——从黄仁勋的“AI工厂”直觉谈起
2026年9月24日
关于AI是不是泡沫，市场已经争论了很久。
投资的现实是越来越大的数字。微软、亚马逊、谷歌、Meta等公司不断增加资本开支，数据中心越建越大，电力合同越签越长，融资规模也越来越惊人。路透社2026年9月汇总的市场预期显示，五家主要AI基础设施投资者今年的相关资本开支可能超过7950亿美元，2027年可能超过1万亿美元。[2]
证据的现实是AI的使用量还在快速增长。模型越来越便宜，能力越来越强，AI开始进入办公、编程、搜索、广告、设计和企业管理，Agent又把AI从“回答问题”进一步推进到“执行任务”。
看起来前景巨大，看起来又像大泡泡。
市场上的分歧也很有意思。更强调长期需求的，往往是正在投入巨额资本建设AI基础设施的产业巨头；更警惕泡沫的声音，则更多来自资本市场。利益位置本身不能证明谁对，但这种分歧说明：产业端和金融端正在用不同的时间尺度看同一件事。
我们的判断有三点：机器智能的长期需求可能被传统用户模型严重低估；实体巨无霸宁可承担过建风险，也不愿承担被挤下算力牌桌的战略风险；真正需要警惕的，更可能是资产、融资和估值上的局部泡沫，而不是整个机器智能体系同时失去价值。
本文不试图给AI泡沫打一个总分，而是寻找：如果泡沫开始暴露，哪里会最先出现可以验证的信号。
一、AI工厂是生产力
黄仁勋这几年反复讲“AI Factory”，也就是“AI工厂”。在2026年台北GTC上，他把AI基础设施称为一种“新型工厂”，强调Token已经能够转化为收入，Agent正在进入实际工作流程，因而计算需求随之上升。[1]
这个说法值得认真理解。过去的数据中心主要负责储存、传输和处理信息。今天的大型AI工厂，则把芯片、电力、网络、数据、模型和软件组合起来，形成完成相应智能任务所需要的计算能力。所以，今天建设AI基础设施，和过去建设普通互联网机房并不是完全同一件事。
这里说“AI工厂是生产力”，不是说一座没有任务、模型、软件和电力的机房会自动创造价值。关键变化在于：传统工具通常需要人在操作链中持续参与；AI系统在目标、任务和权限给定以后，可以在没有人实时参与的情况下继续推理、搜索、编程、测试和执行。人的劳动停下来，机器的认知劳动不必同步停下来。
因此，我仍然愿意保留这个判断：普通数据中心更多是生产工具，AI工厂开始成为生产力本身。它不只是等待人来操作的工具，而是在直接承担过去必须由人的认知劳动完成的一部分生产过程。
问题也由此发生了变化。过去判断一个互联网产品的需求，常常看有多少用户、用户增长多快。用这一套逻辑来判断AI，就把AI看小了。
一个人使用AI，不能简单地只算成“一个用户”。还要看他一天有多少工作交给AI，这些工作有多复杂，AI参与得有多深，以及一个人是否开始同时调动多个AI完成不同任务。如果AI让一个人在相应任务上的工作能力翻倍，那么这个人的“机器劳动需求”显然不再只是一个账号。
换句话说，AI的需求不只是“有多少人在用”，而是：人们正在把多少认知工作交给机器。
这意味着，即使全球AI用户数量有一天不再快速增加，每个用户消耗的机器认知服务仍然可能继续大幅增加。这也是判断AI基础设施有没有过剩时最容易忽略的一件事。
只看到资本开支增长很快，并不能马上证明投资过剩。因为我们对未来机器认知劳动增长得有多快，实际上还没有一把成熟的尺子。
AI既有工具的属性，也有生产力的属性。当生产方式发生变化，而计量方法没有同步变化，就可能出现一种误判：投入看得很清楚，新增的能力和需求却没有被完整看见。
互联网时代常用的尺子，是用户数、活跃度、付费率和收入；传统工业投资常看的，是资本开支、产能利用率和劳动生产率。这些指标今天仍然有用，但它们未必能完整描述AI。一个人偶尔问几个问题，和一个人把研究、编程、分析交给多个Agent连续执行，在“一个用户”的统计里可能完全一样；企业因为AI少雇了多少人、把研发周期缩短了多少、把原来做不到的事情变成可以做，也未必直接表现为AI订阅收入。
尺子用旧了，就可能把AI泡沫看错：既可能把它看得过大，也可能把真正的过剩看错位置。
二、关键是投资和需求谁跑在前面
AI已经不是一个停留在实验室里的技术。个人在使用，企业在使用，软件公司在使用，程序员在使用，广告系统在使用，搜索系统也在使用。大量AI服务免费或者价格很低，所以如果只看付费订阅收入，很容易低估真实使用程度。
真正的不确定性是：机器认知服务需求扩大的速度，能不能跟上今天基础设施投资扩大的速度。这才是AI泡沫问题的核心。
如果未来人类把越来越多工作交给机器，Agent又把一个人的工作能力进一步放大，那么今天看起来巨大的数据中心投资，可能并没有想象中那么过度，也许还不够。
但如果机器认知需求没有增长到资本市场今天所期待的程度，那么一定会有一部分资产出现过剩。注意，是“一部分”。这正是理解今天AI市场最重要的区别。
这里所说的“局部泡沫”，不是一个单一概念。它可能表现为估值太高、融资结构太激进、产能建得太早，或者最终现金流覆盖不了资本成本。本文重点观察的是AI基础设施这一层：未来需求、价格和利用率的假设一旦被资本化得过头，已经建设或已经承诺建设的算力，就会先出现回报压力。
这里还有一个容易造成错觉的地方：投资是高度可见的。GPU买了多少、数据中心建了多少、电力合同签了多少，都能在财报和项目公告里找到。需求却分散在无数人的日常工作、企业内部流程和Agent执行的任务里，其中相当一部分既不单独收费，也不会被统计成一项新的“AI收入”。
如果用一眼就能数清楚的资本开支，去比较尚未被完整计量的机器认知劳动需求，很容易天然觉得供给跑得更快。这不能证明有泡沫，只说明“投资增长快于传统指标里的需求增长”这把尺子还量不出最后证据。
三、AI和当年的互联网面临的环境不同
互联网泡沫给很多人留下了一个简单印象：技术革命来了，资本蜂拥而入，最后泡沫破裂。
于是今天看到AI资本开支越来越大，人们自然会想到2000年的互联网。这种比较有道理，但也容易把两个问题混在一起。
互联网泡沫破裂，并不意味着互联网失败。恰恰相反。二十多年以后，我们已经知道互联网改变了整个世界。当年真正出了问题的，是大量具体公司、商业模式和估值。互联网是对的，不等于每一家互联网公司都是对的，更不等于什么价格买入都是对的。
AI今天越来越清楚的一点是：AI作为一种新的生产力，很可能具有长期价值；但这并不能证明围绕AI形成的每一项投资都是合理的。
因此，我们面对的可能不是互联网早期那种被事后概括成“全面泡沫”的简单故事，而是一场真正的技术革命中夹杂着大量局部泡沫。
两者所处的扩散环境也不同。互联网早期要扩张，首先要解决电脑普及、网络接入、支付、软件分发等一系列基础设施问题。AI今天不需要重新建设这一切。互联网、智能手机、云计算、数字支付和软件生态已经存在，AI可以直接叠加在上面。
所以AI的扩散速度很可能远远快于互联网早期。这也是为什么，简单拿当年的互联网泡沫来套今天的AI，很容易出错。
四、需要正视中国的竞争
AI的使用量可以越来越大，但模型价格可能越来越低。Token调用可以增长十倍，单价却可能下降得更快。某家公司今天拥有领先模型，也不等于它五年以后仍然拥有同样的市场份额。
这就是为什么中国的竞争值得特别重视。中国正在形成一种很有特点的AI路线：模型能力快速提高，价格很低，而且大量采用开放权重。DeepSeek、Qwen、智谱、Kimi等模型不仅在中国使用，也开始进入全球开发者体系。
OpenRouter的数据提供了一个很有价值、但必须注明口径的观察窗口：2025年，其平台约四分之三的Token来自美国模型；到2026年6月，中国模型在这个平台上的Token份额已经超过美国模型。[3] 这不能等同于“全球所有AI调用量中国第一”，因为大量自有App、私有部署和云平台流量并不经过OpenRouter；但它至少证明，低价而强大的中国模型已经开始改变真实开发者的选择。
开放权重带来的影响，和一家封闭模型公司降价完全不同。如果一个模型只能通过某一家公司的API调用，用户实际上被绑定在这个平台上；模型一旦开放，企业可以把它部署在自己的服务器，也可以部署在美国、欧洲、中东、中国或者其他云平台。OpenRouter 2026年9月的数据还显示，美国和欧洲来源的请求中，开放权重模型的占比都已经超过一半，而其中相当部分流量来自中国模型。[4]
所以中国开放模型真正威胁美国AI产业的地方，未必首先是“模型比美国更聪明”。更大的威胁可能是：机器智能越来越便宜，而美国前沿模型公司对这种智能的利润捕获能力下降。
这件事情与泡沫问题直接相关。美国今天数千亿美元的AI资本开支，最终要靠未来现金流来证明合理。如果未来AI需求确实增长十倍，但是价格下降很多，竞争者又越来越多，那么社会获得的AI价值可能很大，投资者得到的回报却未必同样大。
这就是一个非常容易形成局部泡沫的地方。方向没有错，需求也没有错，错的是把今天的高利润率、高市场份额和技术优势想象成长期不变。
但这里还要补上另一面。开放模型压低的是模型层的价格和利润捕获，它未必减少全世界的算力需求。恰恰相反，如果价格下降带来的使用量增长更快，更多企业开始本地部署、更多Agent持续运行，总算力需求反而可能扩大。中国开放模型对美国最大的威胁，首先是利润和平台控制力，而不是简单地让全球算力失去需求。
五、为什么大型科技公司的风险反而没有想象中那么大
研究到这里，还有一个现象越来越清楚：同样花几百亿美元建设AI基础设施，不同公司的风险完全不同。
微软、亚马逊、谷歌这样的大公司，最大的优势并不仅仅是有钱。它们还有很强的内部消化能力。外部客户没有预想中那么多，它们可以把算力用于自己的模型；云业务增长慢一点，可以用于办公软件、搜索、广告、推荐系统、编程工具和内部研发。
这并不意味着这些投资一定正确。内部消化能力只能降低“闲置算力立即变成现金流危机”的风险，不能消除错误配置。过度投资仍然可能表现为折旧上升、利润率下降和资本回报率变差。
但对这类公司来说，错误首先更可能表现为回报率问题，而不是生存问题。
模型公司又有另外一种能力：创新的选择权。模型路线错了，可以换算法；API竞争太激烈，可以降价；基础模型不赚钱，可以转向Agent和应用；商业模式不好，还可以开放模型、做企业服务或者进入新的市场。
当然，人才会流失，算法会扩散，组织也会僵化，所以“可以创新”并不等于一定能赢。但与已经固化为机房、电力合同和债务的资产相比，人、算法和组织仍然拥有更大的重组空间。
真正值得警惕的，是另一类公司：纯算力出租商。
六、算力工厂为什么可能成为最早出问题的地方
纯算力公司的商业模式其实非常简单：先拿到大量资本，购买GPU，租用或者建设数据中心，取得电力，然后把算力出租给模型公司和其他客户。
在AI算力供不应求的时候，这可以是一门非常好的生意。但它和模型公司最大的不同是：资产一旦建成，就很难改变。
模型不好，可以改。GPU机房空着，却仍然要折旧；电力合同还要履行；债务利息仍然要支付。
所以纯算力公司最怕的不是AI消失，而是算力还有需求，但没有原来想象得那么紧缺。
只要供需关系稍微改变，它们的盈利能力就可能迅速变化。原来一张GPU每小时可以卖很高的价格；后来竞争者越来越多，客户开始压价；再后来，客户不愿意签五年合同，只愿意签一年；接着，长期合同折扣越来越大。这时公司的收入还可能增长，但风险已经开始变化。如果再进一步，GPU开始出现空置，压力才真正进入现金流和债务。
纯算力出租公司的核心能力，并不是“拥有很多GPU”。真正的能力应该是：用尽可能低的资本、电力和时间成本，持续提供客户真正能用、愿意付钱的有效算力。这里的“有效”，不是芯片铭牌上的理论算力，而是经过网络、冷却、调度和可靠性损耗之后，客户能够稳定拿来完成任务的计算能力。
谁能更快取得电力，谁能更快把数据中心建成，谁的网络和冷却效率更高，谁能让GPU保持高利用率，谁的融资成本更低，谁才是真正优秀的算力工厂。
问题是，这些优势和模型公司的算法优势相比，未必有那么深的护城河。电力可以被竞争，液冷可以被复制，网络技术可以扩散，GPU大家都可以买，资金充裕的时候资本也会大量进入。
所以一旦供给开始追上需求，纯算力公司可能很快从稀缺资产变成普通基础设施运营商。
这就是为什么我们认为：如果AI存在局部泡沫，纯算力出租层可能是最值得首先观察的位置。不是因为泡沫只会出现在这里，而是因为这里对价格、利用率和融资变化最敏感。
七、三个泡沫领先指标
如果这个判断成立，那么监测AI泡沫就不能只看英伟达。等到英伟达订单明显下降，往往已经太晚了。更早的信号应该来自那些每天都在把边际算力卖给客户的人。
我们现在找到三个有意思的观察窗口。它们不是三只“推荐股票”，也不是保证严格按先后顺序触发的机械指标，而是分别测量价格、合同兑现和财务压力。真正有意义的是持续性，以及多个信号是否开始共振。
Nebius看价格。2026年9月17日，Nebius宣布从10月1日起上调部分NVIDIA GPU的按需租赁价格，这是三个月内第二次提价，理由是AI计算需求仍然强劲。[5] 这不是整个GPU租赁市场的价格指数，但它是一个很好观察边际算力是否仍然紧缺的温度计。以后真正值得警惕的，不是它某一天股价下跌，而是同类算力的现货和按需价格持续下行、折扣扩大，同时GPU越来越容易获得。
Nscale看合同能不能真正变成已经融资、已经建成、已经上电的资产。截至2026年8月31日，Nscale披露约1034亿美元active and contracted TCV，支持约46.1万张已投运或已签约GPU；其中与Anthropic签订的协议最高约446亿美元，但公司在IPO文件中同时披露，为履行这些协议所需的GPU和数据中心融资，当时尚未取得有约束力的融资承诺。[6] 这正是“合同不等于收入”的现实版本。以后要看的是：合同还在增加的时候，融资是否顺利关闭，项目是否按期交付，客户是否开始重新谈条件。
CoreWeave看这些压力有没有真正进入一家成熟Neocloud的财务报表。公司2026年第二季度98%的收入来自承诺型合同；同期前三大客户分别贡献36%、26%和10%的收入，公司自己也提示，如果行业从take-or-pay长期承诺更多转向按量付费，将影响现金流可预测性、利润率和财务状况。[7] 因此要盯的不是单季收入有没有增长，而是新合同期限和条款、客户集中度、现金流、利息负担以及再融资价格是否同步恶化。
把这三个窗口连起来，大致就是：算力价格是否开始松动；未来合同能否得到资本支持并完成交付；最后，这种变化有没有真正伤到算力公司的现金流和资产负债表。
我们不在这里人为规定“下降5%就是预警、下降10%就是泡沫”。不同GPU代际、地区电价、合同期限和客户信用差异太大，硬设统一阈值会制造伪精确。更可靠的办法，是看同一类价格和合同条件是否持续数月或数个季度恶化，并且融资和现金流出现同方向变化。
截至2026年9月下旬，我们还没有看到这条链条成立。Nebius仍在提价，Nscale仍能筹集巨额资本，CoreWeave的承诺型合同仍占绝大多数收入。与此同时，资本市场已经明显提高了对AI债务的风险要求：路透社9月22日报道，AI相关债券的信用利差约为115个基点，而更广泛的投资级市场约为78个基点。[8]
所以现在更准确的描述是：金融市场已经开始给AI扩张重新定价，但实体算力市场仍然很强。
八、有没有一种可能，我们都低估了AI发展的潜力
研究到这里，还需要反过来问一个问题：市场现在担心的是投资跑得太快，但有没有另一种可能——我们仍然低估了机器智能需求可以扩张到什么程度？
第一，AI的发展可能不是一条单独的S曲线。单一产品都会经历从爆发、普及到增速放缓的过程，但AI内部正在同时出现多条曲线：最初是问答，随后是编程、多模态、企业工作流，再到能够连续执行任务的Agent。前一类应用还没有完全成熟，后一类应用已经开始起跑。多条S曲线彼此叠加，整体需求就可能比任何一条单独曲线维持高速增长更久。
第二，AI扩大劳动供给的方式和过去不同。它不是增加人口，而是增加每个人能够调动的等效认知劳动力。传统知识劳动受到一个很硬的限制：人只有这么多，一天也只有这么多时间。Agent出现以后，人可以给出目标和权限，让机器继续搜索、分析、编码、测试和整理，不必参与每一个步骤。一个人可以同时调动多个AI，机器工作也不必在人停止工作时同时停止。
这意味着AI市场不只是“替代已有工作”。当一次分析、一次试验、一次翻译或者一次软件修改的成本大幅下降以后，过去因为太贵、太慢而根本不会做的任务也会被创造出来。机器认知劳动越便宜，人们未必只是节省原来的用量，反而可能要求更多版本、更多验证、更深的研究和更多并行尝试。
第三，AI提高的不只是数量。我们前面的研究把这种变化分成四层：同样时间可以做得更多；同样任务可以做得更好；原来不能做的事情现在可以做；一个人还可以组织和调动多个AI，把个人能力扩展到过去需要一个团队才能完成的范围。前两项比较容易进入传统生产率统计，后两项却很难被一把统一的尺子计量。
因此，AI时代可能出现一个很容易被低估的变化：人不再是唯一的劳动供给瓶颈。机器认知劳动扩张以后，芯片、电力、网络和算力中心这些物理基础设施反而重新成为约束。这也解释了为什么微软、亚马逊、谷歌、Meta等公司宁可承受一部分过建风险，也不愿意在需求真正爆发时发现自己缺少算力。
中国的低价和开放模型又会加强这一过程。单位智能越来越便宜，并不一定意味着总算力需求下降。只要使用量增加得更快，效率提高反而会把AI带进更多任务和更多场景。这里真正需要观察的，不是单次任务用了多少算力，而是降价以后全社会交给机器的任务总量增加了多少。
现在还没有一个统计体系能够完整测量这种需求，但并不等于完全无法观察。至少可以同时看几个代理信号：Token和推理调用量是否继续扩大，Agent在企业工作流里的持续运行时间是否增加，编程、客服、研究等任务的自动化渗透是否提高，以及单位智能价格下降以后任务量究竟增加多少。这些指标不完美，但比只看“有多少用户”更接近真正的问题。
当然，这仍然只是一个需要继续验证的判断。Agent如果不能持续创造真实经济价值，企业如果只是在试用而没有形成依赖，或者单位计算成本下降得比新增任务增长更快，那么今天的基础设施建设仍然可能过量。这个失效条件必须保留。
但至少到这里，AI泡沫已经不能只用“资本开支太大”来判断。真正需要比较的是两件事：物理算力供给扩张得有多快，以及人类正在把多少新的认知劳动交给机器。前者容易统计，后者才刚刚开始被看见。
九、我们知道先看哪里
研究到这里，我已经不太愿意简单回答“AI是不是泡沫”。这个问题太粗。
我们现在更关心的是：如果投资真的跑在需求前面，谁会先疼？
目前的答案是，先看纯算力出租层。不是因为它一定会出问题，也不是因为泡沫只会发生在这里，而是因为它的资产最重、调整空间最小，又直接暴露在边际算力价格、利用率、客户信用和融资成本之下。
所以，我们目前的三点判断仍然没有改变：机器智能的长期需求可能被传统用户模型低估；实体巨无霸因此宁可承担过建风险，也不愿承担缺算力的战略风险；资本市场已经开始区分不同AI资产，真正需要警惕的更可能是局部资产、融资和估值泡沫，而不是把整个AI体系简单归为一个泡沫。
这个判断也有明确的失效方向。如果未来AI实际使用增长明显停滞，Agent长期不能创造真实经济价值，企业开始减少AI部署，同时算力租赁价格、合同条件、利用率和融资环境持续恶化，那么今天关于机器认知劳动快速扩张的判断就必须重新检查。
这也是“判断”和“相信”的区别。我们并不因为AI先进，就相信所有AI投资；也不因为资本开支很大，就宣布整个AI是泡沫。
真正重要的是找到产业链上最先承受压力的位置，然后观察事实。
互联网后来证明了一件事：伟大的技术革命和巨大的局部泡沫完全可以同时存在。
AI不同之处在于，这一次，我们已经知道应该先看哪里。
参考资料
[1] NVIDIA, “GTC Taipei 2026 Keynote with Jensen Huang,” 31 May 2026. https://www.nvidia.com/en-us/on-demand/session/gtctaipei26-stw61044/
[2] Reuters, “Investors nervous about AI spending slowdown after industry warnings,” 15 September 2026. https://www.reuters.com/legal/transactional/investors-nervous-about-ai-spending-slowdown-after-industry-warnings-2026-09-15/
[3] OpenRouter, “DeepSeek V4 Is Earning Agentic Token Share,” 30 June 2026. https://openrouter.ai/blog/insights/deepseek-v4-adoption/
[4] OpenRouter, “In-Region Routing: keep your data in the US or EU,” September 2026. https://openrouter.ai/blog/announcements/us-in-region-routing/
[5] Reuters, “Nebius hikes AI cloud prices again as demand for computing power soars,” 17 September 2026. https://www.reuters.com/technology/nebius-hikes-ai-cloud-prices-again-demand-computing-power-soars-2026-09-17/
[6] Nscale, Registration Statement / IPO Prospectus, filed 18 September 2026, SEC. https://www.sec.gov/Archives/edgar/data/2110365/000119312526395475/ck0002110365-20260918.htm
[7] CoreWeave, Quarterly Report for the quarter ended 30 June 2026, SEC. https://www.sec.gov/Archives/edgar/data/1769628/000176962826000366/crwv-20260630.htm
[8] Reuters, “Corporate bond buyers get picky with flood of AI debt,” 22 September 2026. https://www.reuters.com/legal/transactional/corporate-bond-buyers-get-picky-with-flood-ai-debt-2026-09-22/
资料截至2026年9月24日。文中涉及OpenRouter的数据仅代表该平台流量口径，不代表全球全部AI调用。
