通胀风险 - 资深经济学家史蒂夫·汉克担忧通胀可能在2026年失控，超出美联储掌控范围[1] - 11月整体通胀数据虽低于预期，但仍远高于美联储2%的目标[2] - 汉克认为货币供应量是通胀核心驱动因素，过去五年M2货币供应量已激增3.5万亿美元[2] - 美联储降息可能宽松金融环境，在通胀未完全受控情况下或加速物价上涨[2] - 美联储本月结束了旨在收紧金融环境的量化紧缩政策[3] - 明年初部分信贷规则（如银行资本要求）将被放宽，可能大幅提升银行扩大货币供应量的能力，加剧通胀压力[3] - 美国财政部加大短期国债发行为政府赤字融资，也会增加货币供应量并可能助推通胀[3] - 汉克担忧美联储已无法将通胀“精灵”重新收回魔瓶[3] 股市风险 - 资深经济学家史蒂夫·汉克指出美股股价高企，终将暴跌回归现实[1] - 其“X博士泡沫检测器”已触及历史高点，表明市场正处于泡沫之中[2] - 随着人工智能热潮达到新高度，科技板块估值已严重虚高[3] - 汉克预警人工智能泡沫可能迎来“威利狼时刻”，即突然意识到悬空后笔直下坠[3] - 他推测一旦人工智能企业未能达成增长预期，可能重蹈互联网泡沫时期企业的覆辙[4] - 汉克建议投资者调整投资组合结构[3]

2025年市场表现回顾 - 贵金属是2025年市场动荡中的最大赢家，几乎所有其他传统“避险”投资均表现不佳 [1] - 市场格局由全球经济热度高涨、宽松货币政策、衰退担忧消退、人工智能狂热及地缘政治紧张局势升级共同塑造 [1] - 大宗商品综合指数表现糟糕，主要受原油供应过剩拖累，原油价格同比下跌20%，远低于市场曾担忧的每桶100美元水平 [1] 股票市场表现 - 摩根士丹利资本国际全球股票指数（MSCI All-Country Stock Index）表现强劲，正迈向2019年疫情以来的最佳年度表现，涨幅超过全球政府债券指数表现的两倍 [4] - 标普500指数全年上涨15%，主要得益于大型科技股和人工智能主题推动，以及美国经济强劲反弹和下半年利率下降 [4] - 标普500“成长型”股票涨幅达20%，是“价值型”股票涨幅的两倍多，其总回报率也比等权重指数高出5个百分点 [4] - 道琼斯工业平均指数表现不及标普500指数和纳斯达克综合指数 [5] - 公用事业、医疗保健和金融板块涨幅均超过10%，但落后于主要指数，必需消费品板块涨幅仅约2%，排名垫底 [4] 国防与航空航天板块 - 在担忧全球冲突的背景下，国防板块成为最佳去处，而非公用事业、必需消费品等传统防御性板块 [1] - 2025年，美国航空航天与国防股涨幅达36%，欧洲同类股票涨幅更是高达55%，德国及欧洲大陆正加速重整军备 [1] 债券市场表现 - 债券市场表现不佳，以美元计价的全球“无风险”政府债券指数下跌约1%，总回报率仅略超6% [2] - 更广泛的全球债券基准（如彭博全球综合债券指数）价格涨幅约为1%，总回报率接近7% [2] - 被视为安全港的政府债券表现持平 [3] 货币市场表现 - 传统避险货币日元和瑞士法郎表现分化，日元全年以对日本主要贸易伙伴的实际有效汇率计算下跌约4% [7] - 瑞士法郎守住了年初涨幅，与黄金、白银一样，成为2025年少数表现出色的避险资产之一 [7] - 美元在2025年市场最动荡的几个月里，美元指数下跌了12%，在地缘政治紧张时期表现疲软，失去避险功能 [7][8] 波动率产品表现 - 与期权相关的波动率指数在2025年未能发挥作用，未能从市场波动中获利 [9] - 衡量标普500指数隐含波动率的恐慌指数（VIX）年末收盘较年初下跌了2个点 [9] - 债券市场对应的美债波动率指数（MOVE）不到年初水平的三分之二，且低于4月峰值的一半，主要外汇市场的波动率指标也有所下降 [9]

港股市场近期表现与资金面 - 临近年底港股交投转淡，上周日均成交额持续低于2000亿港元 [1] - 市场预期资金可能留待明年首季才再度大举涌入 [1] 对内地及香港市场中长线看法 - 有两大因素支撑中长线继续看好内地和香港市场 [1] - 关税战不确定性已延至明年第四季，近期出口数据显示内地市场变得更多元化，相关忧虑的迫切性已有所减少 [1] - 内地居民存款率高企，但明年会有更多中长期存款到期，“存款搬家”或带动资金流入内地和香港市场，利好股市 [1] 香港市场资金面短期因素 - 香港多只早前上市的IPO禁售期即将届满，或令资金面短期受压 [1] - 近期有不少受欢迎的人工智能相关股份准备上市，有机会抵消相关影响 [1] 人工智能板块展望 - 人工智能板块短期或仍有忧虑，建议可趁市况波动吸纳高息股 [1] - 市场短期对人工智能泡沫仍有忧虑，令投资气氛受到影响 [1] - 预计明年人工智能板块不确定性会较今年高 [1] 生物科技板块动态 - 内地创新药在全球创新药份额已飙升至约30%，行业已非再由欧美等成熟市场主导 [1] 市场风格与板块轮动预期 - 预期明年初可能仍然由增长型股份带动 [1] - 年中若重燃通胀担忧，价值型股份抗跌力会较佳，在市况波动下，成为增长板块以外的一个避风港 [1]

文章核心观点 - 文章围绕“AGI能否实现”这一核心议题，呈现了两种对立的观点：一种基于物理和成本限制认为AGI和超级智能无法实现，另一种则认为当前AI系统在软硬件效率上仍有巨大提升空间，通往更强AI的道路依然存在 [1][3][27][31] 关于AGI实现的物理与成本限制 - 计算是物理的，AI架构（如Transformer）是对信息处理单元的物理优化，结合了局部计算与全局信息汇聚，已接近物理最优 [8][9] - 硬件改进面临根本瓶颈：GPU在“性能/成本”指标上约在2018年达到峰值，后续改进多为一次性特性（如16位精度、Tensor Core、HBM等），任何进一步改进都将是权衡而非纯收益 [13][14] - 线性性能改进需要指数级资源投入，这受限于物理现实和观念空间的边际收益递减，规模化带来的收益正在迅速逼近物理极限 [11][16][17] - 超级智能的概念存在根本谬误，其将智能视为抽象物，但任何系统改进都受物理规律和缩放定律制约，无法引发失控式增长 [24][25] 当前AI系统的效率现状与提升空间 - **训练效率低下**：当前最先进模型（如DeepSeek-V3、Llama-4）的训练平均FLOP利用率（MFU）仅约20%，远低于2022年开源项目（如BLOOM）达到的50% MFU [35] - **推理效率更严重**：最优化推理实现的FLOP利用率常为个位数（<5%），瓶颈在于内存带宽而非计算 [37][38][39] - **硬件利用率存在巨大提升潜力**：通过训练高效的架构协同设计、实现高质量FP4训练、设计推理高效的模型，理论上可用FLOPs可提升最多9倍 [36][40][41][42] - **模型能力是硬件建设的滞后指标**：当前发布的模型反映的是上一代硬件能力，而正在建设的新集群规模（如10万卡以上）意味着高达50倍的算力建设正在发生 [43][44][45] 行业竞争格局与基础设施价值 - **中美AI发展路径差异**：美国遵循“赢家通吃”、追求最大最强模型的思路；中国更注重模型的应用性、实用性和成本效益，认为“足够好”能带来最大生产力提升 [20][21] - **规模化基础设施优势可能迅速蒸发**：如果软件创新（如超越vLLM/SGLang的推理栈）使小模型部署效率接近前沿实验室，或AI应用转向垂直专用，当前头部公司的基础设施优势可能一夜消失 [18] - **中小型公司的挑战**：像MoonshotAI、Z.ai这样的公司已证明无需大量资源即可达到前沿性能，若在“超越规模化”方向持续创新，可能做出最好的模型 [17] 未来发展方向与投资机会 - **硬件层面的优化方向**：充分利用新一代硬件特性（如Blackwell架构的FP4训练、GB200的机架级通信域）是清晰的突破点，存在大量“低垂果实” [36][46][47][50] - **软件与算法创新**：新的后训练范式、提升样本效率的数据中心AI、以及结合领域经验的垂直应用，能让现有模型在更广泛领域变得极其有用 [52][53][54] - **新硬件平台**：大量专注于推理场景的新硬件平台及配套软件栈正在涌现，任何一个产生重大影响都可能彻底改写行业局面 [50] - **通往更强AI的具体路径**：通过模型-硬件协同设计、利用滞后释放的硬件算力、以及算法改进，存在通向至少一个数量级（10倍）算力提升的具体路径 [55][56][57][58]

文章核心观点 - 文章围绕“AGI能否实现”这一核心议题，呈现了两种对立的观点：一种基于物理和成本限制认为AGI和超级智能无法实现[3][7][28]，另一种则认为当前AI系统在软硬件效率上仍有巨大提升空间，通往更强AI的道路多样，实用化的“类AGI”能力可能并不遥远[33][36][66] 对AGI的悲观论据（物理与成本限制） - **计算受物理规律制约**：计算是物理过程，需要在局部计算与全局信息移动间取得平衡，随着晶体管缩小，计算变便宜但内存相对变贵，芯片面积主要被内存占据，导致算力可能因内存服务不足而成为“无效算力”[8][10][11] - **Transformer架构已接近物理最优**：该架构以最简单方式结合了局部计算与全局信息汇聚，是对信息处理单元的物理层面优化[11][12] - **线性进步需要指数级资源**：在物理现实和观念空间中，要获得线性改进，所需投入的资源呈指数级增长，观念创新因领域庞大而边际收益递减[13][15] - **GPU进步已停滞**：GPU在“性能/成本”指标上于2018年左右达峰，后续改进多为一次性特性（如16位精度、Tensor Core、HBM等），现已走到尽头，任何进一步改进都将是权衡而非纯收益[16][17] - **规模化收益面临极限**：过去GPU的指数级增长对冲了规模化所需的指数级成本，但现在规模化已变成指数级成本，物理极限可能在一到两年内逼近，规模化收益不再显著[20] - **基础设施优势可能迅速蒸发**：若研究/软件创新、强大的开源推理栈或向其他硬件平台迁移取得突破，前沿实验室的大规模基础设施优势可能一夜消失[21][22][26] - **超级智能是幻想**：超级智能自我改进引发爆炸增长的前提错误，智能改进受物理现实和缩放规律制约，线性改进需指数级资源，其发展更可能是填补能力空白而非推动边界外扩[28][29] - **AGI需具备物理执行能力**：真正的AGI需包含能在现实世界完成经济意义工作的实体机器人，但机器人领域数据收集成本高昂，现实细节复杂，许多问题经济上并不划算[25][27] 对AGI的乐观论据（效率与创新空间） - **当前AI系统被严重低估，效率远未达上限**：训练效率比几年前更低，例如DeepSeek-V3和Llama-4训练的MFU仅约20%，而2022年的BLOOM项目已达50%，当前模型设计并非为最高硬件利用率[39][41] - **推理效率存在更大提升空间**：最优化推理实现关注带宽利用率（MBU），FLOP利用率（MFU）常为个位数（<5%），这并非物理根本极限，而是当前自回归架构规模化带来的限制[43][44] - **新一代硬件提供显著算力提升**：Blackwell架构芯片的FP8吞吐量是Hopper的2.2倍，并支持原生FP4 Tensor Core，GB200等机架级方案可缓解通信瓶颈，高效FP4训练理论上可将可用FLOPs提升最多9倍[42][50] - **模型是硬件的滞后指标**：当前模型反映的是上一代硬件能力，而新一代超大规模集群（如10万卡以上）正在建设，意味着高达50倍的算力建设正在发生[47][48] - **明确的效率提升路径**：通过训练高效的架构协同设计、高质量高效率的FP4训练、推理高效的模型设计（如扩散式语言模型）等方式，可大幅提升硬件利用率[45][46][52] - **已有AI工具产生巨大经济影响**：以更务实的定义，一套在某些任务上比大多数人做得更好并能产生巨大经济影响的通用工具体系，可能并不遥远，例如当前模型已在编程等领域越过关键阈值[60][61] - **即便能力不提升，应用场景仍广阔**：假设模型能力冻结，系统层面的效率改进也足以让许多高影响力应用落地，且通过新的后训练范式、更好的样本效率等方法，可继续推进“有用AI工具”[62][63][65] 行业路径与理念差异 - **中美AI发展路径不同**：美国遵循“赢家通吃”思路，追求构建最大最强的超级智能模型；中国理念更侧重应用，认为模型能力本身没有应用重要，关键是实用性和以合理成本提升生产力[23][24] - **不同理念的可持续性**：在模型能力增速放缓的背景下，追求超级智能的目标可能遭遇困难，而推动AI经济扩散的务实思路可能更具长期优势[24][30]

核心观点 - 知名空头迈克尔·伯里正在公开征集英伟达GPU被客户囤积的证据 此举源于对英伟达宣称的芯片出货量 营收数据及美国数据中心电力容量之间匹配性的公开质疑 [1][3] 对英伟达出货量与营收的质疑 - 英伟达首席执行官黄仁勋称 过去四个季度已出货600万片Blackwell芯片 并预计Blackwell及明年Rubin系列产品将带来总计5000亿美元销售额 [1] - 有分析指出 自Blackwell推出以来 英伟达报告的1110亿美元数据中心收入似乎无法支撑如此大的出货量 可能存在数十万至数百万片GPU缺口 [1] 对电力供应与出货量匹配性的质疑 - 分析指出 若600万片GPU已出货 且其中65%到70%部署在美国数据中心 将需要8.5吉瓦到11吉瓦电力 大约相当于新加坡总发电量 [2] - 但美国在2024年至2025年间仅增加约8.5吉瓦可用于数据中心的电力容量 且此容量假设所有新设施只使用英伟达硬件 [2] - 上述电力供应仅能勉强匹配英伟达宣称的GPU出货量 [3] 空头关注的 broader 审视点 - 伯里近期加强了对英伟达的审视 关注点包括美国AI企业之间的"循环投资" 收入确认方式以及技术巨头如何对计算设备计提折旧 [3] - 另有质疑关注英伟达的GPU会多久过时 以及英伟达的AI基础设施支出能否持续 [3] 对整体市场环境的预警 - 伯里近期多次对美股人工智能泡沫发出预警 并引用图表显示当前股票在美国家庭财富中占比已超房地产 历史上类似情况仅在上世纪60年代和2000年互联网泡沫破裂前出现过 [3]

核心观点 - 凯投宏观认为新兴市场股票的AI泡沫尚未破裂 且可能在明年进一步膨胀[1] - 如果AI泡沫如预测在2027年破裂 较低的新兴市场估值可能无法提供太多缓冲[1] - 泡沫破裂后 台湾和韩国市场将面临大幅回调 亚洲以科技股为主的新兴市场将承压[1] 市场估值分析 - 尽管今年新兴市场股票估值普遍上涨 但仍普遍低于美国市场[1] - 新兴市场与美国AI股票之间存在巨大的估值差距[1] - 预计该估值差距在明年不会大幅收窄[1] 区域市场风险 - 如果AI泡沫破裂 台湾和韩国市场将面临大幅回调[1] - 若泡沫破裂后全球市场出现持续回调 上升的风险溢价将对亚洲以科技股为主的新兴市场构成压力[1]

文章核心观点 人工智能产业化面临严峻挑战，商业化落地成功率极低，行业存在显著的预期、系统、数据等多维度泡沫，但同时在垂域小模型、安全可控、提升模型规模等方向存在长期机遇 [4][6][7][8][9] 人工智能产业化的主要挑战 - **商业化落地困难**：大语言模型仅在个别场景成功，缺乏大规模商业应用和成熟商业模式 [4][13] - **企业预期过高**：媒体和全球对人工智能的不切实际预期，尤其是企业老板的预期，可能将行业引向灾难性泡沫 [6][16][25] - **系统集成难题**：人工智能新技术难以与企业的传统遗留系统适配，技术无法自主理解和使用企业异构数据，如同“等待投喂的猫” [6][17] - **数据维度局限**：产业化落地仅靠公开的语言数据远远不够，缺乏处理非语言类私有数据（如图像、视频）的有效方法 [6][18] - **机器人技术卡点**：机器人离实际落地相当远，在感知、理解、规划、学习四个层面均存在巨大技术瓶颈 [6][21][22][23] - **企业实践信心危机**：决策层与AI团队在“无所不能”和“一无所能”的认知间摇摆，导致项目难以持续推进，CTO/CIO岗位因缺乏产出而更替频繁 [7][24][25] 当前存在的主要泡沫与陷阱 - **算力建设泡沫**：各地智算中心大量建设，但多为推理卡集群而非训练集群，导致大量算力资源闲置，投入产出严重不匹配 [8][29] - **应用层同质化与“人工AI”**：AI应用领域“人工”参与成分过高，并非真正的智能应用，市场上Agent框架等产品同质化严重 [8][30] - **数据层面的认知泡沫**：误将大语言模型在公开文本数据上的成功，简单迁移到行为、图像等异构的非语言数据领域 [28] - **数据枯竭风险**：人工智能依赖的公开数据仅占全球数据总量的4%，96%为非公开的私有数据，数据源面临枯竭，如何利用私有数据赋能大模型是巨大挑战 [29] - **人形机器人的定位争议**：人形机器人在高风险、高强度、高精度等特定场景下，人体结构并无优势，其当前的“爆火”更多源于拉动经济消费和产能的“短期自救”考量，而非技术上的长远目标 [8][34][36][37] 未来值得关注的发展方向 - **垂域小模型与数据协作**：在医疗等数据稀缺领域，需研究如何整合各领域专家的小数据模型，在保护隐私的前提下构建全局受益的模型，联邦学习是重要方向 [9][39] - **安全可控**：安全可控是人工智能短、中、长期都至关重要的方向，涉及解决幻觉问题、推动高价值行业落地以及防范AI拟人化后与人类争夺权力与资源的远期风险 [9][44] - **提升大模型基础能力**：国内大语言模型参数量约1万亿，与国外近7万亿的规模存在差距，提升模型规模将带动从底层基础设施到上层算法、数据的系列革新 [9][44] - **突破基础软硬件“卡脖子”**：在数字智能和物理智能领域，中国尚未形成独立自主可控的软硬件协同系统（如替代CUDA和Omniverse生态），这是重要的产业机遇 [42][43] - **“通专融合”的科学大模型**：发展既能保持通用性能又能处理专业任务的科学大模型，而非简单微调，是潜力方向 [43] - **加强AI对基础科学的理解**：利用人工智能深入学习数学和理解物理世界，是人工智能与科学结合的重要基础 [45]

核心事件 - 即将离任的Meta人工智能首席科学家杨立昆正为其新创人工智能公司进行初步融资洽谈 拟募资5亿欧元 约合5.86亿美元 [1][3] - 在该公司正式成立前 其估值预计将达到30亿欧元 [1][3] - 杨立昆已邀请法国医疗科技初创企业Nabla的创始人亚历山大・勒布伦担任新公司的首席执行官 [1][3] 人物背景与公司战略 - 杨立昆在推动Meta的人工智能发展蓝图中发挥了关键作用 他于上月宣布将于年底离开Meta 专注于打造新创企业 [1][3] - 新公司的目标是开发新一代超级智能人工智能系统 [1][3] - 新创公司计划依托世界模型技术构建人工智能系统 这类系统能够理解物理世界 可应用于机器人技术 交通运输等多个领域 [1][3] 行业背景与市场反应 - 此前已有行业领军者警示 市场对人工智能的狂热可能已脱离商业基本面 [1][3] - 这家初创公司在成立前就获得巨额融资承诺并拥有高估值 或进一步加剧外界对人工智能泡沫的担忧 [1][3]

纪要涉及的行业或公司 * 行业：人工智能（AI）、科技行业、美国股市、全球股市[1][2][6] * 公司：英伟达（NVIDIA）[28][29]、大型科技公司（如“Mag 7”）[12][25]、思科（Cisco）[28] 核心观点和论据 * **核心观点：人工智能正推动一个更大泡沫的形成，繁荣/萧条可能成为新常态**[1][3][30] * 自19世纪以来，重大技术飞跃（如工业革命、互联网）都伴随着持续多年的资产泡沫[2][6] * 人工智能得到了各国政府的强力支持，被视为与地缘政治优势相关的关键能力，这增加了泡沫形成的可能性[2][9] * 人工智能的巨大潜力与实现时间的高度不确定性，使市场容易产生泡沫式的繁荣与萧条[30] * **当前市场状态：整体未达泡沫峰值，但部分领域已显现泡沫迹象，且市场正变得更加泡沫化**[2][12][23][25] * **整体未达泡沫峰值**：美国银行泡沫风险指标（BRI）显示，美国整体股市及核心科技股（如“Mag 7”）尚未出现典型的泡沫式不稳定（指标超过0.8）[12] * **部分领域已现泡沫**：美国核能股、量子计算股、日经指数、韩国综合股价指数等已出现类似泡沫的不稳定现象[14] * **市场正变得更泡沫化**：自ChatGPT于2022年11月推出以来，泡沫指标在AI相关资产中总体呈上升趋势[26] * **支持泡沫正在发展的具体迹象（2025年）**[23][26] * **IPO表现**：2025年美国科技公司IPO的首周表现是自90年代末科技泡沫破裂以来最好的[26] * **市场行为**：市场正以90年代科技泡沫时期的速度从下跌中反弹，逢低买入的力度接近百年一遇的极端水平[26] * **波动性变化**：尽管市场上涨，美国波动率在2025年已重置得更高，VIX指数下限从12增加到15[26] * **分散度上升**：市值加权波动率分散度自1995年以来高于当前水平的概率仅为11%，主要出现在互联网泡沫时期[26] * **市场情绪**：对泡沫的担忧已达到全球金融危机以来的最高水平，AI泡沫在美国银行基金经理调查中被列为首要风险[26] * **估值与上涨空间：核心AI估值未达极端，显示仍有上涨潜力**[3][18][21][31] * 自2022年以来美国科技公司估值大幅上升，但仍低于90年代末互联网泡沫最繁荣时期的水平[18] * 互联网泡沫时期股价与基本面明显脱钩，而当前更广泛的市场中尚未看到这种情况[20] * 在研究的八个资产泡沫中，有七个的上涨势头几乎都出现在峰值附近，股票泡沫的峰值价格通常比其3个月移动平均线高出约20%，而纳斯达克指数目前的水平约为-2%[21] * 自GPT推出以来，美国科技核心股尚未突破泡沫指标的前五分之一，表明还有更大的上涨空间[31] * **主要风险与挑战**[3][25][28][29][30] * **时机风险**：预测泡沫顶部出现的时间极为困难，是最大的风险[3][31] * **规模与基本面风险**：美国大型科技公司规模庞大且盈利能力强，可能难以像典型泡沫资产那样产生剧烈波动和脱离基本面[25][28] * **AI发展不及预期风险**：若AI提高生产力的潜力被证明过于乐观，或通用人工智能（AGI）的实现需要更长时间，可能导致失望和市场大幅下滑[29][30] * **金融环境收紧风险**：杠杆的克星；所有重大泡沫顶峰之前都会出现金融环境收紧[43] * **投资策略启示**[33][35][37] * 在泡沫中，初期表现领先的资产往往在破裂前表现优异，抛售领头羊资产等同于预测泡沫顶部（高风险）[33] * 历史表明，在泡沫时期，持有集中度较高的资产（泡沫中心地区），同时辅以现金或衍生品进行风险分散，是更明智的选择[33][35] * “美国例外论达到顶峰”的观点与AI泡沫进一步发展的预期相悖[37] 其他重要内容 * **政府角色的变化**：与20世纪20年代的放任政策不同，当前各国政府对AI的主动支持加剧了泡沫形成的可能性[9] * **泡沫的典型特征**：由对价值不敏感的散户引领；价格上涨时波动性反而增加（与常态相反）；包含散户参与和杠杆作用[4][8][9][11] * **英伟达的案例**：市场集中度空前高涨，英伟达目前的市值超过了欧洲任何国家[28] * 如果英伟达的市盈率恢复到思科在2000年的峰值水平（约200倍），其市值将达到20.8万亿美元[28] * **需求预测**：英伟达CEO黄仁勋认为，到2030年AI领域年支出可能达到3-4万亿美元，长期有望达每年5万亿美元；麦肯锡预测到2030年数据中心累计支出约7万亿美元[29] * **对全球其他市场的看法**[43] * **欧洲**：尽管股市表现优于美国，但其估值仍然偏低，存在长期利好，但执行不力等地缘政治因素是主要风险 * **亚洲**：正经历泡沫式的追赶，但仍蕴藏着AI领域的上涨空间和价值；AI泡沫在中国最有上涨空间 * **最终结论与情景预测**[38][43] * 人工智能正助长更大的泡沫，预测顶部时机很难，但密切关注预警信号至关重要[38] * 可能出现的情景包括：为时已晚无法避免最终崩盘；金融环境收紧是最大风险；波动率保持支撑；泡沫持续时间越长，价格上涨空间越大；若对AI突破的信心停滞，熊市可能随之而来[43]