核心观点 - 德意志银行报告梳理AI自1956年诞生70年来的发展脉络，提炼出14条关键启示，为投资者研判当前AI热潮提供参照 [1] - AI的70年历程充满繁荣与萧条的交替，当前这轮投资与估值热潮正在重演历史上多次出现的技术革命范式 [1] - 理解AI未来走向，“语境”至关重要，从非线性增长、基础设施瓶颈到估值泡沫的膨胀与破裂，历史信号清晰可辨 [1] 增长非线性且常被低估 - AI进步的核心特征是非线性，自1956年至今，用于训练主要AI系统的算力增长跨越了数十个数量级，线性图表几乎完全掩盖这一趋势 [3] - AI的进步速度已超越摩尔定律，进入深度学习时代后，算力年均增速已达约4倍，远高于深度学习之前约1.4倍的年增速，原因在于系统规模扩大、内存提升、算法优化等多重因素同步改善形成叠加效应 [3] 技术路线持续迭代 - AI技术谱系图显示70年路线演变：从符号逻辑、专家系统，到统计机器学习、深度学习，再到当前主导的大型语言模型，每一代主流技术都曾经历从兴起到被取代的周期 [8] - 大型语言模型未来或将让位于“世界模型”等新范式，技术代际更替不以当前领先者的意志为转移 [8] - 历史上Internet Explorer一度压倒Netscape，自身随后又被Chrome取代，当前生成式AI平台中ChatGPT月访问量领先，但Google Gemini、DeepSeek和Claude均在快速追赶，早期优势不等于长期护城河 [8] 研发积累决定竞争格局 - 中国AI模型异军突起，以DeepSeek为代表，表面看似“一夜成名”，实则是多年研发投入积累的结果 [11] - 中国在研发总支出上已于2024年超越美国，在主要AI模型数量上的追赶速度同样显著，AI专利授权数量方面增长曲线大幅领先其他经济体 [11] - 竞争格局的变化往往在表面可见之前已在底层积蓄多年 [11] 成本下降扩大需求 - 报告引用“杰文斯悖论”说明：AI使用成本大幅下降不会导致总体支出减少，反而会刺激需求激增 [14] - 自2006年以来，GPU算力成本已下降逾99%，但根据国际能源署预测，全球数据中心电力消耗将从2024年至2030年翻倍，更低的边际成本意味着更多的应用场景和更高的总量需求 [14] 硬件先行，瓶颈在供给侧 - 历次科技革命均有赖于大规模硬件投资，自ChatGPT于2022年11月上线以来，在Russell 1000指数中，数据中心、硬件及芯片相关行业的总回报率远高于软件行业 [17] - 当前瓶颈更多在于AI芯片的供给侧：英伟达H100 GPU芯片的每小时租用价格在过去数个季度持续波动，反映出供需的结构性张力 [17] 全球化压低成本但埋下供应链风险 - 随着AI热潮升温，美国半导体进口额大幅攀升，全球供应链集中度持续上升，产品对单一来源的依赖程度明显加深 [20] - 全球化在使技术变得更廉价的同时，也使供应链暴露于更高的地缘政治与集中度风险之中 [20] 技术红利需时间兑现，商业落地仍处早期 - 技术革命通常存在生产率的“J曲线”效应：成本先于收益显现，目前美国员工中使用AI完成工作的比例不足一半，平均将6%的工作时间用于AI相关任务，仅节省了约2%的工作时长 [23] - 消费端采纳速度已创历史纪录，生成式AI普及速度快于互联网和个人电脑，但可直接货币化的企业端应用推进明显更慢，围绕新技术重构企业运营流程需要数年 [23] - 信息、专业服务和金融保险行业的AI应用率领先，制造业则相对滞后 [23] 估值已处历史高位 - 从席勒周期调整市盈率来看，当前标普500估值水平已与2000年互联网泡沫顶峰相近，位于150年来的最高区间 [27] - 历史上每一次估值高峰几乎都对应一次变革性技术浪潮：1899年电气化、1929年无线电与汽车、1966年电子浪潮、2000年互联网——以及2026年的AI [27] - OpenAI和Anthropic当前营收增速已超过同期对比公司的历史峰值水平，但要兑现当前估值所隐含的远期营收预期，两家公司的增长曲线需要与Google、Meta、英伟达等科技巨头的历史轨迹相比“更加不同”才行 [27] 长期趋势具有韧性 - 标普500每股盈利自1935年以来年均增长约6.5%，历经多次战争与衰退保持趋势稳定 [29] - 报告梳理三种AI情景：基准趋势、AI驱动的温和提速（未来10年年均增速约2.1%），以及“奇点”场景下的两个极端——从技术乌托邦到人类灭绝 [29] - 在历史趋势与极端情景之间，当前市场的定价更接近哪一端，是值得持续追踪的核心问题 [29]