向“基础平台费加任务量加结果分成”。当供应商与客户共同记录完成任务、人工接管和业务收益，价格下降会扩大双方可验证的利润池，而不只是压低软件单价。

服务商还需要保持模型中立和算力可迁移。客户最怕的是模型版本变动、价格调整或合规要求变化后，整个工作流被锁死。能够在不同芯片、云和模型之间迁移，并保留统一评测和审计链，才能把技术迭代变成客户资产。

5. 政策的重点，应从“建了多少”转向“用了多少、创造了多少”

地方算力建设不能只看规划机架、GPU 数量和签约金额。更值得公开的是送电率、付费利用率、外部客户收入、单位能耗完成任务数，以及产业客户从试验转入生产的比例。未送电的规划容量不能等同于可用供给。

公共资金适合补齐共性基础设施、数据治理、行业评测和中小企业第一次部署成本，却不应长期替代终端付费。补贴退出以后仍有客户续约，才说明政策完成了“过桥”；补贴越多、独立收入占比越低，则可能只是把需求提前。

对数据中心项目，审批、信贷和产业基金应共同查看客户集中度、合同取消条款、并网进度、设备残值假设和债务期限。把项目从“技术先进性”转成“完整生命周期现金流”审核，才能避免各地在同一乐观预测下重复建设。

中国路径中国 AI 的竞争力，最终不取决于拥有多少 Token，而取决于每一度电、每一块芯片能完成多少有价值的工作。

十、2027—2030 年的四条路径，由什么信号触发？

未来并不需要在“AI 全面繁荣”和“泡沫立刻破裂”之间二选一。技术、应用、资产和融资可以走出不同组合。与其给每种情景写一个看似精确的概率，不如说明它何时成立、又会被什么数据推翻。

路径	成立条件	反证信号
资本形成延续	付费生产任务增长快于单任务算力下降；外部经常收入增长；利用率与租价稳定；资本覆盖率改善	融资支持型采购占比上升，而续费、利用率和现金回收转弱
应用繁荣、资产过剩	付费任务增长快于单位算力下降，但慢于算法效率与新增产能之和；应用收入增长，算力利用率和租价下行	产能扩张放缓后，利用率和单位资产现金回报迅速修复
生产率突破	Agent 进入财务、采购、制造、医疗等核心流程；企业由创新预算转向业务预算；按结果付费扩大	部署仍停留在试用，人工接管和错误成本居高不下
融资先出清	供给集中交付、租价与利用率下降、信用利差上升、客户延迟采购	头部平台资本开支放缓后现金流迅速修复，专业云仍能低成本续作债务

表6｜不再给无判别依据的概率排序；每条路径都用可观察条件确认或证伪

1. 路径一：终端任务吸收产能，资本形成继续

最健康的路径不是资本开支永远高速增长，而是付费生产任务增长更快。企业把 AI 从创新预算移入业务预算，续约和扩容提高，云与软件的外部现金毛利逐步覆盖折旧、利息和维持性投入。

在这条路径上，算法效率下降了单位成本，却没有压低资产回报，因为更多原本不经济的流程进入生产。已送电算力利用率稳定，每 GPU 小时外部收入和贡献毛利不再恶化，头部平台能够在降低资本开支增速后恢复自由现金流。

这时，把 AI 定义为资本形成期最有解释力。建设领先需求是为了跨越电力、设备和企业改造的时间差，融资发挥的是桥梁作用，终端现金最终接棒。

2. 路径二：应用继续繁荣，部分算力资产却过剩

这条路径最容易被误判。付费任务增长快于单位算力下降，所以总算力仍在增加；但算法优化与新建容量增长更快，利用率、租价和旧设备残值下降。应用公司更便宜，部分数据中心却更难赚钱。

它并不否定 AI 需求，反而可能加速应用创新。历史上的光纤也是在资产出清后变得更便宜，最终帮助视频和云服务扩张。真正受损的是以长期高租价、单一客户和乐观残值融资的项目，而不是所有使用算力的企业。

投资判断因此必须跨层：模型调用和软件收入增长，不能自动推导 GPU 租赁资产回报改善；芯片需求增长，也不能保证每一代设备保值。需求方向正确与资产价格过高，可以同时成立。

3. 路径三：Agent 进入核心流程，生产率出现第二次跃迁

如果 Agent 从回答问题走向执行、校验和留痕，企业预算会出现结构变化。财务对账、采购审核、制造维护、药物研发和公共服务等流程，从购买软件席位转向购买已完成结果，需求规模可能远大于今天的聊天和辅助写作。

但生产率突破不能用发布会演示确认。它需要低错误率、可追责、可审计，人工接管成本持续下降，并在多个季度形成续约。只有客户愿意把失败责任和业务预算交给系统，Agent 才真正进入生产函数。

这条路径会抬高高质量推理、数据治理和系统工程的价值，同时淘汰缺少流程闭环的同质化应用。资本回报不再由谁拥有最大的模型决定，而由谁拥有最可信的任务数据、客户入口和交付责任决定。

4. 路径四：终端现金没有接棒，融资先开始出清

风险路径的起点通常不是收入立刻下降，而是收入质量先变差：应收账款上升、账期拉长、云积分和供应商支持增加，客户依靠新融资维持采购。随后才是利用率、租价、续约和自由现金流同步转弱。

如果新增容量集中交付，客户又推迟部署，专业云会首先感受到压力。合同重谈降低收入，旧设备残值下降削弱抵押品，再融资成本提高迫使项目出售资产；供应商的担保、反向采购和股权投资也可能暴露损失。

这时需要调低的不是对 AI 技术的长期判断，而是对资本回收速度、资产残值和估值倍数的假设。技术仍会进步，服务价格甚至会因为出清而更低，损失却由融资期限最短、客户最集中和进入价格最高的资本承担。

5. 五组指标，压缩为四维压力测试

第一组看任务：外部付费、成功完成、进入正式流程的任务增速，与同类任务单位算力下降相比谁更快。第二组看终端现金：生产席位、续约扩容、产业链外经常收入和可验证的增收降本。

第三组看资产：已送电有效容量、标准化利用率、可比租价、排队时间和每 GPU 小时外部收入。第四组看回报：资本吸收率、增量资本效率、自由现金流和经济折旧。第五组看融资：应收账款、延长账期、担保、反向采购、客户集中度和信用利差。

为了便于对外展示，下图把五组指标压缩成四个面板：任务与终端现金合并为“需求兑现”，资产落在“产能效率”，回报落在“现金流”，融资质量单列。五组观察口径没有减少，只是图上合并了层级。

图8｜AI 资本周期的四维压力测试

资料来源：瑞泊研究部。四个图示面板对应正文中的五组观察指标

任何单一指标都可能误报。调用量会被失败重试抬高，订单会受交付条件影响，资本开支会受租赁分类影响，利用率也可能因产品升级短暂下降。判断情景切换，至少要求需求、资产和融资三组信号在多个主体、连续两个季度同向变化。

内部预警可以更严格：若产能吸收持续低于平衡、可比租价和每 GPU 小时贡献毛利同步下降，外部经常收入增速又低于融资支持型采购增速，就应从“正常建设错位”上调为“资产过剩风险”。

情景切换真正的红线不是某家公司跌了多少，而是终端现金、资产利用率与融资质量同时转弱。

十一、企业、资本与政策应该怎样行动？

1. 企业：先选任务，再选模型

企业不应从“我们要不要上大模型”开始，而应从哪类任务数量大、规则清楚、结果可校验开始。为每个任务建立没有 AI 时的成本基线，再记录成功率、人工接管、端到端费用和业务收益，三个月后决定扩容或停止。

预算也应分层。试验预算允许探索，生产预算要求服务等级、数据治理、故障回退和责任边界。只有进入生产预算的项目，才适合签长期算力或软件承诺；不能用一次演示的惊艳，替未来三年的固定成本作担保。

在供应商选择上，要保留模型替换、数据迁移和成本审计权。技术周期越快，合同越需要允许路由到不同模型和算力，避免低价进入、高价锁定。真正的护城河应留在企业自己的流程数据、评测集和组织能力中。

2. 服务商：把收入与客户结果绑定

模型和算力服务商应把客户从试用推向可重复生产，而不是只追求调用量。披露生产客户占比、续约扩容、单位完成任务成本和外部现金收入，比公布 Token 数更能建立长期信用。

对数据中心与专业云，客户多元化和债务期限匹配比订单总额更重要。容量建设应分阶段解锁，新增借款与已送电、已验收和已收现挂钩，残值假设按不同芯片代际做压力测试。

供应商投资客户可以帮助生态跨越早期，但应把股权投资、硬件销售、云采购和担保分别披露。透明不会削弱增长叙事，反而能让市场识别独立需求，降低整个产业的融资折价。

3. 资本：看穿利润表，进入第二张资产负债表

投资者需要把公司分成三类：拥有外部现金流和多元融资能力的平台、具有生产预算和高续约的软件、依赖少数客户与项目债务的基础设施。三类资产不能用同一个收入倍数估值。

对平台，看新增资本能否带来更高的外部 AI 现金毛利；对软件，看净留存、生产部署和人工成本；对基础设施，看利用率、租价、客户集中、债务偿付与设备残值。越接近资产端，越不能忽略资金时间价值。

市场回调本身既不是泡沫破裂，也不是自动买点。价格只有与现金回收、资本成本和情景概率放在一起才有意义。长期方向正确，仍可能因为买得太贵、借得太短或资产过时太快而亏损。

4. 政策：把公共资源投向可迁移的能力

政策最适合支持标准、评测、公共数据治理、关键软硬件生态和中小企业第一次生产部署。这些投入具有外部性，单个企业难以独立承担，也能在不同模型和设备之间复用。

对具体项目，则要避免用补贴长期维持低利用率。公共资金应设置终端客户、付费利用率和单位任务价值的退出条件；一旦商业需求无法接棒，及时重组比继续追加更能保护产业效率。

结论：外部付费已经出现，资本回报开始分化

把最新财报、终端付费和融资结构放在一起，得到的不是简单的“有泡沫”或“无泡沫”。英伟达收入证明上游建设真实，云和企业软件说明外部客户已经付费；但这些证据仍不能保证每座数据中心都能收回投资。

当前最有解释力的判断是：AI 正处于真实需求支撑下的高强度资本形成期，并已经进入回报验证阶段。全面系统性泡沫不是现阶段最有力的解释，局部过建、融资重组、估值回撤与应用繁荣却很可能同时发生。

这个判断有两个条件。付费生产任务必须持续快于单任务算力下降，并能够吸收算法效率和新增硬件共同形成的有效产能；产业链外经常性现金贡献，也必须逐步覆盖折旧、利息、租赁和维持性投入。

如果第一个条件成立、第二个条件不足，应用会繁荣，部分资产仍会过剩；如果两者都不成立，效率提升就会从成本红利变成供给压力，融资会先于技术开始出清。结论必须跟随数据，而不是让数据服从结论。

未来真正稀缺的，不再只是参数、芯片或电力，而是把它们组织成可靠工作的能力：任务能完成、客户愿续费、现金能回收、系统可审计。能够做到这一点的企业，会利用更便宜的智能扩大市场；做不到的项目，即使站在正确的技术方向上，也可能成为昂贵的过渡资产。

研究结论：

AI整体尚不能被判定为泡沫，它更接近一轮由真实技术突破和真实需求推动的资本形成；但这轮资本形成已经出现局部估值透支和融资自我强化现象，部分算力项目的过建风险也在上升，但目前尚无充分证据表明AI算力已经形成普遍性过剩。判断二者的关键，不是芯片卖了多少、订单签了多少，而是付费生产任务能否持续增长，终端现金流能否覆盖设备折旧、利息和资金成本。如果需求最终接住提前投入的产能，这场“万亿豪赌”将形成新的生产基础设施；如果资本扩张长期快于终端付费，那么先破裂的不会是AI技术，而是建立在高租价、高残值和高杠杆之上的资产与估值。

数据口径与参考资料：

本报告中的收入、同比、资本开支、经营现金流、自由现金流、剩余履约义务与在手未履约订单，均按各公司来源文件定义呈现。不同财年、币种和业务口径不可直接横向估值；部分行业数据只能作为代理指标。“资本吸收率”“终端化率”和情景阈值属于研究框架，不是会计准则，也不是行业统一统计。数据不可得时应明确标注范围与置信度，不以模型估计冒充公司披露。所有判断均会随技术、需求和融资条件变化。

1. NVIDIA｜FY2027 Q2 Results

2. NVIDIA｜FY2027 Q2 Form 10-Q

3. NVIDIA｜AI Compute Infrastructure Financing Platforms

4. Microsoft｜FY2026 Q4 Press Release

5. Microsoft｜FY2026 Q4 Earnings Call

6. Microsoft｜FY2026 Form 10-K

7. Alphabet｜2026 Q2 Results

8. Alphabet｜2026 Q2 Form 10-Q

9. Amazon｜2026 Q2 Results

10. Meta｜2026 Q2 Results

11. Meta｜2026 Q2 Form 10-Q

12. Tencent｜2026 Q2 Results