——从AI硬件周期,看一场技术革命中的资本命运
2026年秋天,AI产业出现了一幅颇有意思的画面。
一边是存储芯片供不应求,HBM、服务器内存、企业级SSD轮番涨价,硬盘厂商交出了多年来少见的漂亮财报。另一边,资本市场却开始怀疑,这场持续数年的AI硬件繁荣,还能维持多久。
企业的订单还在增长,利润仍然可观,股价却已经开始下跌。
究竟是谁看错了?
今天刚读到《晚点》对投资人刘迪凡的一篇访谈,其中有句话令人印象深刻:
“不能认为从你开始研究这个行业,周期就消失了。”
这句话看似平常,却说中了投资中一种很难克服的心理。
当我们亲眼看见一项新技术改变世界,看见需求爆发、订单排满、企业盈利节节攀升,很容易相信,自己恰好赶上了一个不同于过去的时代。
事实上,我们也许真的赶上了。
问题在于,一个时代的技术革命是真实的,并不意味着参与其中的每一家企业,都能获得与之相称的投资回报。
这两件事之间,隔着一条漫长而复杂的资本周期。
一、繁荣为什么会孕育衰退
假设有一家生产特殊零部件的企业。
它原本处在一个不起眼的行业,市场需求稳定,利润也很普通。
突然,一项新技术出现了。这种零部件变得不可或缺,客户争相采购,订单排到了两年以后。
企业于是涨价,利润率大幅提升。
资本市场很快发现了它。分析师不断上调盈利预测,投资者开始按照未来五年、十年的高速增长来给它估值。
故事到这里,似乎没有什么问题。
但高利润会产生一个结果:吸引更多资本。
原有厂商扩建工厂,竞争对手增加研发投入,新进入者开始寻找替代工艺。金融机构也愿意提供融资,因为每个人都看见了这个行业眼下的繁荣。
几年以后,新增产能陆续投产。
此时,即使市场需求仍在增长,只要供给增长得更快,原来的紧缺就可能消失。
价格开始松动,利润率逐渐回落。
奇妙之处在于,导致这一切的,并不是行业失败,而恰恰是行业太成功了。
今天的超额利润,成为明天超额利润消失的原因。
这就是资本周期理论最有解释力的地方。
它不否认技术进步,也不否认需求增长,只是提醒投资者:利润本身会改变未来的竞争环境。
这段历史,在铁路、钢铁、汽车、光纤、电力设备、太阳能和新能源汽车产业中,曾经以不同的形式反复出现。
当然,每次的技术条件、市场结构和竞争结果并不相同。
但资本面对高回报时的反应,却有着惊人的相似性。
二、需求还在增长,投资者为什么会亏钱
AI产业目前最有争议的地方,就在这里。
看多者认为,AI正处于技术扩散的早期。模型能力持续提高,推理成本不断下降,Agent开始进入企业和个人工作流程。
未来需要多少算力,可能远远超出今天的想象。
看空者则认为,不能因为未来有无限可能,就无限扩建今天的数据中心。
云计算公司大规模采购GPU、内存和存储设备,不等于最终用户已经创造了足够的付费需求。
这里实际上存在三个不同的需求。
第一层是最终用户的需求。
有多少企业和个人真正使用AI?愿意为它支付多少费用?它又能带来多少可以衡量的经济收益?
第二层是云厂商的需求。
基于对未来的判断,云厂商决定建设多少数据中心,采购多少GPU,配置多少内存和存储。
第三层才是硬件供应商看到的需求。
它们收到云厂商的订单,看到客户争抢产能,于是扩产、提价,并向投资者报告行业景气程度。
问题在于,这三层需求并不完全相等。
最上游的供应商可能正经历前所未有的繁荣,但最终用户的付费能力,还需要几年才能验证。
这很像新能源汽车产业。
零部件厂商可以从汽车企业的大量订单中感受到市场紧缺,但汽车企业的生产规划,最终仍然要接受消费者实际购买能力的检验。
如果中间环节高估了需求,调整便会沿着产业链反向传递。
AI当然不完全等同于汽车。它可能创造大量此前不存在的使用场景,成本下降也可能反过来刺激更多需求。
但问题仍然存在:
最终需求增长的速度,能否持续超过整个产业扩张供给的速度?
决定投资回报的,往往不是需求是否增长,而是这两个速度之间的差异。
三、市场往往比企业利润更早转向
这里还有一个容易被忽视的时间问题。
技术革命有自己的时间尺度。
一项技术从实验室走向大规模商业应用,可能持续十年、二十年,甚至更久。
产业供需有另一套时间尺度。
厂商扩产、竞争对手进入、技术替代、库存调整,可能每隔几年就形成一次周期。
而股票市场,又运行在第三套时间尺度上。
股价交易的是未来预期。
当一家企业的盈利快速增长时,投资者可能已经把未来几年持续增长的利润计入股价。
所以,一家企业即使继续增长,只要增长速度低于此前预期,股价也可能下跌。
更极端的情况是:
企业利润还在创新高,产业需求还在扩大,股价却已经走过了高点。
三者并不矛盾。
这也是周期投资中最难的地方。
投资者花费大量时间研究企业,最终证明自己的基本面判断是正确的,却依然可能在股票上亏钱。
因为他判断对了企业的现在,却错误估计了市场此前已经支付的未来。
刘迪凡在访谈中反复谈到,一些基金经理明明已经识别出周期风险,却又在股价下跌后重新买回。
原因并不复杂。
他们仍然相信自己的企业研究,觉得股票已经跌回合理估值。
但曾经支撑估值的高利润率,可能正在被新增供给侵蚀。
有时候,最危险的不是研究不够深入,而是研究太深入以后,反而很难放弃原有的判断。
四、但扩产,并不等于明天就会过剩
读完这篇访谈,我自己有一个保留意见。
资本周期的逻辑很有说服力,但不能由此直接断言,整个AI硬件产业即将同步进入过剩阶段。
因为不同产品形成有效供给的难度,并不相同。
普通NAND、先进HBM、服务器DRAM、大容量机械硬盘、光模块,虽然都受益于AI建设,但它们有不同的技术壁垒、产能周期和竞争结构。
一家企业宣布扩产,不等于明年就能形成合格产品。
产能形成,也不等于能立即通过客户认证。
通过认证以后,还要考虑良率、成本、产品性能,以及竞争对手是否掌握新的技术。
以HBM为例,先进封装、制造工艺和良率都是约束。新增投资不一定能迅速变成有效供应。
而某些标准化程度较高、进入门槛相对较低的产品,供给调整可能快得多。
因此,同一场AI技术革命中,完全可能同时出现:
某些内存产品仍然短缺,普通存储开始松动,部分光学材料迎来竞争者,而数据中心又在其他环节发现新的瓶颈。
这并不奇怪。
技术进步从来不是整齐划一的。
它通常会在解决一个瓶颈以后,把需求推向下一个尚未准备好的环节。
所以,我更愿意认为当下是:
AI硬件的普遍性估值扩张可能正在受到挑战,但不同细分行业的盈利周期,仍需分别观察和判断。
历史可以提醒我们风险,却不能代替对现实的观察。
五、算力越来越便宜以后,会发生什么
这也是整篇访谈和我一直思考相碰撞的地方。
假设未来几年,GPU、内存、存储和数据中心真的出现阶段性供给过剩。
硬件厂商利润下降,部分高杠杆云服务商遭遇困难,资本市场对AI基础设施的热情消退。
然后呢?
如果把视线从投资者的损益表移开,我们可能会发现另一种景象。
算力正在变得更便宜。
那些过去因为推理成本过高而无法商业化的应用,开始具备经济可行性。
例如,一个长期在线的个人Agent。
它可能需要持续保存用户的记忆,理解用户的偏好,追踪长期任务,并在获得授权后操作外部服务。
如果每一次查询、推理和工具调用都很昂贵,这类产品就很难大规模普及。
但当算力成本持续下降,情况可能发生变化。
用户使用AI的方式不再只是每天提出十几个问题,而是让多个Agent长期执行任务。
推理调用增加了,数据访问增加了,长期记忆需要更新,身份认证、权限控制和操作审计也变得越来越重要。
于是,新的问题出现了:
记忆应该保存在哪里?
怎样判断一段记忆是否已经失效?
多个Agent如何共享信息,又不泄露隐私?
谁有权使用某项数据、调用某个账户、执行某项操作?
怎样保存这些行动的依据,以便事后追溯?
这些问题无法单纯依靠增加GPU数量解决。
它们需要新的数据结构、数据库、身份体系、授权机制和审计基础设施。
这意味着,原有瓶颈的缓解,可能成为新瓶颈形成的起点。
当然,新瓶颈不一定产生高利润。
它也可能很快被开源软件、标准协议或大型平台内部整合所解决。
但它提示我们,技术革命的商业机会,并不只存在于最初供不应求的设备上。
六、历史上,泡沫破灭并不意味着技术革命结束
回顾过往的历史,不乏太阳底下没有新鲜事的案例,互联网时代,有一个令人感慨的现象。
20世纪90年代末,大量资本投入光纤网络、电信设备和互联网基础设施。
市场相信未来的信息传输需求会急剧增长。
后来,互联网确实深刻改变了世界。
但许多当年投资光纤、电信设备和互联网公司的股东,依然遭受了巨大损失。
一部分原因在于,资本投入太快,未来的需求虽然真实,却不足以在短期内消化全部建设产能。
然而,这些基础设施并没有完全失去意义。
随着网络成本下降,新的互联网服务获得了成长条件。
搜索、电子商务、在线娱乐、云计算以及后来的移动互联网,都在已有网络基础设施之上发展。
我们不一定认定AI必然重演2000年。
今天的技术、客户、资本结构和产业集中度,都与当时存在重要差异。
但历史至少告诉我们:
一场技术革命可以非常成功,而其中一代投资者依然可能非常失败。
社会获得的技术红利,不会自动按照资本投入比例分配给每一个参与者。
有些企业负责建设基础设施。
有些企业承担资本开支和折旧。
有些企业在供需紧张时获得超额利润。
还有一些企业,可能在多年以后,利用廉价而成熟的基础设施创造新的商业模式。
它们不一定是同一批企业。
这也正是技术革命与投资回报之间最重要的区别。
七、最终还是要回到每一股的经济价值
过去研究企业时,我们很容易被几个指标吸引:
收入增长多少,市场份额提高多少,产能扩张多少,技术是否领先竞争对手。
这些指标是企业分析的基石,是很重要。
但站在股东立场,所有问题最终都要回到一件事:
企业投入越来越多资本以后,原有股东每一股能够获得的长期经济价值,究竟增加了多少?也就是企业到底让股东得到了多少钱?
一家AI硬件企业可以在技术上取得卓越成就,产品销量持续增长,成为全球产业链不可或缺的一环。
但如果它为了维持竞争地位,需要不断投入巨额资本,而新增资本的回报率持续下降,那么经营规模的扩大,就未必对应股东价值的增加。
反过来,有些企业看起来没有处在技术最前沿,却可能通过客户关系、转换成本、软件生态、数据优势或其他竞争壁垒,以较少的新增资本持续创造现金流。
这两类企业的经济结构截然不同。
因此,评价一项技术革命中的投资机会,不能只问:
哪种技术最先进?
哪家公司增长最快?
哪一环最紧缺?
还应进一步追问:
这种紧缺能够持续多久?
高利润会吸引多少新增供给?
企业需要付出多少资本,才能维持今天的竞争地位?
当供需恢复平衡时,它还能赚取多少利润?
最终,这些利润有多少能够留在原有股东的每一股里?
这里也包含着长期投资与周期投资之间的真正区别。
长期持有并不是一种信仰,而应当建立在长期经济价值持续增加的判断上。
同样,研究一家公司多年,也不意味着必须持有它多年。
如果企业创造价值的机制发生了变化,投资判断就应当随之改变。
八、繁荣之后,寻找留下来的东西
读完刘迪凡的访谈,最大的收获并不是要不要看空AI硬件。
而是再次意识到,投资研究不能只向前看需求,还必须向后看资本如何反应。
需求增长会吸引投资。
投资会增加供给。
供给改变价格与利润。
利润变化又反过来影响新的资本投入。
与此同时,技术进步还会不断降低成本,激发新的使用方式,把产业瓶颈推向别处。
这是一个持续演化的过程。
投资者最容易犯的错误,是在某个阶段看见一种现象,就把它线性无限延伸到未来。
看到短缺,便认为永远短缺。
看到增长,便认为增长不会减速。
看到技术革命,便认为所有参与者都能长期获利。
而另一种错误也同样存在:
看见资本过度投入,就认为整场技术革命已经结束。
这两种判断看似相反,其实有相同的弱点。
它们都把一个不断变化的过程,当成了某种固定状态。
对于AI,我们远远没有看到这场技术变化的全部后果。
但也不意味着今天所有的AI资产,都值得按照这种遥远的未来定价。
未来的繁荣可能继续,今天的超额利润却未必能够延续。
今天看起来坚固的瓶颈,可能在几年后消失;今天尚不起眼的约束,也可能成为下一轮商业竞争的中心。
投资者需要做的,或许不是猜中哪一天是牛市的终点,而是持续辨认:
哪些利润来自暂时的紧缺,哪些来自真正的竞争优势。
哪些增长需要不断投入资本才能维持,哪些增长能够持续改善每股经济价值。
哪些企业只是站在当前浪潮的最高处,哪些企业能够在潮水退去之后,仍然拥有创造价值的能力。
技术革命决定未来世界可能变成什么样子。
资本周期决定这个过程中,谁先获利,谁承担损失。
而投资的最终结果,取决于我们以什么价格,拥有了哪一部分能够留下来的经济价值。
参考与延伸阅读:《晚点 LatePost》对刘迪凡的访谈;Marathon Asset Management《Capital Returns》及资本周期投资研究;有关AI基础设施、存储行业供需和Agent数据基础设施的持续观察。