2025 年以来，AI 在美国渗透加速，企业加码 AI 相关投资，对美国经济增长产生重要支撑。 2025 年以来，AI 在美国渗透加速：美国企业使用 AI 的比率快速上升至 10%附近，而 Ramp AI index 所指示的企业 AI 付费的比率也在 2025 年快速回升，特别是信息技术、 金融等行业；而根据 2025 年 4 月 Menlo Ventures 与 Morning Consult 的调查1，61%的美 国成年人在过去六个月中使用过人工智能，近五分之一的人每天都使用; OpenAI 的月度访 问量持续增长，9 月接近 60 亿次。此外，互联网巨头资本开支大幅上升。脸书、 微软、谷歌、亚马逊等美国超大规模运营商（Hyperscaler）2025 年资本开支进一步上升， 指引显示年度总规模超过 3000 亿美元。AI 相关投资对 2025 年上半年美国经济增长的贡献 达到 1 个百分点左右，缓冲了关税、驱逐移民等冲击的影响。2025 年上半年美国 AI 相关投资季比折年增速连 续两个季度达到 30%以上，而其他投资则因为不确定性等因素而整体偏弱。企业 AI 相关资本开支还拉动数据中心以及电力投资的大幅增长。
伴随着 AI 相关企业市值的大幅增长以及 AI 企业之间的循环投资，对 AI 存在泡沫的担忧明 显上升。从 google 搜索指数来看，6 月以来 AI 泡沫（AI bubble）的搜索量创历史记录；10 月的全球基金经理调查显示，认为 AI 股票处于泡沫中的占比上升到 54%。即使是处于人工智能热潮核心的人也发出警示：亚马逊执行董事长贝索斯认为2，目前 的 AI 投资潮可被视为一种“工业泡沫”，区别于 2008 年银行信贷失控引发的金融泡沫；泡 沫破灭后，虽然有很多公司会失败、资本会损耗，但基础设施、技术积累和赢家将为社会 带来“巨大”利益。OpenAI 首席执行官奥特曼（Altman）表示3，AI 整体来看对于经济是巨 大的利好，但是投资者目前对于 AI 可能过度兴奋（over-excited about AI）；一些初创公司 被给予巨额估值；一些企业会有巨大盈利，但一些企业会有巨额亏损。但是，也有较多投 资者认为当前与互联网泡沫时期不同，企业资产负债表更健康，企业盈利也更好。例如， 联储主席鲍威尔在 10 月 FOMC 上也表示，与互联网泡沫时期不同，如今的 AI 巨头拥有截 然不同的收入、商业模式和利润；摩根大通首席执行官 Dimon 表示4，虽然部分项目可能泡 沫化，但整体 AI 领域并不是一个泡沫5。具体来看，对 AI 是否存在泡沫主要存在以下争议：
争议一：AI 的技术价值是否被高估？2025 年以来，AI 相关企业市值大幅增长，截至 10 月 31 日，累计增加 4.9 万亿美元，而未上市公司市值在过去 12 个月也增加 1 万亿美元。但直接来自 AI 的收入远不及市值的增加。例如 OpenAI 当前的年化收入仅为 130 亿美元（估值为 5000 亿美元）。AI 相关企业高估值的背后支撑因素是 AI 的潜力以及未来的 商业化前景，但乐观派和悲观派在 AI 技术价值上存在分歧。
乐观派认为，AI 的长期价值巨大，它不仅是一场技术创新，更是一场深层次的生产力 革命，能够像蒸汽机、电力和互联网一样重塑经济结构，带来前所未有的财富与效率 提升。贝索斯和奥特曼虽然都坦言目前 AI 市场出现了过热和阶段性泡沫的迹象，但他 们同时强调，这种短期波动并不改变 AI 的长期发展趋势与宏观价值前景。从企业层面 看，AI 正在成为核心生产工具和竞争力的放大器，麦肯锡报告6指出，AI 可帮助企业 运营效率提升 20%-40%，每年提振劳动生产率 0.2%-3.3%，为全球经济贡献 2.6 万 亿至 4.4 万亿美元 的新增价值。
悲观派认为，AI 技术尚未成熟，商业化前景仍存重大不确定性。据 Gartner 公司称7， 用于采购的生成式人工智能 (GenAI) 已进入幻灭低谷。从技术层面看，当前的大规模 语言模型（LLM）虽在文本生成、代码辅助、语义理解等方面取得突破，但仍面临“幻 觉”（hallucination）问题—即输出虚假或错误信息；缩放定律（Scaling Law）8虽然 尚未达到缩放定律的硬性极限，但正面临着日益严峻的瓶颈和挑战9；AI 在 PlanBench 等需要多步推理和复杂“规划”时依然表现不佳，在精度至关重要的领域里，人工智 能的有效性依然存在局限10；通用人工智能（AGI）仍停留在理论和实验阶段，至少在 可预见的数年内难以落地。从应用角度看，麦肯锡指出，八成的企业认为 AI 应用没有 带来显著的影响11；麻省理工学院（MIT Sloan）的研究显示，95%使用 AI 的企业表示， 尚未观察到可量化的生产率提升；来自苹果公司的 Parshin Shojaee 等发布的研究指 出，当前的大语言模型在处理复杂、多步骤推理任务时会出现系统性崩溃，说明仅靠 扩大规模已无法提升 AI 的真实推理能力12。从商业前景看，AI 能否带来足够收入存在 较大不确定性。虽然 AI 带来的收入增长迅速，但当前的收入规模远低于数千亿美元的 相关资本支出。以 OpenAI 为例，OpenAI 当前活跃用户达到 8 亿，但是订阅用户仅占 5%，用户使用量和用户数量之间存在较大差距13。
争议二：AI 投资规模是否过大。2025 年以来，全球资本以前所未有的规模涌入 AI 领域， 2025 年上半年 AI 融资额已经超过 2024 年全年，而 OpenAI 近期与一系列机构达成的交易， 涉及投资规模超过 1 万亿美元14。市场对于当前 AI 投资规模是否过大存在明显分歧。
乐观派认为，当前 AI 投资规模合理，基本面有稳固支撑。根据我们的计算15，2025 年上半年 AI 投资占美国 GDP 的 1%左右，仍低于历史上几次重大技术变革 时期的投资狂热。例如，19 世纪英国铁路狂热时期，相关投资占 GDP 的比重曾达到 6-7%；而在 20 世纪 90 年代末的互联网泡沫（Dot-com Bubble）顶峰，科 技投资占 GDP 的比重也达到了约 2%。此外，从微观财务来看，本轮 AI 投资的主力 军是微软、谷歌、亚马逊和 Meta 等美国科技巨头，这些巨头资产负债表较为稳健，盈 利能力较强，这与互联网泡沫时期大量依赖风险投资和高杠杆债务的初创公司不同。 例如，上述美国科技巨头当前的资本支出占收入的比率显著低于互联网泡沫时期。
悲观派认为，AI 投资规模空前，存在严重的资源与回报错配风险。从绝对值来看，当 前的 AI 投资规模是空前的。根据 PitchBook 数据，2024 年全球风险投资在 AI 领域的 投入总额就已超过 2000 亿美元，即使考虑通胀以后，也仍然远高于互联网泡沫时期。往前看，AI 收入与投资之间的缺口仍将持续，且可能会加大。科技巨头每年 数千亿美元的数据中心投资，其产生的收入可能无法覆盖折旧和资本成本，被批评更 像是一种错失恐惧症（FOMO）驱动的非理性投资。根据 CB Insights 的分析16，2025 年全球领先的 AI 公司（涵盖软件、服务和平台）的年度总收入（annual revenue run rate） 突破 600 亿美元，仍然远低于 AI 相关投入。2025 年全球数据中心投资规模达到 5000 亿美元左右，而麦肯锡估计，2025-2030 年 AI 相关数据中心的总投资将达到 5.2 万亿 美元17。根据贝恩咨询的预测，为支持 AI 相关投资，2030 年 AI 行业需要产生近 2 万 亿美元的年收入，而根据当前趋势推算，届时收入缺口将达到 8000 亿美元。 除了财务风险，AI 投资还可能会面临物理资源瓶颈，特别是电力。根据国际能源署（IEA） 的预测，全球数据中心的耗电量正以高达 18%的年复合增长率（CAGR）飙升，而全 球电网（尤其是在发达国家）的扩容能力年增长率仅为 7%左右。电力瓶颈将推高运营 成本，并可能导致数据中心建设计划放缓甚至搁浅。
争议三：如何看待 AI 企业之间的循环投资？2025 年 AI 产业链上游（芯片）、中游（模型 研发）与下游（算力基础设施）之间出现了愈发紧密的资金与需求双重循环，典型案例包 括英伟达（NVIDIA）、OpenAI 以及甲骨文（Oracle）之间的交叉投资与订单绑定模式18。这种现象让人联想到北电（Nortel）、朗讯（Lucent）和思科（Cisco）在互联网泡 沫时期与初创互联网公司之间的循环投资模式19。这种资金流与业务流的闭环在短期内推动 了 AI 基础设施的快速扩张，但也引发了对“循环投资”可能形成金融泡沫的争议。
乐观派认为，上述循环投资是产业协同下的健康繁荣，而非泡沫化循环。与互联网泡 沫的“hope-and-hype”（空想与炒作）不同，当下 AI 头部企业资金与业务的交叉绑定 代表了 AI 产业链的战略性互补与协同升级：生成式 AI 模型的训练与部署对算力需求 大幅超出全球高性能 GPU 的供给；芯片企业、模型公司与云厂商的绑定能够优化资源 配置，形成模型研发、硬件供给与算力管理的一体化体系，提高整体创新效率。
悲观派认为，这是典型的“金融自吞尾蛇”，潜藏系统性风险。悲观派指出，上述循环 投资中，资金在 AI 体系内部循环流动，“投资换订单”制造增长假象，掩盖真实需求 的放缓，在财务上构成“循环融资”（circular financing）。上述循环融资导致需求被夸 大、估值虚高、且容易形成系统性风险传染。因此，悲观派将其比喻为“金融自吞尾 蛇”：资本自我循环、反复放大，若 AI 商业变现未能在短期内兑现，整个产业链可能 出现“多米诺式”调整。例如，OpenAI 当前收入仅为 130 亿美元/年，但其长期支出 承诺已达数千亿美。
AI 可能是一种通用技术（GPT），虽然有潜力显著提振劳动生产率，但可能仍需要较长时 间。根据我们此前的研究，AI 可能是一种通用技术20（General Purpose Technologies，GPTs），类似于电 力和信息技术，有明显提振美国劳动生产率的潜力。历史经验显示，新 技术从诞生到明显提振劳动生产率存在较长时滞。新技术需要时间才能够在社会中广泛扩 散和应用，同时原有的组织形式也需要一定程度变革。例如，电力革命开始于 1890 年代21， 但劳动生产率加速发生在 30 年后的 1920 年代（David, 1990）22。类似的，计算机最早于 1943 年问世23，但即使在 1980 年代计算机已经普遍开始使用后，宏观上仍然看不到其对劳 动生产率的明显影响。著名经济学家索罗在 1987 年提出“生产率悖论”：我们到处都看得见 计算机，除了生产率统计中24。直到 1995 年，美国劳动生产率数据25才开始出现明显上行。 参考此前的经验，Helpman and Trajtenberg（1994）提出通用技术对经济增长的影响可以 分为播种和收获两个阶段，两者可能间隔数十年，而电力革命和信息技术革命均符合这一 特征。AI 在社会中渗透的速度要超过其他技术，但我们预计显著提振劳动生产 率仍需要较长时间才能显现。过去一百多年的历史显示，不同技术从发明到在社会中逐渐 普及的速度在加快，例如汽车（1880 年代发明）普及率达到 50%花费了 40 年 左右的时间，而互联网（1990 年代发明）则只用了 20 年左右，而 ChatGPT 等 AI 应用对 居民硬件和固定投入的要求更低；ChatGPT 诞生 3 年已经被六成的民众使用，10%的企业 使用。但是其对劳动生产率的显著影响仍可能需要较长时间才能显现。AI 虽然经常被视为 “超智能／爆发式变革”，但应当被理解为“常规技术”，与以往科技（如电力、互联网、 印刷术）一样，决定其影响力的不仅仅是技术能力的提升，更重要的是部署（将技术放入 产品或服务中）、扩散（广泛被组织、社会接受并日常化使用）、社会制度适应（法律与制 度常态化治理）（Narayanan 和 Kapoor，2025）。施密特26也提到，相信通用人工智能（AGI） 或超级智能的引爆点，与技术发展史背道而驰，因为技术进步和普及都是循序渐进的;技术 往往需要数十年才能广泛应用。
历史上，影响广泛全社会生产力革命、重大技术创新都伴随着投机性繁荣（例如“咆哮的 二十年代”以及互联网泡沫），甚至出现趋于泡沫化的阶段。奈恩27分析了 19 世纪铁路革 命到 20 世纪末互联网泡沫，发现技术创新和金融市场存在相似的循环模式：技术突破→ 吸引资本进入→投资过热与泡沫化→泡沫破裂→市场整合与真正的结构性变革。每次技术 浪潮出现后，投资者往往相信世界进入“新时代”，传统估值规则失效，这种“新时代叙事”会 放大市场繁荣，也掩盖真实风险。从事后看，技术确实能在长期提升生产率和社会财富， 但短期内，市场常被非理性情绪主导。席勒在《非理性繁荣》指出，投资者对技术创新反 应过度，导致股价大幅上涨。Sorescu et al（2018）的研究也证实，1825-2000 年间的 51 项重大创新，73%的创新在商业化后引发股市泡沫28，股价相对基本面的偏离幅度平均为 86%，且泡沫更可能出现在革命性程度高、具有潜在网络外部性且公众可 见度高的创新中（Sorescu et al., 2018）。而旧金山联邦储备银行（2008）发现，由于投资 者对劳动生产率的真正提升反应过度，美国历史上重大技术创新时期往往伴随着投机泡沫 。例如 1920 年代美股泡沫以及 20 世纪末的互联网泡沫。
“咆哮的二十年代”（Roaring Twenties）与美股泡沫复盘。1920 年代美国正处于第 一次世界大战后的经济繁荣期，汽车流水线、商业广播、制造业电气化等新技术不断 涌现，带来城市化加速，中产阶级兴起。1921-1929 年美国实际 GDP 增速平均达到 4.1%。无线电、汽车（福特 Model T）、电力等驱动了相关企业盈利以及股 价暴涨。联储在这一时期维持偏低利率（2-5%），投资者可以通过“保证金交易”（margin trading）借钱炒股，媒体炒作“永不下跌”的神话，进一步推高股市，股市成为普通人致 富的“神话”场所。股市从 1924 年开始加速膨胀，1929 年下半年见顶，道琼斯指数 相对 1923 年底最大上涨 288%，年化达到 26%。1929 年 10 月泡沫破灭， 股市出现大崩盘，背后有多重因素：1929 年 3 月联储警告股市杠杆风险，并短暂提高 利率；公用事业股丑闻曝光；英国利率上调导致美国资金外流。1929 年股市泡沫破灭， 叠加联储应对失误，导致美国经济陷入大萧条，失业率最高上升至 25%。罗斯福新政、 美国退出金本位等最终帮助美国走出大萧条。尽管大萧条期间，新技术的投资锐减， 技术扩散放缓，但是上述技术创新在二战后提升了生产力，推动了战后的经济繁荣。 例如，汽车业在战后成为支柱产业，并促进美国城市的扩张；商业广播等无线电通信 技术奠定了现代媒体和电子产业基础，还推动了半导体和计算机的早期发展；制造业 广泛的电气化提高了劳动生产率，并重塑了产业结构，还刺激了家电的需求。
90 年代“互联网泡沫”与“去伪存真”。1970-80 年代计算机在美国普及，1995 年开 始，互联网通讯产业的迅速扩张，相关行业投资增速明显超过其他内需部门。彼时美 国劳动生产率也明显回升，加之同期通胀也较温和，美国经济进入高增长与低通胀的 “新经济时代”。股市估值脱离现金流约束，在新经济的叙事下，风险偏好抬升，市场 对公司的定价逐步从可验证的盈利与现金流转向单纯的叙事逻辑。宽松的货币政策以 及联储对市场的“呵护”形成 Greenspan put，加大了市场的投机，市场参与者预期 即使股市下跌或公司出现流动性困境，联储也会快速降息、提供流动性支持，故面对 估值泡沫也敢于继续参与。市场在 2000 年 3 月达到高点，此后事件逆风与盈利兑现 不足引发泡沫破裂。自 2000 下半年开始，美国企业订单转弱，计算机、软件投资速度 也明显回落，叠加“9·11”事件与安然事件对市场信心造成冲击：纳指自 2000 年 3 月高点的 5132 跌至 2002 年 10 月 1114 的低点，最大回撤 78%。不过， 股市回落并未淹没真正具有核心价值的公司，互联网泡沫的破裂实质是一个“去伪存 真”的过程。截至 2004 年，1996 年以来成立的互联网公司中约有 52%不再存在29， 但具有核心竞争力的“幸存者”，如亚马逊凭借其存货管理与现金流优势，在经历 95% 的回撤后仍在未来十多年形成规模经济并积累了巨额市值，且泡沫时期建设的大量高 速通讯网络、数据库与服务器架构在此之后支持着美国经济与社会的发展。
当泡沫破灭后，大多数投资者可能遭遇重大损失，对宏观经济的影响程度取决于杠杆结构 和水平。1840 年代铁路、1890 年代电力、1990 年代互联网泡沫破灭后，早期占据主导地 位的公司，很快就被其他公司取代。以互联网泡沫为例，纳斯达克指数在 2000 年 3 月见顶， 此后持续下跌，2002 年 10 月最多下跌 78%；而雅虎、亚马逊等明星公司从高点一度下跌 90%以上。但某种意义上，市场的繁荣与泡沫是技术扩散过程中不可避免的代价，资本市 场为科技的扩散提供了必要的融资与激励，最终通过大规模投资促进技术进步以及普及。 例如，虽然亚马逊股价在泡沫破灭后两年内下跌超过 90%，但亚马逊最终成为互联网时代 的赢家，在多个领域改变了美国经济，即使对在互联网泡沫顶峰购买亚马逊股票并持有至 今，二十五年增长 50 倍，年化回报达到 15%左右。泡沫破灭对宏观经济的影响程度跟杠杆 结构和水平有关。根据 Quinn 与 John D. Turner（2020）30对过去 300 年的金融泡沫的比 较历史分析，泡沫的触发因素包括政治火花（如政策、金融开放）或技术火花（如重大创 新），而泡沫破灭后的严重程度取决于杠杆结构和杠杆水平：杠杆是泡沫破裂破坏性的放大 器。在低杠杆环境中（如互联网泡沫），泡沫只是股价或特定资产重估；当杠杆集中于资本 市场时，市场虽剧烈调整但金融体系仍保持稳定；而当银行体系深度介入并形成高杠杆时， 信用收缩将价格下跌传导至更广泛的经济领域，引发系统性危机。
但历史上看，泡沫何时破灭存在不确定性，利率上升、盈利预期落空、监管变化，甚至金 融欺诈都可能是触发泡沫破灭的原因。尽管泡沫的形成表现出一些可识别的模式，但其破 灭的时点却存在较大不确定性，市场价格能够在明显脱离基本面的情况下持续上涨很长时 间。此外，由于不同类型泡沫最后的宏观影响存在较大差异，如果过早通过货币政策、监 管政策刺破泡沫，也可能是遏制了新技术的创新，对政策制定者来说面临着权衡。这也是 格林斯潘等政策制定者一度不愿意主动刺破互联网泡沫的原因。但当宏观金融条件或叙事 发生变化时，泡沫可能突然破裂。从历史经验来看，利率上升会提高融资成本，削弱高杠 杆投资者的承受能力，如 1847 年英国铁路泡沫与 1929 年美国股灾即在货币紧缩中爆发 (Quinn and Turner, 2020)，互联网泡沫破灭也部分跟联储加息有关；盈利预期 落空也可能使得投资者修正对新技术的过度乐观预期，如 2000 年互联网泡沫中大量未盈 利企业估值快速坍塌；监管或政策变化（例如补贴退坡、行政约束或财政收紧）也可能刺 破泡沫；而财务造假也可能迅速引发信任危机，如 1720 年南海公司。
参考历史经验，考虑到 AI 相关投资的高增长趋势目前看还在持续，目前讨论是否“证伪” 可能言之过早。当前 AI 领域投资增长快、相关公司估值较高，但从发展阶段看，判断是否 泡沫仍言之过早。如果相关趋势持续，假以时日，这一新技术领域可能吸收更多的金融资 源，估值“泡沫化”。另一方面，考虑到目前盈利持续兑现、流动性相对宽裕、供需格局紧 张的背景，目前也不具备传统意义上触发金融市场预期剧烈调整的宏观条件——即使短期 市场对相关领域已经计入较为乐观的预期，但讨论预期“证伪”也仍言之过早。具体来看， 第一，AI 的技术价值是否被高估的争议，仍然有待时间去验证，相关公司的高估值存在合 理性，且并没有观察到乐观情绪扩散到其他领域。如前所述，AI 可能是一种通用技术，如 果能够在经济中普遍应用，有提高劳动生产率的潜力。能否实现 AGI 可能存在较大不确定 性，但即使不达到 AGI，AI 已有进展如果能够跟生产结合已经能够明显提振劳动生产率。 例如，大量微观层面的研究显示，AI 被使用后能够不同程度提高工作效率，且对低技能工 人生产率的提高程度更大。AI 相关头部企业虽然估值较贵，但从成长潜 力看可能是合理的，且估值远低于互联网泡沫时期。数据显示，头部 AI 企业从成立到实现 1 亿美元营收所需的时间显著短于 SaaS（软件即服务）公司，显示 AI 产业商业 化进程较为迅速。从科技板块整体估值来看，当前估值水平虽然偏高，但远低于互联网泡 沫破灭时期，而具体到英伟达和思科，当前英伟达的估值也远远低于思科。此外， Albori et al. （2025）通过对美国前十名科技公司应用三阶段定价模型31发现， 当前市场定价美国科技巨头未来几年较高的增速，但并不是历史罕见，估值是合理的。最 后，还没有观察到 AI 投资热潮显著推高其他经济部门的风险偏好。如果 AI 投资热潮刺激经 济中其他部门风险偏好明显抬升，可能像历史上其他泡沫一样，导致出现大范围资产价格 上涨以及过度的杠杆累积，从而加剧系统脆弱性。例如 2025 年上半年非 AI 企业投资增速 明显偏弱，而对美国个人投资者的调查也显示，投资者当前的乐观情绪仅位于历史中位数 水平附近。
第二，AI 投资规模是否过大不能简单与历史进行类比，目前科技巨头大多是因为需求上升 而加码投资，而金融市场对企业扩大开支也仍然有约束。AI 投资规模是否过大主要看真实 的需求，不能简单进行历史类比。从主要上市公司的资本支出占 GDP 之比来看，脸书、亚 马逊、谷歌、微软未来资本支出占比将超过互联网泡沫时期电信服务公司。但是 上述资本开支强劲增长背后是企业所面临需求的真实上升，例如微软 CEO 纳德拉在 2025 财年三季度财报电话会上强调，客户对生成式 AI 服务的兴趣远超预期，计划在未来两年内 将其数据中心规模扩大一倍32；亚马逊管理层在 2025 年三季度财报中也强调，AWS 的企 业客户和 AI 初创公司都在争抢基于 GPU 和定制 AI 芯片的大规模计算资源，所以亚马逊需 要加快铺设新数据中心与 AI 集群。此外，金融市场对于企业增加资本开支也仍然有约束。 虽然谷歌和脸书 2025 年三季度的业绩均超预期，且加码资本支出，但谷歌在财报公布后上 涨 3%，而脸书则下跌 11%，背后的重要原因是脸书是美国科技巨头中唯一一家 2026 年自 由现金流将转负的企业，显示资本市场对于科技巨头资本支出仍然施加约束33。类似的，互 联网泡沫时期以及漂亮 50（Nifty Fifty）时期，投资者乐观预期认为公司资本开支兑现，因 而资本开支更高的企业表现更好，但当前资本支出更高的企业股价甚至跑输资本支出更低 的企业。
第三，美国 AI 企业之间的循环投资是一个潜在的风险因素，后续影响仍取决于 AI 周期后 续的前景。目前主要 AI 企业的资本开支主要来自自由资本，但是近期一些 AI 企业越来越多 依赖于债务融资以及循环融资，这可能加大体系的脆弱性，误导投资者和监管机构，是一 个潜在的风险因素。短期内，AI 企业之间的循环投资有助于实现技术协同和供应链优势。 但客观上来说，循环投资可能导致信息不透明、且可能夸大真实需求，在周期反转时形成 踩踏，造成系统性风险。但目前来看，AI 产业链仍然在高速增长，资本开支计划仍然较为 乐观，但中长期看，需要密切关注 AI 商业化进展以及相关需求的变化。
第四，从传统上泡沫破灭的触发因素进行类比，目前也不具备传统意义上触发金融市场预 期剧烈调整的宏观条件。从利率来看，虽然美国整体利率水平较高，但是联储仍然处于降 息周期之中，我们预计 2026 年前联储将再降息 2-3 次，货币政策整体维持支持 性环境，与历史上泡沫破裂前夕的货币政策快速收紧形成鲜明对比。从政策来看，特朗普 上台后整体上放松了对 AI 的监管，且各国为了抢占 AI 制高点，不太可能出台全局性的严苛 监管。从需求角度看，市场需求旺盛，AI 算力至今仍是稀缺资源，尚未观察到明显的产能 过剩迹象。综合来看，是否会出现标志性金融欺诈事件无法判断，但在盈利持续兑现、流 动性相对宽裕、供需格局紧张的背景下，即使短期市场对相关领域已经计入较为乐观的预 期，预计金融市场预期不会出现剧烈调整。
往前看，未来 1-2 年 AI 投资预计维持高强度。科技巨头 2026-2027 年仍在继续加码资本开 支：根据美国科技巨头（微软、谷歌、亚马逊、Meta）的三季度指引，2026 财年合计资本 开支预计将达到 4700 亿美元，增速约 28%，虽较 2025 财年 63%的增速有所放缓，但绝 对值仍处历史高位；2027 财年资本开支也将进一步上升至 5100 亿美元；且从过去两年的 经验看，资本支出也存在继续加码的可能。此外，AI 应用渗透率仍有空间：美国企业对 AI 的采纳远未饱和。根据美国人口普查局数据，当前约 10%的企业已使用 AI，而未来 6 个月 计划使用的比率升至约 11.6%。随着渗透率提升，企业对 AI 软硬件及服务的需求将进一步 扩大。全球数据中心建设或呈多元化： 截至 2025 年，美国数据中心占全球近 46%，而欧 洲和中国的占比分别仅为约 15%和 8%。在地缘政治与数据主权的驱动下，欧洲、中国及 中东等地区有望加速数据中心本土化建设。未来 1-2 年，科技巨头仍在资本开支阶段，AI 渗透率还处于爬坡过程中，对 AI 投资回报的证实以及证伪都还需要时间。
2026 年 AI 仍将是经济增长的重要支撑因素。一方面，2026 年 AI 相关投资维持偏高增速， 对 2026 年经济增长产生支撑。2026 财年仅四大科技巨头的资本开支规模就达到 GDP 的 1.5%，叠加对建筑、能源、半导体等上下游产业链的拉动，预计对 2026 年总需求仍将有 明显提振。另一方面，AI 投资热潮持续也有助于股市继续维持上涨，通过财富效应渠道提 振美国消费。2012 年后美国财富效应为 2.7 美分/美元，美股上涨 10%，带来的财富增量为 5 万亿美元左右，消费增 量相当于 GDP 的 0.5%。 AI 对就业市场短期的影响或局限在特定群体和行业，但随着 AI 渗透的加速，对就业整体的 影响可能加大。根据我们此前的研究， AI 的渗透对部分行业/群体就业带来冲击，例如初级程序员/商务支持等行业以及刚毕业的大 学生群体，但目前还不是就业放缓的最重要原因。AI 敞口较高的行业新增非农就业趋势甚 至好于其他行业；此外，AI 渗透影响较大的行业薪资增长边际放缓，但暂未比 其他行业放缓更快。但随着 AI 渗透的加速，AI 对就业市场、行业格局、收入分配的影响不 容忽视。被 AI 替代的工作偏向白领、中等收入类，受影响就业岗位收入水平和 稳定性均将下降；且如果没有对冲措施，AI 工具的快速渗透可能加大美国日益恶化的收入 和财富分配失衡的问题。由于高收入群体的边际消费倾向较低，假以时日，不排除这些变 化会制约美国的总体消费增长。如果 AI 带来的收入分配难题不被妥善处理，中长期也将引 发更多的关于财政可持续性和社会稳定的忧虑。
AI 投资短期或加大通胀压力，但中长期看可能有助于压低通胀。一方面，AI 投资提振总需 求，短期或加大美国经济的通胀压力。2025 年美国经济遭遇关税、驱逐移民以及 DOGE 等多重冲击，经济动能整体放缓，但 AI 投资提供了明显缓冲。2026 年随着关税等冲击的消退，财政政策和货币 政策偏向支持性，预计美国经济动能将有所修复，AI 投资将进一步提振总需求，短期或加 大通胀压力。另一方面，中长期看，AI 或有助于压低通胀。AI 有提高美国劳动生产率的潜 力，有助于增加供给能力，从而压低通胀。此外，AI 可能对就业市场带来结构性压力，降 低劳动者议价能力，从而压低工资和通胀。考虑到 AI 对劳动生产率以及对企业市场的影响 仍需要时间才会显现的更加明显，我们预计 AI 投资在 2026 年更多体现为加大美国通胀的 压力，我们预计 2026 年美国通胀虽然相对 2025 年下半年有所降温，但是仍然高于联储 2% 的目标。
整体上，AI 相关板块的乐观情绪有一定的基本面支撑，但如果估值进一步上升，则相关资 产的波动性以及对利率变化的敏感度也可能上升。2026 年美国经济修复、AI 叙事可能继续 高歌猛进，叠加财政和货币政策均将保持宽松，相关行业的市值可能进一步上升。但是不容否认的是美股，特 别是 AI 相关企业估值水平较高，集中度达到历史极值水平，市场脆弱性和波动性上升，持 续的表现需要建立在AI投资周期维持强劲增长的基础上。当前AI领域估值已显现泡沫特征， 部分初创企业市销率（PSR）超过 100 倍。标普 500 当前的估值水平仍低于互联网泡沫破 灭时期，但按照历史规律，高估值将降低中长期回报。此外，标普 500 指数中 科技板块权重高达 35%，集中度创历史新高，甚至超过互联网泡沫破灭时期。假以时日， 随着 AI 投资占用的金融资源比例日渐增高，也需警惕联储意外紧缩（如在通胀上升的倒逼 下）、或 AI 商业化前景不及预期以及其他外生冲击均可能导致市场出现调整。例如，科技 巨头持续高额的资本开支挤压了自由现金流，可能影响企业分红与回购，届时投 资者将更严苛地审视 AI 投资带来的实际回报，若商业前景不及预期，市场波动可能加剧。
（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）
