AI终极投资指南：把握下一代技术市场的机遇、风险和策略

作者：Viga Petar Mario

1. 引言

TradingKey - OpenAI 最近与英伟达、AMD 和博通的数十亿美元合作席卷了各大头条并推高了市场，但也引发了新一轮的讨论：Sam Altman 正在引领我们迈向一个失控的科技泡沫，还是我们正在见证新经济时代的奠基？每一次科技的重大拐点——无论是互联网、移动通信还是加密货币——都会带来一波炒作，紧随其后的是突破性赢家和令人警醒的失败者。

如今，随着 AI 推动着从代码和内容到芯片和云的方方面面，行业的格局和规模前所未有的巨大。掌控先进芯片和基础AI 模型的生产正在重塑行业的利润格局，但灵活的应用开发者和专业的集成服务商也在不断扩大的生态系统中确立了强势地位。对于投资者来说，真正的挑战是穿透炒作和市场情绪，找到那些能够塑造AI 领导地位的持久战略和风险。当消费者热情与企业试点让新商业模式接受考验时，只有那些能够洞察盲点并突破性趋势的企业才能抓住持久的机遇。在这个快速变化的市场中，分辨信号与噪音不仅有用，更是必要。AI 的下一章节将由那些既洞悉变革力量、又能把握潜在风险的人书写。

2. 行业概览

全球AI产业不仅在重塑科技格局，还在重新定义整个经济体系的架构，将社会推动到以指数级算力、能源和资本需求为标志的新基础设施时代。与以往由软件或互联网平台驱动的数字革命不同，如今的AI扩张既依赖于算法的持续迭代，也依赖于水泥、钢铁和硅片的实体基础建设。数据中心从曾经支撑云计算的细分基础设施，变成了战略性资产，预计未来几年其总用电量将翻倍以上，引发数万亿美元的企业资本开支浪潮，并催生新的融资方案、公私合营模式和创新能源战略。

来源：高盛

AI正迅速渗透到消费端、企业端以及工业领域。AI的普及速度远超商业化变现速度：ChatGPT每周活跃用户增长远快于收入。虽然用户参与度极高，但将流量转化为商业回报仍待挖掘。在企业内部，大家普遍希望通过AI提升运营效率、降低摩擦、释放生产力，但真正获得切实利润提升的企业还很少。整体来看，行业还在发展初期，无论是颠覆型初创公司、政府支持的项目，还是大型的垂直整合科技集团，都有很大的空间获得成功。

投资叙事独具特色：过去铁路、电气化、电信、互联网等历史大周期正在重现，但如今的战略资产已从传统资源转向数字基础设施与AI算力工厂。电力供应及电网现代化成为决定行业节奏的关键，能源可获得性正影响着选址和资本流向。资本市场也在不断扩容以满足这些需求：私人信贷、合资企业、资产证券化和新型开发模式等，为AI的物理基础设施引入了空前规模的资金。

从全球视角看，AI基础设施投资也是地缘战略的重要工具，各国正在利用数据中心和技术联盟来增强影响力及国家安全。虽然行业集中度和资本开支激增会让人联想到过去泡沫，但当前扎实的资产负债表、多元化的金融结构以及理性的估值水平，都不支持短期崩盘的判断。整体来看，AI产业的超级周期还处于早期阶段，在提升领导力、提升行业回报以及催生下一代技术领军企业方面拥有巨大的机遇。

来源：高盛

3. AI 生态系统细分

AI生态系统由三大关键层级组成：基础设施、核心技术和应用层，这三层共同推动创新并创造实际商业价值。基础设施负责算力运行的实体和能源需求，核心技术聚焦于硬件能力和数据模型，而应用层则将AI落地到各行业，形成高效的互联科技体系。

3.1 基础设施层

基础设施层是AI世界的根基，为AI系统持续运转提供物理和能源基础，包括电网、能源来源、数据中心建设以及冷却设备。这些环节保障了AI运行所需的电力、空间和环境，是整个AI供应链背后的无形支柱。

3.1.1 能源供应：通过核能、燃气电站，或风能、太阳能等可再生能源，为庞大的AI数据中心提供电力。

重要性：单个AI数据中心的用电量可接近一座核电站。将小型模块化反应堆（SMR）与绿色能源结合，被视为AI能耗问题的长期解决方案，正吸引大量资本投入。

主要玩家：

· Constellation Energy（CEG）：美国核能龙头企业，运营多家核电站，计划用SMR为AI数据中心供电。

· Vistra Corp（VST）：一家融合燃气与核能的综合能源公司，能为AI基础设施提供大规模电力。

· Oklo Inc.（OKLO）：SMR技术先锋，在Sam Altman支持下开发小型核反应堆，数据中心12GW项目储备，有望快速增长。

3.1.2 电网：负责将电厂发出的电力输送至AI数据中心，包括高压线路、变电站和智能电网技术，确保供电平稳可靠。

重要性：随着AI中心激增，预计到2030年全球用电需求将因AI增长15-20%。投资升级智能电网并整合可再生能源，成为关键方向。

主要玩家：

· NextEra Energy（NEE）：美国最大的可再生能源企业，专注风电、太阳能以及智能电网，为AI行业提供清洁电力。

· Duke Energy（DUK）：传统电力巨头，保障基础供电同时加大对电网现代化的投入，以应对AI日益增长的需求。

3.1.3 数据中心：涵盖AI计算的服务器、存储单元、网络硬件和整体建筑，是高算力与数据处理的核心设施。

重要性：受AI推动，全球数据中心市场有望到2030年保持10%以上年增长。预制化数据中心和边缘计算等新模式，带来全新投资机会。

主要玩家：

· Equinix（EQIX）：全球领先数据中心REIT，提供高度互联空间，支持AI云服务。

· Digital Realty Trust（DLR）：为AI客户打造定制化、大规模数据中心。

· CoreWeave（CRWV）：专注AI云计算，优化GPU网络以加快训练和推理。

· Nebius Group（NBIS）：全球化布局高效GPU集群，重视绿色能源。

· Cipher Mining（CIFR）：工业级运营商，面向AI高性能和密集计算。

· Iris Energy（IREN）：布局高密度、可再生能源数据中心，适合AI云与HPC。

3.1.4 冷却系统：通过液体、空气或浸没式冷却等技术解决AI芯片发热问题，确保设备稳定且寿命更长。

重要性：AI芯片的热量远超传统服务器，冷却效率直接影响能耗和运营成本。像液冷这类前沿技术，可节能30%，对数据中心尤为重要。

主要玩家：

· Vertiv Holdings（VRT）：专注制冷和电力解决方案，是AI数据中心冷却需求快速增长的受益方。

· Schneider Electric（SBGSY）：液冷领域领军，与NVIDIA合作推出AI系统，2025年收购Motivair后成为行业标杆。

3.2 核心技术层

3.2.1 硬件与计算层

硬件与计算层是AI生态系统的驱动力，为数据处理、模型训练和推理提供算力支撑。该层涵盖存储与内存、网络、逻辑与芯片以及系统集成，依托基础设施层，为数据、模型和应用层提供能力延展。

3.2.1.1 存储与内存：就像AI的大型记忆库，负责存储和调用海量数据。高带宽内存（HBM）提升速度，固态硬盘（SSD）用于存放训练集和模型。

重要性：大型AI模型需要数TB内存和PB级存储。HBM3/3e及HBM4的需求从2025至2030年有望实现每年30%以上增速，直接影响效率与成本。

主要玩家：

· Micron Technology（MU）：HBM与DRAM核心厂商，2025年HBM3e因AI服务器需求激增。

· Western Digital（WDC）：聚焦大容量企业级SSD和HDD，为AI中心提供存储。

3.2.1.2 网络：数据中心的高速通道，高速交换机和网络卡确保服务器间数据流畅，支持AI分布式任务。

重要性：模型训练对节点间带宽要求极高，400G/800G以太网和InfiniBand市场火热，2025年市场规模超200亿美元，扩展性和速度成为核心。

主要玩家：

· NVIDIA（NVDA）：收购Mellanox后统治AI网络市场，主打法InfiniBand和以太网。

· Arista Networks（ANET）：云与AI交换机专家，2025年份额持续提升。

· Cisco（CSCO）：推出Silicon One P200及OCS-2023路由器，应对AI数据中心数据激增。

3.2.1.3 逻辑与芯片：AI大脑，包括GPU、TPU、ASIC和量子芯片，处理数学运算、神经网络与新型算法。量子计算采用量子比特，能解决高度复杂任务，未来有望变革AI细分领域。

重要性：芯片是算力核心，2025年AI芯片市场规模将达1500亿美元，占硬件市场一半以上，性能决定模型速度与智能。

主要玩家：

· NVIDIA（NVDA）：凭借Blackwell B200 GPU在训练/推理领域绝对领先。

· AMD（高级微设备公司）：MI300加速卡挑战者，2025年收入大增。

· IonQ（IONQ）：量子领域领袖，低误差算法推动AI和新材料应用。

· D-Wave Quantum（QBTS）：退火型量子计算专家，主攻物流、金融和紧急优化，不需极低温。

3.2.1.4 主板与系统集成：相当于硬件拼装平台，将芯片、存储、网络等集成成高效AI服务器，实现交钥匙解决方案。

重要性：2025年AI服务器需求激增40%，系统集成提升效能、降低成本，是硬件粘合剂。

主要玩家：

· Super Micro Computer（SMCI）：AI服务器集成专家，深度合作NVIDIA/AMD。

· Dell Technologies（DELL）：企业AI服务器，2025年新品加强液冷与GPU集群。

3.2.2 数据与模型层

这是AI的智能核心，把原始数据转化为成熟模型，依托基础设施和硬件，包括数据获取/处理、集成/分析、模型开发/优化和部署/分发，驱动应用层创新。2025年市场规模达450亿美元，2030年超1200亿美元，年复合增长率22.5%-25%。

3.2.2.1 数据采集与处理：AI数据原材料车间，采集传感器/互联网等来源的数据，安全存储并清洗、标准化，为后续分析做好准备。

重要性：数据质量决定模型效果，不良数据会导致偏差和失准。规范处理流程可提升产品开发效率、降低成本。

主要玩家：

· Informatica（INFA）：数据清洗、集成专家，2025年AI治理收入增长25%，助力企业数据准备。

· IBM（IBM）：Watson平台主攻数据采集/云端存储，优化大型模型数据流。

· Amazon（AMZN）：AWS S3/Glue负责存储/清洗，为生成式AI构建数据管道。

3.2.2.2 数据集成与分析：数据管控中心，将不同来源数据整合、管理与加密，用AI挖掘商业洞察。

重要性：集成打破数据孤岛，管理保障合规（如GDPR），数据分析提升决策精度，2025年可提升准确率50%。对零售/金融行业变革意义重大。

主要玩家：

· Informatica（INFA）：强大的平台支持数据融合、加快AI驱动决策。

· Teradata（TDC）：Vantage产品精于管理和分析，助力金融AI应用。

· Oracle（ORCL）：云工具强化集成/分析，2025年AI收入涨20%，管理能力突出。

3.2.2.3 模型开发与优化：AI实验室，将处理后的数据转为神经网络模型，反复训练调优以追求最佳效果与公平性。

重要性：开发阶段培育预测/决策能力，优化环节通过反馈提升精度、缩短周期。2025年市场规模预计达2000亿美元。生成式AI尤其注重数据与模型协同提升质量。

主要玩家：

· Google（GOOGL）：TensorFlow为开发主力，Gemini工具优化大模型训练。

· IBM（IBM）：Watson Studio以数据洞察提升企业AI模型质量。

· Amazon（AMZN）：AWS SageMaker加速生成式AI迭代开发。

· Microsoft（MSFT）：Azure AutoML优化模型，助力生成式AI应用。

3.2.2.4 模型部署与分发：AI的交付环节，将已训练/预训练模型下发到云端或边缘，开源模型亦便于广泛应用。

重要性：模型部署支持低延迟、实时响应，分发加速落地并降低重复开发成本。2025年市场增长40%，云服务为智能汽车/医疗AI提供核心竞争力。

主要玩家：

· IBM（IBM）：Watsonx提升部署效率，2025年拓展企业AI服务。

· Amazon（AMZN）：AWS Bedrock提供海量预训练模型，节省开发费用。

· Microsoft（MSFT）：Azure AI部署超7万家企业，优化AI能力输出。

· Google（GOOGL）：Vertex AI实现快速模型下发，支持边缘化部署。

3.3 应用层

应用层是AI价值链的顶峰，依托底层支撑，打造具体产品与服务。通过企业级、消费级及行业专用场景，将AI深度嵌入商业与生活，实现经济和社会效益。市场规模：2025年达800亿美元，2030年2500亿美元，年复合增长率25%-30%。

3.3.1 企业应用：在CRM、ERP、人力资源、营销自动化和分析领域成为企业运营核心，自动化、辅助决策与提升效率，助力降本增效、增强竞争力。

重要性：能够自动处理日常事务、完成预测（如销售预测）并优化（如供应链管理），大幅提升运作水平。企业市场需求持续增长，Gartner预测2030年行业规模超千亿美元，是AI商业变现和收入增长的关键。

主要玩家：

· Salesforce（CRM）：Einstein平台，把分析和客户管理整合，行业领导者。

· ServiceNow（NOW）：专注AI驱动IT管理，数字化浪潮下增长迅速。

· UiPath（PATH）：自动化流程核心厂商，满足大规模企业效率提升需求。

3.3.2 消费类应用：AI融入日常体验，包括智能助手、推荐系统、社交分析、虚拟助手和个性化内容，基于用户行为动态调整。

重要性：随着移动和智能终端普及，用户规模激增——Statista预计2025年市场规模达500亿美元。提升用户体验与广告效率，推动消费支出，加速AI普及与效应释放。

主要玩家：

· Amazon（AMZN）：Alexa实现语音智能、个性化推荐，依托海量数据极大提升购物体验。

· Alphabet（GOOG）：Google Assistant与YouTube算法提升用户粘性，稳固搜索与广告地位。

· Meta（META）：社交信息流与广告算法精细化运营，提高留存与ARPU。

3.3.3 行业专用应用：针对医疗、金融、制造、零售和物流等行业定制，深度解决垂直场景难题。

重要性：行业壁垒高，利润空间大，助力产业痛点突破及数字化转型。IDC预计到2027年市场规模将超800亿美元，是AI差异化创新的主力阵地。

主要玩家：

· Palantir（PLTR）：平台面向零售、金融和政府客户，个性化数据分析；在国防等领域也强化安全与信赖。

· CrowdStrike（CRWD）：AI技术识别网络安全威胁，实现实时防护，增长强劲。

· Intuitive Surgical（ISRG）：达芬奇手术机器人将AI与精准医疗结合，引领医疗科技创新。

通过能源/电网/数据中心/冷却等基础设施、硬件算力与数模技术，以及企业、消费、行业专用场景的协同整合，AI生态系统打造出完整价值链。从电力到芯片、从数据处理到模型部署，推动AI从基础到落地不断进化。市场预计2025年突破千亿美元，并以20%-30%的年增速持续扩大，持续重塑全球技术与经济格局。

4. 构建AI应用的公司

AI应用浪潮推动了一个多层次的生态体系，价值创造不仅依赖基础设施和软件的进步，还离不开背后巨额的技术基础设施投资，这是实现规模化的关键。Nvidia、英特尔、AMD和台积电等主流半导体公司负责生产为模型训练和推理定制的芯片，而微软Azure、AWS、Google Cloud、Oracle等超级云厂商及专业数据中心运营商，则为全球AI工作量提供高性能计算资源和网络。这些合作伙伴正不断扩展算力和存储规模，创新能源管理方式，建设高可靠、面向未来的数据中心，以适应AI高速发展的需求。

有了这些基础，整个生态系统在软件驱动下纵深发展，分为三大互为交错的层级：基础模型提供商、应用领导者、服务集成商。三者共同决定生成式AI的技术进展速度、市场覆盖范围以及商业变现路径。

来源：Spear Invest

4.1 基础模型提供商：底层核心

基础模型是大型通用AI系统，为当今最先进的生成式AI应用提供支持。这些模型是新AI时代的平台，支持从聊天机器人、虚拟助手到编程助手和创意设计工具等各种应用。

在全球范围内，最具影响力的提供商包括 OpenAI（ChatGPT）、谷歌（Gemini）、Anthropic（Claude）、xAI（Grok）以及包括 DeepSeek 和阿里巴巴（Qwen）在内的中国主要公司。随着用户偏好和用例的差异化，组织和个人越来越多地将每个平台的独特优势与自身在编码、生产力、创意工作或行业应用方面的特定需求相匹配——详情请参阅下表中的比较。

每家提供商通过不同组合的订阅、企业API授权和战略合作伙伴关系实现营收，具体占比如下表所示：

4.2 应用层领导者：AI直达终端用户

应用层是AI价值与生产力直接落地的场景，无论是企业用户还是个人消费者，均可感受到技术变革。龙头玩家包括企业软件巨头微软（Copilot）、Google（Gemini Workspace）、Salesforce（Einstein）、Workday（AI）、ServiceNow（Now Assist），以及Duolingo（Max）、Intuit、Spotify、Adobe（Firefly）、Canva和Tempus AI等消费和垂直领域平台。这些公司利用生成式AI和推荐引擎，批量实现智能自动化、个性化和高效率内容生产。

AI原生初创公司则持续用AI赋能各类创新，包括智能助手、自动化工作流、面向行业的定制工具，服务于知识工作、教育、设计等丰富应用领域。在这样的环境下，深度AI赋能已成为产品差异化与增强用户黏性的关键。

来源：Spear Invest

不过，行业门槛并非一成不变。下一代挑战者（通常是初创或基础研究团队孵化公司）可通过OpenAI、Anthropic或开源模型的公共API，迅速构建新产品并快速迭代。

应用层的AI商业化仍离不开捆绑和高级订阅、按使用计费（如API/平台授权）、数据合作、广告、甚至平台分成和应用内购买。随着生成式AI成为主流应用标配，收入渠道正加快分化，但目前AI营收大多归入整体产品收入，且正在随着普及而增长。

4.3 服务集成：企业数字化转型的关键推动者

应用层虽能提供标准化AI工具，大多数企业仍需要专业合作伙伴，帮助在复杂的系统、数据和合规环境内实现模型的落地、集成和扩展。服务集成商就是这一环的桥梁，提供咨询、技术部署和行业深度经验，支撑大规模数字化转型项目。

虽然应用程序提供商提供标准化的AI解决方案，但服务集成商对于AI创新落地为企业价值至关重要，尤其在面对技术、合规、组织障碍时，他们保障生成式AI工具能根据企业实际环境进行有效扩展和适配。随着企业从小规模试点走向全面运营变革，集成层的作用愈发不可或缺。​

对于服务集成商来说，AI相关收入依然与整体数字化转型项目捆绑，但纯AI收入一般50-70%来自定制咨询和大项目（如专属AI方案、企业级顾问、法规服务），剩下30-50%来自托管服务（云托管、系统监控、运维支持），自研集成软件收入占比不足10%。总体上，目前AI收入在营收中的比例还很小但增长迅速。​

总结来看，未来AI应用主要突破口可能仍在消费领域，基础模型公司凭借平台规模、订阅/APIs/应⽤商店/广告/云合作/硬件整合等多元渠道，继续占据生态主导地位。随着基础模型赋能数字助手、创意工具、个人应用，头部应用型公司仍将在生态中扮演重要角色。与此同时，企业市场依然不可忽视，企业级应用和服务集成不断推动工作流程自动化、合规和产业转型，但也面临日益激烈的竞争。

5. AI投资策略

正如前文所述，理解AI价值链并不容易，因为其结构复杂、参与者众多且企业高度技术化（比如理解Nvidia、博通和ASML之间的区别，本身就需对底层技术有所涉猎）。AI投资又在此基础上增加更多变量，要求投资者既懂业务运作，还要熟悉市场机会和估值风险。与其他产业和投资主题相似，有个坚实的投资框架，既能评估收益潜力，也能合理管理风险，显得尤其重要。

这里归纳了四种可有效参与AI浪潮并兼顾风险管控的投资策略：

策略1：优先布局大型AI平台型公司而非纯AI新势力

我们可以将AI参与者大致分为两类：既有者和竞争者。现有企业是指规模庞大的老牌企业，包括英伟达、微软、亚马逊、Alphabet 和 Meta 等“七巨头”。

另一方面，我们也关注新兴企业，例如 OpenAI 和 Anthropic（均运营大模型）、CoreWeave 和 Nebius Group（均为基础设施提供商，出租 GPU 驱动的数据中心用于 AI 工作负载）、Snowflake 和 Databricks（数据平台）以及 Palantir 和 AppLovin（AI 工具）。

我们认为，投资大型现有企业更具吸引力，风险回报比更高。像谷歌和微软这样的公司已经在各自领域建立了占据主导地位的业务（谷歌在搜索和广告领域，Meta 在社交媒体和广告领域；微软在企业软件领域）。从财务角度来看，这些公司凭借其传统业务，拥有极高的利润率和正现金流。

AI领域的竞争对所有参与者来说都非常激烈，但大型AI扩张企业占据的主导市场份额提供了非常坚实的竞争壁垒，而他们雄厚的现金储备和现金流可以帮助他们进一步投资AI并保持领先地位，这意味着他们可以聘请最优秀的工程师并收购最具前景的AI初创公司。其有限的负面影响在于，即使AI发展放缓，也不会对这些公司构成重大的生存威胁，因为他们原有的业务将帮助他们摆脱困境。

其缺点在于，与大型AI扩张企业不同，新兴的纯AI公司可能在短期内带来更具爆炸性的投资回报。例如，在过去的12个月里，PLTR的股价上涨了300%以上，而CRWV的股价同期上涨了近250%。

策略2：通过ETF投资AI价值链各环节

正如我们已经熟悉的，AI价值链包含许多节点——能源供应商、数据中心扩张企业、芯片设计商、云服务提供商、应用程序开发商——等等。投资者可以投资涵盖AI价值链不同环节的ETF，从而实现广泛的分散投资并降低单一股票风险。此类ETF的例子包括追踪纽约证券交易所半导体指数的iShares半导体ETF (SOXX)。

其持仓最多的是英伟达、AMD和英特尔等主要半导体公司。此外，还有Global XAI与科技ETF (AIQ)，该ETF更广泛地关注云计算等技术推动者，其中包括微软(Azure)、亚马逊(AWS)和Alphabet(Google Cloud)等在AI云服务领域占据主导地位的公司，以及ServiceNow(NOW)等软件公司。

AI价值链中一个略微被忽视的环节是能源供应商。随着数据中心和计算能力的增长，美国电力消耗占总电力消耗的比例将从4%上升到12%。 Defiance AI & Power Infrastructure ETF (AIPO) 追踪这一利基市场，其投资标的包括 Constellation Energy Corp (CEG)、GE Vernova (GEV)、Eaton Corp (ETN)、Vertiv Holdings (VRT) 和 Oklo (OKLO) 等有望推动未来 AI 崛起的能源公司。

使用 ETF 的某些局限性包括：主要持股可能重叠——许多 AI ETF 的权重都偏向少数几家大型股——以及对整体科技市场情绪的敏感性。此外，当我们将资金投入任何类型的集合投资（例如 ETF）时，都会产生管理费。

策略3：投资实施AI解决方案的非科技公司

科技并非一个孤立的行业，它影响着我们日常生活的方方面面。作为当今科技发展的驱动力，AI也同样如此。因此，投资者在追逐AI投资的同时，可以放眼科技之外，寻找能够直接受益的行业。

医疗保健就是其中之一。例如，在医疗保健领域，辉瑞公司 (PFE) 利用AI加速药物研发，利用机器学习分析海量数据集并预测分子相互作用，从而缩短了研发周期并提高了研发效率。同样，Moderna 公司 (MRNA) 在 mRNA 疫苗设计中运用AI，展示了生物技术与计算生物学的交叉融合。其他非科技领域的例子包括沃尔玛，它越来越多地将AI用于供应链优化。

从辉瑞、Moderna 和沃尔玛的例子可以看出，由于资金雄厚和规模经济，大型企业对AI的采用更为普遍。然而，像 Tempus 这样的新兴医疗保健公司，也正在利用AI进行诊断和药物研发。

主要的投资优势在于AI在传统行业中的巨大颠覆空间，而有限的劣势在于，非科技股的估值相对较低。因此，各行各业的公司将能够增加收入并削减成本。

然而，这种策略的一个缺点是，非科技公司采用AI的速度可能比科技公司慢。

策略4：投资海外非美AI公司

过去几年，AI的叙事主要围绕美国股市展开，考虑到美国科技公司处于创新前沿，这完全合情合理。然而，目前美国AI主题股票的估值已不低，投资者或许希望探索海外市场，以期在AI领域取得更大成功。

例如，阿里巴巴和百度等中国科技巨头正遵循与美国科技巨头相同的AI发展策略——在AI领域投入巨资，开发大型语言模型，运营庞大的云业务，甚至尝试开发自主研发的AI芯片。然而，不同之处在于，中国AI企业的估值要低得多。此外，如果我们将目光聚焦于欧洲，我们可以看到像ASML（用于AI芯片的光刻机）、Nebius（AI基础设施提供商）和SAP（企业软件）这样的企业。

由于美国以外的AI发展尚处于相当早期的阶段，这种策略的一个潜在限制是投资范围相对较小。如果我们将上述来自欧洲和中国的参与者排除在外，大多数非美国AI公司在这方面还有很长的路要走。此外，我们应该注意到，美国的风险投资资金比海外更加充裕，也更加成熟。

6. 机遇、风险与趋势

6.1 机遇与趋势

AI领域的机会在未来依然丰厚。上一节我们介绍了其中一些机会——投资大型AI扩展者、投资非科技应用者，甚至投资AI能源供应商。麦肯锡在2023年估计，到2030年，AI将为所有行业贡献3.5万亿至4.4万亿美元的经济价值——这一数字几乎超过了所有国家的GDP。

但其影响远不止投资。我们将看到大型老牌企业和新兴企业相互融合，共同提升AI模型的计算能力和复杂程度，这将使AI成为量子计算和物联网等其他趋势的催化剂，进一步模糊物理世界与虚拟现实之间的界限。

然而，在投资领域，高回报总是伴随着巨大的投资风险。其中一些风险是众所周知的：

6.2 风险分析

6.2.1 高估值

在股市反弹之后，许多AI股票的估值都非常高。

例子包括（但不限于）：

· 英伟达的预期市盈率为30倍（与其他AI公司相比并不算高，但与标准普尔500指数的平均市盈率相比仍然相对较高）。

· PLTR的预期市盈率为217倍——或许是标准普尔500指数成分股中估值最高的。

· 即使是未上市的OpenAI，其估值也高达5000亿美元，而其营收仅为140亿美元（市销率为35倍）。

这些高估值体现了投资者对AI的乐观态度，但也几乎没有留下任何犯错的余地；资本支出放缓或盈利令人失望可能会引发大幅回调。

6.2.2 激烈的竞争

从历史上看，科技行业的竞争一直非常激烈，在AI领域也是如此。 OpenAI 的 ChatGPT、谷歌的 Gemini、Anthropic 的 Claude、Perplexity 和 xAI 的 Grok 等大模型都在争夺市场份额。考虑到我们正处于这场竞争的早期阶段，结果难以预测，这取决于哪家公司能开发出最先进的技术和最可持续的商业模式。

6.2.3 循环交易与财务可持续性

近几个月来，我们开始观察到芯片制造商和 AI 扩展者之间复杂的金融交易，包括买卖 GPU、投资彼此的股票、抬高彼此的估值。这开始变得有点像财务操纵，甚至让人想起互联网泡沫后期的情形。

例如，甲骨文于 2025 年 9 月与 OpenAI 达成的 3000 亿美元云计算交易令人侧目，因为它似乎通过交叉投资抬高了估值，而不是带来直接的经济效益。此类交易可能会扭曲市场认知，并可能掩盖弱于预期的需求，从而增加市场回调的风险。

这也引发了一个问题：像 OpenAI 这样营收不到 150 亿美元，但资本支出却高达数千亿美元的公司，如何以及何时才能盈利？

6.2.4 地缘政治紧张局势

AI不再仅仅是一个经济和技术话题，它也是一个政治话题。

地缘政治风险可能会扰乱AI供应链，尤其对芯片制造商而言。台湾的台积电生产了全球 80% 的先进AI芯片，它正处于中美紧张关系的核心，出口管制限制了中国获取尖端半导体的渠道。此外，英伟达也面临贸易限制，因为英伟达将其最先进的产品出售给中国。

稀土短缺对芯片生产至关重要，但它往往会成为潜在贸易争端的诱因。

6.2.5 政府监管

政府支持对AI至关重要；然而，设计不当的政策可能会严重阻碍其发展。严格的数据监管可能会阻碍AI公司获取数据，而数据是开发复杂模型的关键要素——欧盟的《通用数据保护条例》（GDPR）就体现了这一点。

此外，能源限制，例如出于环境原因对数据中心使用核能或煤炭的限制，可能会阻碍AI的可扩展性，尤其是对于AWS、Azure和Google Cloud等云服务提供商而言。

6.2.6 黑天鹅事件

上述风险是已知的，然而，也可能存在一些我们目前尚不了解且极难预测的风险。当这些风险成为现实时，就会导致所谓的黑天鹅事件，其严重程度可能非常严重。最近一次这样的事件是新冠疫情（COVID-19），它引发了市场的大规模调整，扰乱了全球经济。我们无法预测下一次这样的黑天鹅事件将如何以及何时出现，因此很难做好准备。

7. 结论

AI不仅改变了技术的运作方式，还从根本上重塑了全球产业、投资和竞争的逻辑。其生态系统比任何单一趋势都更加深厚，从芯片代工厂和数据中心，到基础模型、企业工作流程以及日常使用的垂直应用，无所不包。基础设施、能源和人才方面的投资与应用层创新同样重要。OpenAI、谷歌和微软等平台领导者正在争夺主导地位，但初创企业和服务集成商仍拥有颠覆和重塑价值链的力量。

我们面临着巨大的优势和独特的风险：市场领导者拥有深厚的护城河和现金流，但激烈的竞争、监管压力和复杂的金融结构带来了波动性和不确定性。成功将取决于清晰的框架——全面审视AI产业结构，关注可持续优势，并关注估值过高、短期炒作和地缘政治冲击等隐藏风险。未来，AI领域的投资赢家将是那些能穿越复杂环境、持续跟踪行业变革，并精准分辨信号与噪声的参与者。

立刻体验