编者按：
2023年生成式AI元年开启后，技术迭代与成本下降推动行业快速发展，但市场对“AI泡沫”的讨论始终未歇，核心争议聚焦于科技研发与商业化落地的节奏尚未统一。然而，从产业本质来看，AI的规模效应与三大缩放定律持续得到验证，用户调用量与数据处理量的爆发式增长，印证了真实需求的存在。
对比互联网、PC等过往科技革命，AI的渗透率提升速度创下历史纪录，并将支撑算力需求长期处于高位。资本市场层面，AI核心企业尚未达到2000年互联网泡沫时期的估值，资本开支与现金流比例相对健康，泡沫化态势或尚未形成。
以下是朱雀基金副总经理兼专户投资部总经理张劲骐在本年度策略会上的分享。
今年，在芯片技术进步、模型训练、优化方式进步之后，AI的综合成本有所下降，带来了AI使用的进一步增加。但从分配结构来看，今年最主要的资源仍集中在训练环节。这表明整个市场目前更多精力还是放在科技研发与进步上，尚未将更多重心转向商业化，这也是引发市场担忧的一个重要原因。
背后更深层的逻辑是，海外大型科技公司的核心战略方向，仍希望提升模型能力与算力水平，以抢占下一个时代的先机。因此，短期内商业化的需求和投入不匹配，市场会担忧投入产出比的问题，但科技公司更担心的是被时代淘汰。
我们不断看到大型科技公司的 CEO 在采访中虽会提及市场存在部分泡沫现象，但他们一致宣称，当前的过度投资是必要的，甚至不进行过度投资反而会面临更大风险。这正是当前市场的主要矛盾，也是 AI 泡沫相关讨论以及资本市场波动的核心根源。
科技进步与商业应用的结合
尚未充分落地
回归技术本质，这一轮大模型发展的根本驱动因素是 “越大越好”，我们称之为规模效应。从 10 年的时间维度来看，技术发展路径并未改变，计算需求的增长与单位成本的下降形成了良性循环：单位成本下降推动模型进一步扩大，模型性能随之提升，进而催生更多策略优化的需求，这个循环目前尚未出现被打破的迹象。这也正是黄仁勋在今年 GTC 大会上提出的三大规模缩放定律的核心内涵：
第一，模型参数越大、训练数据量越大，模型性能越好；第二，模型参数越大、训练数据越多且具备指向性，同时强化学习的微调资源投入越多，性能越好；第三，长思考维度，即推理过程越复杂、步骤越多，推理性能越好。
目前市场实践表明，这三大规模缩放定律的效用是成立的。从近期模型进展来看，规模缩放效率依然有效，参数量、数据量与推理步骤仍在持续提升，而这三者的提升会带来算力需求的激增。反过来讲，正是加速计算的实现，才推动了规模效应从理论走向实践。
那么这样的理论在现实中是否得到了验证？答案是明确的。首先大家一直关注 AI 的应用场景与投资回报率，我们可以从 AI 的实际需求数据中寻找答案。
根据OpenAI 统计的 AI 调用数据，从去年 8 月到今年8 月，这一数据增长了 38 倍，每周用户调用的 Token 数量突破了 4 万亿。根据谷歌公布的每月处理数据量，其中包含了长思考过程中产生的数据，每月处理量已超过 1300 万亿，大幅超过了用户直接请求的数据量。若按月均统计，谷歌处理的数据量远超用户请求量，核心原因之一就是长思考过程显著提升了数据消耗量。
这充分证明黄仁勋提出的三大缩放定律是成立的，现实中我们既看到了用户对 AI 的需求持续增长，也看到大企业在处理过程中消耗了大量数据，而这最终都会指向对算力的庞大需求。我们认为，这种真实存在的需求或是商业化成立的早期迹象。从科技发展路径来看，随着 AI 性能的持续提升与成本的进一步下降，非常有可能推动商业化的爆发。
目前最热门的两家 AI 创业公司分别是Anthropic和 OpenAI，从他们向投资人展示的收入与自由现金流展望来看，两家公司的商业逻辑较为接近，但存在明显差异：Anthropic 主要面向代码编写类客户，因此收入展望相对较低，但经营现金流周转速度更快；而市场关注度较高的 OpenAI 主要面向广泛的 C 端用户，其收入展望接近 2000 亿美元，但经营现金流周转周期更长。本质上，不同的商业定位决定了各自的收入增长节奏，但两者向资本市场传递的核心趋势一致——AI 投入将持续推动增长。
市场广泛讨论的 AI 泡沫在于庞大的资本开支与未来高额的收入指引，让市场极度担心商业化进程迟滞。但我们的核心判断是，当前市场对 AI 的期待或许过于苛刻。
生成式 AI 的元年是 2023 年初，截至2024年年底，其发展历程仅两年左右。回顾上一轮科技变革中资本开支的典型案例，某互联网公司的云业务花费了 6 年时间才实现正向投资回报。因此，当前 AI 企业采取资本开支策略、尚未产生正向现金流，甚至暂时看不清投资回报的具体路径，从产业逻辑来看是正常的发展阶段，并未脱离合理的业务规律。
来源：Worldbank，Bloomberg, COATUE, 朱雀基金整理。统计时间短，不能反映所有发展阶段，亦不预示其未来发展趋势，不构成对朱雀基金管理的产品未来业绩表现的保证。
上图对比了 AI、互联网及 PC 从诞生到渗透率达到 90% 的预测情况。其中，生成式 AI 从诞生到渗透率达到 40% 仅用了不到三年时间，这一速度相当于 PC 和互联网发展十年的成果，堪称突破历史的科技应用普及速度。对比 2000 年互联网的整体渗透率以及 2012 年后移动互联网的发展轨迹，我们认为此次 AI 的繁荣规模大概率将极为庞大。考虑到其诞生至今仅三年左右，行业或仍处于发展早期。即便在早期阶段，有四个核心因素决定了 AI 对算力的需求将持续超出市场预期，并维持庞大的规模：
第一，AI 已成为经济的新引擎，这一点已形成普遍共识。随着模型性能的提升，AI 对生产效率的提升作用进一步凸显。从经典经济理论来看，生产力的进步是 GDP 增长的核心动力。
第二，本轮 AI 基建与传统基建存在本质区别 ——AI 芯片具有快速迭代的属性。对比铁路、公路等传统公共基础设施，AI 作为基础设施的寿命相对短暂。一方面，半导体摩尔定律推动芯片技术持续进步；另一方面，算力集群架构不断升级，这导致 AI 基建的生命周期远短于传统基建。由此，AI 基建成为一种重复但必要的需求，其周期性更新将构成长期可持续的市场需求。
第三，随着 AI 模型的持续进步，AI将具备 “持续思考” 能力，甚至可能出现资源争夺的现象。当前，大多数人使用 AI 的方式是多轮对话式，由人类引导产生算力消耗。但随着模型迭代，AI 可能会进行长时间的自主思考，甚至实现全天不间断运行，这将导致算力需求大幅增长。
第四，主权 AI 的概念兴起。AI 作为新一轮生产力革命，已在各国形成共识，但在当前地缘政治背景下，各国纷纷选择建设自身的 AI 算力基础设施。这导致全球算力总量出现重复建设，但这种建设需求是客观存在的。
复盘云计算时代大型科技公司的资本开支，对当前 AI 领域的资本开支具有重要启示。上图分为两部分：上半部分为 2010 年至 2021 年，对应移动互联网与云计算时代大型科技公司的资本开支；下半部分为 2021 年至 2030 年，包含了当前 AI 发展阶段的资本开支趋势。
从数据可以看到，云计算时期的资本开支呈现持续攀升态势，期间市场曾在 2016 年阶段性担忧应用不足会导致资本开支放缓，但后续随着移动互联网应用的爆发，短视频、居家办公等需求持续推动资本开支增长。
因此，我们认为当前 AI 领域的资本开支并非不健康，且 AI 应用的创新属性远超以往技术，未来将涌现更多应用需求。同时，CSP（云服务提供商）的现金流状况能够支撑后续的资本开支。
相对资本开支，近期市场更担忧的是债务问题，尤其是表外债务的快速增长加剧了对泡沫的担忧—— 例如 10 月份海外某公司发行 270 亿美元债券引发广泛关注。但从表外债务发行的根本出发点来看，其核心是希望通过 AI 算力资产证券化的方式抢占先发优势。
我们认为，目前相关企业债务增长的占比处于合理范围，核心原因在于，剔除 AI 相关投入后，这些企业的传统业务仍能保持良好的盈利能力。作为投资者或产业参与者，当前应更紧密地跟踪行业趋势，更多地从产业发展的视角看待技术本身的演进。
资本市场的泡沫化程度如何
从以上论述来看，AI产业发展或没有到达泡沫阶段，那么AI投资的泡沫程度如何呢？2000 年初互联网泡沫巅峰时期，核心企业的市盈率突破 130 倍；而当前海外 AI 核心企业中，仅有一家的市盈率超过 170 倍，其他主流公司的市盈率均在 40 倍以下，部分企业甚至仅为三四倍，未达到互联网泡沫时期的估值水平。
数据来源：上市公司财报, 朱雀基金整理。统计时间短，不能反映所有发展阶段，亦不预示其未来发展趋势，不构成对朱雀基金管理的产品未来业绩表现的保证。
另一个关键因素是，海外相关公司的增长受到 AI 技术进步瓶颈的限制，包括电力供应、芯片产能、数据延迟及数据量四大瓶颈，其中电力供应是当前最核心的制约因素，也是影响芯片供应的关键问题。
结合相关测算，我们发现当前市场对企业的估值，本质上是基于其实际可交付的电力所支撑的产能进行定价。从市场表现来看，并未出现对头部企业的疯狂追捧，而是基于电力供应等瓶颈因素进行理性定价，AI 产业整体呈现理性发展态势。
基于以下三点逻辑，我们认为应该更理性地看待AI在资本市场的机遇和风险：
第一，尽管 AI 热度极高，但投资者和市场并未盲目追捧疯狂的概念或故事，反而持续讨论泡沫风险、提示潜在问题。历史经验表明，当市场普遍提示风险时，或许往往并非真正的泡沫破裂前夕；而当市场无人提及风险、全民追捧时，或许才是真正需要警惕的时刻。
第二，海外真正进行大规模资本开支的科技企业，其资本开支与现金流的比例仍处于健康水平。尽管这一比例处于历史较高区间，但目前维持在 50%-70% 的水平，从科技发展与资本投入的匹配度来看相对合理。且大型科技公司当前业务根基稳固，完全有能力在现有条件下支撑 AI 领域的投资。
第三，尽管部分企业存在债务扩张，但这部分债务与自有资金相比规模有限，全市场的资本开支仍以自有资金和股权投资为主。从总量来看，当前 AI 领域的资本开支尚未涉及广泛的债务融资。因此，即便出现局部风险或泡沫破裂，由于缺乏大规模债务杠杆的传导，风险消化速度也会较快。真正的风险节点将出现在当市场广泛依赖债务融资进行 AI 资本开支时。
综上，尽管当前AI产业存在部分泡沫迹象，但整体仍处于理性发展区间，需做好风险与机遇的平衡。
把握中国的比较优势
相比而言，中国 AI 的核心优势在于优化能力，在条件受限的前提下，中国模型实现了与一梯队接近的性能水平。若中国能持续以更低成本跟进并优化，在 AI 性能竞争中将具备显著的可行性与比较优势。
对比中国两大科技大厂与谷歌的客户调用数据增速，可以看到，中国大厂的客户调用数据增速与谷歌趋势高度接近，这表明中国大模型厂商已获得广泛应用，且增长态势持续向好。
2025 年 8 月国家数据局公布的数据显示，截至 2025 年 6 月，中国人工智能模型日均 TOKEN 消耗量（含长思考过程）突破 30 万亿，相比 2024 年初的 1000 亿增长了300 倍。这充分说明，尽管中国 AI 起步较晚，但应用发展趋势与使用规模已处于领先水平，未来仍有巨大的成长空间。
沿技术路径重点关注中国AI
来源：英伟达，朱雀基金整理
最后，我们如何把握AI 算力基础设施方面的机会？上图是黄仁勋提出的 AI 算力基础设施框架，我们的投资将围绕三大范式展开：
第一，数据中心内部的布局，目前已在芯片、芯片间互联、高速互联等领域进行了广泛布局；第二，数据中心之间（即数据中心集群）的布局，接下来将重点在横向扩展（scale out）与跨集群扩展（scale cross）方面加大投入；第三，未来将在基础设施建设领域进一步布局，重点关注储能方案、电源及核能等相关方向。
注：本文件非基金宣传推介材料，仅作为本公司旗下基金的客户服务事项之一。
本文件所提供之任何信息仅供阅读者参考，既不构成未来本公司管理之基金进行投资决策之必然依据，亦不构成对阅读者或投资者的任何实质性投资建议或承诺。本公司并不保证本文件所载文字及数据的准确性及完整性，也不对因此导致的任何第三方投资后果承担法律责任。基金有风险，投资需谨慎。
本文所载的意见仅为本文出具日的观点和判断，在不同时期，朱雀基金可能会发出与本文所载不一致的意见。本文未经朱雀基金书面许可任何机构和个人不得以任何形式转发、翻版、复制、刊登、发表或引用。