《AI 时代的技术浪潮、资本周期和财富机遇》核查：四个真问题与十三处需要修正的主张

对一期商业财经播客的独立核查。节目对 AI 资本开支周期、算力金融化、内存与数据搬运瓶颈的方向判断成立，但把这些方向包装成了精确事实与确定的时间预测：美联储关于 AI 与通胀的逻辑被误读，单次推理的边际利润被当成公司净利率，多个关键杠杆数字无法在公开资料中验证。

分析对象：付鹏 × 所长林超 × 投研部杨摸鱼，《AI 时代的技术浪潮、资本周期和财富机遇》（商业财经视频播客 · 人生 Beta 版 EP01），Bilibili

分析基准日：2026 年 7 月 27 日

阅读说明：本文依据节目字幕整理核查。原始核查中的来源引用在导出过程中丢失了可解析链接，仅余无法还原的内部标记，已一并清除；因此文中转述的公开数据应视为核查时点的二手陈述，用于判断节目主张是否成立，直接引用前请自行复核原始出处。判断为独立观点，不代表节目主讲人立场，亦不构成投资建议。与本站既有分析（《我认为的泡沫是 2029 年》核查、《对华为半导体首席科学家廖恒的 5 小时访谈》核查）同属视频与播客的事实核查系列：本文覆盖宏观与资本周期，前者覆盖时间预测与公司估值，后者覆盖半导体与系统工程。

一、核心结论

这期播客属于典型的：

高质量产业叙事 ＋ 中等宏观洞察 ＋ 较弱的证据纪律。

它最有价值的部分，是识别了四个真实问题：

1. AI 不是纯软件周期，而是高度依赖芯片、内存、网络、电力和数据中心的资本开支周期。
2. AI 投资的短期回报可能由杠杆、拥挤交易和资金成本决定，而不是由长期产业方向决定。
3. AI 首先改变工作流程和生产函数，不一定立即形成足以覆盖巨额资本开支的应用收入。
4. 算力瓶颈正从单纯计算逐步转向数据搬运、内存、互连和能源。

但播客把若干合理方向包装成了未经充分验证的精确事实和确定性时间预测。其中最严重的问题是：

• 误读美联储关于 AI 与通胀的逻辑；
• 混淆推理毛利、贡献利润、经营利润和净利润；
• 使用无法验证的市场杠杆数字；
• 把局部机构数据外推为全国数据；
• 把技术周期类比当作可以精确择时的时钟；
• 预设"去杠杆后必然快速反弹"，低估基本面下修和资本毁灭的可能性。

因此，这期内容适合用来提出研究假设，不适合作为直接的投资决策依据。

二、主要主张的逐项核查

先看结论一览，逐条依据见后。

1. 「沃什认为 AI 带来通缩，所以美联储会降息」

判断：误读政策逻辑。

沃什领导下的美联储确实在研究 AI、生产率和就业，但官方表述是：AI 资本开支已经形成即时需求，而生产率和供给扩张的规模、时间及通胀影响仍高度不确定。6 月会议纪要甚至指出，AI 投资可能先增加需求和通胀压力，降成本效应以后才出现。不能直接推导出「AI 通缩 → 降息」。

2. 「CME 已经推出算力期货」

判断：时间状态不准确。

CME 于 2026 年 5 月宣布计划推出 Compute Futures，但当时仍需监管审查，目标是 2026 年稍后上线。它说明算力正在金融化，但不能表述为已经形成成熟交易市场。

3. 「纽约证券交易所开始 24/7 交易」

判断：夸大。

NYSE Arca 的计划是工作日接近 23 小时交易，而不是每周七天、全天候连续交易。资本市场交易时间延长的方向成立，「24/7」这一表述不成立。

4. 「Anthropic 推理基础设施净利润率达到 70%」

判断：概念性错误，且无法验证。

Anthropic 是私人公司，没有公开经审计财务报表。相关报道显示，它到 2026 年二季度才预计首次实现调整后经营利润，且不同公司的利润口径并不具备直接可比性。提示词缓存确实能显著降低重复输入成本，Anthropic 官方称最高可降低约 90%，但这只能改善单次推理的边际成本，不能证明公司净利润率达到 70%。

5. 「中国 55% 的 Token 用于 AI 漫剧和视频」

判断：存在来源，但被过度外推。

该数字来自中文在线投资者交流及媒体转述，属于特定机构观察到的行业使用结构。其统计范围、模型供应商覆盖、Token 口径和样本期均不清楚，不能改写为「中国全部 Token 的 55%」。它最多说明中国 AI 视频和短剧消耗量增长很快。

6. 「英伟达垄断晶圆，并向上吃掉富士康的装机业务」

判断：叙事化严重。

台积电确实在扩充 N3 及 CoWoS 产能以满足 AI 需求，但其服务多家客户，没有公开证据证明英伟达「垄断晶圆」。英伟达与富士康的关系主要是合作建设服务器、AI 工厂和基础设施，富士康仍承担制造与系统集成，并非被英伟达替代。

英伟达真正可验证的风险是供应集中和客户集中：其年报显示两大直接客户分别贡献 22% 和 14% 的收入。

7. 「从 HBM 搬一次数据耗能是计算的 500 倍，DRAM 是 3000 倍」

判断：方向正确，数字不宜当作常数。

现代 AI 系统中，数据搬运往往比算术计算更耗能，IBM 研究甚至显示部分工作负载中计算本身只占较小比例，因此存内计算和近内存计算具有合理性。但 500 倍、3000 倍高度依赖制程、精度、距离、缓存命中率和具体架构，不能作为普适工程常数。

8. 「2024 年英伟达约有 8,000 亿美元场外杠杆，导致七八月闪崩」

判断：关键数字无法验证，因果关系过强。

没有找到交易所、监管机构、公司文件或大型投行公开资料支持「8,000 亿美元英伟达 OTC 杠杆」。2024 年 7 月科技股回撤与财报预期、估值和杠杆 ETF 有关；8 月全球市场剧烈波动还受到日元套利交易平仓、美国就业数据和风险偏好变化推动。将市场调整归因于单一场外杠杆数字，证据不足。

9. 「韩国散户平均杠杆约 5 倍，所以三星和 SK 海力士必然先暴跌再快速反弹」

判断：杠杆风险真实，倍数和路径预测不可靠。

韩国散户借贷投资规模确实在 2026 年达到约 29 万亿韩元，同比增长约 71%，杠杆型单一股票产品也在放大三星电子和 SK 海力士的波动。但没有高质量资料证明全体韩国散户平均杠杆为 5 倍。更不能由「存在杠杆」推导出「必然短跌、随后 V 形反弹」。

10. 「大型科技公司的自由现金流已经耗尽，2026 年二季度后必须发债融资」

判断：方向有根据，但范围和时间被夸大。

AI 资本开支正在压缩现金流，这一方向成立。但不同公司分化明显：

• Alphabet 2026 年二季度资本开支约 449 亿美元，季度自由现金流为负约 59 亿美元，但过去十二个月自由现金流仍为正约 533 亿美元；
• Meta 一季度自由现金流仍为正约 124 亿美元。

有预测认为到 2027 年五大超大规模云厂商的总资本开支可能超过总自由现金流，但这不能概括成「所有 Big Tech 已在 2026 年二季度耗尽现金流」。

11. 「AI 基础设施已经建成，但真正应用尚未出现」

判断：部分成立，但过于二元化。

尚未出现类似智能手机或搜索引擎那样单一、全民级的 AI 应用，这一观察有道理；但企业端商业化并非空白——Alphabet 2026 年二季度云业务收入同比增长 82%，并报告大量大型企业采用 Gemini Enterprise。

真正悬而未决的问题不是「有没有应用」，而是：

这些收入能否长期覆盖折旧、能源和持续扩张的资本成本。

12. 「AI Agent 可以直接复制研究员技能，初级研究员将大规模消失」

判断：把任务自动化误写成职业替代。

实验确实发现生成式 AI 可使专业写作速度提高约 40%、质量提高约 18%；客服场景总体生产率提高约 14%，且初级员工获益更大。但 ILO 的全球研究认为，现阶段更普遍的结果是岗位任务被重组和增强，而不是整个职业被完全自动化。

AI 可以复制部分标准化步骤，却不能自动取得组织授权、承担法律责任、建立客户信任或验证结果。

13. 「AI 生产力提升将是计算机时代的数千倍、上万倍，并在有生之年导致 UBI」

判断：不可验证的长期信念。

这里没有明确基准、测量单位、时间范围和可证伪条件，属于技术哲学预测，不属于数据结论。即便 AI 生产率显著提升，是否导致 UBI 还取决于税收制度、资本所有权、劳动力议价能力、社会政策和政治选择，并非技术发展的自动结果。

三、播客存在的五个底层逻辑问题

一、把局部均衡中的「降成本」直接推导为宏观通缩

单个企业使用 AI 后，单位任务成本可能下降。但宏观经济同时会发生：

• 数据中心投资需求上升；
• 电力、土地、芯片和工程人才价格上涨；
• 企业扩大产量和服务范围；
• 资本收益和劳动收入的分配改变；
• 政府财政和央行政策发生反馈。

因此，合理的时间顺序更可能是：

先出现投资需求、瓶颈涨价和资产扩张，后出现部分行业的单位成本下降。

这正是美联储当前表述比播客更谨慎的原因：AI 的需求冲击已经可见，供给和生产率效应仍需观察。

二、频繁混淆四种完全不同的财务概念

播客将以下概念互换使用：

1. 单次推理贡献利润；
2. 产品毛利率；
3. 公司经营利润率；
4. 公司净利润率。

同样，它也容易混淆：

• 资本开支与费用；
• 经营现金流与自由现金流；
• 公司负债与投资者杠杆；
• 订单或 Token 增长与最终利润。

例如缓存降低输入成本，可能使某项推理请求具有较高边际利润，但模型训练、销售、研发、股权激励、数据中心租赁和折旧仍然存在。不能从「缓存命中率高」推导出「公司净利润 70%」。

三、从任务能力跨越到职业替代，中间缺少组织机制

研究员的工作不是简单的「检索 ＋ 写报告」，还包括：

• 确定值得研究的问题；
• 识别数据缺陷和利益冲突；
• 决定何时拒绝给出结论；
• 向决策者解释不确定性；
• 对错误承担责任；
• 积累行业关系和隐性知识。

AI 会首先压缩标准化任务的时间，导致初级岗位数量和培养方式变化；但这不等于组织可以立即删除整个初级层。更可能发生的是：

同样数量的高级人员管理更少的初级人员和更多 AI 工具，同时初级岗位的能力门槛提高。

四、把历史类比当成精确周期时钟

佩雷斯技术革命周期可以帮助理解：

• 基础设施先行；
• 金融资本推动过度投资；
• 泡沫破裂后进入更广泛部署阶段。

但它不能可靠预测：哪一个季度开始调整、调整幅度、哪家公司胜出、去杠杆后多久反弹。

铁路、互联网和 AI 在资产折旧速度、进入壁垒、网络效应、监管和资本回收周期上差异很大。用历史类比识别阶段是合理的，用它预测「2026 年二季度真空期」则属于虚假精确。

五、把杠杆视为价格下跌的完整解释

杠杆通常是放大器，不一定是初始原因。典型链条是：

盈利或政策预期改变 → 价格下降 → 保证金恶化 → 被动平仓 → 流动性收缩 → 跌幅进一步扩大。

若盈利预期没有恶化，去杠杆后确实可能快速反弹；若市场同时发现需求被高估、折旧过快或商业模式不成立，去杠杆只是长期估值重定价的开始。因此，「长期产业向上」并不能保证相关股票在每次去杠杆后回到原高点。

四、哪些内容仍然值得保留

1. AI 是资本密集型产业，而非单纯的软件复制

IEA 预计全球数据中心用电量到 2030 年可能接近 945 TWh，约占全球用电的 3%；2025 年数据中心用电量仍快速增长。这说明电力、并网、制冷和数据中心建设可能成为真实物理约束。

2. 数据搬运和内存确实可能成为下一阶段瓶颈

随着模型推理量增加，瓶颈可能从单纯增加计算单元转向 HBM 带宽、缓存层级、芯片间互连、光通信、存内或近内存计算，以及软件对内存访问的优化。

但 PIM 不会自动替代现有架构，其编程生态、制造成本、可靠性和通用性仍是重要约束。

3. AI 会降低部分知识工作的技能差距

AI 能够让经验较少的员工更快接近既有最佳实践，这会削弱部分中低端技能的稀缺性。与此同时，真正稀缺的资源会转移到：正确的问题定义、专有数据、验证和问责、客户入口与分发、组织执行、资本和能源。

所以播客所说的「经验仍然稀缺」只对一部分高阶、隐性和情境化经验成立；机械重复的经验会迅速贬值。

4. AI 产业向好，不等于所有 AI 资产都值得买

这是播客最应进一步讲清楚、但没有讲透的一点：

技术创造的社会价值、企业获得的利润、股东得到的投资回报，是三个不同问题。

AI 可以产生巨大的消费者剩余，但如果模型价格持续下降、开源模型压缩定价权、客户可低成本切换供应商、资本开支和折旧持续上升、利润被芯片或电力或渠道环节获取——那么应用广泛并不一定意味着模型厂商或所有基础设施公司的股东都能得到超额回报。

五、更可靠的 AI 资本周期判断框架

不要预测一个确定的「泡沫破裂季度」，而应同时观察五层指标。

其中最危险的组合不是单纯「资本开支很高」，而是：

资本开支继续加速 ＋ 利用率下降 ＋ AI 收入增长放缓 ＋ 自由现金流转负 ＋ 外部杠杆上升。

最健康的组合则是：

单位推理成本下降 ＋ 付费采用持续增长 ＋ 收入增长快于折旧和资本成本 ＋ 现金流重新改善。

六、最终判断

这期播客应当这样使用：

最应保留的是：

AI 正在形成一个由算力、内存、网络、电力和应用共同构成的新资本周期，而短期市场回报会受到资本开支和杠杆结构的强烈影响。

最应删除的是：

70% 净利润、8,000 亿美元 OTC 杠杆、韩国散户平均 5 倍杠杆、中国 55% 全部 Token、确定的 2026 年二季度真空期，以及去杠杆后必然快速反弹。

它提供的是一幅有启发性的地图，但其中若干坐标、比例尺和到达时间并不可靠。