紧急加更:当科创50跌成科创25,全球AI泡沫到底破没破?- 慧客堂 X 苔藓之火
本篇先锋
董艺婷
摘要
- AI产业的真实繁荣与科技股的大幅回撤,可以同时成立。 Raymond看到美国付费需求牵引模型公司、应用和供应商共同增长,董艺婷面对的却是纳指仍创新高、科创指数已跌约50%的市场。两人的共同起点是:中美的一、二级市场处在“四个不同的时空”,不能拿产业前景直接推导持仓收益。
- 美国AI内部已有明显分化,融资泡沫的裂缝与算力短缺并存。 Raymond以Thinking Machines Lab首轮120亿美元、第二轮估值喊到500亿美元时融资已很困难为例,说明“下一个OpenAI”并非都有人接盘;与此同时,云厂商仍因掌握算力而受到追捧。今天的供不应求,并不排除明后年过剩,也不妨碍二级市场提前交易违约风险。
- 万亿美元资本开支的争议,最终是未来收入能否承接折旧的争议。 Raymond粗算,若每年投入约1万亿美元、四五年摊销,累计起来可能需要每年几万亿美元收入支撑;收入不及预期,供过于求便可能沿产业链传导。但他保留另一种可能:技术突破会扩大需求,“我们不应该用旧有文明的体量去估计新文明会是什么样子”。
- 跨市场联动有真实机制,却不能直接变成逃顶或换仓的时钟。 董艺婷区分产业投资与盈利关联、共同流动性、短线情绪外推三条链条;后者尤其容易让人把先开盘市场当作答案。Raymond担心,亏损后从A股追到美股,再遇反向行情,两边最关键的上涨日可能都不在场。
- 看见拥挤、看对泡沫,与真正做对交易是三件事。 董艺婷认为,这轮A股下跌主要由资金和风险偏好决定,不能直接解释成技术前景被证伪;Raymond则强调,不能因为预测困难就放弃研究入场位置。讨论最后收敛到行动准备:“你可以用任何一次下跌来证明自己对泡沫的预言是对的,但是不等于你能做对。”
- 资产配置的价值,是让科技仓位的错误不至于摧毁家庭财富。 董艺婷以六七成资产集中科技、指数下跌50%便可能损失约三成财富为例,解释分散与再平衡如何保护持有能力。它不能精准逃顶,却可能让人“走得更远”;她对杠杆的反对贯穿整场讨论。
- 能否赚到科技浪潮的钱,首先取决于资本期限、仓位和生活约束。 产业参与者可能同时拥有“产业杠杆叠加人力杠杆”,普通投资者则需要能承受波动的资金结构。对于已有亏损、准备入场或想集中进攻的人,两人反复追问的不是下一次突破何时出现,而是亏损能否承受、规则能否执行,以及自己是否真的“睡得着觉”。
精读
1. 美国一级市场的繁荣有付费需求牵引
- Raymond在美国停留近一个月,主要接触科技创业者和投资人。他强调,公开信息未必有差别,但与当地人聊天能看到K线和财报之外的状态;他感受到“人的状态是不太一样的”。
- 在他的观察里,Anthropic、OpenAI等链主收入增长,带动算力、数据和各类服务需求;中国虽然豆包、DeepSeek使用广泛,真正付费的人却没那么多,能够养活的配套生态也就不同。
- 他以Cognition说明美国市场对第二、第三名仍有容忍度:产品存在差异,付费市场又足够大,排名靠后也能实现很快的收入增长。大家会觉得:“虽然你是第二名,那又怎么样?”
2. New Labs已有裂缝,机器人仍处不同周期
- Raymond认为,美国一级市场较明显的泡沫集中在New Labs:大厂研究员带着新算法想法创业,资本曾给予很高宽容度。他举Thinking Machines Lab首轮120亿美元、第二轮估值喊到500亿美元时融资已很困难为例,判断这里已有“很大的裂缝”。
- 机器人呈现另一种时差:他感觉中国已经走过融资、头部上市、股价下跌再上涨的一轮,美国许多机器人、数据及场景实验室却是最近12个月才起来。
- 他甚至推测,美国可能还会出现百亿美元、产品尚未成形的机器人New Labs;但按他的观察,目前机器人领域的这种泡沫还不强烈。同一市场内部,也有刚起步和老股已无人问津的赛道。
3. 算力争抢与二级市场的违约担忧同时存在
- Raymond提到CoreWeave和Nebius:算力生意好到饭局上都会受到额外礼遇,别人希望“算力分我一点”。至于借分配算力谋取参股等利益,他明确说属于道听途说。
- 连谷歌内部的DeepMind也存在资源分配争议。他转述,一些研究员认为没有5,000或1万张卡就无法验证想法,不愿耗掉研究生涯的黄金时间,因此有人跳槽或另起New Lab。
- 但二级市场已通过CoreWeave的CDS讨论违约风险。他并未据此下结论:明后年算力可能过剩,今天看到的却仍是争抢。这也是他所谓中美一、二级市场四个“平行宇宙”的具体体现。
4. 长期看好,并没有消除买贵和集中持仓的风险
- 董艺婷回顾2024年9月的判断:史无前例的科技浪潮,与她当时认为中国股市“跌无可跌”的状态重合,构成向上的机会;她也曾提醒,等怀疑者都转而赞誉这个判断时,就非常危险。
- 她观察到,今年6月一些原本坚持红利或杠铃配置的人转向全部投资科技,随后经历7月至今的下跌。一位听友形容,自己看着“科创50慢慢变成科创40、科创30,现在已经是科创25了”。
- 从长期产业派到风险监测派、杠杆进攻派,听友的共同难题其实相同:长期看好已经成为共识,但面对“高机会、高风险、高波动”的资产,怎样安排自己的钱?
5. 能从头赚到尾的人,先要满足资本条件
- 董艺婷先区分产业参与者:能够以自身能力争取OpenAI等公司的资源,这类人身上已带着产业杠杆和未来估值,可能同时获得“产业杠杆叠加人力杠杆”的收益。
- 不参与产业却想长期持有,就需要足够资本,而且没有财务支出、杠杆、亏损及时间压力;较早参与、上涨后已拿回本金的人,也可能凭借剩余仓位获得不错结果。
- 她对晚入场后再追逐其他市场的人更谨慎,对杠杆则明确反对。能否坚持或退出,“不完全取决于你的认知”,前提仍是资本规模与投资模式。
6. 真实技术突破,不意味着估值没有泡沫
- 董艺婷把问题倒过来:“因为科技行业有前景,所以它必然存在泡沫。”Raymond则认为,今天确有底层技术变化,不能直接类比主要由天量放水推动、缺少明显技术突破的2021年。
- 若给2021年的情绪和绝对泡沫估值水平打10分,Raymond的主观体感是今天约七八分。董艺婷补充,A股6月或许七八分,现在可能已回到5.5分,甚至更低;纳指则是另一种状态,创新高也不代表走势流畅。
- 美国投资人的乐观还来自快速兑现:Raymond举例,投资的公司可能18个月后就被英伟达收购,基金很快获得DPI、再募下一期。“假钱”很快变成“真钱”,正反馈又推动下一轮投资。
7. 估值背后的钱,决定投资人能相信什么
- 董艺婷认为,中国科研与资本的联系、天使到退出各轮次的接力,都没有美国那么紧密。资金风险偏好低、短期考核严格,投资人就很难承担长期不确定性:“胆是谁给的?是背后的资本给的。”
- 因此,机器人公司与OpenAI、英伟达横向比较50倍、60倍或80倍PE,并不能解释估值。除了增长预期,还要看买方资金能等多久、能承担什么风险。
- 她进一步提出一个带主观色彩的判断:定价“60%以上”的因素来自背后的钱。连创业者也无法完整预测技术终局,资本并非先看清未来再出价,而常按资金约束寻找契合的信息。
8. 并购退出能形成正循环,融资断层则催促上市
- 按Raymond列举的数字,过去12个月美国AI创业公司收购总值为1,590亿美元,其中Cursor占600亿美元。他说a16z同期原拟按约500亿美元估值领投;融资额究竟50亿还是100亿美元,他明确表示记不清。
- 他的对照是,中国一些公司把早期美元基金、国资、产业资本都找遍后,便只能冲上市;在美国可能由一个基金完成的C轮,在中国变成公众融资。美国不少公司则在上市前已被收购。
- 他认为差别也来自买方:创一代老板更容易相信自己能做,职业经理人更看重“Time to Market”;上市公司股价低迷,又使发行股票收购变得不划算,进一步削弱退出渠道。
- 但他反对因此妄自菲薄:模型一度令人担心越落越远,三个月后“K3出来了”,又追上来。他赞叹一些中国企业用美国同行1%、甚至千分之一的资源做出类似成果,并以“愿天下处处是泡沫”表达对更多资本支持的期待。
9. 跨市场股价跟随,至少有三条不同传导链
- 董艺婷先解释美国、韩国、中国台湾半导体公司的实际联系:算力、芯片和晶圆需求推动相互投资,现金流与利润进一步关联,盈利改善又催生下一轮资本投入。
- 第二条来自共同流动性。大资金管理组合时,会从上涨的头寸中拿出一部分配置其他资产,总盘子扩大,也会带来跨市场的同步表现。
- 短线跟随则可能更多来自“一人一票”:投资者缺乏自己的基本面和资金面判断,便根据更早开盘的市场线性外推。长期盈利关联与隔夜情绪传递,不能混成一个信号。
10. 万亿开支的风险,要沿折旧和收入往后推
- Raymond认为,资本开支首先反映真实繁荣:美国数据中心连建设工人都难招,移民限制又加剧劳动力不足,需求旺盛不只是财报里的数字。
- 他的粗略算术是:若每年花约1万亿美元,按四五年摊销,每年可能增加约2,000亿美元折旧;持续投入后,每年折旧可能累积到1万亿美元,需要几万亿美元收入承接。
- 投资人的担忧因此有根据:倘若收入达不到,数据中心建得过多,供过于求可能使价格迅速下跌,再沿链主向供应商传导。但这讨论的是未来,不能拿来否认今天的短缺。
- 他也保留技术突破的反面情景:过去三年,第三季度后常转悲观,次年1月却又出现奇迹;他举2025年的DeepSeek、2026年的Claude Code为例,提醒不能用旧有文明的体量去估计新文明会是什么样子。
11. 少数人All in,不等于整个资本体系风险偏好高
- 董艺婷把讨论放回宏观背景:美国通胀和国债收益率较高,中国则处于低通胀、低收益率环境。她认为,后者对应的是全社会资本风险偏好偏低,不能因身边有人集中买科技就否认。
- 杠杆投机甚至可能反向压低风险偏好:高风险偏好者爆仓后退出,旁观者也被吓住。她的观察条件是,除非看到中美国债收益率分别出现反转,否则局部All in不能代表资本体系发生转向。
- 对纳指与比特币,她的判断很明确:极端环境下会受到共同流动性和风险偏好冲击。“现在看起来相关性没那么高,到时候相关性会变得非常高。”
12. 拥挤度能够观察,却不能直接证明泡沫
- 董艺婷给出的定义是,估值远超一定周期内的利润增长预期,或基本面出现重大问题、使利润无法按当前预期实现;困难在于,AI技术不断刷新,外部投资者很难分清真正的预期差与信息不足。
- 她因此认为泡沫“很难被识别,几乎不能被识别”,尤其对处在产业外围的人。拥挤度反映投资者结构与交易集中,并不直接衡量估值和基本面预期之间的距离。
- 她对这轮A股下跌的定性是资金与风险偏好收缩,而非技术前景被证伪。要识别产业变化,需要理解技术路线和生态;二级市场已非常滞后,普通人未必值得把预测泡沫当作日常课题。
13. 预测正确与交易正确之间,还隔着行动准备
- Raymond举《大空头》原型Michael Burry:按他的转述,基金规模只有1亿多美元,Substack有30多万受众、年收入快接近1亿美元;他也提到Burry去年或前年曾公开做空英伟达和Palantir,但记不清具体时间。“悲观者正确,乐观者挣钱。”
- 董艺婷补充谢国忠的例子:2004年开始看空中国房市,若把最终拐点设在2022年,就提前了将近20年。预言可以被后来的下跌证明,却不等于当时能够做对。
- Raymond仍主张结合仓位研究位置:已有仓位、觉得贵,可以减;零仓位想参与,就要研究在哪里接。他甚至认为,硬要猜顶底也应该猜一猜,否则恐慌真正来临也不知道怎么应对。
- 董艺婷把这收束为行动准备:预先设想不同情景下如何保护资金、取得想要的收益,比执着预测日期可行。两人的侧重点仍有差别——她更依赖再平衡,他更强调研究与仓位结合。
14. 资产配置保护的是承受能力,无法承诺精准逃顶
- 董艺婷认为,分散首先保护家庭财富,使高度不确定资产上的错误不至于牵连全部生活;其次,组合仍安全,投资者才有能力继续持有科技资产。
- 她比较两种情景:六七成财富集中科技,指数跌50%就可能损失约三成;若起初30%科技、70%保本,上涨翻倍后再平衡,按她的简化示意,随后损失可能仅占初始财富百分之十几。
- 在这样的保护下,人反而能“走得更远”。资产配置不能精准逃顶,杠铃也不是与之冲突的另一套原则,而是分散和保护思路中的一个分支。
15. 研究可以带来心安,储蓄充足却未必消除损失厌恶
- Raymond自己管理科技基金,认为多了解公司业务、财务和管理层,能让持仓更舒服;若充分理解英伟达,突然跌20%时,甚至可能觉得是机会,而不是立即恐慌。
- 对“现金流稳定,是否可以把其余资产全部投入高风险资产”,董艺婷的条件是:储蓄与收入足以支撑家庭,投入部分即便失去,也不影响生活和心态。
- Raymond对此保留怀疑:“没有人能把钱投进去之后就不看。”他见过很有钱的人仍计较亏损,因为钱也是记分牌,像考试被扣两分一样影响情绪。
- 董艺婷再指出另一面:20年后回头看,今天40%到50%的波动可能只是小沟坎,人又会后悔没坚持。董艺婷把这称作“不是理财课,是冥想课”;两人最终仍回到选择与自身契合的方法。
16. 已亏损、准备入场与想换市场,需要不同规则
- 对已有亏损仓位,董艺婷给出有条件的再平衡例子:原来占20%,跌去一半后只剩约10%,可以考虑补回20%;前提是其余资产稳定,整体配置结构足够安全。
- 对从未参与、准备入场的人,她建议分批并设上限。问题不只是新手缺经验,老手也无法始终保持准确判断,规则要替人承担一部分决策压力。
- 对割掉A股换美股ETF,Raymond反问:若换过去后A股从3,000突然涨到6,000,会不会再换回来?他援引比特币一年可能只有约10个大涨日的说法,担心反复换市场,反而两边关键上涨日都错过。
17. 知道买了什么,与获得可执行的超额收益不同
- 董艺婷区分产品结构与企业基本面:公开ETF、挂钩产品可以通过披露、合同、客户经理或AI查底层资产;真正理解上市公司业务,却需要投入更多时间。非公开、不披露持仓的产品还可能需要专业归因工具。
- 她认为资产配置保护家庭,纪律实现“模糊择时”,选股则要看行业是否有个股超额收益的土壤;不能脱离阶段,简单评出哪一种最重要。
- Raymond提醒,信息到价格充分反映可能只有“一秒钟”,“很多所谓的Alpha也都是假的”。关税、战争、油价和美债变化,也不断超出已有经验。
- 连“科技股”的研究边界都变了:从熟悉的腾讯、微信、阿里、小红书,转向光模块、PCB、半导体细分和能源。他没想到研究AI最后要研究燃气轮机,但这已是需要学习的新常态。
18. 算力租价能提供线索,但领先研究的门槛极高
- Raymond建议关注H100、甚至A100租赁价格:他尤其看重“8年前的芯片”仍有人用、仍有人愿意付差不多的价格,这本身就是需求信号。
- 若新增算力过剩,用户会优先选择B300等新芯片,旧芯片租价理论上应明显下调。内存现货价格也值得观察;但等库存链条开始踩踏出货,看见时可能已经晚了。
- 他举Citrini的研究团队为例:针对5,000亿美元“星际之门”项目,用无人机辨认施工设备与液冷品牌,再用热成像判断机器是否真的运行。
- 董艺婷联想到CTA机构用无人机、卫星和遥感研究农作物。她的结论是,有资源的机构若已观测到领先变化,价格可能早已反映;深入产业可以满足研究兴趣,却仍不能自动解决家庭财富管理。