過去兩年，AI交易幾乎統治了全球股票市場。

    英偉達、半導體設備、HBM、先進封裝、數據中心、電力設備、變壓器、製冷、燃氣輪機，凡是能被放進AI基礎設施鏈條里的資產，都被市場反覆重估。這個交易沒有失效，反而漲到讓投資者不得不重新面對一個更難的問題：AI產業鏈第一階段的贏家已經被市場獎勵到極致，下一步還能繼續漲嗎？

    高盛和SemiAnalysis的兩份報告，正好站在這個分岔口上。

    高盛James Covello的判斷偏冷：AI基礎設施第一階段已經充分定價，晶片和“賣鏟子”的鏈條拿走了太多確定利潤，但企業端ROI仍然沒有普遍跑通，雲廠商的現金流壓力也在上升。按照這套邏輯，接下來更好的相對交易，不是繼續追逐半導體，而是看多超大規模雲廠商、低配半導體。

    SemiAnalysis給出的答案幾乎相反：如果Agentic AI真的讓token變成生產資料，模型實驗室的毛利率開始改善，前沿模型仍然有定價權，那麼AI基礎設施並不是“漲夠了”，而是還沒有完全按照新一輪token價值重新定價。英偉達、台積電、內存、Neocloud、模型實驗室，都還有繼續分走增量價值的理由。

    這不是一場關於AI有沒有前途的爭論。

    AI資本開支還在上升，AI基礎設施股也沒有降溫。真正的問題變成了：晶片層已經把第一輪利潤留在帳上，市場現在爭的是這筆利潤是否已經被充分定價；如果Agentic AI繼續放大token價值，下一輪增量利潤會繼續留在硬體層，還是開始向模型實驗室、雲廠商和企業軟體層重新分配。

    高盛盯著的，是一條還沒閉環的產業鏈

    高盛報告最刺耳的地方，不是質疑AI用戶增長，也不是否認技術進步。

    Covello先承認了兩件事：消費者採用AI的速度比他們原先預期更快；雲廠商即使股價承壓，也沒有像他們預想的那樣削減AI資本開支，反而繼續提高投入。AI沒有降溫，資本開支也沒有退潮。

    但高盛看得更靠後。

    消費者用AI，很多還停留在免費層。用戶增長可以證明產品吸引力，卻不能直接支付GPU、數據中心、電力、網絡和模型推理的帳單。企業端才是AI經濟能否閉環的關鍵：企業願不願意持續付費，能不能從AI里省下成本、增加收入、提高產出，決定整條鏈條能否長期承受今天的資本開支。

    高盛給出的答案偏謹慎。

    報告提到，企業在生成式AI上的投入已經很大，但大量組織還沒有拿到可驗證的回報；同時，全球IT支出仍在上升，AI並沒有在總量層面讓企業技術預算降下來。對投資者來說，這意味著一個很現實的問題：企業在買AI、試AI、談AI，但AI還沒有普遍進入利潤表。

    這與AI基礎設施鏈條的利潤形成了鮮明反差。

    晶片公司已經賺錢，存儲、電力、數據中心相關公司被市場反覆重估。雲廠商則在另一端承擔資本開支。數據中心建設、GPU採購、電力接入、網絡設備、伺服器機架，這些支出都先落在雲廠商帳上。高盛報告稱，超大規模雲廠商已經消耗掉部分經營現金流富餘，並開始通過債務支持數據中心建設，2025年數據中心債務發行額翻倍至1820億美元。

    這就是高盛眼裡的不平衡。

    正常半導體周期里，晶片公司賺大錢，通常說明客戶也在擴張。客戶賺錢，繼續買晶片，晶片公司繼續繁榮。AI這一輪更彆扭：晶片鏈條利潤最清楚，客戶層和應用層的回報還沒有同樣清楚。

    所以，高盛的判斷並不是“AI沒用”，而是“現在的分帳方式難以長期線性外推”。

    半導體公司已經把第一階段最確定的利潤吃到嘴裡。問題是，下遊客戶有沒有足夠利潤，繼續供養上游這麼高的資本開支和利潤集中度。

    高盛的交易建議，其實押的是“均值回歸”

    高盛給出的交易建議看似反直覺：相對看多超大規模雲廠商，低配半導體。

    這背後有兩條路徑。

    第一條路徑，企業AI ROI開始兌現。企業證明AI能帶來收入、效率和成本優勢，市場就會重新理解雲廠商的資本開支。過去被認為拖累自由現金流的投入，會重新變成未來收入和平臺控制力。雲廠商估值修復，半導體也會受益，但由於半導體此前已經被市場獎勵很多，相對彈性未必更大。

    第二條路徑，企業ROI繼續困難。雲廠商在現金流壓力和投資者壓力下削減資本開支，市場會獎勵更好的現金流紀律。半導體鏈條則要面對訂單預期下修。

    高盛認為，這兩條路徑都支持“雲廠商相對半導體更好”。真正讓這筆交易失敗的情形，是第三條路徑：企業ROI仍然模糊，雲廠商卻繼續不計成本加碼，半導體繼續吃掉產業鏈絕大部分利潤。

    這恰恰是過去兩年市場最熟悉的狀態。

    也正因為如此，高盛報告的矛頭不是AI技術，而是市場定價。AI基礎設施的好處已經被交易得很充分，雲廠商的壞處也被交易得很充分。下一步，市場要看這兩個方向是否反轉。

    SemiAnalysis看到的，是token的價值突變

    SemiAnalysis從完全不同的入口切入。

    它並不否認2023年至2025年，AI價值主要流向基礎設施。英偉達、電力、數據中心、存儲，確實是第一階段的大贏家。模型公司和推理服務商在早期並不舒服，很多AI產品看起來只是一個更好的搜索框，毛利率也遠談不上漂亮。

    但SemiAnalysis認為，2025年底以後，事情發生了變化。

    變化來自Agentic AI。

    過去的token更像“問答成本”。用戶問一句，模型答一句。它能節省時間，但價值邊界有限。現在的token開始進入複雜工作流：寫代碼、做財務模型、生成儀錶盤、分析財報、整理數據、製作圖表。

    SemiAnalysis用自己的公司做例子。它們的分析師已經每天用agent處理研究和建模工作，過去這些任務要麼需要初級分析師花很多小時，要麼根本沒有時間排進工作流。文章披露，SemiAnalysis在Anthropic Claude上的年化token支出一度達到1095萬美元，token支出約相當於員工薪酬的30%。

    這組數字未必能代表所有企業，但它代表了一類邊際用戶的變化。

    對普通消費者來說，AI訂閱可能只是每月幾十美元的工具。對高強度知識工作者來說，token開始變成生產資料。

    幾美元、幾十美元的token，換來的不只是幾段文字，而是模型、圖表、代碼、數據清洗、財報分析，甚至是過去根本不會被執行的工作。用戶看待AI成本的方式也會隨之變化：他們不再只問“每百萬token多少錢”，而會問“這些token替代了多少人工，增加了多少產出”。

    這就是SemiAnalysis與高盛分歧的起點。

    高盛看到的是平均企業的ROI還不清楚。SemiAnalysis看到的是最強用戶已經開始大量消耗token，而且願意為更強模型付費。

    模型實驗室為什麼突然變得重要

    SemiAnalysis的第二個關鍵判斷，是模型實驗室的單位經濟性正在改善。

    這與過去市場的擔憂相反。

    此前，模型公司被認為夾在晶片和雲廠商之間。收入增長很快，但訓練和推理成本更快。用戶越多，成本越高。模型越強，資本開支越重。這個模式看起來像高增長、低毛利、高燒錢。

    Agentic AI改變了這張表。

    價格端，前沿模型能執行更高價值的任務，用戶願意為更強模型付溢價。

    成本端，硬體疊代、推理優化、緩存機制和軟體工程持續降低單位token成本。

    產品端，模型公司可以通過更高端SKU、更快響應、更強推理能力，做出分層定價。

    SemiAnalysis提到，在B300運行DeepSeek的案例中，不同軟體優化組合可以讓同一硬體吞吐量從約1000、8000提高到約14000 tokens/秒/GPU。疊加硬體升級，最優化的GB300 NVL72配置相對H100在FP8下吞吐量約高17倍；如果切到Hopper原生不支持的FP4，差距可達32倍，而每GPU總擁有成本只高約70%。

    這意味著，模型實驗室一邊可以提高token創造的經濟價值，一邊可以降低token生產成本。

    SemiAnalysis稱，Anthropic ARR從90億美元升至440億美元以上，推理基礎設施毛利率從38%升至70%以上。即便模型標價下降，高端模型使用占比提升、緩存命中率提高、硬體效率改善，也可能推動毛利率繼續擴張。

    如果這一判斷成立，AI產業鏈的第二階段就不再只是“晶片繼續贏”或“雲廠商反彈”。

    模型實驗室會從燒錢層，變成新的價值捕獲層。

    真正的分歧：平均企業，還是邊際用戶

    高盛和SemiAnalysis表面上在爭AI ROI，實際爭的是哪個樣本更能代表未來。

    高盛看的是平均企業。

    這些企業有複雜的數據系統、歷史IT包袱、權限管理、合規要求、審批流程。很多公司為了向市場和董事會交代AI戰略，先做聊天機器人、內部助手、試點項目。花錢是真的，但業務流程未必改變。流程不改，ROI就很難進財報。

    這就是高盛強調數據結構和編排層的原因。

    一個零售企業如果沒有打通庫存、客戶畫像和推薦系統，AI客服可能推薦一個缺貨商品。一個企業如果沒有模型路由層，簡單查詢也交給最貴的前沿模型，成本自然失控。AI落地卡住的地方，已經不只是模型不夠強，而是企業還沒有準備好讓模型進入業務系統。

    SemiAnalysis看的是邊際用戶。

    研究、代碼、建模、圖表、財報分析，這些任務天然適合agent。它們高度文本化、數字化、結構化，結果容易評估，用戶也有能力把AI嵌入工作流。這樣的組織，會比普通企業更早看到ROI，也更願意加大token消費。

    資本市場要判斷的，是這種領先樣本會不會擴散。

    如果SemiAnalysis看到的只是少數超級用戶的異常值，高盛框架會占上風。AI資本開支會越來越受現金流約束，半導體鏈條需要消化高預期，雲廠商可能因為支出紀律和估值壓縮獲得相對回報。

    如果SemiAnalysis看到的是擴散前夜的領先指標，市場就不能用平均企業今天的低ROI否定AI鏈條。Agentic AI一旦進入更多白領工作流，token需求、模型收入、雲收入和硬體需求會一起上升。

    這個判斷，比“看多AI還是看空AI”更重要。市場交易的從來不是靜態平均數，而是邊際變化能不能變成主流。

    英偉達：已經賺夠，還是仍未充分漲價

    高盛和SemiAnalysis最大的資本市場分歧，最終落在英偉達和半導體鏈條上。

    高盛的視角很直接：半導體已經拿走了第一階段最大、最確定的利潤。市場把“賣鏟子”邏輯打進價格以後，風險回報開始變差。只要雲廠商資本開支鬆動，半導體鏈條就會面對估值和訂單的雙重壓力。

    SemiAnalysis則認為，英偉達和台積電控制了AI時代最稀缺的資源，卻還沒有完全按價值定價。

    文章提到，內存價格過去一年上漲約6倍，Neocloud一年期H100租賃合同價格較2025年10月低點上漲約40%。與此同時，英偉達和台積電並沒有像下游token價值那樣快速重新定價。

    SemiAnalysis把英偉達稱為AI生態的“央行”。

    這個比喻很貼切。英偉達控制的是算力流動性。它有能力漲價，但不能把整個系統抽干。價格提得太狠，會刺激客戶加速轉向自研ASIC、TPU、Trainium，也會帶來監管壓力。台積電也類似。先進節點極度稀缺，但它長期重視客戶關係和生態穩定，不會在景氣上行期把所有稀缺性一次性變現。

    克制不代表沒有空間。

    Rubin VR NVL72是SemiAnalysis判斷英偉達仍有定價權的重要依據。按照其模型，Neocloud要讓VR NVL72項目達到類似GB300項目的15.6% IRR，租金約需4.92美元/小時/GPU；如果按照GB300的每PFLOP租賃價格平價推算，VR NVL72理論天花板約為12.25美元/小時/GPU；即便採用更保守的0.55美元/PFLOP，也對應約9.63美元/小時/GPU，接近成本定價門檻的兩倍。

    這裡的含義很清楚：只要下游token價值繼續上升，英偉達的新系統仍有提價空間，Neocloud仍可能賺錢，終端用戶仍可能接受。

    高盛和SemiAnalysis的分歧由此變得鋒利。

    高盛認為，半導體獨賺不可持續，因為下游還沒有足夠利潤。

    SemiAnalysis認為，下游利潤池正在變大，所以硬體層不是賺太多，而是還沒有完全按照價值收費。

    判斷勝負的變量只有一個：AI創造的新利潤池，能不

資訊來源：華爾街見聞。如有侵權，請聯繫我們刪除。