——從黃仁勛的「AI工廠」直覺談起
2026年9月24日
關於AI是不是泡沫，市場已經爭論了很久。
投資的現實是越來越大的數字。微軟、亞馬遜、谷歌、Meta等公司不斷增加資本開支，數據中心越建越大，電力合同越簽越長，融資規模也越來越驚人。路透社2026年9月匯總的市場預期顯示，五家主要AI基礎設施投資者今年的相關資本開支可能超過7950億美元，2027年可能超過1萬億美元。[2]
證據的現實是AI的使用量還在快速增長。模型越來越便宜，能力越來越強，AI開始進入辦公、編程、搜索、廣告、設計和企業管理，Agent又把AI從「回答問題」進一步推進到「執行任務」。
看起來前景巨大，看起來又像大泡泡。
市場上的分歧也很有意思。更強調長期需求的，往往是正在投入巨額資本建設AI基礎設施的產業巨頭；更警惕泡沫的聲音，則更多來自資本市場。利益位置本身不能證明誰對，但這種分歧說明：產業端和金融端正在用不同的時間尺度看同一件事。
我們的判斷有三點：機器智能的長期需求可能被傳統用戶模型嚴重低估；實體巨無霸寧可承擔過建風險，也不願承擔被擠下算力牌桌的戰略風險；真正需要警惕的，更可能是資產、融資和估值上的局部泡沫，而不是整個機器智能體系同時失去價值。
本文不試圖給AI泡沫打一個總分，而是尋找：如果泡沫開始暴露，哪裏會最先出現可以驗證的信號。
一、AI工廠是生產力
黃仁勛這幾年反覆講「AI Factory」，也就是「AI工廠」。在2026年台北GTC上，他把AI基礎設施稱為一種「新型工廠」，強調Token已經能夠轉化為收入，Agent正在進入實際工作流程，因而計算需求隨之上升。[1]
這個說法值得認真理解。過去的數據中心主要負責儲存、傳輸和處理信息。今天的大型AI工廠，則把晶片、電力、網絡、數據、模型和軟件組合起來，形成完成相應智能任務所需要的計算能力。所以，今天建設AI基礎設施，和過去建設普通互聯網機房並不是完全同一件事。
這裏說「AI工廠是生產力」，不是說一座沒有任務、模型、軟件和電力的機房會自動創造價值。關鍵變化在於：傳統工具通常需要人在操作鏈中持續參與；AI系統在目標、任務和權限給定以後，可以在沒有人實時參與的情況下繼續推理、搜索、編程、測試和執行。人的勞動停下來，機器的認知勞動不必同步停下來。
因此，我仍然願意保留這個判斷：普通數據中心更多是生產工具，AI工廠開始成為生產力本身。它不只是等待人來操作的工具，而是在直接承擔過去必須由人的認知勞動完成的一部分生產過程。
問題也由此發生了變化。過去判斷一個互聯網產品的需求，常常看有多少用戶、用戶增長多快。用這一套邏輯來判斷AI，就把AI看小了。
一個人使用AI，不能簡單地只算成「一個用戶」。還要看他一天有多少工作交給AI，這些工作有多複雜，AI參與得有多深，以及一個人是否開始同時調動多個AI完成不同任務。如果AI讓一個人在相應任務上的工作能力翻倍，那麼這個人的「機器勞動需求」顯然不再只是一個賬號。
換句話說，AI的需求不只是「有多少人在用」，而是：人們正在把多少認知工作交給機器。
這意味着，即使全球AI用戶數量有一天不再快速增加，每個用戶消耗的機器認知服務仍然可能繼續大幅增加。這也是判斷AI基礎設施有沒有過剩時最容易忽略的一件事。
只看到資本開支增長很快，並不能馬上證明投資過剩。因為我們對未來機器認知勞動增長得有多快，實際上還沒有一把成熟的尺子。
AI既有工具的屬性，也有生產力的屬性。當生產方式發生變化，而計量方法沒有同步變化，就可能出現一種誤判：投入看得很清楚，新增的能力和需求卻沒有被完整看見。
互聯網時代常用的尺子，是用戶數、活躍度、付費率和收入；傳統工業投資常看的，是資本開支、產能利用率和勞動生產率。這些指標今天仍然有用，但它們未必能完整描述AI。一個人偶爾問幾個問題，和一個人把研究、編程、分析交給多個Agent連續執行，在「一個用戶」的統計里可能完全一樣；企業因為AI少雇了多少人、把研發周期縮短了多少、把原來做不到的事情變成可以做，也未必直接表現為AI訂閱收入。
尺子用舊了，就可能把AI泡沫看錯：既可能把它看得過大，也可能把真正的過剩看錯位置。
二、關鍵是投資和需求誰跑在前面
AI已經不是一個停留在實驗室里的技術。個人在使用，企業在使用，軟件公司在使用，程式設計師在使用，廣告系統在使用，搜索系統也在使用。大量AI服務免費或者價格很低，所以如果只看付費訂閱收入，很容易低估真實使用程度。
真正的不確定性是：機器認知服務需求擴大的速度，能不能跟上今天基礎設施投資擴大的速度。這才是AI泡沫問題的核心。
如果未來人類把越來越多工作交給機器，Agent又把一個人的工作能力進一步放大，那麼今天看起來巨大的數據中心投資，可能並沒有想像中那麼過度，也許還不夠。
但如果機器認知需求沒有增長到資本市場今天所期待的程度，那麼一定會有一部分資產出現過剩。注意，是「一部分」。這正是理解今天AI市場最重要的區別。
這裏所說的「局部泡沫」，不是一個單一概念。它可能表現為估值太高、融資結構太激進、產能建得太早，或者最終現金流覆蓋不了資本成本。本文重點觀察的是AI基礎設施這一層：未來需求、價格和利用率的假設一旦被資本化得過頭，已經建設或已經承諾建設的算力，就會先出現回報壓力。
這裏還有一個容易造成錯覺的地方：投資是高度可見的。GPU買了多少、數據中心建了多少、電力合同簽了多少，都能在財報和項目公告裏找到。需求卻分散在無數人的日常工作、企業內部流程和Agent執行的任務里，其中相當一部分既不單獨收費，也不會被統計成一項新的「AI收入」。
如果用一眼就能數清楚的資本開支，去比較尚未被完整計量的機器認知勞動需求，很容易天然覺得供給跑得更快。這不能證明有泡沫，只說明「投資增長快於傳統指標里的需求增長」這把尺子還量不出最後證據。
三、AI和當年的互聯網面臨的環境不同
互聯網泡沫給很多人留下了一個簡單印象：技術革命來了，資本蜂擁而入，最後泡沫破裂。
於是今天看到AI資本開支越來越大，人們自然會想到2000年的互聯網。這種比較有道理，但也容易把兩個問題混在一起。
互聯網泡沫破裂，並不意味着互聯網失敗。恰恰相反。二十多年以後，我們已經知道互聯網改變了整個世界。當年真正出了問題的，是大量具體公司、商業模式和估值。互聯網是對的，不等於每一家互聯網公司都是對的，更不等於什麼價格買入都是對的。
AI今天越來越清楚的一點是：AI作為一種新的生產力，很可能具有長期價值；但這並不能證明圍繞AI形成的每一項投資都是合理的。
因此，我們面對的可能不是互聯網早期那種被事後概括成「全面泡沫」的簡單故事，而是一場真正的技術革命中夾雜着大量局部泡沫。
兩者所處的擴散環境也不同。互聯網早期要擴張，首先要解決電腦普及、網絡接入、支付、軟件分發等一系列基礎設施問題。AI今天不需要重新建設這一切。互聯網、智能手機、雲計算、數字支付和軟件生態已經存在，AI可以直接疊加在上面。
所以AI的擴散速度很可能遠遠快於互聯網早期。這也是為什麼，簡單拿當年的互聯網泡沫來套今天的AI，很容易出錯。
四、需要正視中國的競爭
AI的使用量可以越來越大，但模型價格可能越來越低。Token調用可以增長十倍，單價卻可能下降得更快。某家公司今天擁有領先模型，也不等於它五年以後仍然擁有同樣的市場份額。
這就是為什麼中國的競爭值得特別重視。中國正在形成一種很有特點的AI路線：模型能力快速提高，價格很低，而且大量採用開放權重。DeepSeek、Qwen、智譜、Kimi等模型不僅在中國使用，也開始進入全球開發者體系。
OpenRouter的數據提供了一個很有價值、但必須註明口徑的觀察窗口：2025年，其平台約四分之三的Token來自美國模型；到2026年6月，中國模型在這個平台上的Token份額已經超過美國模型。[3] 這不能等同於「全球所有AI調用量中國第一」，因為大量自有App、私有部署和雲平台流量並不經過OpenRouter；但它至少證明，低價而強大的中國模型已經開始改變真實開發者的選擇。
開放權重帶來的影響，和一家封閉模型公司降價完全不同。如果一個模型只能通過某一家公司的API調用，用戶實際上被綁定在這個平台上；模型一旦開放，企業可以把它部署在自己的伺服器，也可以部署在美國、歐洲、中東、中國或者其他雲平台。OpenRouter 2026年9月的數據還顯示，美國和歐洲來源的請求中，開放權重模型的佔比都已經超過一半，而其中相當部分流量來自中國模型。[4]
所以中國開放模型真正威脅美國AI產業的地方，未必首先是「模型比美國更聰明」。更大的威脅可能是：機器智能越來越便宜，而美國前沿模型公司對這種智能的利潤捕獲能力下降。
這件事情與泡沫問題直接相關。美國今天數千億美元的AI資本開支，最終要靠未來現金流來證明合理。如果未來AI需求確實增長十倍，但是價格下降很多，競爭者又越來越多，那麼社會獲得的AI價值可能很大，投資者得到的回報卻未必同樣大。
這就是一個非常容易形成局部泡沫的地方。方向沒有錯，需求也沒有錯，錯的是把今天的高利潤率、高市場份額和技術優勢想像成長期不變。
但這裏還要補上另一面。開放模型壓低的是模型層的價格和利潤捕獲，它未必減少全世界的算力需求。恰恰相反，如果價格下降帶來的使用量增長更快，更多企業開始本地部署、更多Agent持續運行，總算力需求反而可能擴大。中國開放模型對美國最大的威脅，首先是利潤和平台控制力，而不是簡單地讓全球算力失去需求。
五、為什麼大型科技公司的風險反而沒有想像中那麼大
研究到這裏，還有一個現象越來越清楚：同樣花幾百億美元建設AI基礎設施，不同公司的風險完全不同。
微軟、亞馬遜、谷歌這樣的大公司，最大的優勢並不僅僅是有錢。它們還有很強的內部消化能力。外部客戶沒有預想中那麼多，它們可以把算力用於自己的模型；雲業務增長慢一點，可以用於辦公軟件、搜索、廣告、推薦系統、編程工具和內部研發。
這並不意味着這些投資一定正確。內部消化能力只能降低「閒置算力立即變成現金流危機」的風險，不能消除錯誤配置。過度投資仍然可能表現為折舊上升、利潤率下降和資本回報率變差。
但對這類公司來說，錯誤首先更可能表現為回報率問題，而不是生存問題。
模型公司又有另外一種能力：創新的選擇權。模型路線錯了，可以換算法；API競爭太激烈，可以降價；基礎模型不賺錢，可以轉向Agent和應用；商業模式不好，還可以開放模型、做企業服務或者進入新的市場。
當然，人才會流失，算法會擴散，組織也會僵化，所以「可以創新」並不等於一定能贏。但與已經固化為機房、電力合同和債務的資產相比，人、算法和組織仍然擁有更大的重組空間。
真正值得警惕的，是另一類公司：純算力出租商。
六、算力工廠為什麼可能成為最早出問題的地方
純算力公司的商業模式其實非常簡單：先拿到大量資本，購買GPU，租用或者建設數據中心，取得電力，然後把算力出租給模型公司和其他客戶。
在AI算力供不應求的時候，這可以是一門非常好的生意。但它和模型公司最大的不同是：資產一旦建成，就很難改變。
模型不好，可以改。GPU機房空着，卻仍然要折舊；電力合同還要履行；債務利息仍然要支付。
所以純算力公司最怕的不是AI消失，而是算力還有需求，但沒有原來想像得那麼緊缺。
只要供需關係稍微改變，它們的盈利能力就可能迅速變化。原來一張GPU每小時可以賣很高的價格；後來競爭者越來越多，客戶開始壓價；再後來，客戶不願意簽五年合同，只願意簽一年；接着，長期合同折扣越來越大。這時公司的收入還可能增長，但風險已經開始變化。如果再進一步，GPU開始出現空置，壓力才真正進入現金流和債務。
純算力出租公司的核心能力，並不是「擁有很多GPU」。真正的能力應該是：用儘可能低的資本、電力和時間成本，持續提供客戶真正能用、願意付錢的有效算力。這裏的「有效」，不是晶片銘牌上的理論算力，而是經過網絡、冷卻、調度和可靠性損耗之後，客戶能夠穩定拿來完成任務的計算能力。
誰能更快取得電力，誰能更快把數據中心建成，誰的網絡和冷卻效率更高，誰能讓GPU保持高利用率，誰的融資成本更低，誰才是真正優秀的算力工廠。
問題是，這些優勢和模型公司的算法優勢相比，未必有那麼深的護城河。電力可以被競爭，液冷可以被複製，網絡技術可以擴散，GPU大家都可以買，資金充裕的時候資本也會大量進入。
所以一旦供給開始追上需求，純算力公司可能很快從稀缺資產變成普通基礎設施運營商。
這就是為什麼我們認為：如果AI存在局部泡沫，純算力出租層可能是最值得首先觀察的位置。不是因為泡沫只會出現在這裏，而是因為這裏對價格、利用率和融資變化最敏感。
七、三個泡沫領先指標
如果這個判斷成立，那麼監測AI泡沫就不能只看英偉達。等到英偉達訂單明顯下降，往往已經太晚了。更早的信號應該來自那些每天都在把邊際算力賣給客戶的人。
我們現在找到三個有意思的觀察窗口。它們不是三隻「推薦股票」，也不是保證嚴格按先後順序觸發的機械指標，而是分別測量價格、合同兌現和財務壓力。真正有意義的是持續性，以及多個信號是否開始共振。
Nebius看價格。2026年9月17日，Nebius宣佈從10月1日起上調部分NVIDIA GPU的按需租賃價格，這是三個月內第二次提價，理由是AI計算需求仍然強勁。[5] 這不是整個GPU租賃市場的價格指數，但它是一個很好觀察邊際算力是否仍然緊缺的溫度計。以後真正值得警惕的，不是它某一天股價下跌，而是同類算力的現貨和按需價格持續下行、折扣擴大，同時GPU越來越容易獲得。
Nscale看合同能不能真正變成已經融資、已經建成、已經上電的資產。截至2026年8月31日，Nscale披露約1034億美元active and contracted TCV，支持約46.1萬張已投運或已簽約GPU；其中與Anthropic簽訂的協議最高約446億美元，但公司在IPO文件中同時披露，為履行這些協議所需的GPU和數據中心融資，當時尚未取得有約束力的融資承諾。[6] 這正是「合同不等於收入」的現實版本。以後要看的是：合同還在增加的時候，融資是否順利關閉，項目是否按期交付，客戶是否開始重新談條件。
CoreWeave看這些壓力有沒有真正進入一家成熟Neocloud的財務報表。公司2026年第二季度98%的收入來自承諾型合同；同期前三大客戶分別貢獻36%、26%和10%的收入，公司自己也提示，如果行業從take-or-pay長期承諾更多轉向按量付費，將影響現金流可預測性、利潤率和財務狀況。[7] 因此要盯的不是單季收入有沒有增長，而是新合同期限和條款、客戶集中度、現金流、利息負擔以及再融資價格是否同步惡化。
把這三個窗口連起來，大致就是：算力價格是否開始鬆動；未來合同能否得到資本支持並完成交付；最後，這種變化有沒有真正傷到算力公司的現金流和資產負債表。
我們不在這裏人為規定「下降5%就是預警、下降10%就是泡沫」。不同GPU代際、地區電價、合同期限和客戶信用差異太大，硬設統一閾值會製造偽精確。更可靠的辦法，是看同一類價格和合同條件是否持續數月或數個季度惡化，並且融資和現金流出現同方向變化。
截至2026年9月下旬，我們還沒有看到這條鏈條成立。Nebius仍在提價，Nscale仍能籌集巨額資本，CoreWeave的承諾型合同仍占絕大多數收入。與此同時，資本市場已經明顯提高了對AI債務的風險要求：路透社9月22日報道，AI相關債券的信用利差約為115個基點，而更廣泛的投資級市場約為78個基點。[8]
所以現在更準確的描述是：金融市場已經開始給AI擴張重新定價，但實體算力市場仍然很強。
八、有沒有一種可能，我們都低估了AI發展的潛力
研究到這裏，還需要反過來問一個問題：市場現在擔心的是投資跑得太快，但有沒有另一種可能——我們仍然低估了機器智能需求可以擴張到什麼程度？
第一，AI的發展可能不是一條單獨的S曲線。單一產品都會經歷從爆發、普及到增速放緩的過程，但AI內部正在同時出現多條曲線：最初是問答，隨後是編程、多模態、企業工作流，再到能夠連續執行任務的Agent。前一類應用還沒有完全成熟，後一類應用已經開始起跑。多條S曲線彼此疊加，整體需求就可能比任何一條單獨曲線維持高速增長更久。
第二，AI擴大勞動供給的方式和過去不同。它不是增加人口，而是增加每個人能夠調動的等效認知勞動力。傳統知識勞動受到一個很硬的限制：人只有這麼多，一天也只有這麼多時間。Agent出現以後，人可以給出目標和權限，讓機器繼續搜索、分析、編碼、測試和整理，不必參與每一個步驟。一個人可以同時調動多個AI，機器工作也不必在人停止工作時同時停止。
這意味着AI市場不只是「替代已有工作」。當一次分析、一次試驗、一次翻譯或者一次軟件修改的成本大幅下降以後，過去因為太貴、太慢而根本不會做的任務也會被創造出來。機器認知勞動越便宜，人們未必只是節省原來的用量，反而可能要求更多版本、更多驗證、更深的研究和更多並行嘗試。
第三，AI提高的不只是數量。我們前面的研究把這種變化分成四層：同樣時間可以做得更多；同樣任務可以做得更好；原來不能做的事情現在可以做；一個人還可以組織和調動多個AI，把個人能力擴展到過去需要一個團隊才能完成的範圍。前兩項比較容易進入傳統生產率統計，後兩項卻很難被一把統一的尺子計量。
因此，AI時代可能出現一個很容易被低估的變化：人不再是唯一的勞動供給瓶頸。機器認知勞動擴張以後，晶片、電力、網絡和算力中心這些物理基礎設施反而重新成為約束。這也解釋了為什麼微軟、亞馬遜、谷歌、Meta等公司寧可承受一部分過建風險，也不願意在需求真正爆發時發現自己缺少算力。
中國的低價和開放模型又會加強這一過程。單位智能越來越便宜，並不一定意味着總算力需求下降。只要使用量增加得更快，效率提高反而會把AI帶進更多任務和更多場景。這裏真正需要觀察的，不是單次任務用了多少算力，而是降價以後全社會交給機器的任務總量增加了多少。
現在還沒有一個統計體系能夠完整測量這種需求，但並不等於完全無法觀察。至少可以同時看幾個代理信號：Token和推理調用量是否繼續擴大，Agent在企業工作流里的持續運行時間是否增加，編程、客服、研究等任務的自動化滲透是否提高，以及單位智能價格下降以後任務量究竟增加多少。這些指標不完美，但比只看「有多少用戶」更接近真正的問題。
當然，這仍然只是一個需要繼續驗證的判斷。Agent如果不能持續創造真實經濟價值，企業如果只是在試用而沒有形成依賴，或者單位計算成本下降得比新增任務增長更快，那麼今天的基礎設施建設仍然可能過量。這個失效條件必須保留。
但至少到這裏，AI泡沫已經不能只用「資本開支太大」來判斷。真正需要比較的是兩件事：物理算力供給擴張得有多快，以及人類正在把多少新的認知勞動交給機器。前者容易統計，後者才剛剛開始被看見。
九、我們知道先看哪裏
研究到這裏，我已經不太願意簡單回答「AI是不是泡沫」。這個問題太粗。
我們現在更關心的是：如果投資真的跑在需求前面，誰會先疼？
目前的答案是，先看純算力出租層。不是因為它一定會出問題，也不是因為泡沫只會發生在這裏，而是因為它的資產最重、調整空間最小，又直接暴露在邊際算力價格、利用率、客戶信用和融資成本之下。
所以，我們目前的三點判斷仍然沒有改變：機器智能的長期需求可能被傳統用戶模型低估；實體巨無霸因此寧可承擔過建風險，也不願承擔缺算力的戰略風險；資本市場已經開始區分不同AI資產，真正需要警惕的更可能是局部資產、融資和估值泡沫，而不是把整個AI體系簡單歸為一個泡沫。
這個判斷也有明確的失效方向。如果未來AI實際使用增長明顯停滯，Agent長期不能創造真實經濟價值，企業開始減少AI部署，同時算力租賃價格、合同條件、利用率和融資環境持續惡化，那麼今天關於機器認知勞動快速擴張的判斷就必須重新檢查。
這也是「判斷」和「相信」的區別。我們並不因為AI先進，就相信所有AI投資；也不因為資本開支很大，就宣佈整個AI是泡沫。
真正重要的是找到產業鏈上最先承受壓力的位置，然後觀察事實。
互聯網後來證明了一件事：偉大的技術革命和巨大的局部泡沫完全可以同時存在。
AI不同之處在於，這一次，我們已經知道應該先看哪裏。
參考資料
[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/
資料截至2026年9月24日。文中涉及OpenRouter的數據僅代表該平台流量口徑，不代表全球全部AI調用。
