AI浪潮，為何突然「踩剎車」？

過去兩年，人工智能無疑是全球資本市場最熾熱的風口，掀起了一場席卷全產業鏈的財富狂歡。

從上游核心硬件到下游應用落地，AI賽道走出了一波史詩級行情：英偉達（NVDA.US）憑借算力壟斷地位市值一路飙升；智譜（02513.HK）、OpenAI、Anthropic等大模型企業估值水漲船高；SK海力士（SKHY.US）、英特爾（INTC.US）等半導體巨頭順勢崛起，光模塊、光芯片、特種陶瓷材料等細分賽道翻倍暴漲，就連數據中心基建、電力配套、存儲器件等偏傳統的基礎設施板塊，也借著AI算力建設的東風走出了逆勢行情。

一時間，資本瘋狂湧入、企業加碼佈局、行業樂觀情緒拉滿，所有人都笃定AI將開啟新一輪數十年的產業革命與增長週期。

然而2026年盛夏，矽谷的熱浪依舊，AI產業卻迎來了一場透心涼的「資本寒流」。費城半導體指數最近20個交易日累跌超18%，其中今年表現最好的芯片股美光科技（MU.US）在最近20個交易日累跌近24%，被黃仁勳熱捧的明星邁威爾科技（MRVL.US）20日累跌超37%，曾經被奉為圭臬的「算力永缺」叙事，出現了裂痕。

這場突如其來的估值降溫，或許只是單純的市場情緒退潮或短期資金獲利了結，但是，大家不由得正視起AI產業浪潮狂奔過程中的暗礁，這可能決定了這場熱潮的可持續性。

第一重暗礁：監管鐵幕落下的影響

AI技術的叠代速度遠超法律法規的更新節奏，而技術賦能的邊界模糊、數據安全風險、算法倫理隱患、壟斷與侵權問題等，或倒逼全球AI監管從空白探索走向全面收緊，成為阻擋AI無序擴張的一道重要閘門。

當前，全球AI監管體系已進入密集落地階段。歐盟《人工智能法案》正式生效，對高風險AI系統實施嚴格準入管控，對通用AI模型提出透明度和風險評估要求；中國持續完善生成式AI管理辦法，明確大模型備案、數據合規、內容審核等硬性要求；美國則通過行政令和行業規範，對大模型訓練、數據採集、AI壟斷行為展開針對性監管。此外，各國圍繞AI跨境數據傳輸、AI生成內容版權、AI就業替代風險等的專項規則也在持續落地。

監管的全面收緊，直接擡高了行業的準入門檻。對於中小AI企業而言，合規成本驟增意味著生存壓力加大；對於頭部科技巨頭而言，監管約束使其產品發佈週期拉長、全球化部署策略被迫調整。監管併非要阻礙AI的商業化進程，但將改變游戲規則。

第二重暗礁：資本擴張的可持續性，成本與效益的審視

今年上半年AI產業估值的爆發，明顯側重於上游產業鏈。下游大模型及應用等面向終端用戶的科技巨頭，斥巨資進行算力搭建、模型訓練、數據中心建設、技術研發，是推動上游產業鏈業績向好進而估值飙升的重要支撐。同理，如果這些科技巨頭，以及主權實體降低對AI的投資，或是減緩對AI的投資，這一估值邏輯將會動搖。

在審視AI投資的時候，主要衡量兩點：投資回報率和其投資的能力。對AI的投資已經進行了數年時間，能夠產生的效果也初見端倪，當前對AI產業鏈的評估多少帶有AI的變現預期，從上游產業鏈最近被追高的速度與體量來看，當前市場對於AI投資的預期非常樂觀。一旦AI發展不如預期，AI投資進度放緩，投入金額也縮量，上游產業的整體市場價值將會收縮。

接下來的6月財季業績，將成為預判AI資本開支走向的重要風向標。谷歌（GOOG.US）、微軟（MSFT.US）、亞馬遜（AMZN.US）、Meta（META.US）等海外科技巨頭，以及國內頭部互聯網企業如騰訊（00700.HK）、阿里巴巴（09988.HK）等，都會被置於放大鏡下細細觀察，它們對於AI投資的展望，AI的發展進度，AI應用如何融入其生態服務中，都將面臨更為嚴苛的審視。如果巨頭們的AI業務不及預期，兌現正向現金流的可預見性併不高，算力投入、研發投入、基建投入的性價比併沒有改善，勢必會主動削減後續資本開支，直接導致AI產業鏈上游需求萎縮。

與此同時，這些企業現有業務的表現以及現金流情況，也會直接影響到未來的AI投資。其核心業務的利潤和現金流，是這些科技巨頭長期加碼科技賽道、佈局AI的底氣。

但是AI技術的快速滲透，正在持續颠覆傳統產業格局。谷歌的廣告業務、亞馬遜的電商零售、微軟的Office套件、Meta的社交媒體廣告……才是科技巨頭資本開支的真正來源。然而，AI對傳統產業的颠覆，正在反噬自己的「金主」。

以廣告行業為例，生成式AI讓內容創作變得極其廉價，大量AI生成的劣質信息充斥平台，廣告位的真實觸達率下降，品牌方開始質疑數字廣告的性價比。與此同時，AI搜索正在蠶食傳統搜索引擎的廣告份額——當用戶可以直接從大模型獲得答案，誰還願意點擊那些「贊助商鏈接」？

更重要的是，這些科技巨頭的核心服務能產生收益，都依賴於用戶的支付能力和消費需求。被AI替代的人力資源因為收入減少而降低消費，最終會反饋到這些科技巨頭身上，導致依賴傳統產業獲利的巨頭們收益大幅下滑。在自身營收承壓之下，資本方自然也無力支撐AI賽道動辄千億級的年度資本開支。

第三重暗礁：AI商業化「叫好不叫座」

AI浪潮能否持續，最終取決於一個樸素的問題：它到底能不能賺錢？

大模型作為AI產業鏈最核心的變現前端，是檢驗行業商業化能力的核心標尺。目前，國內智譜、百度（09888.HK）文心一言、阿里通義千問，海外GPT系列、Claude等主流大模型，均面臨相似的困境：單次訓練成本高達數千萬乃至上億美元，日常推理算力消耗、數據叠代、運維成本持續走高，但變現模式卻高度集中於API調用、企業定制服務、會員訂閱三條路徑。

更關鍵的是，多數企業引入AI後，難以在短期內量化其經濟回報。就個人用戶而言，對月費的承受力有限，轉化率普遍偏低；而企業客戶雖然預算更充裕，但高預算也意味著高回報，往往希望能加快將AI的投入從「成本項」轉為「收入項」，短期內或難以企及。

與此同時，大模型推理成本正高速下降，這既是福音也是詛咒：低成本讓更多應用場景變得可行，但也讓大模型企業的定價權被持續削弱，增加其商業化難度。

第四重暗礁：加息週期讓AI投資變得昂貴

AI產業的高速擴張，離不開全球低利率環境的滋養。過去數年，全球寬松的貨幣政策，讓科技企業能以極低的成本發債、貸款、融資，肆無忌憚地加碼AI算力建設和技術研發。但隨著全球主要央行進入加息週期，寬松紅利終結，這將令AI全產業鏈的投資與融資成本上升，對AI項目的回報要求也會大幅提高。

當前，全球債市持續承壓，發達國家財政赤字高企，推動國債收益率持續飙升，市場整體融資利率全面上行。與此同時，谷歌、亞馬遜、Meta等科技巨頭為持續佈局AI，大規模發債募資，或進一步推高市場利率。對於AI企業而言，融資成本上升意味著每一筆算力投入、研發投入、基建投入的回報要求也會更高，投資者在審視這些項目的時候，也會更加嚴苛。

第五重暗礁：產能過剩的隱憂

在狂熱的投資期，巨頭們往往容易陷入「規模崇拜」，卻忽視了供需規律。存儲芯片、算力芯片、光模塊、服務器等核心賽道，迎來了萬億級別的產能投入，而這種盲目擴產，正在催生嚴重的供需失衡危機，有可能成為阻礙行業持續上行的重要因素。

以存儲芯片為例，巨頭們逾萬億美元的投入，極有可能在數年後演變成一場嚴重的產能過剩。當市場上充斥著同質化的大模型和過剩的硬件時，價格戰在所難免，利潤空間將被極度壓縮。

第六重暗礁：就業替代引發的「經濟反噬」

AI技術的普及，正在從替代重復性勞動，進階到替代中高端腦力勞動，引發大規模就業重構。此前大眾普遍認為AI只會替代流水線工人、基礎服務人員，但如今，代碼生成模型可以替代初級、中級碼農完成編程工作，AI辦公工具可以替代文案、運營、財務、基礎法務等崗位工作，大科技企業批量裁員已成常態，大量高薪腦力崗位被AI替代。

這種就業替代併非個體現象，而是群體性、行業性的結構變革。被替代的職場人群，大多背負房貸、消費信貸、家庭養老育兒等剛性支出，大規模失業意味著收入斷層，直接引發一系列經濟連鎖反應：居民收入下降導致消費收縮、房貸斷供風險攀升、信貸違約率持續上升，進而壓制樓市、消費市場活力，催生局部通縮壓力。

從產業鏈傳導來看，下游消費市場的持續疲軟，會逐步向上傳導至實體產業、科技產業，各行各業的企業盈利承壓，都會更謹慎地權衡AI投入的性價比，不再盲目跟風加碼AI佈局。而整體經濟的通縮壓力，還會倒逼全球貨幣政策被動調整，進一步影響資本市場流動性，從底層制約AI產業的持續擴張。

物理的極限與抽象的壁壘

除了經濟和社會的制約，AI自身也面臨著難以逾越的物理與認知天花板。

首先是物理基礎設施的剛性瓶頸。大模型的訓練和推理是名副其實的「電老虎」，預計到2030年，全球數據中心耗電量將翻倍。未來的制約因素可能不再是芯片供應，而是為其供電的吉瓦級電力。

此外，AI的虛擬仿真與真實物質世界存在不可消除的鴻溝。數字模型只能擬合相關性，無法完整復刻熱形變、材料應力等物理因果。在容錯率極低的制造、航空等領域，AI的「幻覺」可能帶來致命風險。

在認知層面，當前的AI系統本質上仍只是在人類的認知框架內工作，復述文字規律，卻缺乏對現實世界因果邏輯的理解，更無法像人類那樣通過與物理世界的交互去發明新概念和創造新的東西。如果沒有源源不斷的新鮮真實數據，模型參數再擴大，也可能陷入重復擬合的死胡同。

啟示：從狂熱回歸敬畏

阻擋AI浪潮的，從來不是單一的技術瓶頸，而是一張由監管、資本、經濟、社會、物理和認知交織而成的巨網。這給我們帶來了深刻的啟示：技術革命的關鍵拐點，往往不是技術增強的時刻，而是社會和企業終於找到與新技術相匹配的新組織形態。

 蒸汽機發明半個多世紀後，工廠制度才真正釋放了它的生產力；電力問世數十年後，流水線才徹底改變了制造業。AI亦是如此——它的真正拐點，或許不在算力突破的那一天，而在我們終於學會如何組織人才、重構流程、設計激勵機制，讓AI與人類各司其職、協同進化的那一天。

監管要跟上、資本要算賬、商業模式要驗證、就業要轉型、物理瓶頸要突破——這些都不是一蹴而就的事。但正是這些「阻力」，才讓AI的發展從躁動歸於沉穩，從投機回歸價值。