文|财华社

过去两年，人工智能无疑是全球资本市场最炽热的风口，掀起了一场席卷全产业链的财富狂欢。

从上游核心硬件到下游应用落地，AI赛道走出了一波史诗级行情：英伟达（NVDA.US）凭借算力垄断地位市值一路飙升；智谱（02513.HK）、OpenAI、Anthropic等大模型企业估值水涨船高；SK海力士（SKHY.US）、英特尔（INTC.US）等半导体巨头顺势崛起，光模块、光芯片、特种陶瓷材料等细分赛道翻倍暴涨，就连数据中心基建、电力配套、存储器件等偏传统的基础设施板块，也借着AI算力建设的东风走出了逆势行情。

一时间，资本疯狂涌入、企业加码布局、行业乐观情绪拉满，所有人都笃定AI将开启新一轮数十年的产业革命与增长周期。

然而2026年盛夏，硅谷的热浪依旧，AI产业却迎来了一场透心凉的“资本寒流”。费城半导体指数最近20个交易日累跌超18%，其中今年表现最好的芯片股美光科技（MU.US）在最近20个交易日累跌近24%，被黄仁勋热捧的明星迈威尔科技（MRVL.US）20日累跌超37%，曾经被奉为圭臬的“算力永缺”叙事，出现了裂痕。

这场突如其来的估值降温，或许只是单纯的市场情绪退潮或短期资金获利了结，但是，大家不由得正视起AI产业浪潮狂奔过程中的暗礁，这可能决定了这场热潮的可持续性。

第一重暗礁：监管铁幕落下的影响

AI技术的迭代速度远超法律法规的更新节奏，而技术赋能的边界模糊、数据安全风险、算法伦理隐患、垄断与侵权问题等，或倒逼全球AI监管从空白探索走向全面收紧，成为阻挡AI无序扩张的一道重要闸门。

当前，全球AI监管体系已进入密集落地阶段。欧盟《人工智能法案》正式生效，对高风险AI系统实施严格准入管控，对通用AI模型提出透明度和风险评估要求；中国持续完善生成式AI管理办法，明确大模型备案、数据合规、内容审核等硬性要求；美国则通过行政令和行业规范，对大模型训练、数据采集、AI垄断行为展开针对性监管。此外，各国围绕AI跨境数据传输、AI生成内容版权、AI就业替代风险等的专项规则也在持续落地。

监管的全面收紧，直接抬高了行业的准入门槛。对于中小AI企业而言，合规成本骤增意味着生存压力加大；对于头部科技巨头而言，监管约束使其产品发布周期拉长、全球化部署策略被迫调整。监管并非要阻碍AI的商业化进程，但将改变游戏规则。

第二重暗礁：资本扩张的可持续性，成本与效益的审视

今年上半年AI产业估值的爆发，明显侧重于上游产业链。下游大模型及应用等面向终端用户的科技巨头，斥巨资进行算力搭建、模型训练、数据中心建设、技术研发，是推动上游产业链业绩向好进而估值飙升的重要支撑。同理，如果这些科技巨头，以及主权实体降低对AI的投资，或是减缓对AI的投资，这一估值逻辑将会动摇。

在审视AI投资的时候，主要衡量两点：投资回报率和其投资的能力。对AI的投资已经进行了数年时间，能够产生的效果也初见端倪，当前对AI产业链的评估多少带有AI的变现预期，从上游产业链最近被追高的速度与体量来看，当前市场对于AI投资的预期非常乐观。一旦AI发展不如预期，AI投资进度放缓，投入金额也缩量，上游产业的整体市场价值将会收缩。

接下来的6月财季业绩，将成为预判AI资本开支走向的重要风向标。谷歌（GOOG.US）、微软（MSFT.US）、亚马逊（AMZN.US）、Meta（META.US）等海外科技巨头，以及国内头部互联网企业如腾讯（00700.HK）、阿里巴巴（09988.HK）等，都会被置于放大镜下细细观察，它们对于AI投资的展望，AI的发展进度，AI应用如何融入其生态服务中，都将面临更为严苛的审视。如果巨头们的AI业务不及预期，兑现正向现金流的可预见性并不高，算力投入、研发投入、基建投入的性价比并没有改善，势必会主动削减后续资本开支，直接导致AI产业链上游需求萎缩。

与此同时，这些企业现有业务的表现以及现金流情况，也会直接影响到未来的AI投资。其核心业务的利润和现金流，是这些科技巨头长期加码科技赛道、布局AI的底气。

但是AI技术的快速渗透，正在持续颠覆传统产业格局。谷歌的广告业务、亚马逊的电商零售、微软的Office套件、Meta的社交媒体广告……才是科技巨头资本开支的真正来源。然而，AI对传统产业的颠覆，正在反噬自己的“金主”。

以广告行业为例，生成式AI让内容创作变得极其廉价，大量AI生成的劣质信息充斥平台，广告位的真实触达率下降，品牌方开始质疑数字广告的性价比。与此同时，AI搜索正在蚕食传统搜索引擎的广告份额——当用户可以直接从大模型获得答案，谁还愿意点击那些“赞助商链接”？

更重要的是，这些科技巨头的核心服务能产生收益，都依赖于用户的支付能力和消费需求。被AI替代的人力资源因为收入减少而降低消费，最终会反馈到这些科技巨头身上，导致依赖传统产业获利的巨头们收益大幅下滑。在自身营收承压之下，资本方自然也无力支撑AI赛道动辄千亿级的年度资本开支。

第三重暗礁：AI商业化“叫好不叫座”

AI浪潮能否持续，最终取决于一个朴素的问题：它到底能不能赚钱？

大模型作为AI产业链最核心的变现前端，是检验行业商业化能力的核心标尺。目前，国内智谱、百度（09888.HK）文心一言、阿里通义千问，海外GPT系列、Claude等主流大模型，均面临相似的困境：单次训练成本高达数千万乃至上亿美元，日常推理算力消耗、数据迭代、运维成本持续走高，但变现模式却高度集中于API调用、企业定制服务、会员订阅三条路径。

更关键的是，多数企业引入AI后，难以在短期内量化其经济回报。就个人用户而言，对月费的承受力有限，转化率普遍偏低；而企业客户虽然预算更充裕，但高预算也意味着高回报，往往希望能加快将AI的投入从“成本项”转为“收入项”，短期内或难以企及。

与此同时，大模型推理成本正高速下降，这既是福音也是诅咒：低成本让更多应用场景变得可行，但也让大模型企业的定价权被持续削弱，增加其商业化难度。

第四重暗礁：加息周期让AI投资变得昂贵

AI产业的高速扩张，离不开全球低利率环境的滋养。过去数年，全球宽松的货币政策，让科技企业能以极低的成本发债、贷款、融资，肆无忌惮地加码AI算力建设和技术研发。但随着全球主要央行进入加息周期，宽松红利终结，这将令AI全产业链的投资与融资成本上升，对AI项目的回报要求也会大幅提高。

当前，全球债市持续承压，发达国家财政赤字高企，推动国债收益率持续飙升，市场整体融资利率全面上行。与此同时，谷歌、亚马逊、Meta等科技巨头为持续布局AI，大规模发债募资，或进一步推高市场利率。对于AI企业而言，融资成本上升意味着每一笔算力投入、研发投入、基建投入的回报要求也会更高，投资者在审视这些项目的时候，也会更加严苛。

第五重暗礁：产能过剩的隐忧

在狂热的投资期，巨头们往往容易陷入“规模崇拜”，却忽视了供需规律。存储芯片、算力芯片、光模块、服务器等核心赛道，迎来了万亿级别的产能投入，而这种盲目扩产，正在催生严重的供需失衡危机，有可能成为阻碍行业持续上行的重要因素。

以存储芯片为例，巨头们逾万亿美元的投入，极有可能在数年后演变成一场严重的产能过剩。当市场上充斥着同质化的大模型和过剩的硬件时，价格战在所难免，利润空间将被极度压缩。

第六重暗礁：就业替代引发的“经济反噬”

AI技术的普及，正在从替代重复性劳动，进阶到替代中高端脑力劳动，引发大规模就业重构。此前大众普遍认为AI只会替代流水线工人、基础服务人员，但如今，代码生成模型可以替代初级、中级码农完成编程工作，AI办公工具可以替代文案、运营、财务、基础法务等岗位工作，大科技企业批量裁员已成常态，大量高薪脑力岗位被AI替代。

这种就业替代并非个体现象，而是群体性、行业性的结构变革。被替代的职场人群，大多背负房贷、消费信贷、家庭养老育儿等刚性支出，大规模失业意味着收入断层，直接引发一系列经济连锁反应：居民收入下降导致消费收缩、房贷断供风险攀升、信贷违约率持续上升，进而压制楼市、消费市场活力，催生局部通缩压力。

从产业链传导来看，下游消费市场的持续疲软，会逐步向上传导至实体产业、科技产业，各行各业的企业盈利承压，都会更谨慎地权衡AI投入的性价比，不再盲目跟风加码AI布局。而整体经济的通缩压力，还会倒逼全球货币政策被动调整，进一步影响资本市场流动性，从底层制约AI产业的持续扩张。

物理的极限与抽象的壁垒

除了经济和社会的制约，AI自身也面临着难以逾越的物理与认知天花板。

首先是物理基础设施的刚性瓶颈。大模型的训练和推理是名副其实的“电老虎”，预计到2030年，全球数据中心耗电量将翻倍。未来的制约因素可能不再是芯片供应，而是为其供电的吉瓦级电力。

此外，AI的虚拟仿真与真实物质世界存在不可消除的鸿沟。数字模型只能拟合相关性，无法完整复刻热形变、材料应力等物理因果。在容错率极低的制造、航空等领域，AI的“幻觉”可能带来致命风险。

在认知层面，当前的AI系统本质上仍只是在人类的认知框架内工作，复述文字规律，却缺乏对现实世界因果逻辑的理解，更无法像人类那样通过与物理世界的交互去发明新概念和创造新的东西。如果没有源源不断的新鲜真实数据，模型参数再扩大，也可能陷入重复拟合的死胡同。

启示：从狂热回归敬畏

阻挡AI浪潮的，从来不是单一的技术瓶颈，而是一张由监管、资本、经济、社会、物理和认知交织而成的巨网。这给我们带来了深刻的启示：技术革命的关键拐点，往往不是技术增强的时刻，而是社会和企业终于找到与新技术相匹配的新组织形态。

蒸汽机发明半个多世纪后，工厂制度才真正释放了它的生产力；电力问世数十年后，流水线才彻底改变了制造业。AI亦是如此——它的真正拐点，或许不在算力突破的那一天，而在我们终于学会如何组织人才、重构流程、设计激励机制，让AI与人类各司其职、协同进化的那一天。

监管要跟上、资本要算账、商业模式要验证、就业要转型、物理瓶颈要突破——这些都不是一蹴而就的事。但正是这些“阻力”，才让AI的发展从躁动归于沉稳，从投机回归价值。