作者：Howard Marks，橡树资本

编译：深潮 TechFlow

深潮导读：在 AI 算力竞赛与资本开支狂飙的当下，橡树资本联席创始人 Howard Marks 于 11 月 11 日发布最新备忘录，围绕技术黑箱、商业护城河与信贷杠杆风险提出 11 个核心之问，全面拆解这场变革背后的深层不确定性。

结合 Claude 对行业可预测性的打分，Howard Marks 指出前沿实验室前景最难判断，而每年 $1 万亿级别的资本投入能否回本目前仍高度依赖信仰。尽管如此，投资者仍须在不确定性中保持谦逊并积极参与。

我们应当投资人工智能吗？我们又能否以明智的方式进行投资？这正是我在这篇备忘录中要探讨的问题。

一方面，我并非科技行业出身，也绝不敢自称对人工智能（或科技投资）拥有超越常人的认知。

但另一方面，AI 是我们这个时代最重大的进展，甚至可能成为人类史上最具颠覆性的事物之一，因此投资者根本没有置身事外的余地。

基于这一前提声明，我将分享自己的思考过程，列出目前正反复推敲的问题（并非所有问题都与 AI 投资直接相关），并给出我的判断。

尽管有限的知识储备让我无法给出斩钉截铁的答案，但我希望能把这些问题集中梳理在一处，为读者提供一些参考。

眼下关于 AI 的消息铺天盖地，AI 及周边概念公司的证券价格剧烈波动，但我无意逐日追逐这些短期起伏，因为我想探讨的是 AI 的长期前景，而非明天的证券价格。

投资归根结底只有一件事：配置资本以从未来事件中获益，而绝大多数投资者赖以应对的手段便是预测。然而，并非所有事物都同样具有可预测性，也并非所有预测者都具备同等水准。

因此，基于对未来的预期来投资 AI（而这恰恰是我们唯一能依赖的依据），我们必须同时考量两件事：我们认为未来可能如何演进，以及我们猜对的概率究竟有多大。

我过去曾撰文指出，自上而下开展投资的人，必须同时看对宏观经济、所属行业、具体公司以及市场走势的前景。

假设各项结果相互独立，即便你在每个维度上都有 60% 的准确率（这已经相当乐观），四项全部判断正确的综合概率也只有 13%（0.6 的 4 次方）。

具体到 AI 领域，关键变量的数量异常庞大，每一个变量都让如何投资的决策变得更加复杂。

AI 投资者必须对技术演进路径、算力需求、竞争格局、技术红利归属、融资可得性以及上述所有环节的时间节点，至少做到大体判断准确。

在我看来，评估这些核心要素难度极高。果真如此，任何单一投资论点最终全部成立的联合概率又有多少？阅读下文时，不妨将这个问题记在心里。

最后，请牢记三点：（a）我们对任何投资都不可能无所不知；（b）最大的失误往往发生在人们自以为无所不知之时；（c）对未来认知的不完备，不能成为我们完全放弃行动的借口。

承担风险以追求利润正是投资者的天职，至于承担多少风险以及采取何种形式，则因人而异。鉴于 AI 蕴含的巨大潜力，我们绝不能仅仅因为前景尚不明朗就拒绝参与其中。

问题一：AI 是如何运作的？

在探讨更具体的细节之前，我想先从一个自己颇感兴趣的宏观非金融问题切入。由于我对此一窍不通，便向 Anthropic 旗下的大模型 Claude 请教，以下是它的部分回答：

我们几乎完全掌握 AI 的构成以及它是如何被建造出来的，但令人惊讶的是，我们对它究竟是如何实现其功能的却知之甚少……

我们也清楚它的训练配方：向它展示海量的文本，让它预测下一个词，每当它猜错时，就对数十亿个内部参数做微小的调整，并将这一过程重复数万亿次……

没有任何人编写过教它如何回答问题的明确规则。这些规则是在参数微调中自然涌现的，分散在数十亿个单独来看毫无意义的数字之中。

对此我所知道的最佳表述是：这些系统是“生长”出来的，而非被“设计”出来的。“可解释性”领域的研究人员正在取得实质进展，例如他们发现模型在创作押韵诗歌时，会先选定韵脚词再写前面那行，说明它确实具备提前规划能力。

但研究者目前依然只能解释模型内部运作的一小部分片段。这就像手里握有市场每一笔交易的完整记录，却依然搞不清楚价格究竟为什么波动……

研究表明，当我解释自己如何得出某个答案时，我的解释未必与模型内部真实发生的计算过程一致。一个被问到如何算出加法题的模型，可能会复述教科书上的标准步骤，但其内部实际采用的却是一种完全不同的方法。

因此，最坦诚的总结是：我们造出了一个类人脑的存在，我们可以完整检视它的每一处细节，却依然无法彻底解释它。而当它解释自身行为时，其可靠性恐怕并不比人类自我解释时高出多少（有趣的是，Claude 在这里简直像一个人在说话）……

在你思考如何回答以下问题之前，不妨先琢磨这几个问题：真的有人彻底理解 AI 的运作原理吗？AI 将如何演进，何时能具备何种能力？用户又将如何将其投入实际工作，以及它对用户盈利能力有何影响？

投资者或许无需洞悉上述所有细节，但据我所知，真正对这些问题拥有深刻洞察的人可谓寥寥无几。既然如此，又有谁能给出可靠答案呢？

问题二：AI 未来能做到什么？

AI 最擅长的就是不断进化。就在几年前，人们对 AI 能力的普遍概括还是：掌握过往发生的一切、识别历史规律、进行外推延伸，并借此完成任务。

这种能力已在编程等部分领域引发巨变，并有望重塑当今生活的诸多方面。而如今，AI 已远远超越了这一阶段，迈向了或许可以公正地称之为“推理（Reasoning）”的新境界。

单是这一领域的变化，便抛出了几个既令人振奋又令人生畏的难题。AI 的全部潜能究竟如何释放，很大程度上取决于下列问题的答案：

• AI 的运行过程能否被校准为体现人类的偏好、价值观与目标，还是会转而奉行它自己的目标？
• 我们能否信赖 AI 做到诚实、谦逊、合乎道德且忠诚？它是会保持准确客观，还是容易受外部影响与操纵？当它犯错或不知答案时，会坦率承认吗？它带给我们的是独立审慎的质疑，还是一味迎合的阿谀奉承？它是否会演变为人类的威胁，试图追逐自身利益而非人类利益？
• 在创造力、原创性、审美、主观判断以及直觉等领域，AI 会有何表现？它能否掌握我所谓的“第二层次思维”（即以不同于大众且更高维的视角思考），从而得出更卓越的解决方案？
• 它能否像人类一样思考未来，展开天马行空的“蓝海式”畅想？
• 能否要求 AI 严格提供一手原始信源（而非仅依赖公开二手引文），并主动给出反面论据？
• 未来是单一模型就能包打天下，还是不同模型各有所长？如果是后者，我们又该如何判断该选用哪一个？
• 通用人工智能（AGI，即具备人类所能做到的一切事物的能力）会成为衡量标准吗？所谓 AGI，究竟是指达到（a）普通人的水平、（b）处于前 10% 分位人群的水平，还是（c）全球最聪明之人的水平？换句话说，AI 的知识储备是否也存在高低层级之分，依然有它不知道的事情？

所有这些问题的答案，都将直接决定人类究竟会把哪些工作托付给 AI。

问题三：究竟谁能从中获利？

正如 Warren Buffett 在互联网泡沫时期指出的那样，具有变革意义的技术未必一定会回报投资者。我们知道 AI 会提升效率，但它会提升盈利能力吗？又会提升谁的盈利能力？

倘若多家 AI 模型在某一特定领域都能变得同样聪明，它们的服务是否会沦为只能靠打价格战竞争的同质化大宗商品？果真如此，利润率与投资回报率（ROI）是否会被不断磨平，从而使经济红利更多流向 AI 使用者，而非技术供应商？

如果行业演变果真走向这一局面，那么对于目前投入 AI 基础设施建设的数万亿美元巨资而言，其最终回报率又意味着什么？

或者换一个角度来看，部分 AI 公司是否会掌握独特能力，进而形成垄断格局，令其产品成为各家企业取得成功乃至生存的必需品？果真如此，试想它们届时将拥有多么惊人的定价权。

（眼下英伟达与台积电等芯片制造巨头正在斩获丰厚利润，这恰恰印证了稳固竞争壁垒所蕴含的巨大价值。）

最后关于这一话题，我很少听到人们讨论是否以及如何对 AI 征税。考虑到 AI 最有可能产生的影响之一就是取代人类员工，而各国政府又必须填补因劳动者失业所流失的税收缺口，凭什么认为 AI 不会被像人类一样征税呢？

如今许多高收入人群的综合税率高达 50% 甚至更高。试问，未来的 AI 又将被划入哪一档税率区间？

问题四：未来的竞争格局将会如何？

我们能否预知究竟哪几家公司会最终胜出？这种判断的确定性又有几分？当今行业领军者身旁的护城河究竟有多深？

或许 AI 最令人震惊的特质，便是它突飞猛进的发展速度。顺着这一思路，令我深感触动的是：如今声名显赫的顶尖大模型实验室 OpenAI 与 Anthropic，就在短短几年前对我们大多数人而言还籍籍无名。

如果在 AI 世界里，一家公司能够以如此惊人的速度异军突起，那么它们是否也同样可能被后来者取而代之，或至少面临严峻挑战？

如果答案是肯定的，不妨审视一下所谓“超大规模云厂商（Hyperscalers）”手握的庞大资源与潜力，包括亚马逊、微软、Alphabet、Meta 与甲骨文。在这批现有巨头中谁会笑到最后？抑或是某家我们从未听闻的公司，甚至是一家此刻尚未诞生的公司？

回想 20 至 25 年前，当时的科技巨头能否在今天依然稳居霸主地位？微软、亚马逊、苹果和谷歌穿越那个时代成为赢家，但 Napster、雅虎和网景（Netscape）却纷纷掉队出局。

在日新月异的技术浪潮中守住领先优势绝非易事。叠加上 AI 本身的新颖特质与极速演进节奏，我们不禁要问：“五年或十年之后，今日的 AI 领跑者依然稳坐头把交椅的概率有多大？”

如果竞争格局真如我所担心的那样随时可能剧变，那么持有当今领军企业的股权究竟值多少钱？

问题五：这些公司究竟能有多赚钱？

价值投资者的基本逻辑，是估算一家公司未来的盈利或现金流，将其折现至当下，再与当前的股票价格作对比。为了预测未来盈利，我们需要回答以下问题：

• 这家公司将售出多少单位的产品？
• 每单位产品的售价将是多少？
• 生产每单位产品的成本又是多少？
• 所获利润中有多少必须重新投入下一代产品的研发？
• 这家公司最终能实现怎样的投资回报率？

尽管针对任何企业回答这些问题都免不了面对不确定性，但在 AI 领域推演这些问题，还会引入诸多格外棘手的新考量：

• 它的产品究竟能具备哪些能力，客户又会如何将其落地应用？
• 该产品最终会被当成大宗商品定价，还是成为不可替代的刚需核心品？
• 芯片的实际使用寿命有多久，数据中心的折旧费用又需要以多快的速度计提摊销？
• 当下这场不计代价的狂飙突进式烧钱竞赛还将持续多久？
• 未来赚取的利润是否足以支撑起当下巨额资本开支（Capex）的体面回报？

我的记忆或许有偏差，但我实在想不起在 1970 年代研究多元化综合企业集团时，或者在 1999 至 2000 年审视互联网与电子商务浪潮时，曾面对过如此量级的不确定性难题。

当年的那些商业模式尽管在彼时看来既新颖又复杂，但与今天的 AI 相比，简直显得简单明了、一目了然。

因此我不禁疑问：我们真的能准确预测当今超大规模云厂商与顶尖前沿实验室在 2030 年的盈利吗（更不用说那些眼下几乎全凭想象支撑的公司）？我们必须能够相对精准地预测盈利，才能出手投资吗？

即便我们勉强算出一套盈利预测，自己又该对这组数字抱有多大信心？而如果我们根本算不准，又该如何构建投资 AI 公司的决策逻辑？

我如今常提出这样一个测试：不妨告诉我，你认为某家特定 AI 公司五年后的每股收益（EPS）会是多少。你敢打赌最终的实际结果会落在你预测数字的上下 50% 区间之内吗？

（打个比方，如果你猜五年后每股收益是 $10，你有多大把握相信届时的实际数字会落在 $5 至 $15 之间？）

问题六：数据中心的未来前景如何？

从历史沿革来看，数据中心曾是用于存储数据、托管计算机应用与网站的数字仓库。如今，“数据中心”（或者被称为“AI 工厂”）的涵义已经演变为 AI 的作业车间。

好比汽车制造工厂，数据中心正是生产 AI 的基地，职责涵盖信息存储、模型训练，直至向外界提供系统算力运行时间（即所谓的“算力（Compute）”）。

数据中心无疑是 AI 产业发展的核心基石。然而，数据中心的建设以及由此提供的算力供给，正面临着来自物理层面及其他维度的重重制约。

尽管 AI 的前景令人振奋，部分投资者或许更倾向于以审慎稳健的方式参与其中。这促使大家将目光投向实体基础设施，而非新兴技术的直接开发商与供应商，这类似于在淘金热中给矿工卖铲子与镐头，而非去猜哪位矿工能挖到金矿。

从理论上讲，这种策略降低了押中最终赢家的重要性，因为无论最后谁胜出，都依然离不开底层基础设施的支撑。眼下算力供不应求，更进一步提升了数据中心的投资吸引力。

尽管如此，投资者在布局数据中心时仍必须充分考量以下一系列关键因素：

• 一提到“基础设施”，人们脑海里往往浮现出“钢筋水泥”的稳固意象，正是这种实体感让数据中心看似成了最安全的 AI 投资选项。然而在数据中心的总造价中，建筑物本身（即所谓的“外壳（Shell）”）只占极小一部分；芯片或“GPU”才是成本大头，而芯片采购及技术过时风险通常主要由数据中心租户而非业主承担。
• 项目开发商必须搜寻并购置大面积建设用地，同时还要突破重重监管审批障碍，并应对当地民众反对在自家后院兴建数据中心的抵制情绪。
• 必须具备现成的光纤网络，以确保推理端用户能够顺畅接入。
• 数据中心建设方还必须应对在所需电力供应、冷却设备以及施工建设服务等方面可能遭遇的供应瓶颈。
• 数据中心项目融资的可得性受限，可能会拖慢整体建设节奏，而未来项目面临的融资成本也可能会出乎市场预料。

有趣的是，上述潜在瓶颈固然会给有志兴建数据中心的开发商增添麻烦、限制其扩张步伐，但凡事皆有两面。

任何对“算力”供给增速的限制（例如上周多项暂停新建数据中心的禁令接连通过所释放的信号），反而应当会让现有的数据中心以及未来有幸获批建成的设施变得更加有利可图，从而身价倍增。

关键在于，数据中心绝不是稳赚不赔的“空篮上篮（Layup）”。明智的投资者必须寻找那些能够有效隔离上述不确定性、且不会遭遇过度建设与算力供过于求冲击的投资机会。

与所有投资领域一样，数据中心赛道同样会出现大获全胜的投资者和折戟沉沙的失意者。鉴于 AI 行业的独特运转逻辑，我认为赢家的辉煌与输家的惨淡之间的分化，甚至可能比传统“基础设施”行业更加悬殊。

问题七：我们是否该担忧市场对该行业的过度依赖？

当下，AI 主导了整个投资环境当中极不成比例的份额，这不仅给 AI 投资者带来挑战，也为所有投资者乃至全体经济参与者引入了相当大的不确定性：

• AI 行业在美国经济总量中仅占很小比例，却贡献了不成比例的经济增长份额。
• 目前 AI 对 GDP 增长的贡献几乎全部来自资本开支，主要集中在数据中心建设。数据中心建设投资正在迅猛飙升，而美国其他领域的建筑投资却处于萎缩状态。
• 截至今年 6 月 30 日，以超大规模云厂商为主力的“美股七巨头（Magnificent 7）”的盈利增速已经连续 14 个季度跑赢标普 500 指数的其余成分股。
• 部分 AI 企业因对同行 AI 相关公司进行股权投资而录得巨额账面收益，成为推动标普 500 整体盈利增长的头号功臣。据 FactSet 统计，Alphabet 与亚马逊仅在今年第二季度便录得合计 $1510 亿的股权投资收益，主要来自对 Anthropic 和 SpaceX（现已合并 xAI）的持股。
• AI 对全社会总盈利的拉动效应并未止步于本行业内部。相关零部件供应商同样交出了亮眼财报；与此同时，AI 从业人员及相关配套产业员工将薪酬用于支付房租、购买食品、汽车等与 AI 毫不相干的日常消费，进一步产生了广泛的涟漪外溢效应。
• AI 对美股涨幅的贡献同样高度集中。据摩根大通（J.P. Morgan）测算，自 2024 年 1 月以来，一组由 42 家 AI 相关公司构成的板块贡献了标普 500 指数约三分之二的涨幅。
• 这一系列趋势叠加的结果，使得标普 500 指数如今高度集中在少数几家 AI 与科技巨头手中。

这里的核心观察是：当今我们的经济与资本市场所依赖的驱动因子显得相当单一且缺乏分散度。AI 风险敞口已化作一条异常强劲的“地质断层线”，贯穿于各类投资组合之中，甚至具备主导整个投资环境方方面面的能量。

一旦围绕芯片使用寿命、企业战略转型或算力真实需求传出任何负面动向，都可能引发极其深远的连锁反应。

毋庸置疑，过度依赖单一产业板块，会让整体经济与股票市场变得比多点支撑格局下更加脆弱。

1977 至 1978 年间，Michael Milken 开创性地推动非投资级债券（高收益债）发行时，在整个投资界建立起一项共识：只要潜在回报足以补偿所承担的风险，市场便愿意拥抱风险。

他的核心理论建立在两大基石之上：（a）通过更高的票息利差来弥补个别债券违约带来的损失；（b）具备足够充分的分散化配置，确保少数违约事件不至于拖垮整个投资组合的表现。

然而放到今天，无论是股票市场还是债券市场，都已高度押注于同一个核心变量之上：AI 究竟能否取得成功。

问题八：这对信贷市场意味着什么？

据高盛（Goldman Sachs）统计，今年迄今为止，全球范围内与 AI 相关的债券发行规模已接近 $6000 亿，涵盖超大规模云厂商发债、数据中心项目融资及其他 AI 关联借款主体。

其中约 $4000 亿涌入了美国投资级（IG）债券市场，占同期投资级债券总发行量的五分之一以上，并将 AI 相关债券在彭博美元投资级企业债指数中的权重推高至约 12%。

而在超大规模云厂商并未直接发债涉足的美国高收益债券市场，AI 相关债券的权重也达到了约 6%。显然，AI 相关债务发行已成为今年资本市场最重大的动态之一。

展望未来，AI 产业在接下来的一段时期内似乎平均每年都需要高达 $1 万亿的新增资本投入，其中每年很可能有数千亿美元继续通过发行债券筹集。

如此庞大的债务融资需求，又将会对市场利率水平产生怎样的冲击？

由于扩充算力产能与研发新产品对超大规模云厂商及前沿实验室而言已是关乎生死存亡的必选项，且它们绝不愿坐视竞争对手趁虚而入，这些企业即便发现利率高于预期，恐怕也无力放缓在 AI 领域的投资步伐。

这意味着，哪怕市场上信贷资金趋紧、融资成本水涨船高，它们也不得不作为被动的资金“价格接受者”硬着头皮继续借钱。

过去，经济学家常讨论“挤出效应（Crowding Out）”，指的是政府大举举债导致私营部门难以筹集所需的债务资金。

但眼下给我的感受却恰好相反：对利率毫不敏感、甘愿付出任何代价融资的超大规模云厂商，其海量举债需求甚至反过来可能推高政府部门必须支付的发债利率。迄今为止我们看到的利率上行，难道不正是部分源于此吗？

同理，在企业自身现金流之外，股票市场每年又是否有能力再额外提供数千亿美元的新增股权投资？过去十年中有八年，美国传统 IPO 市场的募资总额都低于 $500 亿（仅 2020 年接近 $800 亿，2021 年热潮期间达到 $1400 亿）。

我怀疑任何年份市场上可供调动的新增资本总量终归有限；如此一来，AI 对债务资金与股权资金的庞大胃口，最终岂不是会在同一口资金池里相互争夺？

曾几何时，超大规模云厂商旗下高盈利的非 AI 核心业务源源不断地创造出巨额自由现金流，使它们几乎零负债、现金充沛且手握顶级信用评级。

但今时不同往日。如今这些巨头不仅在快速消耗账上现金储备和当期经营现金流，还在不断增加举债规模。尽管眼下凭借雄厚的投资级评级，它们仍能轻松为 AI 扩张融到资金，但随着这场烧钱竞赛持续拉长，它们的信用资质乃至评级本身是否会发生变化？

对于今天信赖其高信用评级而慷慨放贷、随后却眼睁睁看着借款方杠杆率节节攀升的债权人而言，这又可能意味着什么后果？

目前部分数据中心融资得以落地，主要依托于云巨头租户的投资级信用背书，另有一部分债务则是直接以芯片作为抵押品。

然而投资者必须高度警惕部分数据中心租约中暗藏的“解约条款（Out Clauses）”，这类条款允许租户或担保方在特定条件下终止履约义务（例如数据中心未能达到 99.9% 的运行可靠性标准）；同时还要防备芯片抵押品的使用寿命赶不上债务期限的潜在错配风险。

再来看看行业内所谓的“循环交易（Circular Transactions）”，即企业直接出钱资助客户购买自家产品，这又隐藏着什么风险？

我们频频看到芯片制造商、超大规模云厂商、前沿实验室以及数据中心建设方之间相互放贷并进行关联采购。有时资金从 A 流向 B 再回流至 A；有时资金从 A 流向 B，再经融资转手给 C，最终由 C 花回 A 的手里。

试问，这些交易究竟是各方基于公平独立商业原则达成的正常往来，还是供应商为了托举需求、捍卫自家产品市场份额而变相补贴买家？这种高度相互依存的生态网络又潜藏着怎样的系统性风险？

此外，通过特殊目的实体（SPV）将债务保留在资产负债表之外的融资安排，究竟会如何影响超大规模云厂商的真实信用状况？母公司到底是在为这笔表外债务兜底，还是没有兜底？

最后，在围绕激动人心的技术突破而陷入狂热情绪的时期大举举债，究竟会产生怎样的后果？归根结底，我们眼下面临着以下多重因素的叠加共振：

• AI 企业极其庞大的举债融资需求；
• 投资者对 AI 抱有高度亢奋情绪，因而格外慷慨的放贷意愿；
• 如前所述，资本市场对 AI 单一板块的高度集中押注；
• AI 产业链各方参与者之间盘根错节的“循环交易”。

向 AI 行业提供信贷的机构正迈入一个全新时代：债务高度集中于单一产业、行业基本面瞬息万变，且极度依赖未来算力销售收入的兑现程度。

对于自己所支持的借款方信用资质，以及放贷交易本身的结构设计与合同条款，债权人必须保持异乎寻常的高度警惕。

问题九：AI 究竟有多大可预测性？这些问题到底能否解答？

在过往的备忘录以及我的著作《掌握市场周期：让胜率站在你这一边》（Mastering the Market Cycle: Getting the Odds on Your Side）中，我曾多次写到：对于任何试图应对未来的人而言，光有预测本身是远远不够的。

除了做出预测之外，你还必须评估自己预测正确的概率有多高。依我之见，考虑到 AI 技术本身的高度复杂性、史无前例的颠覆性质以及极快的演变速率，人们在这方面做出准确预测的概率可以说是异乎寻常地低。

我本想量化评估 AI 的可预测性，但担心这远远超出了我的能力范围。于是，我请 Claude 帮忙，按 1 分（完全不可知）至 10 分（完全可预测）的标尺对 AI 行业进行打分。

它给出的回答极具启发意义。Claude 结合上文讨论的部分不确定性因素，作出了如下总结（加粗部分为本人标注强调）：

我的总体判断是：整个 AI 行业的可预测性大约打 3 分。这一综合分数掩盖了内部分化。技术演进的“大方向”相对好预测，大约能给到 6 至 7 分：技术将持续迭代进步并渗透至整个经济体系。

但决定投资者能否赚钱的关键因素却远难预测，大约只有 2 分：这一切推进得有多快、最终利润盘子有多大，以及利润究竟归谁所有。

我还请 Claude 对 AI 产业链的各个细分环节分别进行了可预测性打分，并找出非 AI 经济领域中它认为在可预测性上具有可比性的行业。以下是它自称的“主观研判（Judgment Calls）”：

图：AI 细分领域、可预测性评分、可比行业等核心数据对比

最令我意外的是前沿实验室仅得 2 分，在我看来这几乎意味着“实质上不可知”。在我眼中，它们明明都是手握巨大领先优势的卓越公司。

但 Claude 对此的评价却相当冷峻：“这类生意的结局接近二元博弈（非成即败）。资本需求极其庞大，单位能力的定价还在快速下跌，而且究竟是否存在持久的护城河尚不明确。”

（考虑到 Claude 本身就归属于 Anthropic，这番话是不是显得颇具讽刺意味？）耐人寻味的是，按 Claude 评估最缺乏确定性的这些标的，在私募股权市场上却往往享受着极高的估值溢价。

OpenAI 与 Anthropic 目前均已递交 IPO 申请，未来它们在公开市场将如何定价、上市后股价走势又会如何，无疑颇具看点。

另外别忘了，如前文所述在第二季度大幅推高标普 500 指数盈利的巨额股权投资收益，很大一部分正是来自这个被称为“最难预测”的细分赛道；这些账面收益究竟能有多持久呢？

关于可预测性，我还想借此机会谈谈地缘政治，放到 AI 领域里，这通常直接指代“中国因素”。目前几乎所有最尖端芯片均产自中国台湾地区的台积电（TSMC），而美国政府又限制向中国大陆出售最先进芯片，这反而激励中方推出极具价格优势的低成本大模型，冲击性能更强的美国模型销量。

倘若这一格局生变，美国的竞争优势将会面临怎样的冲击？中国自研芯片有朝一日是否会追上乃至超越当今的行业霸主？

中国大陆未来是否会具备阻挠甚至切断台湾芯片对美供应的能力？此外，对于中国战略意图的担忧，又是否会削弱美方为 AI 行业设立安全护栏的监管决心？

显而易见，关于 AI 还有太多投资者未知且无法预测的变量。真正的问题在于：你愿意承担多大风险，又打算以何种形式去承担？

AI 产业链环节众多，依据 Claude 的评估，其可预测性跨度极大：一端是令我们几乎两眼一抹黑的前沿实验室，另一端则是签有稳固长期租约的数据中心及其电力供应商，后者的可预测性大体相当于大型工业企业与受监管的公用事业公司。

问题十：AI 是泡沫吗？

最近几周，围绕上文所述诸多问题的担忧情绪已开始逐渐浮出水面。

宏观投资环境中浮现出多重负面因素的共振，焦点集中在通胀黏性、联邦财政赤字与国债规模、由此引发的利率走高，以及似乎陷入僵局的伊朗战事。在这类宏观逆风之上，又叠加了数项专门针对 AI 的担忧，例如：

• 来自新晋模型的激烈竞争、功能精简但价格低廉的模型、低价的中国大模型，以及可免费下载的开源模型带来的冲击；
• 每“Token”（模型调用计费单位）单价的持续下滑；
• 算力使用量增速出现放缓的可能性；
• 部分公司披露的营收增长不及市场预期；
• 市场对部分企业高企的杠杆水平以及高度依赖未来外部融资的忧虑。

在行情向好时人们往往对疑虑一笑了之，但一旦心态动摇，这些问题便足以令投资者寝食难安。于是我们会再次看到我常说的那句话：现实世界里的局面通常只是在“相当不错”与“不温不火”之间摆动，但在投资者心里，却常常从“完美无瑕”瞬间跌入“毫无希望”。

近来 AI 投资者所忧虑的种种问题其实毫无新意，只是整个宏观投资气候的转冷，足以让这些旧担忧发酵并彻底染暗市场情绪。

尽管这一话题已被各界（包括我自己）争论了一年有余，人们依然在反复追问：AI 到底是不是泡沫？首先，我们需要明确泡沫的定义，我的界定是：非理性繁荣导致鲁莽轻率的行为、过度投资以及过高的入场估值。

我认为，评判 AI 泡沫（正如审视任何围绕技术突破的潜在泡沫一样），至少应从三个维度切入：这项技术本身是否被过度炒作、终将令人失望？企业投入的资本规模是否已然过头、注定难以产生合理回报？投资者是否在此领域承担了过高风险，并为此支付了过于昂贵的价格？

想要在这些议题上得出结论，很大程度上有赖于前文那些问题的答案。自今年 2 月我上一篇探讨 AI 的备忘录发表以来，我觉得以下三点判断并未发生太大改变：

• 我依然认为 AI 本身必将展现强大威力并带来深远影响，从企业运营、宏观经济乃至广泛的人类生活，都将发生我们如今甚至无法想象的变革。因此，技术本身绝非海市蜃楼。
• 眼下外界正围绕“未来究竟需要创造多少营收，才能证明当前巨额资本开支合理”展开激烈探讨。但在我们真正摸清 AI 将如何落地应用、究竟谁能从中赚钱之前，我们根本无法断言企业当下的投钱之举是否明智。
• 而在上述认知足以让我们相对合理地估算出相关企业的未来盈利与基础设施盈利能力之前，我们也同样无法评判当前二级市场股票的买入价格或债券给出的收益率究竟是否划算。

尽管围绕 AI 萦绕着千头万绪的疑问（前文已列举一二），但所有矛盾的核心其实可以浓缩为这样一个颇为复杂的终极之问：

AI 能否为用户提供足够大的实际价值，从而支撑起足够庞大的算力销量与足够高的算力定价，最终让目前投向该领域的数万亿美元巨资获得合意回报（并且这些回报究竟会花落谁家）？

结合我与一众业内资深人士的交流，我得出的结论是：站在此时此刻，要回答这个终极问题，很大程度上只能依靠信仰。这让我想起美国经济学家兼作家 Stuart Chase 的一句名言：

对于相信的人而言，无需任何证明；而对于不相信的人而言，任何证明都是徒劳。

我绞尽脑汁，也实在找不出比这句话更能贴切收束围绕 AI 诸多疑问的注脚了。

问题十一：该如何思考 AI 投资？

在我看来，人工智能是至少一整代人以来对投资者而言最具深远影响、同时却又最难以预测的重大变革。但投资者绝不需要仅仅因为一件事充满不确定性，就对其全盘否定、避而远之。

正确的应对之道绝非陷入瘫痪无所作为，而是做到两点：（a）在策略甄选、仓位配置与风险承担上保持经得起校准的谦逊；（b）即便身处不确定性之中，依然保有果断行动的勇气。

投资 AI 产业链的不同环节，需要解答截然不同的命题。一家前沿实验室的股权投资者，或许必须同时押对技术进步速率、竞争卡位、定价权、未来盈利能力乃至估值水平。

相比之下，基于长期租约为数据中心提供融资的债权人，需要猜对的变量数量可能更少，但真正决定成败的维度却大相径庭，包括租户信用资质、租约合同条款、电力供应保障以及资产残值。

因此，摆在面前的关键追问在于：“在这众多问题之中，究竟哪几个是我或我的机构真正擅长作答的？而在缺乏专业深度的领域，我又愿意主动承担哪些不确定性？”

在其他条件相同的情况下，只要某项投资的买入价格相对于其内在价值足够低廉，高度的不确定性对投资者而言也是完全可以接受的。

至少从理论上来说，如果按 Claude 可预测性打分排名靠后的高风险板块估值足够便宜，大幅低于那些高确定性板块，前者甚至可能具备更佳的投资性价比。归根结底，明智的投资很大程度上就是关于价格的艺术。

不过必须指出，具体到 AI 赛道上，上文探讨的种种棘手难题，正让测算内在价值进而判断“是否便宜”这件事变得异常复杂。

为了将上述思考串联收尾，我留给大家一份或许有助于做出投资决策的核查问题清单。需要说明的是，这些问题其实适用于一切投资标的，而不仅仅是 AI：

• 为了赚取一份可接受的回报，究竟有多少个前提条件必须同时顺利兑现？
• 一旦我的核心假设被证明是错的，我最多可能会亏损多少？
• 在承担的众多风险中，哪些是我真正获得合理对价补偿的，哪些又是我稀里糊涂白白担着的？
• 当前资产价格之中，究竟已经计入了多少乐观预期？
• 这笔投资将如何改变我整体投资组合的风险画像？它是进一步放大了我原有的风险敞口，还是起到了分散对冲的作用？

有句老话用在 AI 投资上显得格外贴切：“有两种投资者会亏掉大钱：一种是什么都不懂的人，另一种是自以为无所不知的人。”我认为在面对 AI 时，坦然承认自己并非无所不知，显得尤为重要。

AI 未来必将带来层出不穷的意外与惊奇，但这些意外未必会令人难以承受。真正值得反复权衡的是：一笔 AI 投资令人失望的概率有多大，而不负众望的概率又有几何？

最后，容我以日前偶然翻到的一段精彩名言作为收尾：

有一种论调认为，近期的未来充满太多未知问号：等到局势稍微明朗一些再动手，难道不是更稳妥吗？你一定对那套陈词滥调耳熟能详：“保留现金买盘储备，静待当下不确定性消除再行布局”云云。

但在抓起这根心理拐杖之前，请先直面两个令人不太舒服的事实：未来永远不会完全明朗；在股票市场上，为了等到众人一致乐观的共识，你往往要付出极其高昂的代价。事实上，不确定性才是长期价值买家的真正朋友。（加粗部分为本人标注强调）

放在一篇探讨 AI 的备忘录结尾，真是再恰当不过了，不是吗？

不过顺带一提，这段话翻自我的陈年老档案：那是 Warren Buffett 早在 1979 年 8 月 6 日发表于《福布斯》（Forbes）杂志上的穿越时空的智慧之言。

我向来乐意把最后的总结陈词留给 Warren。

2026 年 11 月 11 日