导读

引言

AI的全球性投资浪潮正在重塑科技行业的结构，也重塑着资本市场的逻辑。以大模型、算力基础设施和数据中心建设为核心的AI链，形成了自2008互联网以来最强烈的一轮跨周期资本累积。巨头之间的资本开支竞赛不断刷新纪录，从NVIDIA的GPU出货与企业市值，到微软、亚马逊、谷歌争相投建的超大规模数据中心，再到初创公司围绕模型、Agent与新型AI服务，展现出一种技术突破叠加资本挤兑式投入的发展结构。与传统科技周期不同，这一轮投资不仅规模更大、节奏更密集、折旧周期更短，也构成了一个容易产生系统性风险的正反馈循环。在未来收益充满不确定性的背景下，AI产业仿佛踩在红利与成本现实的双轨之上，推动市场在繁荣与泡沫之间不断摆动，债务与融资结构也逐渐复杂化：为支撑数据中心和算力扩张，银行、ABS与企业债等多渠道快速扩张，放大了利率与信用风险的传导路径。

01

AI投资的系统梳理

(一) 历史进程

AI投资热潮的发展历程可以大致分为几个阶段。

1、早期探索阶段（1950年代-1980年代） 。AI主要以学术研究为主，技术集中在符号主义、逻辑推理和早期神经网络上。虽然计算能力和数据规模有限，但政府和高校的科研资助推动了基础理论的发展。例如，1956年达特茅斯会议首次提出“人工智能”概念，1960年代的MYCIN和DENDRAL专家系统在医疗诊断和化学分析中进行了初步应用。此阶段的投资主要依赖于政府拨款和科研基金，风险投资尚未形成规模。日本政府在1980年代启动的“第五代计算机计划”（FGCS）也试图推动AI产业化，但整体投资活跃度仍较低。

2、1980年代至1990年代的AI低潮期 。即所谓的“AI寒冬”，早期专家系统和神经网络在实际应用中屡屡受挫，技术无法满足市场预期。计算能力不足、数据匮乏以及投资回报不确定，使得全球范围内的AI投资大幅减少。美国、英国和日本等国家纷纷缩减AI相关研发预算，资本市场对AI初创企业的热情显著下降。

3、21世纪初（2000年代-2010年代）的复苏期 。随着互联网的普及和大数据技术的发展，AI迎来了新的发展机遇。统计学习方法逐渐成熟，机器学习和早期深度学习模型开始显现潜力。与此同时，GPU计算能力提升和云计算的发展为AI应用提供了必要的基础设施。这一时期的投资逐渐恢复，以科技公司和部分风险投资机构为主，重点关注数据驱动型的智能算法和初创公司。2006年，Hinton提出深度学习概念，为后续的突破奠定基础；2012年，AlexNet在ImageNet竞赛中取得压倒性胜利，标志着深度学习技术进入快速发展期。

5、2021年至今，生成式AI的快速发展进一步引爆了新一轮投资热潮。OpenAI发布的ChatGPT引发全球关注，推动企业和投资者加大对生成式AI及相关基础设施的布局。微软、谷歌、腾讯等科技巨头通过战略投资和并购抢占技术前沿，AI创业公司融资规模屡创新高，资本热情从科技行业扩散到金融、医疗、教育、制造等各类应用场景。生成式AI的技术突破和跨行业落地能力，使得AI投资成为全球科技资本追逐的核心方向之一。ChatGPT发布（2022年11月30日）至今，英伟达股价累计上涨964%，其利润累计上涨1354%；苹果股价累计上涨91%，其利润累计上涨12%；微软股价累计上涨90%，其利润累计上涨55%；谷歌股价累计上涨211%，其利润累计上涨107%。

但近两年，AI投资逐渐放缓，反映出AI技术发展及其在各行业应用仍处于探索的早期阶段。虽然长期市场潜力仍然巨大，但最初的热情已被在实际应用中推广人工智能技术的复杂性和挑战所削弱。

来源：2025 AI Index Report

(二) 产业层次与参与主体

近年来，AI产业的发展逐渐呈现为基础设施、平台、应用三个层面并行推进，并由不同类型主体共同推动其资本流动与技术落地。

首先，在基础设施层，AI所需的算力硬件，如GPU、专用加速器、服务器、存储、网络设备等，以及支撑这些硬件的系统成为基础底座。分析指出，AI服务器市场近年来经历爆炸式增长。根据最新统计，全球服务器市场因AI加速器需求迅速扩张，2024年前三季度服务器销售额大幅上升，AI服务器出货量与总服务器平均寿命替换需求叠加，推动整体市场显著扩容。另一方面，以阿里云为代表的云基础设施提供商，其在中国 AI 基础设施市场（IaaS）中占据领先地位。2024年下半年阿里云在中国AI IaaS市场份额达约23%，在大模型训练与推理两大子市场均位列第一。

其次是平台层或云服务层，即把基础算力、存储和网络资源以“云服务、模型服务、算力租赁、按需调用”等形式打包提供给下游用户。随着 AI 技术成熟、模型越来越大，对算力和灵活资源调度的需求也越高，使得云服务商、neo‑cloud租户、专业AI服务商等成为关键中介。业界观点认为，随着大模型与云计算的融合，传统云计算（IaaS）正在向“AI 原生”（AI‑native）云服务演进，云厂商不仅提供通用计算资源，也在提供专门为AI优化的算力、调度、存储、模型部署环境等服务。此外，智算云服务（AI‑optimized cloud）在中国也形成了较为明确的产业链结构，上游含芯片与服务器基础设施，中游为云平台提供商，下游为行业用户。

最后是应用层，即行业化落地层。当基础设施和平台服务配备就绪后，大量企业就能够借助云+模型服务，把 AI 技术应用到具体场景中：例如互联网服务、金融、制造、医疗、零售、公共服务等等。报告指出，随着AI平台服务能力提升，对于中小企业、传统行业的“上云+用数+赋智”门槛大幅降低，这推动了AI应用的广泛普及。

这个体系的推动主体首先是超大科技公司及头部云厂商（hyperscalers），其拥有资金、基础设施、全球资源分配能力，是基础设施与云平台能力构建最重要推动者。其次是专业云、neo‑cloud租户、中型云服务提供商及智算云服务商，它们通过租赁基础设施、提供灵活、弹性的AI算力及云服务，把能力下放，为更多中小企业与行业用户提供门槛更低、按需付费的AI服务。然后是私募和债权市场，基础设施尤其是数据中心和机柜建设，需要巨额资金投入，也往往借助债权融资、私募基金或机构资本支持。这使得AI基础设施本身成为一种资本资产，并连接到更广泛的金融市场与资本运作中。

综上，这种多元主体参与的机制，使得AI投资热潮不仅是技术浪潮，也是基础设施扩张、服务变现与产业应用同步推进的综合性变革，也是当前AI产业能够迅速扩张并持久化的重要原因之一。

(三) 融资形式及周期特征

与此同时，部分私募信用也开始进入AI基础设施领域，为非上市公司提供灵活的信贷支持。这种多元化融资结构在分散风险的同时，也引入了信息不对称、信用评级难以准确评估以及流动性错配的问题。AI硬件尤其是GPU、定制加速器和AI‑optimized 服务器更新周期短，导致资本支出密集且折旧快速。短周期硬件更新不仅增加了资产残值不确定性，还会加大再融资压力，尤其在企业扩张或大规模部署初期。这意味着投资者在衡量 AI 基础设施项目时，必须同时考虑技术迭代风险、折旧损失、未来现金流以及市场需求变化。在大型AI 数据中心项目中，GPU占总资本支出约40-50%，服务器机柜与网络设备占30-35%，折旧周期短的硬件部分对项目财务压力贡献显著。

02

AI投资热潮与互联网泡沫的异同

（一）相似之处

当前的AI投资热潮与1999年互联网泡沫之间确实存在明显的相似关系：高度一致的市场情绪、对技术变革的集体叙事、企业估值大幅上涨、媒体与投资人对新产业的超预期乐观，这些因素共同构成了典型的科技繁荣景观。

市场热情高涨，资本对新兴技术的追逐表现出明显的“短期高估”倾向。在互联网泡沫期间，投资者对电子商务、门户网站等前景抱有过度乐观预期，而在当前AI热潮中，生成式AI、行业大模型、智能硬件和云服务等领域的融资额持续攀升，部分初创公司估值迅速膨胀，许多人工智能公司的估值已远超行业平均水平，例如，Palantir和特斯拉的市盈率远远超过了200倍，而标普500指数成分股公司的平均市盈率约为25倍。其次，风险偏好显著提高，投资者愿意在尚未盈利或尚处于早期研发阶段的企业中投入巨额资金，以抢占潜在市场份额。而市场投机心理与舆论推动相结合，媒体和分析机构对前沿技术的持续炒作进一步放大了资本涌入速度。

（二）关键差异

首先，AI热潮的技术基础更为稳固。与1999年互联网泡沫不同，当时许多公司缺乏可落地的商业模式，互联网技术本身尚不成熟；而当前AI技术已经在计算机视觉、自然语言处理和大模型训练等领域取得实际突破，生成式AI具有可直接落地的行业应用，从金融、医疗到制造和教育均有明确商业场景。

其次，产业生态和资本结构更加多元。AI投资不仅包括风投和天使投资，还涉及企业资本支出（CAPEX）、私募信用、债券融资以及资产证券化（ABS）等形式，使风险能够在一定程度上分散，同时引入了更复杂的流动性和信息结构管理。

再次，AI投资与全球基础设施建设紧密挂钩，如GPU、数据中心、云计算平台和模型训练服务等，而这些硬件与云服务资产具有长期使用价值和持续收入潜力，相较于1999年互联网公司大量依赖短期广告或电商流量收入，更加稳健。

最后，监管与风险控制环境更加成熟。当前金融市场对AI相关融资有更严格的信息披露和风险评估要求，部分国家和地区也出台政策鼓励AI技术创新与应用，同时限制过度杠杆和投机行为。此外，从产业长周期发展来看，每一轮过度投资都可能为产业的长期成长做好了铺垫。1999年互联网泡沫崩溃后，此前大规模投资的光纤、计算机、移动通讯等设备大幅度压低了电子设备和网络费用，谷歌、亚马逊等一批互联网企业和整个产业得以持续快速发展。

（三）风险复杂性更高

当年的泡沫主要集中在股价上，而今天的风险通过资本开支、长期租约、债务结构、影子银行体系以及跨国能源和供应链瓶颈等多层结构相互叠加，一旦某个环节出现违约或资金紧缩，很可能不是简单的“科技股下跌”，而是沿着融资链条迅速向房地产、信贷市场乃至跨境资金流动扩散，从而引发结构性的金融紧张。AI市场目前面临的挑战也更加复杂：技术瓶颈，例如英伟达高端芯片供应短缺；应用程序的商业化滞后，大多数人工智能公司尚未找到可持续的现金路径；以及技术脱钩，例如美国和中国的芯片监管。新兴人工智能公司传统财务估值方法的失败加剧了这种风险，资本狂热导致泡沫的可能性仍然存在。

03

AI泡沫破裂的可能性与传导路径

AI 泡沫是否会破裂不能简单地用“会”或“不会”来判断，而应从估值逻辑、宏观政策和全球资金流动三条主线分析其潜在破裂方式及时间窗口。

从估值角度看，如果未来2-3年大模型的商业化速度无法匹配当前动辄百亿美元的资本投入，市场估值必然进入回调期，尤其是依赖 AI 叙事驱动涨势的公司更容易经历大幅波动。

从宏观政策角度看，若美联储与欧洲央行维持高利率或再次收紧流动性，数据中心开发商、AI 独角兽及依赖长期租约融资的基础设施项目将面临更高的再融资成本压力，信用风险可能从个别企业扩散为行业性调整。

从全球资金流动角度看，美国吸收全球资本将使新兴市场、跨境基础设施项目以及外币债务敞口较高的经济体最先感受到压力，进一步把科技投资的波动转化为跨国金融波动。

整体而言，本轮AI投资周期大概率不会以1999年互联网泡沫那种单点式全面崩塌收场，而更可能呈现漫长的结构性出清：先是局部估值回调，再到资本链条的重新定价，最终由宏观政策变化推动整个系统向新的均衡移动。

如果发生破裂，具体方式主要包括两个渠道：

一是估值重估，触发因素包括AI商业化速度落后预期、盈利增长未达标或关键企业盈利警告，结果是高估值成长股票回调，指数高度集中导致市场波动放大，回撤集中在“巨头+AI”股票；

二是信贷与项目融资链条断裂，触发因素包括利率上升、租户违约或 neo‑cloud企业现金流紧张，结果是数据中心开发商与特殊目的载体面临偿债压力，资产价值快速下滑，债权损失扩散至银行、直接贷方及ABS持有者，将泡沫从股市传导至实体信贷市场。

在未来政策方面，需要找到一个平衡：不仅要支持龙头企业突破技术界限，还要培养多元化的应用产业链，以构建良性的工业生态。技术革命的本质不是避免泡沫，而是通过持续的技术迭代能力和可行的商业模式，在稳定资本的支持下，推动长期的GDP增长和引领代际飞跃，并将资本狂热的阶段转变为新的质量生产力。

整体来看，AI 泡沫破裂不是单一事件，而是一系列结构性调整和局部泡沫破裂的组合，AI热潮将经历周期性的回撤，但它在超自动化领域（例如机器人、AGI）具有远超互联网时代的长期潜力，出现一次性大规模全面崩塌的可能性取决于货币政策和信贷链条的健康状况。

04

跨国风险传导

AI 投资热潮的全球化特征意味着，一旦出现市场调整，其影响可能跨境传导。触发机制主要包括利率和信贷环境的收紧，例如，若美、欧主要央行同时加息并收紧信贷，全球资金快速撤出，将直接冲击依赖外币融资的新兴市场以及海外AI项目，尤其是数据中心与云服务厂商。此外，能源供应，尤其是电力，与全球供应链瓶颈，也可能放大地区性危机，导致局部市场风险集中爆发。

潜在时间窗可分为短期和中期两个阶段。在短期，若宏观利率快速上行或发生大型租户违约，短期内可能看到信用利差迅速扩大，同时项目融资重新定价，数据中心、相关REIT及开发商最先暴露风险。在中期，如果AI商业化链条未能形成广泛盈利，尤其是行业级应用落地缓慢，市场可能从增长溢价向盈利筛选切换，导致估值普遍回调，资金重点流向盈利能力强的项目和企业。

各国宏观政策将是跨国传导的决定性变量之一。一方面，美联储与欧洲央行的利率与流动性政策会直接影响债务负担与风险溢价：紧缩将放大企业融资压力，宽松则可能延缓市场调整，但同时积累更高的系统性风险。另一方面，财政与产业政策的作用也不容忽视：针对数据中心电力成本或AI研发的补贴和支持，能够缓冲局部冲击，但可能延长非盈利项目的资金供给周期，形成“僵尸化”风险。最后，宏观审慎与监管措施也会调节跨境风险传导的幅度：加强对非银行信贷、ABS透明度及应计压力测试，可降低系统性传染风险；反之，监管盲点可能放大跨国资本流动和供应链压力造成的风险。

05

结语

当前的AI热潮同时包括真实的技术红利若干高度脆弱的金融链条，因此更像是一种局部繁荣与局部泡沫并存的复杂态势，而非历史上的单一泡沫复刻。分析的关注点不应停留在“是否存在泡沫”，而应转向泡沫存在的具体位置、形成机制及其可能通过哪些渠道传导至宏观金融体系。对政策制定者与资产管理者而言，最佳策略是在强化风险监测的基础上进行选择性防御，重点关注数据中心融资结构、租户信用状况以及短期再融资节点；在估值重估情形下，应优先回避高度杠杆化且盈利路径不明确的投资敞口，从而在享受技术红利的同时，降低系统性风险暴露。

参考文献

【2】 Intersect360 Research. Worldwide Data Center and AI Infrastructure 2024 Total Market Size and 2025–2029 Forecast: Accelerated and Non-Accelerated Computing Segments[R]. June 3, 2025.

【3】 中金公司. 彭虎等. AI服务器产业链拆解[R]. 华尔街见闻, 2023.4.

【4】 尚普研究院. 2022年全球人工智能产业研究报告[R]. 2023.

【5】 Ouyang Hui. The AI boom and dot-com bubble: Comparisons and insights across 25 years[R]. April 28, 2025.

【6】 Quinn W, Turner J D. The Bubble Triangle[A]. In: Boom and Bust: A Global History of Financial Bubbles[M]. Cambridge: Cambridge University Press, 2020: 1–15.

【7】 欧洲央行. ‘Fomo’ is driving ‘stretched’ US tech valuations, ECB warns, 2025.11.26.

【8】 Stanford University. The 2025 AI Index Report[R]. Stanford: Stanford HAI, 2025.

选题：国际金融与人民币国际化选题组

撰稿：罗钦予

监制：安然

版面编辑｜徐黎茹

责任编辑｜李锦璇、阎奕舟

主编｜朱霜霜