全球宏观经济与资产配置展望 - 预计2025-2027年全球GDP增速将高于市场一致预期，经济深度衰退概率低 [1] - 美国零售与就业数据稳健，消费动能仍在 [1] - 对久期债券相对谨慎，对信用债保持中性，继续看好全球股票 [1] - 美元长期看空，黄金仍看好 [1] - 中国资产处于外资低配状态，估值吸引力上升，若情绪趋稳存在回补空间 [1] - 投资者可考虑减配美国资产、增配欧洲和亚洲资产，中国台湾和韩国也有结构性机会 [1] 债券市场分析 - 预计今年十年期国债收益率在1.65%-1.90%区间波动，市场以看多和中性观点为主 [2] - 央行下场买债，地产与基建实物量持续低于预期，社融信贷同步走弱，货币宽松未转向，为债市提供下行保护 [2] - 银行理财规模突破32万亿元，固收类理财偏好信用票息 [2] - 二级债基热销，ETF持续吸金，但主动债基赎回明显 [2] - 城投债继续净偿还，10月净偿还524亿元，信用利差低于历史中位 [3] - 理财规模突破32万亿元，年底摊余成本法产品到期再配置，对信用债需求形成支撑 [3] - 利率债波动大，信用债收益更稳 [3] 财政、地产与税收状况 - 地产基建数据持续下行，基建实物量远落后往年，地产投资加速下行 [3] - 一线城市二手房挂牌量激增，30城成交仍处低位，居民房贷负增长 [3] - 前10月地产相关税收仍呈双位数下滑，10月财政支出明显放缓，土地基金收入同比减少 [3] - 全年广义财政缺口约8.3万亿元，明年需扩大赤字弥补 [3] - 个人所得税因高收入行业累进效应超预期增长，消费税仅增长2%，企业税由-3%回升至+2%，显示消费弱、企业利润边际修复 [3] 周期品行业（股票） - 贵金属韧性足，黄金中长期逻辑未变 [4] - 继续看好工业金属铜、铝，预计铜矿2026年或零增长，储能与数据中心带来增量缺口，铝海外新增产能低于预期，短期缺口仍在 [4] - 碳酸锂因储能需求爆发而价格飙升，供需增速均较快 [4] - 化工“反内卷”品种（纯碱、己内酰胺、PTA、有机硅）行业会议落实减产10%-30%，亏损面收窄，价格底部反弹 [4] - 电芯链六氟磷酸锂、磷酸铁、VC涨价，上游磷矿石资源约束，磷肥、铁锂需求双升，具备持续弹性 [4] - 投资者整体配置或可倾向于供给有瓶颈的矿端，自律减产或需求有催化的化工品 [4] 制造业（股票） - 工业板块核心变化集中在锂电材料涨价 [5] - 光伏11月排产与价格均持平，产能收储政策落地慢，股价上涨主要靠主题与情绪 [5] - 锂电需求端储能爆发拉动辅材价格普涨，但主材电芯涨幅有限 [5] - 上游碳酸锂现货价格约9万元/吨，期货价格突破10万元/吨，涨价由需求驱动，预计通胀中枢将继续上移 [5] - 制造业中游（挖机、自动化）10月订单不佳，仅出口链保持韧性 [5] - 汽车批发数据增长6-7%，出口贡献为主，内销略增，零售下滑 [5] - 明年汽车补贴退坡与购置税回升将压制增速，但仍有望正增长 [5] - 估值层面，光伏、锂电已修复至中枢偏上，短期交易拥挤；车链主机厂估值低，机器人概念回调后回到中枢区间 [5] - 机构11月明显减配汽车，增配新能源，储能、锂电、风电、光伏成为除科技外加仓最迅速的板块 [5] 消费行业（股票） - 高端消费强于大众品，出行与宠物维持高景气 [6] - 出行链价格修复：航空、酒店同比转正，贡献来自休闲需求而非商务 [6] - 耐克加单反馈欧美库存回归正常，代工订单回暖 [6] - 白酒批价在双11扰动后企稳，某头部品牌价格小幅回升 [6] - 城镇居民可支配收入/茅台瓶数比值已回到2014年底部区间，机构超配比例接近历史最低，板块最悲观阶段或已过去 [6] - 化妆品国货品牌弱于进口，部分品牌高端线恢复明显，体现K型分化 [6] - 生猪价格跌破所有企业完全成本，能繁母猪存栏见顶回落，仔猪价格低迷预示去产能开始 [6] - 预计2026上半年猪价仍弱，下半年有望回升 [6] - 东鹏、农夫增速维持高位，速冻板块受益餐饮修复，部分头部品牌10月增速改善 [6][7] - 家电受制于高基数、消费券难抢，量价均承压；扫地机行业降价促销侵蚀利润 [7] - 宠物食品双11线上增速超过50%，头部公司增速仍快于行业 [7] 科技行业（股票） - 仍然看好科技，AI主线仍处“杰文斯悖论”驱动的算力迭代周期 [8] - 芯片算力每年提升会创造新需求和商业模式，若芯片算力每年以5-10倍迭代，短期静态现金流质疑并不构成趋势拐点 [8] - 海外云厂商资本开支高增与在手订单匹配，收入确认滞后，短期高投入属正常节奏 [8] - 海外谷歌、OpenAI等模型调用量仍在扩张，国内AI企业紧跟，AI搜索替代传统链接已见增量 [8] - 半导体设备2025年市场规模有望翻倍，叠加存储涨价，设备厂商扩张加速确定 [8] - AI应用端仍在成本投入期，下游公司现金流被购买算力卡挤压，爆发需等待芯片成本曲线下降 [8] - 手机等非AI终端需求平淡，明年承压 [8] - 电子、通信基金持仓处于历史高位，短期交易拥挤带来波动 [8]

文章核心观点 - 当前AI热潮并非单一泡沫，而是由估值、投资、技术三重泡沫交织构成[1] - 公开市场巨头估值有盈利支撑，而私营公司估值已极度高企[1] - 天量投资由现金流驱动，非债务扩张，但复杂循环融资与潜在技术瓶颈埋下风险[1] - AI需求强劲且成本骤降，但能源与芯片供应或成最终制约[1] 估值泡沫 - 希勒周期调整市盈率已超过40，接近2000年互联网泡沫顶峰的44倍水平，显示市场过热[4] - 整体估值主要由盈利增长驱动，标普500指数自2022年10月以来在22.7%的年化增长趋势通道内运行，目前处于通道低端[6] - 大型科技股的估值溢价约60%，但得到了20%以上的盈利增长差异支撑[8] - 科技股估值未达互联网泡沫极端水平，且盈利增长正向更广泛行业扩散[9] - 私营公司估值极高：OpenAI基于2025年130亿美元预测收入的市销率达38倍，Anthropic达44倍[11] - 公开市场科技巨头估值相对合理：英伟达市销率22倍，微软12倍，谷歌9.9倍，亚马逊3.5倍[13] 投资泡沫 - 当前AI投资主要由自由现金流支撑，与互联网泡沫时期的债务驱动不同[15] - 谷歌第三季度运营现金流达480亿美元，超大规模云服务商的资本支出与运营现金流比率普遍低于1，财务状况健康[15] - 自2013年以来，全球科技资本支出年增长率为12.3%，当前增长仍在这一趋势通道内[16] - 大型科技公司的投资回报率自AI周期开始以来持续上升，通过云客户需求、AI工具和编程成本节约产生实际回报[17] 技术泡沫 - 生成式AI仍容易出错和产生幻觉，难以大规模应用[19] - AI的快速扩展可能遭遇物理瓶颈，例如芯片间数据传输速度的限制[19] - 2025年11月谷歌推出的Gemini 3证明AI尚未触及天花板，在多模态能力方面取得重大进展[21] - Gemini 3在“人类最后的考试”中超越所有先前模型，在视觉推理方面的得分是GPT-5 Pro在ARC-AGI-2测试中的三倍[21] - 需求端数据强劲：谷歌10月透露其每月处理1300万亿个令牌，较2024年4月的9.7万亿大幅增长[23] - 目前仍不到10%的美国企业在使用AI，显示巨大的增长空间[23] - 成本骤降是需求激增的重要驱动力：在MMLU基准测试中得分至少42分的最便宜大语言模型成本已下降1000倍[25] 泡沫破裂的潜在触发点 - 复杂循环融资协议可能带来系统性风险：例如OpenAI在八年内承诺1.4万亿美元的计算购买，涉及多方交叉投资和购买协议，可能导致估值不透明[28] - 超大规模云服务商开始发行更多债务：2025年美元投资级债券发行量已超过350亿美元，微软、谷歌、Meta、亚马逊和甲骨文的净债务与EBITDA比率正在上升[30] - 技术规模效应递减：从Llama 2到Grok 4，训练计算成本从1000万美元飙升至10亿美元以上[32] - 基于数据中心支出在5年内开发AGI的概率从2022年的接近100%降至2025年的约20%[32] - 社会政治反弹：在英国和欧盟，20%以上的受访者非常担心AI会在未来几年抢走他们的工作，可能导致客户抵制、员工抵抗和限制性监管[34] - 能源供应制约：2030年电力需求预计将是2020年的四倍，美国家庭今年支付的电价达创纪录的每千瓦时约17美分，能源供应可能成为AI采用和变现的最大障碍[36]

文章核心观点 - AI具有双重角色：既是能源消耗者，也是能源系统的效率倍增器 [1] - AI带来的能耗增加是即时的，但其应用带来的节能效益需要3-5年时间逐步显现，存在时间差 [1] - 从长远看，AI带来的节能量最终将数倍于其自身的能耗，成为推动全球碳中和的重要工具 [1][20] AI的能源消耗现状与挑战 - 2024年全球数据中心电力消耗约占全球总电力消耗的1.5%，达415太瓦时 [4] - 2024年数据中心电力消耗地域分布：美国占45%，中国占25%，欧洲占15% [4] - 自2017年以来，全球数据中心电力消耗年均增长约12%，是总电力消耗增长率的四倍多 [4] - 国际能源署预测，到2030年全球数据中心电力消耗将增长一倍以上，达到约945太瓦时，略高于日本当前全国电力消费总量 [4] - 预计到2030年，美国数据中心电力消耗将超过其铝、钢、水泥、化工等所有能源密集型工业产品的生产用电总和 [4] - AI需求激增带动美国天然气及燃气发电行业，因其能快速响应数据中心高稳定性供电需求 [5] - 以美国弗吉尼亚州为例，2024年数据中心用电量已占全州电力需求26%，预计2030年这一比例可达40% [5] 降低AI自身能耗的路径 - 软件算法优化：采用混合专家模型、模型压缩、知识蒸馏、量化、稀疏化等技术降低计算需求与能耗 [6][7] - 硬件效率提升：新一代GPU能效显著提高，例如B200 GPU相比H100和A100系列，每瓦特浮点运算能效分别提升60%和80% [7] - 软硬件协同设计与边缘计算：通过共同优化软件硬件以及边缘计算降低能耗 [7] - 全栈优化案例：谷歌Gemini AI模型单个文本提示中位能耗仅为0.24瓦时，碳排放0.03克，耗水量0.26毫升，较早期估计低1-2个数量级 [8] - 谷歌通过模型架构改进、算法优化、推理优化及定制TPU硬件，实现12个月内能耗下降33倍，碳排放减少44倍 [8] - 数据中心能效提升：中国八大国家枢纽节点数据中心集群平均PUE达到1.3左右，最先进数据中心PUE最低降至1.04 [10] 绿色能源供应与政策引导 - 科技公司积极采购绿电：腾讯提出2030年实现100%绿色电力目标 [9] - 美国科技公司通过长期可再生能源采购协议锁定绿电供应，并探索小时级匹配的可再生能源供应 [9] - 中国推行“东数西算”工程，引导东部算力需求向可再生能源丰富的西部转移 [9] - 在西部建设运营数据中心综合成本约为东部的50%-70% [10] - 八大国家枢纽节点已建成智算规模62万PFLOPS，约占全国智算总量的80% [10] AI在能源供应端的创新应用 - 可再生能源预测：阿里巴巴达摩院eForecaster平台覆盖中国某省262座风电场和331座光伏电站，将新能源发电功率和电力负荷预测准确率分别提升至96%和98%以上 [11] - 电网运营优化：法国RTE、比利时Elia采用AI进行实时预测以评估系统供需失衡 [12] - 预测工具应用：日立能源“诺查丹玛斯”工具提供负荷、市场电价及可再生能源出力预测服务 [12] - 火电厂优化：AI优化调度可让灵活调节的火电厂维持更高利用率，减少效率损失 [13] - 故障预警：通过智能传感器和AI实时监测电网设备，进行预防性维护 [13] AI在能源消费端的创新应用 - 工业领域：安赛乐米塔尔公司利用AI实现卢森堡工厂能效提升3% [14] - 工业领域：德国海德堡材料公司通过AI优化水泥煅烧工艺，将熟料比降低5个百分点，单厂年减排4万吨二氧化碳 [14] - 工业领域：西门子埃尔朗根工厂通过全厂级AI优化实现25%-42%的能耗强度下降 [14] - 交通领域：DHL旗下Greenplan的AI工具为车队规划最优路径，减少20%燃油成本 [15] - 交通领域：沃尔玛通过AI预测卡车维护需求，提升燃油效率5%-7% [15] - 交通领域：TuSimple自动驾驶卡车通过AI控制车速降低10%-20%能耗 [15] - 交通领域：阿拉斯加航空应用AI规划飞行路径，单次航班节油5%-12% [15] - 交通领域：预计到2035年，AI可使全球道路货运能耗减少1.5艾焦，相当于行业需求的4% [15] - 建筑领域：瑞典某市政公司为600所学校部署AI驱动的能源管理系统，结合1万个传感器数据，每15分钟调整设定，节电率达10% [16] - 建筑领域：印度Infosys园区通过AI在LEED铂金认证基础上再提升7%能效 [16] - 建筑领域：新加坡某科技公司总部仅用历史数据训练AI模型，实现23%制冷能耗下降 [16] - 建筑领域：上海某高层建筑通过AI模拟风场优化设计，预计比传统建筑节能35% [16] - 建筑领域：据IEA预测，若全面推广现有AI技术，2035年全球建筑领域可节电3000亿度，相当于澳新两国年发电量，其中10%峰值需求可参与电网调峰 [16] AI在能源领域的应用局限 - 人才短缺：兼具数字技能与能源专业知识的复合型人才严重短缺 [17] - 数据与基础设施限制：能源系统缺乏高质量数据，新兴市场数字化基础设施不足，传感器覆盖率低 [18] - 复杂环境决策能力有限：AI在需要多步骤因果推理或应对突发情况的场景中适应性不如人类 [18] - 安全与伦理限制：在关键基础设施等敏感领域，AI的“黑箱”特性难以满足透明性和可审计性要求 [18] AI的净收益前景与终极能源 - 短期与中期权衡：短期内AI直接能耗将持续上升，而节能效益需要3-5年时间逐步释放，存在阶段性失衡 [19] - 净正收益路径：随着技术进步、可再生能源比例提升及AI节能应用规模化，中期内AI的净节能效应将超过其自身能耗 [20] - 长远展望：核聚变技术有望为AI提供终极零碳能源，AI也正在加速可控核聚变的研发进程 [20] - 资本布局：微软、谷歌、亚马逊等科技巨头正积极投资布局核聚变能源商业化 [21] - 中国进展：2025年7月，中国聚变能源有限公司成立，推进聚变工程化与商业化 [21]

用百万亿Token揭示今年AI发展趋势，硅谷的这份报告火了！ 无论是分析问题的角度，还是里面得出的一些结论，都被网友热烈讨论。 而且里面还公开肯定了中国开源模型，其每周Token用量占比一度高达30%。并且除了DeepSeek，编程领域的新秀MiniMax也被特意cue到。 这份报告由OpenRouter和a16z联合出品，标题为《State of AI：An Empirical 100 Trillion Token Study with OpenRouter》。 里面分析了自2024年11月至2025年11月，OpenRouter平台上300+模型的使用情况，涵盖GPT系列、Claude、Gemini、DeepSeek、Qwen、Kimi等国内外主 流开源与闭源模型。 一水 发自 凹非寺 量子位 | 公众号 QbitAI 而且统计的角度相当特别——不看各种基准得分，而是看模型的真实Token消耗量。 Token消耗量直接反映了模型被使用的方式和程度，因此比测试分数更能揭示其本质价值。 这一次，他们基于100万亿Token，在报告里得出了以下主要结论（省流版）： 预计到年底，开源模型的使用量将达到约1/3，与 ...

文章核心观点 - 基于对OpenRouter平台超过100万亿Token使用数据的实证分析，揭示了2025年AI行业的发展趋势，核心结论包括开源与闭源模型关系转变为互补、中国开源模型力量崛起、模型功能向推理与执行系统演进、编程与角色扮演成为主要应用场景以及用户留存呈现“水晶鞋效应”等[1][8][12] 开源与闭源模型格局演变 - 开源模型不再是闭源模型的廉价替代品，两者关系已演变为互补，开发者常同时使用两类模型[9][10] - 开源模型使用量稳步增长，预计到2025年底将占据约三分之一的Token用量[10][12] - 开源模型市场从高度集中走向多元化，早期DeepSeek V3和R1曾占一半以上用量，但预计到2025年底，没有单一模型能持续占比超25%，市场将由5~7个模型均分[16][17][18] - 中型模型（参数在150亿到700亿之间）更受市场青睐，小模型正在失宠，市场分化为强大的中型模型类别或整合到最强大的单个大型模型上[20][21] 中国开源模型崛起 - 中国开源模型成为增长主要引擎，其每周Token使用量占比从2024年底的1.2%最高激增至30%，平均占比为13%，与其他地区开源模型平均13.7%的份额相当[12][13] - 中国模型如DeepSeek、MiniMax、Kimi K2等在开源领域受到青睐，其中DeepSeek在角色扮演和闲聊领域有极高粘性，超过三分之二的流量用于此[1][16][50] - 在编程领域，中国模型如MiniMax已成为快速崛起的新秀，近几周取得显著增长[48] 模型功能与使用范式转变 - 语言模型正从对话系统升级为推理与执行系统，使用推理功能的Token用量从年初可忽略不计增长至超过50%[22] - 模型调用工具的功能使用占比上升，从年初集中于少数模型发展到更多模型支持，缺乏可靠工具的模型有落后风险[29][30][31][33] - 用户任务复杂度提升，从生成短文转向解决难题，如分析完整文档或代码库[35] - 用户平均每次提示词长度增加约4倍，模型完成任务所需Token用量增加近3倍，反映出工作负载更依赖上下文且推理消耗更多[36][39] - AI正从聊天机器人转变为能独立规划步骤、调用工具并完成复杂目标的自动智能体（Agent）[42][43] 主要应用场景与模型偏好 - 编程和角色扮演是AI模型最主要的使用方式[12][44] - 编程查询的Token用量从年初的11%上涨至最近的超过50%，增长最为稳定[45] - 在编程领域，Claude系列长期占据主导地位，大部分时间占比超过60%，但其份额在2025年11月首次跌破60%[47] - OpenAI在编程领域的市场份额从2025年7月的约2%增长至近几周的约8%，谷歌份额稳定在约15%[47][48] - 在角色扮演领域，开源模型中其使用量占比高达52%，中国与西方开源模型在该领域平分秋色[50] 用户行为与留存特征 - 用户留存呈现“水晶鞋效应”，即新模型发布时若能完美解决特定用户痛点，便能锁定一批高粘性用户，即使后续有更好模型也难以被替换[12][67] - 例如，Claude 4 Sonnet和Gemini 2.5 Pro发布5个月后用户留存率仍保持40%高位[67] - 该效应窗口期很短，仅在模型被视为“最前沿”时有效，一旦竞品能力赶超则难以吸引新用户[69][70] - 用户留存模式可分为：成功锁定（如Claude、GPT-4o Mini）、从未合脚（如Gemini 2.0 Flash）、回旋镖效应（用户离开后因性价比或特定能力又回归，如DeepSeek）[74] 市场与区域动态 - AI不再是硅谷独角戏，亚洲地区付费使用量占比从13%翻倍至31%[71] - 北美仍是最大市场，但份额已不足50%[80] - 英语以82%的份额占据绝对主导，简体中文以近5%的份额位居第二[80] 其他关键发现 - 模型价格下降对使用量的影响有限，价格下降10%仅带来0.5%-0.7%的使用量增长[80] - 存在“杰文斯悖论”现象，即模型降价且好用后，用户会在更多场景更频繁地调用，导致总Token用量飙升，总支出可能并未降低[75][76] - 报告数据主要反映开发者与服务端API调用行为，未涵盖通过App或Web直接访问的流量，且平台定价策略可能影响数据代表性[76]

AI龙头公司股价表现与市场背景 - 自2022年底ChatGPT发布以来，美股AI龙头公司（“7姐妹”）股价大幅跑赢整体市场 [2] - 自2025年初DeepSeek出现以来，中国AI龙头公司（主要在港股）也大幅跑赢大市 [2] - 尽管相关企业盈利有较快增长，但美国股市风险溢价处于极低水平，反映了投资者的乐观预期 [2] 高利率与高股价并存现象的解释 - 传统思维认为利率与风险资产价格是跷跷板关系，但过去几年美元利率上升环境下股价仍大幅上涨，需要新的解释 [3] - 第一种解释：股市是因，利率是果 AI领衔的股市上涨是美国经济总需求的重要支撑，由此带来的通胀压力促使美联储维持高利率 [3] - 今年以来AI相关资本开支贡献了美国GDP增长的三分之一 [3] - 最富有的10%人口拥有85%的美国股票，这部分人占总消费支出的一半，为有记录以来最高份额，股市财富效应促进消费、降低储蓄 [3] - AI相关资本开支增加投资，与财富效应共同作用，导致维持供求平衡的自然利率上升 [3] - 第二种解释：利率和股价都是果，由第三方力量驱动 美国AI主导的股市吸引了全球资金，截至2025年9月，外国投资者持有美股21.2万亿美元，占总市值31.3%，为二战后最高市场份额 [4] - 全球投资者押注美国科技巨头股票，助长美国股市，相关财富效应刺激总需求，进而支撑了利率水平 [4] AI技术发展的成本与收益分析 - AI技术发展特征为应用层面技术成熟度低与预期利润大并存，需要资本市场尤其股权投资支持 [6] - 大模型成本包括研发成本（算力、人员、电费、数据获取、模型维护等）和应用成本（推理能耗） [6] - AI相关投资模式从资本轻型的软件分发模式转变为资本密集的硬件生产（先进芯片和数据基础设施）模式 [6] - 科技巨头公司投入巨额资金，并成为OpenAI、Anthropic等大型AI初创企业的主要支持者，接管了风投公司的角色 [6] - 业界资本相比风投更容易被AI赋能，可以降低不确定性或提高预期收益 [6] - 大模型收益端分析面临很大不确定性，不同应用场景差异大，直接经济收益（降本增效）和间接经济收益（提升竞争优势）难以估量和加总 [7] - 大语言模型可能给出不准确答案，限制其在很多商业应用的价值 [7] - 大模型应用价值在于用企业内部场景数据训练，但很多企业尚未准备好或不知如何应用自身数据 [7] AI对宏观经济影响的估算 - 估算AI对经济增长影响主要有两种方法：外推法和基于任务的方法 [8] - 外推法将AI类比电力与IT革命，推测未来十年AI革命或能带来0.8-1.3个百分点的年度额外GDP增长 [8] - 基于任务的方法（Acemoglu, 2024）估算未来十年AI对TFP增速的影响仅为每年增加0.07个百分点 [8] - Aghion教授认为基于任务的方法因未充分考虑AI成本下降及能力提升而存在低估，综合文献看，AI带来的年生产率增长应在0.08-1.24个百分点之间 [8] - 中金研究院2024年《AI经济学》采用“元任务”分析方法，测算到2035年AI引入将为我国带来GDP额外提升约9.8%，对应额外年化增长率约0.8% [9] 规模经济、技术进步与行业格局 - DeepSeek的突破在于以算法架构改善弥补算力限制（美国对华先进芯片出口限制），用7纳米芯片做4纳米芯片的事 [10] - 对于算法改善对先进芯片的替代作用，存在悲观与乐观两派观点，乐观派引用杰文斯悖论，即技术进步提升要素使用效率时，收入效应大于替代效应，导致整体需求增加 [11] - 从英伟达股价后续走势看，杰文斯悖论似乎得到印证 [11] - 芯片作为制造品具有规模经济特征，单位成本随生产规模增加而下降，在充分竞争市场下价格随边际成本下降 [12] - 煤炭作为自然禀赋具有规模不经济特征，采矿业供给弹性低，需求增加导致价格上升 [12] - 规模定律隐含算力、数据、电力等要素投入呈现规模报酬递减，对模型性能的追求只能通过增加要素投入来实现 [13] - 规模报酬递减和盈利增长同时发生，反映了相关企业的定价能力，规模定律带来的投入门槛使巨型科技企业处在有利地位 [13] - 中国大模型开源模式对全球AI竞争格局带来重大影响，推动市场朝更公平方向发展，大幅提升中国在全球AI领域话语权 [14] - DeepSeek动态稀疏架构被IEEE纳入国际标准，欧美不少初创企业采用中国开源模型 [14] - 中国开源模式倒逼OpenAI重启开源、Meta调整开源策略，DeepSeek以宽松许可证推动技术自由传播，且推理成本远低于GPT-4等闭源模型 [14] - AI的能耗成为关注点，电力来源中，化石能源具有规模不经济特征，绿色能源（制造业）具有规模经济特征 [14] 高估值可持续性与潜在风险 - 当前美国AI相关股票高估值可能有两个载体：一是投资者对未来长期盈利增长过度乐观；二是当前盈利本身（与当下AI相关资本开支相关）不可持续 [15] - 泡沫破裂可能体现为芯片产业规模经济作用，叠加竞争格局变化（如中国先进半导体产业发展）或算法架构/系统改善提升芯片产出效率，导致技术壁垒被打破、先进芯片价格下降 [15] - 另一个可能是AI大模型应用及其创造的经济效益不及当前乐观预期 [16] - 关键是大模型研发的规模报酬递减能否通过技术进步（如算法改善）来弥补，或大模型应用能否在更广经济层面带来规模报酬递增 [16] - 科技泡沫与房地产泡沫不同，前者的破裂短期带来较大冲击，但长远看是创造性破坏，规模经济和正外部性意味局部领域过度投资虽不可持续，但可能有利于长远的技术进步和创新发展 [16]

文章核心观点 - 探讨人工智能发展背景下，高利率与高股票估值并存现象背后的驱动因素，分析AI技术进步、规模经济效应及其对宏观经济和资本市场的潜在影响 [2][3][4] 因与果：利率与股市关系 - 传统观点认为利率下降是推高股价的原因，但当前高利率与高股价并存的现象可能源于AI股市上涨支撑总需求和通胀，进而促使美联储维持高利率 [2][3] - AI相关资本开支在2025年贡献了美国GDP增长的三分之一，同时最富有的10%人口拥有85%的美国股票并贡献一半消费支出，股市财富效应刺激消费和投资，推高自然利率 [3] - 海外投资者持有美股21.2万亿美元，占总市值31.3%，创二战后新高，全球资金涌入美国科技股，助长股市并支撑利率水平 [3] 成本与收益：AI投资的经济考量 - AI研发成本包括算力、人员、电费及数据获取与模型维护，应用成本中推理能耗是关键项，投资模式从资本轻型软件分发转向资本密集型硬件生产 [5][6] - 科技巨头取代风投成为AI初创企业主要支持者，其业界资本可降低不确定性并提高预期收益，但大模型应用价值因答案不准确及企业数据应用准备不足而受限 [6] - 研究显示AI对未来十年GDP年度额外增长的估算存在分歧，外推法认为可达0.8-1.3个百分点，而基于任务的方法仅0.07个百分点，中金研究院估算中国到2035年GDP额外提升9.8%，年化增长率约0.8% [7][8] 规模经济与规模不经济 - DeepSeek通过算法架构改善弥补算力限制，引发杰文斯悖论讨论，即效率提升可能因收入效应大于替代效应而增加整体需求，英伟达股价后续走势印证此观点 [9] - 芯片作为制造品具有规模经济特征，单位成本随生产规模增加而下降，而煤炭作为自然禀赋具有规模不经济特征，需求增加导致价格上升 [10][11] - 大模型研发存在规模报酬递减，需增加要素投入来提升性能，需求增加可能推高上游公司盈利和股价，但开源模式（如中国DeepSeek）通过低成本优势打破技术垄断，促进全球竞争 [11][12] 创造性破坏 - 当前AI股票高估值可能反映对长期盈利增长的过度乐观或当前资本开支盈利的不可持续性，泡沫破裂风险来自芯片规模经济效应、中国半导体产业发展或算法改善导致价格下降 [14] - 科技泡沫破裂虽带来短期冲击，但因其规模经济和正外部性，可能有利于长远技术进步，不同于房地产泡沫的规模不经济和负外部性带来的系统性破坏 [14]

一、 因与果：利率、股价与宏观经济的动态关系 - AI驱动的股市上涨成为美国总需求的重要支撑，AI相关资本开支贡献了美国GDP增长的三分之一[5] - 股市财富效应促进消费，最富有的10%人口拥有85%美国股票且占总消费支出一半，推动自然利率上升，形成“股价是因、利率是果”的新关系[5] - 全球资金流入美国AI股市，外国投资者持有美股21.2万亿美元，占总市值31.3%，为二战后最高份额，强化了高利率与高估值并存现象[6] - 数字时代投资者羊群效应显著，智能手机、社交媒体和生成式AI使全球个人投资者广泛参与，可能加剧市场波动[6] 二、 成本与收益：AI投入产出比与经济增长影响 - AI技术发展特征为应用层技术成熟度低与预期利润大并存，需要股权投资支持，商业模式从资本轻型软件分发转向资本密集型硬件生产[8] - 科技巨头成为AI初创企业主要支持者，投入巨额资金，相比风投更能降低不确定性并提高预期收益[9] - 大模型收益端分析面临不确定性，不同应用场景差异大，直接经济收益（降本增效）和间接经济收益（提升竞争优势）难以估量[9] - 研究显示AI对未来十年GDP年度额外增长影响在0.08-1.24个百分点之间，外推法估算为0.8-1.3个百分点，基于任务的方法估算仅0.07个百分点[10] - 中金研究院测算到2035年AI为中国带来GDP额外提升约9.8%，对应额外年化增长率约0.8%[11] 三、规模经济与规模不经济：芯片、大模型与能源的差异化特征 - DeepSeek通过算法架构改善弥补算力限制，引发杰文斯悖论讨论，即效率提升反而增加整体需求，类似瓦特蒸汽机改良后煤炭消耗量上升[12] - 芯片作为制造品具有规模经济特征，单位成本随生产规模增加而下降，而煤炭作为自然禀赋具有规模不经济特征，需求增加导致价格上升[13] - 大模型投入呈现规模报酬递减特征，对性能追求需增加要素投入，需求增加可能靠价格上涨平衡，带来上游公司盈利和股价上升[14] - 中国开源模式对全球AI竞争格局产生重大影响，DeepSeek推理成本远低于GPT-4等闭源模型，打破少数企业技术封锁形成的垄断优势[15] - AI能耗问题值得关注，化石能源具规模不经济特征，绿色能源具规模经济特征，两国政策选择差异可能影响长期发展[16] 四、创造性破坏：高估值可持续性与技术革命特性 - 当前美国AI股票高估值可能反映对长期盈利增长的过度乐观，或当前盈利本身不可持续[17] - 泡沫破裂可能源于芯片产业规模经济作用叠加竞争格局变化，或AI大模型应用经济效益不及预期[17] - 科技泡沫与房地产泡沫本质不同，前者破裂是创造性破坏，虽带来短期冲击但有利于长远技术进步，具正外部性；后者具规模不经济和负外部性，有系统性破坏作用[17]

微软面临的电力与基础设施瓶颈 - 微软CEO纳德拉承认公司面临GPU闲置问题，并非算力过剩，而是由于缺乏电力和可立即投入使用的数据中心空间[4][5] - 大量英伟达AI芯片因基础设施不足而无法运行，核心限制是供电能力和数据中心建设速度，而非芯片供应[4][6][7] - 微软在2024年受到的是电力限制，而不是芯片供应限制[7] AI行业普遍的能源挑战 - AI大模型巨头普遍面临能源和基础设施匹配问题，不仅是算力问题[9] - 奥特曼对此问题敏感，过去两年投资了裂变能源公司Oklo、聚变能源公司Helion及太阳能创业公司Exowatt，但新型能源技术离大规模商用尚远[9] - 美国整体电力需求因AI和云计算带动的数据中心建设而超预期增长，供给端电厂建设周期（数年）远慢于AI产业扩张节奏（以季度计）[11][12] 能源供应与AI需求的动态关系 - 数据中心开发商采用“计量表后”供电方式，直接将电力接入数据中心以弥补公共电网的供能缺口[12] - 光伏太阳能建设周期（数月到一年）与数据中心建设几乎同步，但仍跟不上AI需求因模型更新或产品发布带来的快速变化[14] - 部分业内人士担心AI需求增速放缓可能导致为AI算力投资的电厂和储能项目闲置，但奥特曼认为AI用电需求只会持续增长，更高效便宜的算力将激发出更多应用场景[14] 企业策略调整与行业标准潜在变化 - 微软调整策略，不再囤积单一代GPU，因闲置GPU若两三年后被新架构取代，将在六年折旧周期内提前贬值，造成资源浪费和现金占用[15] - 行业限制从“算力短缺”转向“电力短缺”，可能导致芯片评价标准从峰值性能转向能效，网友建议优先选择每工作最节能的芯片[17] - 若英伟达推出速度提升1.2倍但能耗降低25%的芯片，将对受电力限制的企业极具吸引力[17] AI基础设施的地理转移 - 微软获批准向阿联酋运送英伟达芯片建设AI数据中心，未来四年将在海湾国家投资80亿美元用于数据中心、云计算和AI项目[20] - 此举标志AI基础设施正从硅谷迁往能源充足的新兴市场，中东地区资金丰厚、能源丰富[20]

AI对就业市场的宏观影响 - AI作为生产力革命和社会变革，引发对工作岗位被取代的担忧，但现实显示AI并未直接淘汰人力，反而可能创造更多机会[1] - 经济学中的"杰文斯悖论"指出，技术效率提升可能激发更大规模消费需求，从而带来更多工作而非减少[4] - 摩尔定律是杰文斯悖论的当代例证，晶体管成本从1965年约1美元降至百万分之一美分，计算成本十亿倍下降却使计算使用量增长数万亿倍[8][9] 医疗影像诊断领域的AI应用案例 - 医疗影像诊断是AI落地最明确场景之一，2017年斯坦福CheXNet在肺炎识别上已超越专业医生[1] - 超过700种放射学AI模型通过FDA批准，占医疗AI器械四分之三以上[1] - 美国放射科医生2025年平均年薪达52万美元，成为收入第二高医学专科，职位数量创新高，空缺率达历史最高水平[2][22] - AI提升诊断效率推高整体检查数量，但复杂高风险判断仍需人类医生把关，监管要求最终报告必须由人类签署[2] 鲍莫尔效应与行业成本变化 - 鲍莫尔效应描述当某些行业因技术革新利润暴涨时，其他行业为留住员工必须提高薪资[4] - 该效应导致与AI完全无关的服务价格逐渐上涨，如暖通空调技术人员因数据中心需求激增而工资上涨，间接推高其他行业维修成本[17][18] - 鲍莫尔成本病出现的前提是社会整体生产力和财富持续增长，它作为温和财富分配机制，使低效率行业成本随高效率行业工资上涨而增加[15][16] AI时代特定职业的价值重估 - 当AI完成99%任务时，剩余1%必须由人类完成的工作价值可能暴涨，如放射科医生作为"安全员"角色变得关键[21][22] - 这类"兜底人"工资可能特别高，因其角色不可替代且成为流程瓶颈，但一旦AI能100%完成任务，岗位可能突然消失[22] - 未来劳动力市场可能出现一批奇特职业，如遛狗、签字等看似琐碎但不可替代的工作变成"黄金任务"[23] AI对服务行业的效率与需求影响 - AI可能大幅提升法律服务等行业效率，使原本昂贵服务变得"人人可用"，触发杰文斯效应导致使用量倍增[20] - 无法被AI化的服务（如遛狗）会因整体工资水平上涨而变得更贵，尽管其本身效率未提升[20] - 社会整体因技术更富裕，使大多数人仍能负担变贵的服务，但行业间成本传递效应显著[18][20]