一直在等时机写一篇2000年科网泡沫破裂前后的复盘文章，现在虽然略早一点，但这种文章，宁可早发，也不能发晚了。

股灾有两种，一种是实体经济本身并没有问题，金融市场的危机影响实体经济，最典型的是2008年的金融危机，是由于次贷危机处理不当，引发了金融机构的连锁反应，最终导致信用风险，金融市场对实体经济的融资功能丧失；

第二种是实体经济的问题传导到金融市场，引发股灾，七十年代的两次石油危机，2020年的疫情，2022年通胀和对抗通胀的货币政策，都对并没有泡沫的股市产生了比较大的影响。

而2000年科网泡沫的股灾两者兼有，1998~2000年互联网泡沫同时出现在实体经济和股市上。股市泡沫自不必提，纳指最后一年多涨了240%；实体经济也是泡沫一片，大量无收入的概念公司获得巨量融资，通信基建公司疯狂发债，GDP、就业和收入增长都存在大量“虚胖”。

所以“2000年互联网泡沫破裂”的复盘文章，会从实体经济和股市两个角度进行对照分析，并指出与当前AI产业发展和AI行情的类似和不同之处。

（本文根据直播稿整理，欢迎预约每周三中午11点半的直播）

两周前发生Meta出租算力引发的股市波动，后面似乎被证伪了，包括新建数据中心计划、提升资本开支和发布新一代大模型等一系列举动。可是，股市却怎么也回不到之前的状态，从本质上说，它是AI完美叙事的第一道破裂，容易修补，却无法抹除。

如果回头看2000年互联网泡沫，你会发现泡沫不是因为一个坏消息破裂，而是因为产业界的一系列"改变叙事"的消息不断出现，每一个消息本身都不算利空，但都会让市场开始怀疑那个最核心的信仰。

复盘2000年前后的相关事件，互联网产业叙事发生变化的有四类事件，一类比一类明确，而当第四类产业信号事件出现时，股市已然破位。

第一类：开始有公司说"不用担心，我们已经有足够带宽"

这可能是最像 Meta出租算力事件的信号，它通常是上市公司为了安慰那些关心业绩的传统投资人而说的，但说多了，却让更典型的科技股投资者嗅到一丝不祥的味道。

1999年，所有人认为，互联网流量无限增长，互联网最大的瓶颈是带宽。于是疯狂铺光纤，光纤无限建设，光通信设备无限增长，光纤、光模块、光交换机、路由器，等等，全部都在疯狂扩产。

代表公司就是当时的硬件龙头Cisco，对于那些追求业绩的投资者来说，看上去比那些没有收入只有市梦率的“.com公司”靠谱多了。

结果到了2000年，越来越多企业开始说，目前带宽够用了。更糟糕的是，Cisco的CEO钱伯斯在业绩沟通会上很隐晦地说：企业采购开始恢复正常了。

他用的是“normalizing”这个非常中性的词，本意是想传达公司进入常态增长阶段，但在典型的科技股投资者听来，意思就变成了“网络设备够用了”，如果换成是今天，黄仁勋告诉大家“目前GPU都能买到了”，你恐慌不恐慌？

虽然不是“过剩”，只是“够了”，但产业趋势投资者投的是“瓶颈”，最怕听到的就是"够了”。产业链只有过剩和短缺，没有“ 刚刚好”，“够了”意味着新增需求已经开始下降，通常也意味着供给将过剩，价格战即将打响。

在市场的预期不断抬升时，任何中性和客观的表述都足以引发一场灾难，在这一点上，黄仁勋真是非常敬业。

第二类：运营商开始削减资本开支

互联网基础设施最大的投资者不是互联网公司（它们是买家，角色类似现在的大模型公司），而是电信运营商（角色类似现在的超大规模云厂商）。

2000年后，出现了一系列运营商开始减少资本开支、调整网络投资的消息，例如AT&T减少投资，WorldCom放缓建设，而WorldCom是当时最大的骨干网络运营商之一。

虽然这些公司的沟通范围非常小，表述也非常隐晦，但已经比前一个信号更明确了。市场突然意识到：如果最大的买家不继续疯狂买设备了呢？

于是，整个光通信产业链开始雪崩。

实际上，这些企业明知会引发恐慌，仍然要释放相关信号，因为它们早就无法支撑如此巨额的资本投入，早在1999年就开始通过美化财务报表来支撑庞大的资本开支了。

早在1999年，通讯设备需求增长就已经开始放缓，但很多规划好的支出又不得不进行，投资人又无法接受利润下降的财务报告，于是管理层开始把费用资本化，把应该计入费用的线路维护费改成资本支出，利润立刻变高。

这在泡沫破裂后，也成为美国历史最大的财务造假案之一，成为这一轮熊市最后一跌的主要原因。

在造假曝光之前，已经不断有看空者指出这些公司财务处理上的问题，但明知财报的瑕疵，也很少有投资人愿意在游戏停止之前离场，因为离场太早，可能你的职场生涯比泡沫更早破裂。

所以运营商资本开支放缓，实际传递的不是“供需平衡”，而是“财务手段已经支持不下去”的信号，早就心存警戒的投资人当然是当成离场信号。

无独有偶，本轮AI基建投资中也一直有空头认为这些超大规模云厂商用会计手段人为抬高账面利润，比如未投产 GPU、在建数据中心计入在建工程 CIP，不计提折旧；GPU采购到上电运行普遍存在18个月的空档，设备在此期间持续发生技术贬值、硬件老化，但财报完全不体现损耗；把支出资本化、不计当期费用。这些都直接造成标普500盈利增速异常，都符合泡沫期的典型财务特征。

事实上，这两类消息本身都不算利空，主要是引发联想，用现在Meta的例子来说，最大的算力买家谷歌亚马逊微软，如果开始用出租来提高复力利用率，整个需求模型就要推倒重来。

第三类：龙头公司订单开始放缓

后两类才是真正利空的实锤信号，通常要到财报前后才会出现，最著名的还是Cisco。

Cisco就是今天的NVIDIA和内存三巨头，2000年以前，大家觉得互联网等于Cisco，所以等到Cisco开始告诉投资者：订单还不错，但是增长速度没有以前快时，市场立刻开始重新估值。

虽然业绩仍然在高速增长，但Cisco股价持续跌了80%以上，因为资本市场从120倍PE重新定价，跌到15倍PE。

拿今天AI产业链相比，如果美光3年后回到之前长期市净率的中枢2倍PB，就算净资产能再增长一倍，股价也有50%以上的跌幅。

而订单放缓，通常是资本市场重新估值的发令枪。

第四类：产业链标志性环节的过剩被发现

订单放缓是增长二阶导走平，而产能过剩则是毛利率或真实利润的拐点。

互联网泡沫的标志性过剩品类是光纤。Global Crossing当时疯狂铺设全球海底光缆，1999年，它代表的还是带宽永远不够，可到了2000年下半年，有看空研报指出，其中真正使用的只有很小一部分，并首次使用了互联网泡沫破裂的代表性词汇——Dark Fiber（暗光纤），即大量光纤已经铺好了，却没人用，这意味着未来几年都不用再铺了。

所以今年的下跌中，光纤板块跌幅最大，因为这个产业产能上得快，需求预测主观性强，确实很容易过剩。

这份报告同时终结了美股从2000年6月开始的大B浪反弹，大C浪连跌7个月。

很多投资者喜欢打听小道消息，对公开数据不屑一顾，认为这是“利空出尽”。但对于科网泡沫破裂这种大级别的下跌，财务数据才是真正下跌的开始，虽然之前已经下跌了30%，但经过反弹后，还有70%的跌幅等着你，如果你看到公开的利空就认为利空出尽，就算你之前逃过大顶，后面的C浪暴跌和E浪阴跌，才是真正的空头大餐。

第四类信号今天对应的是什么？如果未来某一天，有人找到实锤数据，发现数据中心的GPU和HBM有无法解释的闲置产能，就是第四类信号。

这四类信息可谓环环相扣，从采购经理的主观感受，到经营计划的调整，再到订单的变化，最后是产能和供需关系的变化，传导的信息也从主观感受到经营计划，再到实际财务数据，对股价的影响也越来越直接，最终构成产业泡沫大顶的前后几个月产业界的变化。

互联网革命的行情在1998年以前，并不存在泡沫，当时的美国经济很好，互联网开始兴起，虽然市场已经开始炒互联网通信设备、光纤和半导体这一类硬件，但整个估值与业绩增长空间基本匹配，股价也是慢牛向上。

真正的行情加速是1998年四季度开始的，而泡沫的导火索源于一次危机——亚洲金融危机升级。

亚洲金融危机原本对美国没有太大的影响，反而让资本加速回流美国，但随后发生了一次黑天鹅事件——俄罗斯国债违约事件，并导致了全球最著名的对冲基金“长期资本”的爆仓。

亚洲金融危机终于传导到美国，美股暴跌，美联储为了避免危机蔓延，组织华尔街大银行联合救助LTCM，同时在1998年9月至11月，连续降息三次。

这三次降息成为互联网泡沫真正的导火索。

互联网公司其实没有受到太大影响，但是基金需要降低风险，于是所有股票一起卖，包括Cisco、Intel、Microsoft、Yahoo在内的科技股全部大跌。

这种意外事件导致的“向下挖坑”，本来就是要被填上的，当时没有人怀疑互联网，大家相信互联网还是未来，只是现在金融市场出了问题。后来加上美联储救市注入的流动性，互联网率先V型反转，开始了为期一年多的疯狂上涨。

也就是说，1998年金融风暴的暴跌，反而成为互联网泡沫最后冲刺的起点。金融风暴之前，纳指三年涨了一倍，之后是一年半就涨了三倍多。

这一年多，流动性泡沫并非体现在互联网基建类公司上，而是大量没有收入依赖融资输血的互联网应用公司的疯狂融资，后来破产的VA Linux首日上市暴涨700%，成为美股历史上最疯狂的IPO首日表现之一。大量已上市的互联网公司，在没有什么收入的情况下，继续再融资以支撑规模和用户数的扩张，而思科一类的龙头公司用股票进入大量收购，本质上也是一种融资。

而2000年1月，市场见顶前的预演，有一次为期两周的下跌，正是到美联储的再次加息，让市场意识到已经进入加息周期，所谓“成也萧何，败也萧何”。

而这一次，美联储从2024年9月重启降息周期，到2025年12月最后一次降息，刚好是AI基建大幅增长的阶段。

金融泡沫的气氛烘托到这一步，前期分析的那些产业层面的利空自然也就开始发酵了。

在正式复盘泡沫破裂前后的三个月那段惊心动魄的时间之前，还是要比较一下AI行情与2000年科技泡沫的不同之处。

最大的差异还是产业的真实供需状况。

前面总结了2000年科网泡沫破裂前的四大信号：大量公司开始说"我们已经有足够带宽"、运营商开始削减资本开支、思科订单开始放缓、光纤过剩被发现，AI产业发展有较大的差异。

互联网泡沫到了1999年，市场已经真正存在大量已经建成却长期闲置的产能，例如“暗光纤”，供给明显跑在需求前面。而当前AI产业链虽然也有市场对未来过剩的担忧，但GPU、高端HBM等核心资源目前整体仍然实际性偏紧，许多订单和交付周期依然较长，市场更多是担心未来供需平衡可能变化的预期，而这种担心，本身就是对泡沫的抑制。

这个差异导致泡沫产生的金融部分不同，2000年的科网泡沫主要是互联网公司在股票市场高价融资形成的股市泡沫，而今天的AI泡沫主要出现了大型云厂商的AI基建融资，主要是体现在企业债市场，股票市场的大规模融资尚未开始（space X的IPO与AI无关）。

这个差异导致了产业泡沫与金融泡沫的关系不同。

2000年的科网泡沫，产业泡沫与金融泡沫息息相关：大量没有收入互联网公司极度依赖股市融资，而风险投资的退出也依赖IPO，上市后的规模扩张和收购也依赖股价的持续上涨，而通讯设备厂商又依赖这些无收入公司的采购。

不仅是美国的互联网公司，中国的三大门户网站，QQ、阿里巴巴等早期的互联网公司，以及大量的初创网络公司，也完全依赖大洋彼岸的资金。

所以股市成为互联网经济的真正的发动机，产业泡沫与金融泡沫相互成就，形成了“左脚踏右脚”式的上涨，一旦股市崩盘，很快会传导到实体经济，在下半篇，会详细分析。

而AI行情与产业趋势到目前为止，主要依赖债券融资，与美股的关系不大，到目前为止，即使AI板块和美股进入熊市，由于大部分公司都有实实在在的收入，对AI产业趋势的影响也不会像2000年那么大。

当然，上面只是历史比较，如果真的泡沫破裂，仅就杀估值的过程，也足以让大量投资者破产了。

狂暴的欢愉必将带来狂暴的结局，下篇将为大家复盘2000年崩盘前后三个月的狂风暴雨。

P.S.

每周末，我的知识星球都有周末问答专场，本周的回答包括：

1、周五暴跌的原因是什么？

2、对未来走势的预判

3、下半年行情是否会复制21年下半年？

4、如何评价Kimi最新模型对AI行情的影响？

5、AI暴跌是否说明资本开支增长放缓?

6、阿里和腾讯在AI方面谁更强？

7、如果科技股下周反弹，应该持有还是卖出？

2/4

我还有另一个专业分享投资方法的公众号，也是周更

近一年必看文章

对AI的质疑，最初是能力：除了写几句诗画几张画，它还能做什么有价值的事？这个质疑随着推理模型的出现，消失了。

后来的质疑是需求，除了写代码，拍视频，还有什么AI能几倍提升效率的任务？这个质疑随着Agent一类的生产力工具的出现，也消失了。

现在的质疑是有支付和消费能力的需求，理论上的需求转化为实际需求，要面对两个瓶颈：

第一个瓶颈是时间这一类稀缺资源。

假设过去，一个知识工作者，每天有1个单位的产出，有了 Agent，每天产出10个单位，全球总供给能力增长10倍。

但问题是,谁来购买这些新增产出？你以前一天花一个小时看片，AI做的片子就算再好看，你也顶多看一个半小时。企业可以购买10倍的知识服务，前提是它的销售也要成倍增长。

这也是很多人认为，当前的算力投资是按大模型的供给能力安排，可是如果不能解决这个瓶颈，早晚会过剩。

另一个更重要的瓶颈是支付能力。

以前的革命，主要替代的是体力，而 AI 替代的是脑力，它冲击的不是某个行业，而是整个中产阶级赖以获得收入的能力。

很多人担心会出现一个恶性循环，AI提高生产力，减少劳动需求，总工资下降，导致消费能力下降和需求不足，支付能力与生产力不匹配。

本文就来聊一聊这两个瓶颈，未来可能有哪些解决之道，这对于判断AI的长期投资价值（代表信心估值）和投资节奏（代表方向），非常有帮助。

（本文根据直播稿整理，欢迎预约每周三中午11点半的直播）

先看第一个瓶颈，其实并不难解决，人们在技术革命之后，需要的不是更多，而是更好。

历史上确实反复出现这个问题，比如福特创造了大规模流水线生产方式，汽车产能暴涨几倍，当时也有担忧的声音，这么多汽车卖给谁？

就像亨利▪福特说的：“如果你在汽车没被发明的年代，问人们需要什么交通工具，人们只会告诉你，他想要一辆更快的马车。”

结果，大规模流水线使汽车价格暴跌，福特工厂的工人三个月的工资就能买一辆车，汽车从奢侈品变成普通家庭的必需品。

汽车保有量的暴增，进而催生公路、加油站、郊区住宅、旅游业、汽车金融等新的需求。

互联网时代，信息爆炸，很多人担心，网站已经够多了，而人的注意力有限。结果出现了新媒体时代，没钱有时间的人看短视频，短剧、网游、网红经济、直播带货，有钱没时间的人看知识付费，大量高价值或高时间消耗量（即广告价值）的需求出现，代替了过去的传媒形式。

这里有一个重要的经济学原理，技术革命有天然的通缩效果，以支持消费价值的提升。

以大家很熟悉的摩尔定律为例：集成电路芯片的性能每隔18个月提高一倍，而价格下降一倍，用一个美元所能买到的电脑性能，每隔18个月翻两番。

这也是“算力通缩”，让人们以相同的价格，买到更高性能的下一代产品。

还有，互联网让信息产品边际成本接近于零，极大压低传统企业利润，导致结构性通缩。欧美有个“亚马逊效应”，通过压低商品价格、提高效率，使得美国实际零售通胀被长期抑制。国内也是如此，从20年前进入电商时代，几乎所有的工业消费品都在降价。

单次任务Token下降，对资本市场的预期是坏事，但对产业发展是好事。这就是杰文斯悖论（Jevons Paradox）：当技术进步提高了效率，资源消耗不仅没有减少，反而激增。

虽然今天看到的高 Token 消耗，既有真实需求，也混杂着这个阶段特有的“低效率红利”，导致的Token价格虚高。随着大模型能力的提升，单次任务Token价格同时下降，会创造出海量新的任务，最终总Token量上升。

当然，它并不能解决第二个瓶颈，即使单个Token价格下降，总Token上升，但由于AI带来的是供给能力几倍甚至几十倍的提升，可能最终仍然大大超过了支付能力。

那也是以前历次技术革命的终极问题，技术革命提升生产力，消费者的支付能力不足，不断发生供给过剩，最终以惨烈的经济危机收场。

再来看第二个瓶颈

人类社会在资本主义之前发展得非常缓慢，常常出现几百年的停滞甚至倒退，其原因，我在以前的文章中总结为一篇童话故事：

小熊和小猪是好朋友，这一天，森林里赶集，小熊做了饼干，小猪做了面包，想拿到集市上卖。

小熊等了一会儿，没人来买，肚子却饿了，摸到身上刚好有一块钱，就买了小猪的一片面包。过了一会儿，小猪也没有卖掉，也饿了，就用这一块钱，买了小熊的一块饼干。

再过了一会儿，小熊又饿了，翻出那块钱，又买了小猪一片面包，然后是小猪买小熊的饼干，小熊买小猪的面包……

最终，小熊和小猪提前把面包和饼干“卖”光了，还都吃得饱饱的，两个小伙伴手拉着手，边走边想：“真是一个幸福的早上啊。”

让我们用宏观经济学的视角分析一下这个童话：

假设这个交易是一日三餐，那么每天就是2*3=6元，一年GDP就是2190元。而且每一年的GDP都是一样的，它们俩也只有一块钱，交易规模也只能达到如此，经济永不增长。

可是后来，小熊生了一个小小熊，每餐的面包需求量增加到一块半，但它只有一块钱，只能买到一片面包。小熊苦苦哀求，但小猪也没有办法，小猪只有这么多面粉，只够小熊一个人吃的。

为了让小小熊吃饱，小熊天天都是半饱，后来就死了，故事又回到了开头的“古典平衡”状态。

这就是资本主义之前经济增长的真相：经济增长的原始驱动力在于人口的增加，制约因素是自然资源的数量和利用能力(面粉的供给与面包的生产能力)，还有资本 (只有一块钱)。工业革命之前，人们解决不了这两个制约因素，造成了人口周而复始的增长与毁灭，以及经济增长水平的长期停滞。

直到有一天，森林里来了两个人，一个是贪婪的银行家，一个是聪明的科学家，一切都不同了，森林进入了资本主义时代。

首先科学家发明了一种可以让小猪把面包生产效率提升一倍的方法，但要扩大生产规模，小猪也要有相应的资本投入，于是银行家借给小猪一块钱扩大生产。

银行家又借给小熊一块钱，让小熊有钱向小猪多买半块面包，给小小熊吃。

虽然小猪和小熊要把自己的一部分收入分给银行家和科学家，但因为整个经济规模增加了，所以每个人都更有钱了，可以消费更多的产品。

这就是最经典的“生产要素供给、技术进步、储蓄和投资的转化”的经济增长模型：人口不停的增长，源源不断地提供劳动力与消费需求，科学家不停地发明新技术，公司不停地生产和升级产品，银行家提供一切资金需求，而增长又产生了更丰富多样的消费需求。

这个宏观经济学的视角，正是上面的第二个瓶颈的解决之道。

科学家和银行家代表的技术革命和信用扩张，是现代经济增长的两大驱动力，但它们发挥作用的能力并不相同。

小熊、小猪和科学家都有一些限制，让他们不能想生产多少就生产多少，想发明什么就发明什么，可银行家却是个例外。

现实中银行放贷款是有很多约束条件的，存贷比、资本充足率，等等，但总体上而言，银行扩大信贷规模比企业扩大生产容易多了，而政府发债和央行放水能力更没有硬约束。

银行家凭借自己的信用能力，不停地鼓动小熊小猪扩大生产规模，把普通饼干升级成皇家曲奇，把普通面包升级成牛奶吐司；同时建立很多风险投资基金，加速科学家成果的转化能力；并向所有人提供信用卡，发放住房信贷，再编一个美国老太和中国老太的买房故事，鼓励他们提前消费，以接住不断扩大的生产能力……

可问题在于，银行家可以让小熊的食物从黑面包变成牛奶吐司，需求成倍增长，也可以让小猪的工厂产能增长一倍，但他无法加速科学家的效率，换成经济学的说法，资本可以刺激短期需求，但它无法改变长期供给水平。

如果科学家没有发明出推动生产效率大幅增长的技术，总的供给能力没有提升，纯粹靠银行家的信用扩张，很容易造成经济虚假繁荣和泡沫破裂后的经济衰退，造成经济周期。

所以大部分时候，都应该对债务过度扩张警惕，但如果真的遇到技术革命，就是另一番情景，反而应该抛弃过去的经验。

技术革命的早期，企业家凭着科学家的一张发明图纸，就可以让风险投资家投钱给自己，对应到当下，就是科技巨头通过大量融资形成巨额资本开支，进行大模型竞赛和数据中心建设，推升了利率，但由于技术没有成熟，需求端又没有大幅提升，成本也没有下降，造成过度投资形成通胀假象，甚至造成资本市场的泡沫破裂。

但它与纯粹信用扩张造成的通胀与衰退经济周期不同，一旦供给能力实质性提升，就会转向前面说的技术革命引发的长期通缩，此时利率会大幅下降，刺激人们更多的消费。

最典型的是2008年，各国为应对金融危机而进行信用扩张，美国经济在经历了不到两年的停滞后，就进入长期“高增长低通胀低利率”的时代，其最重要的支撑力量是移动互联网和云计算为代表的新技术革命，创造了更多“真实的需求”去留住信用扩张中产生的“未来的钱”。

长期而言，制约经济增长的就是供给水平，包括劳动力和资源的利用水平，所以宏观经济学的“总供给理论”认为：经济增长短期看需求，长期靠供给。

所以解决第二个瓶颈的药方就是：利用技术革命带来的自然通缩，进行信用扩张，刺激消费。

很多人觉得现在全球负债率都很高，还怎么扩张？其实技术革命正是直接提升总供给能力，提升GDP，用扩大分母的方式控制负债率，比起常规的“降杠杆”引发经济衰退，后者的负债率反而很难下降。

这就是AI乐观派的观点：

人类的欲望是无限的，唯一的限制是供给。支付能力可以靠信用扩张提供，失业问题可以靠财富再分配解决，唯有供给是刚性的，技术革命才能创造供给，所以每一次技术革命都不会因为支付能力不足而夭折。

当然，悲观派和乐观派都没错，未来可能会出现两个阶段：

第一阶段：供给增速领先于需求与信用扩张，会造成失业焦虑、收入分化、需求不足、社会冲突；

第二阶段：需求与信用扩张，同时制度适应新技术，公共教育、社会保障、缩短工时、新的财富分配机制建立，技术红利才被彻底释放。

比如说，埃森哲最近的一份内部录音显示，Token大量用于非创造性的低效率任务，比如把PDF转成PPT，很多人认为这说明当前的Token是虚假繁荣。

但我们要想一想，为什么有这么多人要把PDF转PPT？不就是为了要汇报吗？工作做得好，不如做PPT写得好，这才是职场真相。一个30万年薪的技术人员，总有三分之一的时间花在写PPT和汇报PPT上。

这么算下来，一家公司的人力成本有10%是用在PPT上，而AI对组织流程的改造，正是消灭“人肉信息路由”，尽可能让信息更快地在组织内传播与共享，让PPT消失。

所以真正的问题是，当Agent真把知识工作的边际成本降到接近于零，人类社会要用多久把这种供给扩张转化成有效需求扩张？

这个过程，蒸汽机用了近一百年，铁路和电气革命用了20多年，互联网革命用了不到10年，AI会用多少年呢？

相信每一个人都有自己的答案，也会有自己的投资节奏判断，但有一点是可以肯定的，无论是从技术，还是从经济学的角度，都不需要担心未来的需求，也不必担心需求的支付能力，AI也只是小熊、小猪、科学家和银行家的另一个故事。

今年是动量大年：全A指数涨了6.8%，但全市场涨跌中位数竟然下跌-11%，申万二级行业上半年仅22%的行业上涨，涨幅最高的玻璃玻纤上涨188%，跌幅最大的教育跌-35%，相比之下去年全年的涨跌幅对比也就是146%（航天装备）：14%（白酒），典型的“损不足以奉有余”。

所谓动量，就是强者恒强（对这个策略的分析，可以看我的文章《同样是牛市，为什么2025年赚钱比2020年难？》），反面就是“弱者更弱”，这就导致几乎所有与动量相反的策略都失效，动量策略本来在A股就占优，今年的极端化行情让更多的人都想尝试一下这个策略。

常见的动量策略就是把仓位分布在过去一段时间（比如120天或250天）涨幅最好的个股或行业ETF上，定期滚动调整。

但所有想尝试这个策略的投资者都要惦量一件事，动量策略一旦失效崩塌，回撤也是非常恐怖的，往往是指数回撤的好几倍。

单纯的动量策略无异于赌徒，所以成熟的动量策略都会结合一些其他策略，以降低回撤。

比如最经典的“风险收益杠铃+动量”策略，用杠铃结构把资金分成两端，80%配置低波动资产，比如红利股或债券ETF，另外20%配置高弹性资产，这一部分就采用动量筛选，比如只买最近6个月或一年涨幅前5%的成长股。

这个策略的思路是在资产配置层面使用杠铃，在选股层面使用动量，熊市主要靠左边的资产配置抗跌，牛市主要靠右边动量选股赚钱。

这个策略可谓完美地体现了塔勒布的杠铃思想——去中间层，中间层既没有防御能力，又没有足够的进攻能力，反而容易拖累收益，不如集中仓位于极安全和极具进攻力的两端。

杠铃策略非常好理解，所以本文介绍一种从杠铃策略中演变出去的“双动量策略”，即“指数动量+行业或个股动量”。

双动量当然不是“两倍做多动量”，也不是简单地把两个动量策略相加，而是希望利用这两个动量一定程度上的互补性，尽可能让策略适合更多的市场环境，并降低回撤。

“双动量”的基本思路是把资金分两半，一半做指数的“绝对动量”，只要指数站在长期均线以上，就全仓持有相应指数ETF，只要指数跌破均线，就退出持有现金；另一半做行业或个股的“相对动量”，就是滚动持有最强行业ETF或个股。

这两个动量叠加，会发生什么效果呢？下面是一个模拟回测，一半仓位持有沪深300指数ETF，指数跌破250天均线清仓，在250天均线以上则继续持有，另一半仓位持有沪深300成份股前12个月（剔除最近一个月）涨幅最高的5支股票，月底滚动调仓。

过去六年多（2020.1~2026.6）的数据回测结果：年化收益高达51%，但最大回撤也到了50%，发生在22~23年的熊市期间，夏普1.27。（注意：这只是对因子可行性的粗略回测，不能当成成熟的实战策略，其中历史成份股的变化可能让收益率和回撤都虚高，实际买卖可能在当时并不成立）

虽然这个结果的回撤仍然比较大，夏普不理想，处于理论上能用但要在实践中改进的状态，但至少说明这个策略对A股是有效的。

改进的方向包括，使用多个指数、调整均线参数，调整动量个股数量，把两部分的仓位比例改成动态调整、在动量策略上附加低波动因子或者价值因子要求，等等，但这些改进的前提是先要知道，这个策略在不同的市场环境中是如何发挥作用的？

策略原理也是杠铃原理：用前一半控制风险，跌破年线就清仓，再用后一半不断追强。

从实际效果看，追强的效果非常明显，20~21年、24~26年，都大幅跑赢指数，个股行业动量部分贡献了绝大部分收益；

控制风险的效果勉勉强强能用，22年和23年的熊市，跟指数跌幅类似，这个幅度的回撤，作为最简单的动量策略，其实有很多成熟的优化手段。

具体如何优化，无非是叠加其他因子，每一个量化策略都有自己的办法，考虑到公众号的大部分读者都不是量化从业者，就不作为本文讨论的重点。

对于非量化的普通投资者而言，更重要的是，这个策略是如何发挥作用的呢？它对你的投资组合有什么启发？

这就涉及到这个策略的两部分在不同的市场环境中，分别发挥了什么作用？

这个策略中比较简单的是指数动量，大家一看就应该明白，这个策略在清晰的牛市，可以持续赚贝塔的钱，到了清晰的熊市，又可以回避大跌的风险，但它有三个“失效期”：

1、赚不到熊转牛那个阶段的钱（20年3~4月）

2、回避不了牛转熊阶段的回撤（21年一季度和下半年）

3、最糟糕的是在牛熊不清的震荡市，反复高买低卖亏钱

实际上，第一、二种情景也常常表现为震荡市场，实际上都是“趋势策略在震荡市反复亏钱”的问题。

而双动量考虑的正是这两个动量策略的互补性，即：

1、行业和个股动量能不能弥补指数动量在平衡市的缺陷？

2、行业和个股动量的回撤，是否都发生在指数动量的趋势行情阶段？

问题1的答案是“能弥补”，但只能部分弥补，取决于指数震荡发生在哪个层面：

如果是指数层面的震荡，但内部仍有结构性行情，个股或行业动量往往能弥补指数动量反复止损的损失。

比如2024年上半年的熊市末尾，虽然指数在年线附近反复震荡，四笔交易全部止损，亏损达到3%，但以“易中天”和红利股为代表的动量股表现极其精彩，策略依靠个股动量，在这一段平衡市，跑出了60%以上的惊人收益。

还有2023年上半年，虽然指数在年线附近反复震荡，八笔交易全部止损，亏损达到-13%；但市场结构还算清晰，就是第一波AI行情，算力和应用双主线，游戏和通信设备两大行业领涨，牛股不断涌现，个股动量弥补了相当一部分亏损，上半年实际策略亏损缩小到-10%。

此外，在2020年上半年也是类似，用个股动量拯救指数动量。

但如果指数和行业都进入全面震荡期，指数反复穿越均线，所有行业轮动又极快，还没有领涨个股，市场一片混沌，那么“双动量”的两部分会同时失效。

不过，本策略回测的这六年半，没有发生过这样的情况，这也是这个策略的收益表现得非常好的原因之一，但既然理论上存在，那么拉长回测时间，相信一定能找到。

关于问题2，个股动量失效时会出现大幅回撤，指数动量能否在此时出现趋势行情阶段，可以缓解整个策略的回撤？

答案也是“大部分时候都是如此”，回测期的动量失效都发生在牛市（20到21年的行业动量失效）或熊市（22到23年的部分时期）的趋势行情阶段。当然还是上面的判断，既然理论上存在，那么拉长回测时间，相信一定能找到。

既然如此，为什么还会发生高达50%的回撤呢？

双动量策略最大最长的回撤期出现在22年8月到23年10月，其中23年上半年前面分析过，回撤主要是指数动量失效造成的，所以个股行业动量真正失效的是22年下半年和23年7到10月。

策略的第二大回撤出现在21年9月到22年4月。

这三段时间，沪深300指数绝大部分时间都在年线以下运行，持有现金，相当于减少了一半的回撤，只是纯粹的动量策略回撤实在太恐怖，最终仍有-32%和-50%。

所以前面，这个策略本身有很多优化空间和成熟手段。

如果看得再仔细一点，还能看到三个细节：

1、个股动量有效，但行业动量无效，比如20年到21年上半年，强势行业既有消费医药为主的消费股，还有半导体新能源等科技股为主的“宁指数”，行业动量不明显，轮动特征明显，但行情又都集中在“茅指数”的个股上，个股动量又明显，所以这一年半的时间，策略收益仍然能上涨125%。

2、熊市底部两次动量反转，2024年2月前后和9月前后，都出现了动量的强烈反转，动量策略的短期失效。前一次，指数动量持现金，降低了回撤，保护了净值，后一次是V型反转，行情第三天就转为满仓指数，对冲了动量反转的回撤。

3、牛市中动量的暂时失效，主要是2025年9月前后的小微盘动量回撤，影响了科技股的强势，但由于沪深300正处于强趋势，降低了本次动量回撤。

由此可见，这两种动量虽非绝对负相关，但存在大部分时候的互补关系，所以，除了改进个股行业相对动量本身的回撤外，还可以让指数动量成为个股行业动量的“过滤器”，对两部分的仓位进行动态调整：

1、如果指数在均线附近反复穿越，说明市场没有明显方向，那么就降低指数动量的权重，比如降至30%，把更多资金交给行业个股动量。

2、如果指数出现明确的趋势，持续站稳长期均线，则提高指数动量的权重，比如升到70%，因为此时指数趋势本身已经足够可靠，不如降低追逐行业或个股动量可能出现的反转与轮动带来的回撤风险。

动量选股从基本面看，就是景气度投资，这也符合企业经营进入良性循环的一般规律。

企业经营有明显的“时来天地皆同力，运去英雄不自由”的特征，产业景气会提升企业经营效率，导致利润增长，企业对上下游的议价能力提升，也更能吸引优秀人才加盟，内部员工也更有动力，反过来又促进了企业业绩的进一步提升。

当你看到一家公司业绩边际向上，又有可解释的产业趋势为背景，未来几个月内，经营继续向上的概率大于向下的概率，这就是动量投资在基本面上的原理。

所以动量策略，只解决了“买什么”的问题，纯粹的动量就像只会冲锋的士兵，缺乏实战价值；相比之下，指数动量解决的是“什么时候买卖”的问题，整体上有很强的互补性，而杠铃策略解决的正是“资金如何分配”的问题。

双动量的策略思路也可以给主动投资者很多借鉴：

这个策略本质上是先判断市场状态是趋势市场（指数趋势，行业轮动）、结构性市场（指数震荡，行业强弱分明）还是混沌市场（指数震荡、行业轮动），再决定仓位偏向哪一类动量。

这实际上是在选股策略之上，再加一层市场状态识别策略。

这一点非常有必要，除了动量策略之外，影响大部分策略收益的，不光是选股或牛熊市的影响，还包括那些持续性的来回震荡对心态和仓位的考虑。所以现在很多量化多因子策略，都在这个方向持续优化。

P.S.对动量策略感兴趣的同学，我还收集了一些A股和港股动量的特点，在我的知识星球，可以加入了解一下：

我的“思想钢印”的知识星球，每周三将推出新的系列“板块投资逻辑挑战”，大部分散户能接触到的都是正面看好理由，一般看空的观点只会口耳相传，这个系列，我会专门把热门板块的利空观点陈列出来。

需要强调的是，“挑战逻辑”并不是看空，机构要大规模介入一个板块和个股，也都需要对上涨逻辑进行一次全面质疑，只有在了解市场的质疑后再买入，才是真正的看好，如果你不知道什么是利空，那看好则无意义。

第一期已经于4.22日发出，挑战一下光模块与CPO的投资逻辑

1、看多逻辑建立在2026年海外主要CSP资本开支同比+60%的假设上，确实强化了两年可见度；但这也意味着链条对单一变量——CSP节奏指引高度敏感，一旦应用端Token演进不及预期，导致需求节奏变化，就会对股价产生巨大的冲击。

提醒大家的是，一个板块如果全是做高景气度的资金，一旦景气度稍有放缓，不管这个板块估值多么低，都会被大幅杀跌，理由和论证过程，我在上周六的星球里说过了，可以回头看一看。

2、高增长下的高预期下的高波动可能，部分上游配套企业估值已前置CPO和1.6T红利，若渗透节奏或利润分配不及预期，估值回撤风险增大。

3、产业价值链正在从模块组装向“硅光芯片+外置CW光源+先进封装/测试”迁移，光模块速率越高，芯片成本占比越高，这意味着成本结构对上游芯片更敏感。

4、CPO优势明确，但在横向扩展侧目前对TCO的改善有限，对规模部署的约束，包括散热、可维护性、测试体系重构、缺乏统一标准；CPO更多是纵向扩展的阶段性解法，短中期将与LPO/NPO并存博弈，难以按乐观曲线快速吞噬可插拔份额。

5、下一代核心利润池上，CPO与可插拔是此消彼长的竞争关系；若CPO借助硅光与先进封装形成系统壁垒，传统模块的一体化价值将被拆分转移，模块厂的份额与议价能力并非线性外推。

目前已经推出三篇，时间是每周三

AI算力的天晴空万里，唯有远处的两朵乌云，一朵是上周文章提及的互联网大厂开始控制Token预算，另一朵是反对数据中心运动。

反数据中心活动人士近期在全美多地接连取得大胜，仅本月，马萨诸塞州霍利奥克市、加利福尼亚州蒙特雷帕克市以及华盛顿州西雅图市就相继通过了数据中心建设禁令。

这其实是一个已经发展了两年多的运动，阻止了无数数据中心项目，但很多海外算力产业链的投资者还没有意识到这朵“乌云”的威胁。

过去，总统和许多州级领导人欢迎建设数据中心，认为这能推动经济发展，也是加强国家技术进步所必需的；但现在越来越多的社区，从小城镇到大城市，都在抵制这些常常保密进行的计划，并提出了各种担忧。

关于数据中心的冲突已成为地方和州一级最激烈的政论话题之一，而且正在从地方冲突，升级为政策问题，盖洛普 5 月发布的民调显示，71% 的美国人反对在自家周边修建数据中心。

AI基建投资是当前AI行情最重要的投资逻辑，没有之一，“反对数据中心运动”让审批周期延长，项目延期、搁置增多，已显著影响AI资本开支的节奏、结构与区域分布。

所以我们也不得不高度关注这个跟我们其实八竿子打不着的运动——为什么美国会出现“反数据中心”？

数据中心是互联网和AI基础设施，听起来很先进，实际上是一座超级耗电、耗水的工厂，还解决不了当地就业。

一个超大AI集群的用电规模接近一座中小城市，可电网容量是有限的，当数据中心接入的时候，电网要扩建、要投资，那这个成本就会推升电价，变成科技公司多用电，居民多交电费。

2025年北美零售电价同比增长6%，一些区域实时电价在25年Q4暴涨60%；数据中心对电力并网的冲击开始影响居民的感受，居民当然会反对。

还有用水的问题，AI服务器需要大量冷却，而很多数据中心用的是水冷系统，在一些本来就缺水的州，比如亚利桑那、内华达，数据中心正在和居民“抢水”。

所以，AI虽然是全球最前沿的产业，但它引发的矛盾却非常传统，跟前几年国内“反对建垃圾焚烧工厂”是一个逻辑。

更要命的是，AI基建的劳动密度很低、设备占比高，还可能挤出其他劳动密集产业的投资，导致虽然投资迅速增长，但对就业是负贡献，难以平衡政治上的“可负担性”。  

还有一个问题，这些数据中心占地面积动辄几百亩，噪音巨大，建设通常有保密协议，运营极不透明，类似美剧《怪奇物语》中的“军事基地”，经常引发各种谣言，天然容易被当地居民排斥。

正是这些原因，让反对数据中心从一般性的零星社区抗议，演变成全国性政治运动。

总体上看，反对数据中心的力量可以分成三层：

第一层：地方居民

在美国已经有超过一半的州出现了专门反对数据中心的组织，甚至出现过一个非常极端的案例，一个小镇因为数据中心项目争议，地方议会成员直接辞职，说明这个运动已经开始影响基层治理。

印第安纳波利斯市议员罗恩·吉布森在批准一座数据中心计划后，家门遭人连开13枪，门垫下发现一张写着“禁止设立数据中心”的纸条。

美国的地方政府权力很大，社区可以通过诉讼、听证会阻拦项目审批过程，大量数据中心，不是被政府叫停的，而是被社区“拖死”的。

第二层：州政府

这个层面是从抗议转变为政策博弈。

由于公众对数据中心的态度迅速转为反对，在一些州，立法者已经开始采取行动，对大型数据中心实施地方性暂停令。

反对声音正迫使一些政治领导人重新考虑如何管理这类项目，比如宾夕法尼亚州州长乔什·夏皮罗，此前推行过加快数据中心建设以刺激经济增长的政策，如今却转而支持加强对项目影响当地社区的审查。

现在已经有二十多个州在推进相关法案，包括限制数据中心用电、强制企业承担电网成本、限制用水、甚至暂停审批。

有些州甚至提出，直接暂停数据中心建设两到三年，缅因州率先州级“封顶”法案通过，拟在2027年11月前暂停审批所有大于20MW的数据中心，成为全美首个州级禁止大型数据中心的案例（后来被州长否决了）。  

第三层：联邦政治

这个层次表明这个问题已经开始进入美国的主流政治议题。

更糟糕的是，左右两派都有声音反对，其中55%是共和党人，45%是民主党人。像Bernie Sanders这种偏左的政客，会从环保和公平角度反对；像Ron DeSantis这种偏右的政客，会从地方利益、电价角度反对。

这种跨党派共识，很容易在国会时通过法案，容易在中期选举年成为“有选票价值”的议题，当一个问题开始影响民众生活，政客的最优策略不是解决问题，而是站在选民那边。

所以，“反对数据中心运动”已经成为科技公司与当地居民的利益博弈，类似从前的页岩气开发、核电站和高压输电线路，是典型的“邻避政治”，只要成本落在本地，就一定会被反对。

从历史经验看，这几乎一定会扩大。

更重要的是，“反对数据中心运动”正在和另一项“反对AI”的运动遥相呼应，隐隐有合流的趋势。

如果反数据中心演变成反AI，那就没那么简单了。

今年，美国出现了很多“反对使用AI”的抗议活动：

今年4月，一名男子向OpenAI CEO山姆·奥尔特曼的住所投掷燃烧瓶，并向OpenAI的旧金山总部发出威胁。此人所在组织名为“Pause AI”，是一个国际性的反人工智能组织，认为“人工智能导致人类灭绝”的可能性“几乎是必然的”。

盖洛普公司调查发现，年轻人反对AI的比例最高，而2026年正是“逆转之年”，73%的美国“Z世代”（出生于1995年至2009年）对人工智能的情绪偏向负面，而持正面情绪的人，从2025年的63%，快速下降到今年的40%。

谷歌前CEO埃里克·施密特在亚利桑那大学毕业典礼发表演讲，谈及要拥抱AI的发展时，招致在场学生们的集体嘘声。

年轻人的焦虑不是没有道理，斯坦福大学的一项调查显示，64%的美国人预计AI将在未来 20 年内导致就业岗位的减少，而只有5%的人认为就业岗位将增加。

相比之下，科技工作者（包括持仓AI而赚钱的投资者）过于乐观，而忽视了大量利益受损的普通人的愤怒。

当然，反AI和反数据中心是两个性质完全不同的运动：

“反AI”讨论的都是伦理问题，属于价值观和劳工政治一类的政治议题；而居民反对数据中心的理由却非常具体，电费上涨、噪音、用水，所以他们反对的不是抽象的数据中心，而是“我知道数据中心很重要，但它不能建在我家周围”。

但这两股力量，未来很可能会在某个点上汇合。

反数据中心者，会把“不要建在我家附近”的社区话题，偷换成更有道德高度的“这个东西本身就不应该建”的政治议题；而反AI者，可以借助前者对现实议题的关注，为自己增加更多支持力量。

到那时，反对数据中心运动就可能从“阻止一个项目”变成“阻止一类项目”，反对的话题从“科技公司让你电费上涨”变成“AI让你失业”，成为气候变化、环保运动一类的美国长期政治议题。

当然，这毕竟是美国人自己的问题，文章还要是回到A股投资者关心的眼前利益问题：反对数据中心运动会影响AI海外算力板块的投资价值吗？

答案是，不会改变方向，但会改变节奏和结构。

基于AI投资竞争对于科技巨头“你死我活”的残酷性，AI基建投资方向不会变，但会出现三个变化：

第一，建设速度变慢

追踪700多个大型数据中心的调查显示，2026年计划建成16GW，在建仅5GW，预计30-50%产能推迟。

第二，成本上升

企业要承担更多电网建设费用、环保成本、用水成本，这也是AI的算力价格上升的原因之一。

第三，产业结构发生变化

数据中心从人口密集区搬到能源富集区甚至海外；科技公司算力投资延缓的同时，电力投资正在加快。

历史上，大的趋势都会遇到反趋势的力量，每一次技术革命遇到资源约束时，都会发生成本上升、行业分化、技术升级。

“反数据中心”不能简单地理解成利空算力产业链，真正减少的是新建成的数据中心，而不是客户当前可以租的数据中心，所以它的本质是，需求没有下降，供给受到限制。

这和房地产上行周期的调控有点像，如果买房需求还在，政府限制新房供应，那么：

已购房者，房子更值钱，受益；

未购房者，房子更贵，受损；

开发商，土地储备上涨和开发量下降可以对冲，中性；

上游的建材商，跟新房相关的受损，跟二手房相关的中性。

算力产业链上的板块也分为，主要赚"新开工项目的钱"和主要赚"已有项目的钱"两大类：

前者利益受损，包括，最直接承压的是新建数据中心开发商、依赖园区扩张兑现估值的IDC开发平台，以及建设链条中的土建、机电安装、园区基础设施工程环节的上游供应商。

新的数据中心建不了了，只能去租那些“已通电、已投运、已有土地和接入权”的存量数据中心，反而利好存量IDC运营商/REITs的资产价值，会形成“强者恒强”的竞争格局，类似房地产前期调控加速头部开发商市场份额的结果一样。

不过，后者的需求部分也来源于新增项目，所以受益程度各异，具体而言：

最受益的是电力设备链，特别是燃气轮机、燃气发电机、燃料电池、变压器、开关柜、UPS/HVDC等等。因为居民和地方政府反对的是“占用公共电网、推高电价”，那么最好的替代方案就是不接入公共电网，自己投入电力设备。

而燃机的供给偏紧使得上游高温合金、叶片、铸件、HRSG部件等细分环节享有更强定价权。

还有储能，从备用系统变成关键组成部分，承担现场供电、削峰填谷、配合燃机与新能源、改善瞬态负荷的作用。

影响中性的是光模块和网络设备，它的需求预期一部分来源于计划新增的数据中心，理论上可能不及预期，但光模块的需求并不只来自单个园区内部，也来自跨园区、跨数据中心互联，因为算力更分散、跨区域迁移增多，DCI 和 scale-across反而更重要，“反数据中心”的影响最终体现为中性。

影响略偏负面的是服务器整机和集成系统，更接近上架环节，对“项目是否开工、是否拿到电、是否具备客户合同”更敏感，是容易受“反数据中心运动”影响的方向，但它目前更受CPU/GPU、内存、存储等多类上游约束，任何一个环节受阻都会拉长交付。运动本身的影响目前反而不是最重要的，但未来可能会变得更明显。

影响偏负面但当前也不明显的是GPU/AI芯片，当前GPU交付周期为36-52周，仍然偏紧，所以GPU厂商面临的不是没有人买，而是“客户买了以后不能立刻转化为通电集群”。这使得GPU板块对“反数据运动”的敏感度低于园区开发商，但高于一些安装更靠后且可跨区域消化的标准化部件供应商。

总结下来，数据中心建设不及预期，不是压缩AI资本开支总盘子，而是改变资本开支在产业链中的分配方向，分配给纯IT设备的比例下降，而分配给电力、配电、现场能源、社区利益协议、前期选址与许可成本的比例在上升。

另外，由于数据中心建设通常需要数年，且存在瓶颈环节，新增数据中心延迟不一定会影响IT硬件股票的近端盈利能力，但如果延迟持续，长期会形成风险。体现在市场交易层面，未来相关板块会先表现为“杀估值”，再逐步向“杀业绩”过渡。

在过去两年里，AI的发展几乎是无限扩张的，算力不够就加服务器，电不够就扩电网，但现在，一个新的变量“社会成本”出现了。

在这个系列的前五篇，我比较了过去几次技术革命，虽然引发社会发展，但也造成了财富进一步分化，社会加速分裂，并通过经济危机，引发了两次世界大战。

技术革命本身无立场，不关心创造的财富流向哪里，但政治和普通人却不能不关心。

今年的AI行情源于Token的大爆发，量价齐升，以至于到6月初，Anthropic的ARR（年化收入）到了470亿美元，去年同期还只有140亿。

但Token大爆发的主要下游应用还是编程，从本系列之前对三次技术革命复盘的经验看，单一行业的爆发式增长，对于这样一个革命性的技术的支持，只是阶段性的。

更何况，AI编程目前的Token消耗量，本身就有很多泡沫，其实是企业预算失控：

许多科技巨头在2025年到2026年初，为了在激烈的AI竞赛中保持研发速度，曾向工程团队下达了“不计成本使用最先进模型”的指令。很多企业在部署时并没有配置严格的用量上限或成本监控。结果就是出现了很多极端案例：有的团队在短短几个月内就耗尽了全年的AI预算，甚至因为未配置用量限制而收到了数额惊人的账单。

这种管理失控在早年的云计算发展早期也出现过，技术团队拥有了极大的采购权，但由于缺乏财务约束，对价格不敏感，许多开发环境、测试集群在运行完后忘记关闭，成为了“僵尸资产”，还有很多账单到了财务部，却没人能说清到底是哪个具体功能模块产生的费用。

这种无节制的消耗往往是一时的，目前科技巨头的AI使用重心已经从“盲目追求模型能力”转向了“成本审计”和“财务红线设置”，许多企业正在测试针对Token使用的精细化运营制度。

更大的泡沫是大模型在结算机制上，美国三大模型公司的投资方都是云计算厂商，以Token代金券形式"投资"，大模型又将其用于采购投资方的云计算服务。虽然这也是源于真实的token需求，但代金券缺乏价格信号，往往会对消费形成过度激励。

麻烦的是，编程只是中间生产过程，仍然需要大量终端需求去消化，它们在哪里呢？

总结一下，当前的Token泡沫，首先是AI编程生产率提升过快，同时价格信号机制暂时失灵，导致“编程供给”阶段过剩，一个团队现在一周可以完成过去一个月的编程量，想要消化这些供给，要么终端需求突然爆发，要么成本快速下降（大规模裁员）。

AI的发展不能光靠一两个行业推动，可以推测，AI编程应用的渗透率虽然仍然会上升，但很难像上半年那样狂飙了。

不过，这并不等于看衰AI趋势，技术革命中途必然产生多次泡沫，泡沫不是技术革命的副产品，而是技术革命的融资方式。

我在本系列的上一篇《很多人想简单了，未来可能经历多次AI泡沫》将其分为两类：

第一类是技术本身的成熟度不够，没有找到合适的需求和商业模式，属于产业层面的泡沫。

这一阶段往往是大规模基建期，产业链以债权融资为主，这种泡沫的破灭会导致大量企业破产，引发债务危机，这也是19~20世纪容易发生经济危机的原因之一。

第二类泡沫是资本的预期超过了商业应用的增长程度，这一阶段下游应用已大量爆发，投资者过度线性外推，给予过高的估值，一旦遇到加息、去杠杆等外部事件，就会戳破泡沫。

这一类属于资本市场的泡沫，并不会影响产业的发展。

目前仍然处于第一阶段的泡沫期，它的重点不在于资本市场的估值，而在产业层面，更具体的说，AI编程是否已经达到了渗透率的高点。

根据调查，超过 85%的职业开发者在日常工作中高频使用 Cursor、Claude Code、GitHub Copilot 等工具，如果真是这么高的渗透率，又看不到下一个更重量级的需求，那泡沫破灭就近在眼前了。

不过，这个结论下的可能有点仓促。

本文根据直播内容编辑，欢迎预约每周三中午的直播

大部分Token确实是互联网大厂的专业开发人员消耗的，但也有一部分是非专业人员消耗，他们完全不懂编程，而后者才是最重要的需求。

如果把 Cursor、Claude Code、Codex 理解成“写代码的软件”，那确实会觉得市场空间有限，因为全球程序员就那么多；但如果把它们理解成“以代码为通用执行层的 Agent 系统”，很多现象就解释得通了。

大量的Claude Code或Cursor的调用，在后台分析中会被归类为“代码生成”，但实际上后台执行的任务可能只是“写一个自动化脚本来汇总我的发票”或者“抓取某网页的数据存入Excel”或者“把我的资料总结成个人知识库并不断更新”或者“每天发送我的自选股的相关消息研报和会议纪要”或者“研究我的公众号并每天自动抓取推动5个选题建议”，等等，这些都是与传统编程毫不相关的需求。

过去的编程行业是这样的，创业团队或大企业有一个产品的想法，找程序员开发软件，最后再执行任务；但现在更可能的情况是，某个人有一个需要重复执行的个人任务，他把这个想法告诉Agent，后台自动生成代码，再直接执行任务。

代码正在从商业世界里可交付的“最终产品”，变成一种执行任务的“中间语言”。

为什么忽然间，一切皆可编程了？因为在AI 眼中，现实世界的大部分复杂任务，本质上都是一个“状态机”，整理一个 Excel 表格、调用一个搜索接口、操作一个网页，本质上和写一段逻辑函数没有区别，中间仍然是“代码代码代码代码”，只是被隐藏了。

而且代码是最容易验证正确性的复杂任务，能运行 = 对，报错 = 错，反馈极其明确。

生成式AI真正的革命性进步在于可以自动化处理非结构化数据，比如人类自然语言，这在过去是需要编写专门的数据管道代码才能完成的。

举一个股票分析的例子，Agent 出现之前，如果研究员想要分析“近十年，黄金和美债在不同通胀环境下的表现”，大概率打开金融终端，导出各种数据，按维度分类，计算收益率、相关性等，最后写成报告。

其中大部分工作都是在处理数据，只是关键的非结构性数据的处理，过去是一个难点，而生成式AI解决了这个问题，就把原本隐性的程序结构彻底显性化了。

所以，AI Agent并不是把编程行业AI化，也不是软件开发行业的增长，而是“侵蚀”各个行业，以前需要一个软件工程团队才能做的自动化系统，现在个人通过 AI 代理在几分钟内就能搭建。

这种能力的普及，意味着“编程”已经变成一种像文字处理或数学运算一样的基础通用能力。

这就是像我小时候，打字是一项技能和职业，打字社是一个行业，学校会把五笔输入法当成劳技课程；但后来，智能拼音让打字成了简单的通用功能，连技能都谈不上；现在，AI语音干脆让“打字”彻底消失了。

以前的工作需要通过程序员，调用软件生产力；现在，非程序员直接通过Agent调用软件生产力，让所有“知识工作者 × Agent”等于过去一个完整团队的工作能力。

过去，只有“标准化大规模需求”才值得软件化；现在，“个性化细分需求”也有软件化的价值。

不要小看这一点改变，它将创造一个前所未有的蓝海市场。

写代码曾经是一项非常贵的活动，不是服务器贵，而是人贵，需求沟通成本、程序员开发成本、测试成本、维护成本，等等。

所以传统软件世界形成了一条规律，用户越多，越值得开发。

为什么大型软件都是ERP、CRM、Office，为什么微信、淘宝、抖音会成为国民级平台？

不是它们做得好，以上应用抓的都是现代社会最通用的需求，才能极大摊薄产品开发维护成本，还能有极高的毛利去开发更多细分功能。

这也带来一个问题，过去的大量不够通用的编程需求，被压抑了，你想要一个完全按你的投资习惯设计的行情软件，这个东西对你而言，当然比万得更好，你愿意付出的价格也一定可以高于万得，但对不起，这个需求实现不了，专门为你一个人开发，成本太高太高了。

当编程成本大大下降，“个性化细分需求”也可以被软件化后，大量新需求将被释放。

这在经济学上叫“供给曲线向右移动”：10元价值的需求，开发成本5000 元，不会发生交易；10元价值的需求，开发成本5元，发生交易，市场规模暴涨。

这其实就是AI的“长尾革命”。

互联网时代的长尾是淘宝卖冷门商品，虽然爆款赚钱，但冷门商品才是你上“万能的淘宝”而不是其他电商平台的原因。

Agent时代的长尾就是个性软件需求，想象一下，你有一个共同拥有某个小众爱好的100个人的群，你只需要极低的开发成本，就可以提供某些可持续收费的个性化功能，而这个收费又很可能很高，因为越个性化的需求，价格接受度越高。

除了收费，那些纯粹满足个人需要的软件开发，提高了个人的工作效率或降低成本，同样有商业价值。

传统软件赚的是规模经济的钱，Agent赚的是个性化的钱。

变化还不止于此。

以前的软件按用户人头收费，所有的功能打包在一起，虽然你只用5%的核心功能，也要收全部的费用。而重度用户可以把所有功能用到爆，本质上是用大部分的轻度用户去养重度用户，也导致了很多偶尔使用的用户因为“性价比低”而放弃购买。

而Agent的核心单位是“任务”，这是一种完全不同的商业模式，Excel有几亿用户，但Excel每天处理几百亿个任务，而任务本身可以按token进行收费，这就改造了传统软件生态。

这些软件正在进行MCP改造，把核心功能封装为一套标准的指令集，这些软件就不只是一套给人使用的UI界面，而是Agent可以随时调用的能力模块，用户通过自然语言向Agent下达个性化的需求，由Agent去拆解成流程，完成后续的跨系统动作。

Agent不再是一个软件，而是一种新的软件分发方式。未来你最值钱的能力，也不是会使用软件，而是会定义任务，会判断结果。

由于任务数远大于用户数，而且更贴近用户的个性化真实需求，同样能激活过去被压制的大量需求。

过去，人要学习适应软件；未来，软件要“学习、适应”每个人。

所以，今天虽然软件股全部被杀估值杀逻辑，但未来必然有一部分积极拥抱AI的公司，市值比现在更大，也有把头埋进沙子里假装世界没有变化的企业，被彻底抛弃。

简单总结这两部分，AI目前并不只是让程序员效率提高了10倍，而是让原本99%因为不经济而没有被软件化的需求，第一次具备了被软件化的可能，创造出的结果，要么可收费，要么在各行各业提升工作效率或降低成本。

其结果就是，出现一个比今天整个软件行业规模还要大10倍、100 倍的AI Agent行业。

不过，正因为Agent改变的是我们的生活方式，而这又是最难的，远比互联网早期的培养上网习惯更难，所以才导致了使用者的分裂：少数人已经是没有token就不能活的状态，而大部分人只是偶尔用一下AI聊天。

这种分裂，既是当下资本市场冰水两重天的原因之一，也隐藏着AI即将迎来泡沫第一次破灭的原因。

AI 编程成为了AI第一个杀手级应用场景的真正原因，不在用户数，而在这些核心用户的使用深度。

AI 编程非常烧Token，一个Claude Code 的编程会话，往往需要读取整个项目库的索引，进行多轮的代码修改、重构、编译反馈。一个Cursor 用户一天可能消耗几十万到几百万 token；而普通 ChatGPT 用户一天也就几千到几万 token。

相比之下，那些“用编程思维解决生活问题”的非专业用户，还是早期尝试AI Agent的阶段，目前主要使用的场景是“单次任务”，比如写一篇文案、做个规划、整理一份表格，导致Token 消耗量通常远小于开发者。

虽然他们才代表AI Agent的未来，但目前的增速其实并不高，年初使用“小龙虾”的人，大部分都放弃了。

在纯粹的“Token 消耗量”统计中，纯职业开发者的工程交付目前仍占据60% - 70%的份额，而渗透率已经提升到85%。加上大厂财务部门已经开始约束预算，这会带来两个问题：

第一个问题是正在发生的：如果AI的使用是未来企业战略的关键，那么控制预算的第一步是消减非AI的IT预算，第二步是控制在非AI业务上的投资，第三步是裁掉AI可以替代的人员。

第一步已经发生，导致了科技行业内部，传统软件和互联网的被“杀逻辑”；

第二步正在发生，导致了非AI传统行业被“杀估值”；

如果真的出现了第三步，宏观需求被冲击，那就是大部分行业的“杀业绩”。

第三步也快了，为什么美债利率居高不下，不是油价的问题，油价已经低于战争前了，而是AI大量使用债券融资，推升了信用债利率，而融资成本的提升，必然会利空大部分非AI的行业的投资与需求。

这也是技术革命早期一定会经历的“挤占效应”，技术革命对生产率的提升和新应用还没有规模化出现，但其巨额投资已经挤占了其他领域的正常投资。

第二个问题，非AI的预算压缩到极致后，企业还是要回头优化AI预期，就是开头说的类似“云计算”早期的场景，因为这是价格接受度最高的场景，对token价格的打击会先于流量打击，这对ARR增长的叙事，非常致命。

这将造成未来第一次AI泡沫的破灭，既是产业泡沫的破灭，也是资本泡沫的破灭，既有大量初创AI企业的破产和合并，科技巨头的资本开支推迟和取消，也有大模型估值的极度缩水，我预期会在未来一两年内出现。

而跌幅最重的，还是那些算力链的公司，它们的估值高度取决于科技巨头的资本开支，又处于激烈的市场竞争和技术迭代中，商业模式毫无抵抗力。

当然，每一次技术革命，都会先高估短期变化，再低估长期影响。对于真正相信AI改变世界的投资者来说，泡沫破灭又是好事：

一是资本泡沫破灭，可以让我们用合理的价格买到真正有长期投资价值的公司；

二是产业泡沫的破灭，可以让我们观察到产业链真正有竞争壁垒和护城河的细分行业。

本系列共五篇，前四篇链接：

《AI牛市三年半复盘，一个误解最深的认知陷阱》

《出人意料的答案，今天的AI，就是1882年的电》

《寻找AI应用的百倍牛股》

《很多人想简单了，未来可能经历多次AI泡沫》

P.S.

每周末，我的知识星球都有周末问答专场，本周的回答包括：

1.港股持续走弱的原因的重要性排序？

2.红利股还是不是科技股风险的对冲标的了？

3.公募砍老登追科技的现象是否普遍？

4.后面还会有刺激经济的政策吗？

5.科技股行情与政策的关系？

6.锂矿股怎么看？

7.AIPC怎么看？

8.市场对百润增发是否过于敏感了？

我的“思想钢印”的知识星球，每周三将推出新的系列“板块投资逻辑挑战”，大部分散户能接触到的都是正面看好理由，一般看空的观点只会口耳相传，这个系列，我会专门把热门板块的利空观点陈列出来。

需要强调的是，“挑战逻辑”并不是看空，机构要大规模介入一个板块和个股，也都需要对上涨逻辑进行一次全面质疑，只有在了解市场的质疑后再买入，才是真正的看好，如果你不知道什么是利空，那看好则无意义。

第一期已经于4.22日发出，挑战一下光模块与CPO的投资逻辑

1、看多逻辑建立在2026年海外主要CSP资本开支同比+60%的假设上，确实强化了两年可见度；但这也意味着链条对单一变量——CSP节奏指引高度敏感，一旦应用端Token演进不及预期，导致需求节奏变化，就会对股价产生巨大的冲击。

提醒大家的是，一个板块如果全是做高景气度的资金，一旦景气度稍有放缓，不管这个板块估值多么低，都会被大幅杀跌，理由和论证过程，我在上周六的星球里说过了，可以回头看一看。

2、高增长下的高预期下的高波动可能，部分上游配套企业估值已前置CPO和1.6T红利，若渗透节奏或利润分配不及预期，估值回撤风险增大。

3、产业价值链正在从模块组装向“硅光芯片+外置CW光源+先进封装/测试”迁移，光模块速率越高，芯片成本占比越高，这意味着成本结构对上游芯片更敏感。

4、CPO优势明确，但在横向扩展侧目前对TCO的改善有限，对规模部署的约束，包括散热、可维护性、测试体系重构、缺乏统一标准；CPO更多是纵向扩展的阶段性解法，短中期将与LPO/NPO并存博弈，难以按乐观曲线快速吞噬可插拔份额。

5、下一代核心利润池上，CPO与可插拔是此消彼长的竞争关系；若CPO借助硅光与先进封装形成系统壁垒，传统模块的一体化价值将被拆分转移，模块厂的份额与议价能力并非线性外推。

目前已经推出三篇，时间是每周三

假设未来三年，AI的应用主要还是编程和视觉作品，其他领域，要么是渗透率提升快但规模较小的细分行业，要么是渗透率提升较慢，那AI还能涨吗？

很多人本能地排斥这种可能，它与“AI改变世界”的叙事不符，实际上并不矛盾，一项技术“改变世界”的节奏并非匀速前进，总是有快有慢，有狂飙突进，有突然停滞。

以跟AI很类似的电气化为例，1882年，爱迪生照明公司建成纽约珍珠街发电站，是全球最早的现代集中供电系统，被认为是电气革命的起点。

那一堆家用电器是什么时候发明的呢？

在此之前，已经被发明的是电话（1876年）、留声机（1877年）、白炽灯（1879年），同一年被发明的是电风扇、电熨斗。

大部分电器都是之后发明的，包括吸尘器（1901年）、洗衣机（1901年）、空调（1906年）、面包机（1909年）、冰箱（1913年）、收音机（1920年）、电视机（1925年）、录像机（1928年）、磁带录音机（1935）、微波炉（1945年）、计算机（1946年）、晶体管（1947年）……

但大家注意到了吗？从1882年到1901年这漫长的20年里，在电气化元年之后的20年里，没有任何一样重要的电器被发明且商业化。

在到20世纪初的20年里，美国的电灯渗透率只上升到6%，局限在纽约等大城市，传统的煤气灯虽然有诸多不便，但好在便宜、成熟，而电灯依赖电力网络，初始成本很高。

如果穿越到1880年代，电气革命可能是被“证伪”的，除了电灯等少数应用，电看上去没有什么大的用处，还很危险和昂贵。

系列的第二篇《出人意料的答案，今天的AI，就是1882年的电》分析了电气化革命与大规模流水线的关系，这是电气革命对现代工业的改造成果，电机比蒸汽机先进，不只是它的能源利用效率高，而是因为电机允许一种全新的组织方式出现，但福特的第一条大规模生产线在1913年才建成。

1880年代的电气化后，美国制造业生产率并没有立刻爆发，因为工厂只是把蒸汽机换成电机，生产组织方式没变。

这和今天的AI非常像，虽然大家都惊叹AI编程的效率高，AI影响成本低，但大多数企业应用AI，只是把原来写报告的员工炒掉，换成AI写报告，然后说AI也不过如此。

直到20世纪初，企业开始重新设计工厂，重新设计流程，生产效率才开始大幅提升，这被经济史学家称为，电气化的第二阶段效应，并总结成“生产率J 曲线”，即：

一项通用技术刚开始被引入时，社会投入大量资本，但统计上的生产率提升并不明显，甚至可能下降；只有当组织结构、流程和商业模式完成重构后，生产率才会加速上升。

把时间画在横轴，生产率增速画在纵轴，曲线看起来像一个字母J，所以叫“生产率J 曲线”。

AI可能也不例外。

AI时代真正的变革可能还没发生，那可能是一个人类历史上从未出现过的公司组织形态，生产率真正上升，可能还要几年，甚至十几年的时间。

但资本市场从来就是提前定价的，总是会比产业更早地出现更激进的定价，形成“资产泡沫”，然后在发展不及预期时，又出现“泡沫破裂”，以至于投资者此后十几年对产业变化视而不见。

资本市场与产业的关系，也符合价值投资经典的“遛狗理论”。

本文根据直播内容编辑，欢迎预约每周三中午的直播

回顾历史上的大技术周期，会发现一个规律，一次完整的技术革命，由两个阶段构成，可以出现两次泡沫和泡沫破灭。

第一阶段（泡沫期）：建设基础设施

这一阶段易产生泡沫的行业通常是上游，铁路时代的钢铁和铁路公司，电气时代的发电和输电公司，AI时代的GPU、HBM、电力和数据中心，股价上涨基于大规模基建的资本开支的“真实”需求，这个真实之所以打引号，是因为投资者是基于未来而不是当前的需求进行投资。

铁路革命可能是美国历史上第一次全国性的科技投资泡沫，当时的市场共识是，铁路改变美国。铁路股票，铁路债券，铁路土地开发项目成为市场最热门的投资品。

其中Northern Pacific尤其像今天的热门AI项目，规划宏伟，故事巨大，但建设成本极高，资金需求无底洞。

铁路最后改变了美国，但很多铁路投资者却亏惨了。

第一阶段（泡沫破裂来灭期）：由基础设施“过剩”引发

随着最初有限的几个需求被满足，基础设施逐渐从稀缺变成供给充足，利润开始下降，行业出现价格竞争，资本开支增速放缓。

巨大的市场泡沫让很多不可思议的铁路后来真的建成了，问题在于，修得太多，某些线路穿过的几乎都是无人区，几十年都没有足够货运量。为争夺有限的货运量，铁路公司陷入恶性价格战，运费被压至成本线以下。

而修铁路因为太烧钱，很多公司几乎没有收入就开始融资，当运营收入无法偿还本息时，违约风险激增。

‌1873年，著名银行家杰伊·库克因承销‌北太平洋铁路‌债券失败，银行资金链断裂而破产，引发市场信心崩溃，89家铁路公司及近1.8万家企业倒闭，美国爆发经济危机。

铁路泡沫并不是铁路没价值，而是市场把未来50年的需求，提前折现到了当下。

第二阶段（应用泡沫期）：应用爆发引发的生产率上升

此阶段，该技术的应用被大量发明，真正创造巨大财富的公司和行业开始出现并在股市受追捧。例如：

铁路革命后，西尔斯利用铁路建立全国销售网络，出现了第一批全国性大众品牌；电力革命后，GE成为电气巨头，福特利用电气化和流水线扩大生产（见系列第三篇《寻找AI应用的百倍牛股》）。

最经典、大家最熟悉的应用泡沫还是互联网泡沫，就不再赘述了。

第三阶段（泡沫破灭期）：估值过高引发的资本市场

技术革命的应用期泡沫破灭与基建期有很大的不同：

基建期的热门公司，有明确的财务收入模型，资金需求巨大，因此更倾向于债权而不是股权融资，泡沫主要发生在债券市场。

而泡沫破裂是对短期需求的评估过于乐观，往往以某个明星公司的债券违约为标志性事件，引发金融市场崩溃，再传导至实体经济，引发典型的经济危机。

而应用期的泡沫，是因为出现了增长极快的应用型明星公司，比如当时的互联网明星，这一类公司现在收入一般，但行业空间宽广，因此主要是股权融资，泡沫主要发生在股市，相关公司估值奇高，最终因为应用渗透率放缓和货币政策收紧而戳穿泡沫。

技术革命的“两阶段泡沫”，其成因是技术发展与产业发展不同步，产业发展又与资本市场不同造成的，而且每一次技术革命又不太相同：

铁路革命主要体现基建期的泡沫，应用期比较长，相关行业需求增长比较平缓，加上当时经济危机不断，并没有出现明显的应用泡沫。

互联网由于是应用先行，在这一阶段出现巨大的泡沫和随后的破裂，而到了云计算的“基建补课”阶段，则是以慢牛行情的形式出现，并没有明显的泡沫。

电气革命则出现了两次泡沫和两次泡沫的破裂，AI与电气革命更加类似，本文重点复盘这一次技术革命。

1、基建泡沫期（1882-1892）

以纽约珍珠街发电站为起点，以爱迪生电灯系统和西屋交流电系统的标准之争为技术驱动，随后美国出现数百家电力公司，资本市场开始炒电力概念，人人谈电，人人融资，人人说自己是未来。

但此时电力主要用于照明和少量电车，制造业组织方式基本没变，也就注定这一阶段的大规模投资难以收回。

2、基建泡沫破灭期（1893~1910年代）

1893年爆发了19世纪美国最严重的金融危机之一，大量铁路公司破产，银行倒闭，工业投资冻结，股市暴跌，经济萧条持续数年。

很多电力企业也受到冲击，电气行业属于高资本开支行业，融资一断就很危险，电气革命的第一次泡沫就此破灭。

电气革命时期的泡沫比铁路时代更像今天的AI，因为铁路至少看得见、摸得着，知道铁路是干什么的；而电气化刚出现的时候，很多人只知道“电一定会改变世界”，但具体怎么改变、哪些应用能赚钱，其实没人知道。

这就是技术、产业和资本节奏错位造成的泡沫与破灭。此后十几年，电气化革命一直在进行，技术路线已经明确，交流电胜出，从实验室走向商业化，电灯正在慢慢提高渗透率，电机开始进入工厂，从1893到1914年，美国经济增长很强劲，但并没有形成类似1920年代那样的全民投机热潮，资本市场对此已经失去了兴趣。

问题不在技术，问题在资本，这段时间大家还在消化铁路泡沫和1893危机留下的阴影。

无独有偶，在互联网革命爆发十几年后，在科技股即将霸榜全球股市的前夜，2008年底全球前20大市值的公司中，只有三家科技股，微软、谷歌和苹果，其余都是一堆能源、金融和消费类公司。

技术红利先兑现，资本市场却很谨慎，这往往意味着，未来会出现更大的金融泡沫。

3、应用泡沫期（1920年代大牛市）

1920年代的大牛市，即Roaring Twenties（咆哮的二十年代），道指9年最高涨了近5倍。

这是科技股的牛市，电力、内燃机等技术已完成从实验室到工厂的转化，又催生了无线电等技术的快速商业化，为科技股全面繁荣奠定了产业基础。

这也是消费股的牛市，汽车、家用电器、收音机等耐用消费品进入普通家庭，1922—1929年，美国收音机保有量从约6万台猛增至750万台。1929年，美国平均约每5人就拥有1辆汽车，最终形成了一轮强劲的消费股牛市。

科技与消费又有直接的联系，电气革命引发的大规模生产，使成本迅速下降，福特汽车工厂的普通工人三个月的工资就能买一台车，比现在还便宜。

任何革命性的技术都有一个从慢慢渗透到加速提升的临界点，美国家庭拥有电力的比例从1882年开始，用了20多年慢慢增长到1916年的约12%，一旦过了这个临界点，短短10年就提高到1927年的约63%。

电力渗透率的提升，刺激了电器等应用的发明，后者的商业化又加速了电气化的渗透率，最终在1920年代出现了第一个全国性的电力消费市场，大量电器，电冰箱、洗衣机、吸尘器、收音机等，被家庭快速应用。

1920年代这轮牛市，也可被看成是电气化应用牛市，市场主线集中在汽车、无线电、公用事业、银行这几个行业。

除银行外，公用事业主要是电力公司，其他都是电气化应用层，家用电器的代表是Frigidaire、GE，电话网络的代表是AT&T，汽车的代表是通用和福特。

20年代最具爆发性的应用是收音机，因为电灯还需要电力设施的投入，大部分农村地区很不划算，所以用干电池的收音机，在无线电放大和调制技术被发明（1919年）和第一个商业广播电台被创办（1920年）后，就迅速成为电气化的杀手级应用，迅速普及。

20年代的牛股中，最具泡沫色彩的应用牛股无疑是RCA（Radio Corporation of America），由GE、Westinghouse、AT&T等巨头联合成立，垄断了当时所有的无线电专利，任何企业生产收音机都需向其支付授权费。

公司1921年股价约5美元，到1929年涨了300倍，市盈率高达约73倍。

RCA的商业模式类似今天的苹果公司：硬件+内容。

硬件产品包括收音机及其核心部件真空管、电视机、留声机。

RCA为了刺激收音机销售，在1926年牵头成立了NBC（美国全国广播公司），形成“通过内容投入刺激硬件销量，通过硬件销量提升广播普及率和广告收入”的生态闭环，这是一种非常超前的商业模式。

RCA股价泡沫主要产生于想像力更大、商业模式更好的内容业务产业，事实上，NBC比硬件业务走得更远、更久，后来一直是美国最大的广播网络，并直接推动了现代全国广告业的诞生。

所以，电的真正杀手应用不是首先被发明出来的朴实无华的电灯，前期的技术基础设施也往往都是“先烈”，硬件公司竞争激烈，牛股常常昙花一现，真正的大牛股，要么掌握标准成为各种行业和应用的通用接口（见系列第三篇《寻找AI应用的百倍牛股》），要么拥有独特商业模式，才会引发巨大的泡沫。

4、应用破灭期（1929年以后）

20年代的牛市建立在强劲的基本面之上，所以1929年崩盘之前，美国市场整体市盈率大约在 30倍左右，并不算离谱。

问题出在资金层面，1920年代美国可谓全民炒股，大量投资者使用保证金交易，首付只需要10%，投机氛围过于狂热。

不但股民加杠杆，上市公司也在不断加杠杆，比如看上去没有什么故事可以讲的电力公司，纷纷变身为公用事业控股平台，类似今天的“电力版PE+REIT+平台公司”。

它们的玩法是用母公司控股A电力公司，再控股B电力公司，再控股C电力公司，然后利用市场对“电力需求将无限增长”的信心，不断加杠杆扩张。

股市崩盘后，财富效应消失，对消费的冲击，再加上收入分配不均，大量财富集中在少数人手中，真正需求不足以对应经济增长的波动，最后造成了严重的经济危机。

至于后面的三十年代的大萧条，更多是金融体系过时和政策应对失败，与股灾并没有因果关系。

所以，1929年泡沫破灭，与产业革命无关，是经济结构自身的问题。

未来AI行情可能有三种路径：

路径一、互联网模式：基础设施和应用几乎同步成长。

路径二、铁路模式，基础设施泡沫先破裂。应用多年后才兑现。

路径三、电气化模式：基础设施泡沫破裂，但生产率革命继续推进。最终应用层迎来更大牛市。

最终呈现哪一条路径，取决于新技术的价值的产生形式。技术的最大价值往往不是来自技术本身诞生的发明创造，而是来自整个社会围绕这项技术重新组织生产的能力。

这里最难判断的，不是技术成熟的时间，而是组织适应此技术的时间，是基于AI重新设计自己的工作流程、岗位分工和管理方式的时间。

当然，投资者目前更关心的还是第一阶段的泡沫何时破灭，这是一个更现实的问题。

对以上问题的几个个人判断，请关注本系列的最后一篇。

P.S.

每周末，我的知识星球都有周末问答专场，本周的回答包括：

1、燃机订单是否会见顶

2、保险股是否被低估？

3、原油价格短期和中期如何走

4、通胀是否影响红利股投资价值？

我的“思想钢印”的知识星球，每周三将推出新的系列“板块投资逻辑挑战”，大部分散户能接触到的都是正面看好理由，一般看空的观点只会口耳相传，这个系列，我会专门把热门板块的利空观点陈列出来。

需要强调的是，“挑战逻辑”并不是看空，机构要大规模介入一个板块和个股，也都需要对上涨逻辑进行一次全面质疑，只有在了解市场的质疑后再买入，才是真正的看好，如果你不知道什么是利空，那看好则无意义。

第一期已经于4.22日发出，挑战一下光模块与CPO的投资逻辑

1、看多逻辑建立在2026年海外主要CSP资本开支同比+60%的假设上，确实强化了两年可见度；但这也意味着链条对单一变量——CSP节奏指引高度敏感，一旦应用端Token演进不及预期，导致需求节奏变化，就会对股价产生巨大的冲击。

提醒大家的是，一个板块如果全是做高景气度的资金，一旦景气度稍有放缓，不管这个板块估值多么低，都会被大幅杀跌，理由和论证过程，我在上周六的星球里说过了，可以回头看一看。

2、高增长下的高预期下的高波动可能，部分上游配套企业估值已前置CPO和1.6T红利，若渗透节奏或利润分配不及预期，估值回撤风险增大。

3、产业价值链正在从模块组装向“硅光芯片+外置CW光源+先进封装/测试”迁移，光模块速率越高，芯片成本占比越高，这意味着成本结构对上游芯片更敏感。

4、CPO优势明确，但在横向扩展侧目前对TCO的改善有限，对规模部署的约束，包括散热、可维护性、测试体系重构、缺乏统一标准；CPO更多是纵向扩展的阶段性解法，短中期将与LPO/NPO并存博弈，难以按乐观曲线快速吞噬可插拔份额。

5、下一代核心利润池上，CPO与可插拔是此消彼长的竞争关系；若CPO借助硅光与先进封装形成系统壁垒，传统模块的一体化价值将被拆分转移，模块厂的份额与议价能力并非线性外推。

目前已经推出三篇，时间是每周三

AI目前呈现出来“重资产、重能源、重基础设施”的特征，更接近铁路、电气化这一类标准的技术革命。过去三年华尔街一直围绕GPU、电力、存储、互联反复定价，说明AI仍处于类似“1885年的电力”或“1865年的铁路”阶段，人们已经确定这项技术会改变世界，但世界还在建设承载它的基础设施。

AI的未来，可以从电气化的过程中找到一些启示：电气化是用一种可传输、可存储、易控制、即插即用、高效率的形式把各种能源标准化，AI正在把稀缺的智力能力标准化。AI的伟大之处，不只是一个写报告编程的软件，而是让企业甚至社会建立一个过去无法想象的组织方式。

所以未来真正的应用巨头，可能还没有完全出现，甚至还没有诞生。

当然，过去三年多的美股AI行情，应用股也有大涨的，也有PLTR这种10倍股，基本上可以分为两类：

第一种，围绕生成式AI从零开始的新业务，可收费，可提升ARPU，且证明可以直接变成收入，而不只是用AI改造原有业务，提升毛利或用户粘性，还要有一个稳定的现金流业务模型预期。

所以这些大涨的AI应用公司，基本上都是靠自己的阿尔法，没有板块效应。如果只有一类公司，那AI的巨额投资根本收不回来。

第二种，大模型公司

如果按互联网的传统思维，把大模型公司看成应用，从一级市场的估值增长看，真正大涨的才是应用类板块，Anthropic有可能成为有史以来最快万亿市值的公司。

但大模型公司是否算成应用，还是有争议的，“模型即应用”的叙事，暗含着“AI应用只是存量市场”的前提，才导致大模型抢了应用公司的市值，才会有“一鲸生，万物落”的担心。

可这么多基建砸下去，又怎么可能还是那个存量市场呢？

真正的原因在于，大模型公司不是简单的应用公司，而是兼具了基建设施和终端应用形态。

从铁路革命到电气革命，这些技术革命的真正受益者，都不是可以简单直接分析出来的，长期走牛的公司，都是产业趋势、自身战略和历史机遇结合的奇迹，从中也许可以挖掘未来真正的AI龙头公司的特质。

本文根据直播内容编辑，欢迎预约每周三中午的直播

系列前两篇文章，有一个问题我一直没有回答，它和今天AI最大的争议其实高度相关，那就是——铁路修好以后，究竟是谁赚到了钱？

不只是铁路公司，铁路建设竞争太激烈，资本投入过大，大部分铁路公司的结果，不是破产，就是重组兼并，最后只剩下摩根财团这一类资本玩家。

但铁路改变了几乎所有行业的组织方式，其中变化最大的，就是零售业。

铁路出现之前的美国，绝大部分零售都是本地生意。一个农民买东西，通常只能去附近的小店，而且东西太贵了，他们能买的都是最基本的生活必需品。

原因主要是运输成本太高，铁路革命之前，美国内陆运输成本往往占商品价值的20%-50%。

这也导致这些商品生产商的销售范围有限，每个小镇都是一个独立市场，彼此的价格差异也很大。举个简单例子，同一种缝纫机，生产效率高的纽约可能只卖25美元，生产效率低的堪萨斯可能要卖40美元。

铁路出现以后，运输成本骤降，有些线路甚至下降80%以上。这就让跨地区套利行为有利可图，纽约生产的缝纫机卖到堪萨斯州，结果消灭了区域价差。

这个变化被敏锐的零售商捕捉到，出现了一个历史性创新——邮购目录。

代表企业西尔斯，之前只是铁路代理，他们做了一件在今天看起来很普通的事，寄一本商品目录给客户，客户看中商品，寄回订单，再通过铁路送货。至1897年，其目录已厚达786页，包含20万种商品，被当时的消费者奉为“消费者圣经”。

这实际上是人类历史上第一次全国性零售网络，很多经济学史甚至把邮购目录鼻祖Sears称为“亚马逊的曾祖父”，它与亚马逊的区别只是今天用互联网，当年用铁路。

铁路之后，零售业开始出现规模经济，出现大型零售商，还有沿铁路的连锁商店，可以全国采购、全国配送、全国销售。

更重要的是，至此，全美历史上第一次出现全国统一市场，产生中央仓库、区域配送中心、全国物流体系，出现现代供应链的雏形。这就意味着，生产效率高成本低的厂商，潜在市场规模突然扩大了几十倍，而且不用降价，这就形成了正反馈，规模越大，价格越低，价格越低，规模越大。

铁路之前，消费者买的是本地商品；铁路之后，企业开始集中生产，然后向全国配送。于是，更重要的事件发生了。

19世纪末，香皂还是很昂贵的生活必需品，1879年，宝洁公司生产了一种可以漂浮在水面上的“象牙皂”，凭借这一特点和"It Floats!" 这个有点魔性的广告语，更重要的是远低于市场的价格，再加上巨额广告费用，并通过铁路网进行全国铺货，使“象牙皂”成为全美第一个真正意义上的大众品牌，一度占据美国香皂市场超过50% 的份额。

稍晚的桂格燕麦片和可口可乐也借此策略风靡全国，人类历史上第一批大众品牌诞生。

如果站在1880年的美国看铁路，很容易得出一个结论，铁路公司涨了十年，零售没怎么涨，看来铁路泡沫了。

泡沫是破裂了，但后来证明，铁路确实改变了世界，只是最大的价值留在了那些利用铁路重新组织商业活动的人手里。

从铁路建设高峰到西尔斯的邮购目录和宝洁的象牙皂，中间隔了20年，技术革命带来的全新“应用”，虽迟但到。

这或许也是今天AI投资最值得思考的问题，未来最大的赢家，会不会根本不是今天这些GPU、算力和数据中心公司，而是某个利用AI重新组织生产和消费的企业，只是我们现在还不知道它是谁？

1882年，爱迪生电气照明公司建成纽约珍珠街发电站，这是现代集中供电系统的起点之一。

随后美国出现数百家电力公司，当时的情况和今天的AI创业非常像，人人都在谈论电就是未来，人人融资，公司的名字只要带“Electric、Lighting、Power”等，就容易融资。

大量企业重复建设，大量项目没有盈利能力，大量公司最终消失。电气时代最终形成全国电网，但最初参与建设的企业绝大多数并没有活下来。

真正的赢家反而是行业整合者，代表就是GE通用电气，1892年，摩根财团出资，爱迪生电灯公司和汤姆森-休斯顿电气公司合并，成立了通用电气公司（GE），它是美国工业史上最重要的公司之一，也是2008年以前长期全球市值第一的公司。

而GE成为工业巨头，可以说是电气化革命中诞生的最大的“应用公司”。不过，GE最大的成功，不在发电，也不在电器，而在连接发电和用电，既是基础设施的一部分，又是应用生态的一部分。

电气产业链大致可以分成三层：

第一层能源层：煤矿、水电站、发电厂，负责产生能量

第二层电力层：发电机、输电设备、变压器、配电系统，负责把能量变成电并输送出去

第三层应用层：电灯、电梯等各种家用电器，最终创造用户价值

这和今天的AI有一个非常有意思的对应，如果类比的话：

发电公司，类似今天的例如大模型公司

电网公司，类似云计算平台和数据中心运营商，如AWS、Azure、Equinix等。

电器公司，类似AI应用，各种Agent、Copilot、垂直软件。

早在爱迪生时代，公司就意识到，仅卖灯泡是不够的，因此迅速拓展到配套的整套电力设备，换句话说，GE本身就是那个时代的“平台公司”，产品服务几乎覆盖了第二层和第三层，从发电与输电设备，到各类用电设备，并将电力引入交通和工业。

因此，GE不需要知道未来什么电器更重要，它直接受益于所有行业的增长。

所以，AI时代的大模型，每增加一个具体应用，都会引发原领域相对应的软件公司的市值大跳水，因为那就相当于GE进入发电用电设备领域，属于降维打击。

而且大模型公司不像发电公司有天然地域限制，有天然的垄断性，竞争力更可怕。

不过，早期的电气设备公司也有很多，GE后来能活下来，并成为20世纪最重要的工业公司之一，不是因为它单纯拥有某项技术，而是因为它做对了五件非常关键的事情，这五件事可以帮助我们判断，未来什么公司能够真正受益于AI技术革命：

第一件事：GE卖的不是产品，而是整个系统

从爱迪生时代，公司卖的就是整套电力解决方案，并凭借系统优势，打败了当时的弧光灯系统。他与特斯拉的竞争，也是比拼直流电系统和交流电系统，哪一个更有竞争力。

这点和今天的大模型非常像，现在的大模型比拼的不只是模型推理和多模态的能力，而是API成本、Agent框架、开发工具、企业部署等整套生态。

第二件事：押注基础通用技术，而不是单一应用

当时的投资者其实也面临一个问题：电到底有什么用？没人知道全部答案，未来应用充满不确定性，所以GE提供的不只是设备，还是一套成熟的电气化技术方案，既可以用于当时已有的电灯，也可以帮助开发未来的用电设备。

这也是今天的大模型的商业逻辑，它们也不知道最终哪个应用最成功，所以立足于目前已经成熟的编程和影视制作领域，帮助开发者、企业和个人用户使用AI，逐渐把能力推向更多领域，出现更多成熟的应用。

GE卖的是“电能力”，大模型卖的是“智能能力”，这是两者最核心的对应关系，而对于投资者，应该放弃互联网思维，这不是某一个产业的革命，不只是创造新产业，而是技术革命，使命是改造所有行业。

第三件事：推动标准化

这是GE最容易被低估的贡献，电力早期非常混乱。有直流和交流，有不同电压、不同频率、不同接口，如果这种状态持续下去，整个行业无法扩张。

标准化意味着网络效应，一旦形成统一标准，用户越多，设备越便宜，生态越完善，竞争壁垒越高。

GE早期经历的交流电与直流电之争，就是为了推动行业标准形成，GE真正伟大的地方，也是推动整个产业生态形成。GE会帮助工厂设计电力系统，帮助城市建设配电系统，帮助客户完成电气化改造，实际上是在创造需求。

今天的大模型公司也在做类似事情，从Agent框架、开发工具、API生态，到企业咨询、行业解决方案，甚至诞生了“前沿部署工程师（FDE）”“前沿部署研究员 (FDR) ”这样的新职业，派驻企业，帮助其更高效的利用AI，最终推动整个社会智能化。

第四件事：重视工程能力

爱迪生虽然是发明家，但GE真正强大的地方是工程化能力，比如，发明灯泡虽然很难，但同样重要的还有让几十万只灯泡稳定工作二十年，GE擅长把实验室技术变成工业系统。

顺便说一下，工程能力恰恰是中国产业的优势，不光是制造业，软件应用平台也有工程优势。

第五件事：通过并购完成行业整合

GE的成立本身就是一次大合并，当时行业已经出现大量重复建设导致的价格战，GE不是简单地消灭所有竞争者，而是不断整合资源，形成规模优势。

这种并购，除了背后站着的强大的摩根财团，还需要有收购后的系统性整合，产生1+1>2的效果，因此也是一种可持续发展的能力。

并购整合重组，也是未来诞生的AI巨头的必经之路。

回头再看这五件事：1. 卖系统；2. 押注通用；3. 推动行业标准化；4. 重视工程落地能力；5. 整合生态，几乎就是今天资本市场愿意给大模型高估值的原因。

为什么市场愿意给大模型公司天价估值？

本质上是一个预期问题，投资者愿意为未来付钱，大模型公司下面的三大特征，使其成为整个AI生态中，最有可能诞生未来的行业巨头的环节：

第一：平台属性

大模型作为技术核心推动者，未来最有可能成为企业智能入口、Agent运行平台、推理服务平台，而不是单一软件。

第二：规模效应

模型公司增加用户，都会增加推理成本，这一点似乎不利于模型效应，但如果能通过工程方法，让推理成本下降速度快于收入增长速度，模型公司仍然可能出现极强的经营杠杆。

第三：赢家通吃预期

资本市场倾向于认为，“平台属性+规模效应”决定了大模型可能是有一定垄断性的全球规模市场，未来行业最终可能只剩2-3家主流模型供应商，“剩者”的市值空间将极其巨大。

投资者赌的不是大模型会做出最好的聊天机器人和编程工具，而是，它们会在未来的智能时代掌握一种通用能力，并把这种能力嵌入整个经济体系。

当然，“大模型厂商成为诞生AI巨头的最大环节”这一判断的成立依赖于一些前提，包括：未来的智能能力能够像电力一样标准化，像电气设备一样有差异性，并长期集中在少数平台手中。

所以，这个机会不一定只属于大模型公司，并不排除AI巨头诞生在下游应用的可能性，应用并非价值一定下降，要看具体公司的战略选择。

如果只看财报，很多软件公司其实并没有崩，真正崩的是商业模式和估值逻辑。

以前，SaaS软件按席位付费，未来有非常稳定的现金流收入，因此可以获得极高的估值。

但AI取代人工的叙事，让SaaS软件按未来的席位付费数减少，更重要是，大模型按token付费的模式如果成为主流，必然会冲击SaaS商业模式的根本，未来的客户预算大概率是付给大模型公司，大模型公司再在云平台上调用各种应用软件和数据库，软件公司的议价能力会大大压缩。

当然，应用软件或平台如果要摆脱这一个命运，就必须建立另一种模式，让用户预算支付给具体的应用平台，再由这些应用到云计算平台调用相关大模型。

腾讯近期传闻要测试一款嵌入微信的AI智能体，只要主界面向右一滑，就可以直接调用AI对话窗口，这就是后一种模式，与大模型入口直接竞争。

谁会成为主流，需要抛弃互联网，作客观地观察。

当然，作为投资，还有另一种“商业模式”的思路。

上一次的直播中，有人问GE是谁？估计是一个很年轻的投资者。其实，再过一百年，本文提及的所有伟大企业如果只剩下一个，我会在宝洁和可口可乐中选择，它们的商业模式附着于人而非技术。

从长线投资的角度，巴菲特更重视商业模式的研究，不是没有道理的。

个人认为，AI产业链中，值得关注并可以给高估值的商业模式，必须要具备三个条件：

第一，不但在大规模基础建设时能赚钱，在未来大规模应用状态下，也能持续赚钱

AI有一个与电不太一样的地方，电所有环节都需要物理载体，但AI不一定，软件和平台都可能成为关键载体，所以不一定是硬件公司。如果是硬件，不但要在云计算平台，还要在端侧。

第二，技术与应用之间的中间层

制造的利润在微笑曲线的两边，但技术革命的最大价值，是中间层，掌握标准和关键部件，议价能力最强。GE的发电机、电机、变压器都属于这种位置。

AI产业链中最好的商业模式，应该是那些既掌握关键技术标准，又深度参与应用部署，成为整个生态不可替代的中介层。所以Anthropic不断推出应用，并不是看中这些细分市场，而是借助参与这些功能成为整体生态的核心定义者。

第三，有性能差异的标准化

GE时代，电气标准逐渐统一，因为用户不会同时接三套电网，最终电压标准、频率标准、插座标准逐渐收敛。但这种标准化跟发电环节不同，不同厂商之间有细微的性能价格差异，而这种微小的差异经过大规模生产被无限放大，从而产生行业巨头。

大模型具备同样的特征，有一定的标准化，用户并不会对特定模型产生强烈依赖，一个大模型的理论用户可以是所有人，但不同平台之间又有一定的性能成本差异，最终在主流大模型环节产生强者恒强、赢家通吃的几个最后赢家。

当然，这种效应同样可能在社交、电商、搜索等大众领域产生，现在并不能下定论。

最后，还要要强调一点，1882年的时候，谁都不知道GE会成为GE，GE成功并非商业模式的必然，并不是你只要站在这个赛道上，就可能笑到最后，更重要的是你的战略选择和管理能力，是否能走好未来的每一步。

特别是产业从“技术发明阶段”走向“规模化应用阶段”的过程中，能否一直站在价值链最关键的位置上。

产业发展和投资节奏不是一回事，产业革命成功之时，往往是投资泡沫破灭之日，当年看好亚马逊的人，可谓眼光超前，但他们还是要经历亚马逊股价下跌90%之后再跌90%，才能迎来超级牛股之路。

在这个系列的最后一篇，我会从产业发展回归到投资节奏，重点回顾电气革命时期，美股的两次泡沫和两次崩盘，还有一次长达二十年的沉寂期，从中可以发现，AI投资才刚刚开始，未来的走势远比我们想象的复杂。

P.S.

每周末，我的知识星球都有周末问答专场，本周的回答包括：

1、微盘股为什么会持续下跌？

2、如何从不同指数的轮动中，发现大盘见顶的信号？

3、AI板块能不能抄底？

4、如何看待后市的有色行情

5、如果判断海外算力产业链的业绩拐点？

6、人形机器人板块会接替AI上涨吗？

我的“思想钢印”的知识星球，每周三将推出新的系列“板块投资逻辑挑战”，大部分散户能接触到的都是正面看好理由，一般看空的观点只会口耳相传，这个系列，我会专门把热门板块的利空观点陈列出来。

需要强调的是，“挑战逻辑”并不是看空，机构要大规模介入一个板块和个股，也都需要对上涨逻辑进行一次全面质疑，只有在了解市场的质疑后再买入，才是真正的看好，如果你不知道什么是利空，那看好则无意义。

第一期已经于4.22日发出，挑战一下光模块与CPO的投资逻辑

1、看多逻辑建立在2026年海外主要CSP资本开支同比+60%的假设上，确实强化了两年可见度；但这也意味着链条对单一变量——CSP节奏指引高度敏感，一旦应用端Token演进不及预期，导致需求节奏变化，就会对股价产生巨大的冲击。

提醒大家的是，一个板块如果全是做高景气度的资金，一旦景气度稍有放缓，不管这个板块估值多么低，都会被大幅杀跌，理由和论证过程，我在上周六的星球里说过了，可以回头看一看。

2、高增长下的高预期下的高波动可能，部分上游配套企业估值已前置CPO和1.6T红利，若渗透节奏或利润分配不及预期，估值回撤风险增大。

3、产业价值链正在从模块组装向“硅光芯片+外置CW光源+先进封装/测试”迁移，光模块速率越高，芯片成本占比越高，这意味着成本结构对上游芯片更敏感。

4、CPO优势明确，但在横向扩展侧目前对TCO的改善有限，对规模部署的约束，包括散热、可维护性、测试体系重构、缺乏统一标准；CPO更多是纵向扩展的阶段性解法，短中期将与LPO/NPO并存博弈，难以按乐观曲线快速吞噬可插拔份额。

5、下一代核心利润池上，CPO与可插拔是此消彼长的竞争关系；若CPO借助硅光与先进封装形成系统壁垒，传统模块的一体化价值将被拆分转移，模块厂的份额与议价能力并非线性外推。

目前已经推出三篇，时间是每周三

复盘三年多的AI行情，就是一个不断找硬件瓶颈的过程：最开始涨GPU，后来涨服务器，再后来涨数据中心，然后涨电力，接着涨HBM存，现在又开始涨CPU、高速互联和ASIC。

一路涨来，其中有两个基本规律：

第一，行情集中在硬件上，由于AI爆发的速度太快，一个旧瓶颈的解决，必然带来新的瓶颈。瓶颈所在，就是潜在的利润池所在，而瓶颈的解决过程，必然带来利润的大释放，这就是三年多行情的底层逻辑。

第二，相比之下，互联网革命时的明星股票大部分是平台公司，在没有什么收入的情况，市场就给了巨大的估值，主要原因在于互联网平台的边际成本为零、网格效应很强。

它们的不同可以总结为一点：互联网创造新场景，AI创造新供给。

互联网相关需求已经普遍存在，只是把线下需求搬到线上，用户学习过程很短，所以用户增长极快，投资价值基本上集中在应用上，现在的Mag7中有3家是互联网时代诞生的平台公司。

AI是一种全新的生产力形式，写文章、做PPT、写代码、做客服，这些行为的场景没有任何变化，但能力大大提升，所以叫“技术革命”，一个全新的技术供给形式，老的产业链必然不适合，出现各种瓶颈，所以产业链重新整合是投资逻辑，瓶颈成为财富的焦点。

以上为本系列第一篇《AI牛市三年半复盘，一个误解最深的认知陷阱》的核心观点。

很多人之所以总觉得“炒完硬件就该炒应用了”，其实是因为大家对科技投资的历史记忆主要来自1995-2010年的互联网时代，但如果把时间拉长到两百年的技术革命史来看，互联网反而是特例，AI更像是常态。

本文将从更长的周期看技术革命的一般规律，重点是铁路革命和电气化革命，特别是电气化革命，与现在的AI革命，相似度极高。

本文根据直播内容编辑，欢迎预约每周三中午的直播

如果把技术革命复盘的周期拉长到200年，铁路革命、电气化革命、汽车革命、石油时代，你会发现一个共同规律，跟AI革命一样，第一批大赢家往往不是最终应用，而是基础设施和瓶颈环节，以铁路和电气化为例：

铁路革命（1860~1900年）期间，美国铁路里程从1860年约3万英里到1900年超过19万英里，40年增长6倍以上。

当时最赚钱的行业是什么？很多人以为是铁路公司，其实不完全是，大量铁路公司投资巨大，根本没赚到钱，后来大量破产重组。

真正持续赚钱的是钢铁、煤炭、机械设备、土木工程这一类“铲子行业”，无论铁路赚钱不赚钱，都得先投资，钢轨都得买，车都得造，煤都得烧，钢铁大王卡耐基，前期的主要财富来自铁路建设需求。

而铁路革命真正改变的行业——零售业和大众品牌，当时几乎没人能想到（这个过程，留到第三篇再详细分析）。

再看电气化革命（1880-1930），跟现在的AI一样，当时也存在一个问题，大家知道电很重要，但除了电灯（相当于现在的聊天和编程）外，并不知道未来能用什么赚钱。

于是资本先涌向发电厂、输电网、电机设备，早期最大的投资主题其实是，如何把电送到每个工厂和家庭，当时的代表企业是电气设备的GE，而不是几十年后才出现的冰箱、空调和电视等家电巨头。

对照铁路革命和电气化革命，甚至汽车革命、石油革命，你会发现，互联网革命（1995-2010）才是特例——基础设施已经提前建好了一半。

在1995年前，美国已经拥有全国电网、电话网络、光纤主干网和PC服务器产业链，互联网传输的物理介质不是像电气革命一样从零建设，而是在已有基础设施上运行。

这就导致互联网的启动成本极低，建立一个网站，只要买（甚至是租）一些服务器和数据库放在公司甚至车库，就能运行了。

因此再加上上一篇《AI牛市三年半复盘，一个误解最深的认知陷阱》分析的互联网的“场景革命、边际成本接近零、网络效应明显”的三大特征，应用才能迅速爆发。

但到了2005年前后，互联网公司越来越大：Google索引整个互联网，Facebook管理数亿用户，YouTube存储海量视频，Amazon管理全球订单，传统IT架构开始撑不住。

所以在2010年前后，出现了云计算和大型数据中心，大量互联网企业和传统企业接入云平台，按需购买算力。云计算架构的灵感直接来自电网，电气化也是把过去每个工厂自己发电的模式，变成统一发电、接入电网，按需购买。

这其实是早期基础设施建设不够，后来再“补课”，仍然没有跳出“大规模基础设施——大量新应用爆发”的范式。

从这个角度看，AI只是回归了技术革命的一般规律，从铁路、电气化，到互联网、AI，有三个共同特点：

第一：资本密集投入

需要先投入巨额资本，大规模建立芯片、电力、数据中心、网络等基本设施。

第二：存在现实世界的物理瓶颈

互联网创造的是新场景，主要是软件扩张，而AI是新技术，存在现实世界的大量物理约束，不管是GPU产能，互联的架构，还是电网容量，冷却技术，都是上一个时代的技术，无法适应AI时代，需要一个一个的改造，所以市场陷入不断寻找“瓶颈”的游戏中。

第三：出现了一个全新的通用基础技术

不是所有的新技术都能称为经济学中的通用技术（General Purpose Technology），需要符合“渗透到各行业、性价比不断提高、创新底座”这三大特征。

所谓“创新底座”，是指能催生大量互补性的创新应用的底层技术创新，早期用途不明确，但理论上所有行业都能受益，因此资本先建设基础设施，让“马儿先跑起来”，然后才知道最终会创造什么奇迹。

当然，技术革命有共性，就会有差异，就像互联网摆脱了“大规模基建先行”的规律一样，AI、铁路和电力也有不同。

铁路至少看得见、摸得着，你知道铁路是干什么的。而电气化刚出现的时候，很多人只知道“电一定会改变世界”，但具体怎么改变，现在的工具如何用电气化改造，未来会出现哪些全新的东西，哪些行业能真正赚钱，其实没人知道。

所以在很多特征上，电，甚至比互联网更接近AI。

我们平时总是把电力理解为能源，但电力革命真正伟大的地方，并不是发现了一种新的能源，而是发明了一种极其通用的“能量中介”。

煤炭、天然气、石油、水力、核能，这些都是一次能源，而电属于二次能源，它的作用是所有能源的“通用接口”。

为什么电如此特殊？

假设你有一吨煤，你能做什么？无非是烧水、取暖、做饭，但如果你想看电视、制冷、通信、计算，那就犯难了。

煤炭只能释放热能，人类工业革命的第一台机器“蒸汽机”，革命之处在于把热能转化为机械能，但更现代的设备需要更精细化可控的机械能，还需要光能、信息处理能力，需要更适合的能源中介形式。

而电恰好具备这种能力。

首先，电是一种可以传输的能源，输送距离远、损耗相对可控且调度方便，这使得发电和用电能够空间分离。

其次，电几乎可以转换成任何形式：用电机转化为机械，用灯泡转化为光能，用电热丝转换为热，用扬声器转化为声音，用计算机转化为信息……

最后，容易控制，空调可以做到恒温，不是空调聪明，而是电容易被控制，开关、继电器、晶体管都建立在电信号的基础上。

这三大特点至关重要，大家可以猜一猜，电气革命前，冰箱、空调、电视能存在吗？

答案可能有点意外，这三样东西其实之前都已经被发明了，以前就有蒸汽制冷机，现代老式房车和大型工厂还在用烧天然气、石油和煤的制冷设备，20世纪初还存在过机械扫描电视，但这些如果不用电能，效率都太低了，根本没法普及。

蒸汽时代还有一个点错技能树的“差分机”，这是用机械原理制造出的人类历史上最早的计算机，通过齿轮间的啮合、旋转和平移进行运算，具有计算机的储存单元、运算单元和控制单元，以及在各单元之间运输数据的结构单元，设计图纸有25000个零件，总重量4吨。

开个脑洞，假如电气革命没有发生过，今天很多电子电器产品可能都存在，但会以一种完全不同的低效率形式在运行，这个判断就是回归第一性原理：电子运动速度接近光速，机械运动速度差几个数量级。

说到电的应用，一般人都会想到各种电器和电子产品，但有一样东西，对现代社会的改变同样巨大，就是“现代化工厂里的大规模流水线”。

18世纪末到19世纪中叶的蒸汽机时代，英国和美国已经有大量蒸汽机驱动的工厂，比如纺织厂、钢铁厂、面粉厂。

但这些工厂的动力分配方式很落后，一切围绕蒸汽机，由蒸汽机带动主传动轴，再通过大量皮带驱动各台机器，所有机器被绑在同一个动力系统上，围绕动力轴排列。

结果就是，工厂的设计服从机器，而不是服从生产流程，工厂无法改变生产流程，更不能生产不同规格的产品，且所有的工厂都以同样生产效率，生产同样的商品，跟农民种田一样。

而电气化改造带来的关键变化是，每台机器拥有独立电机，让车床、钻床、输送带全部独立运行，就可以自由地按生产流程而不是动力系统摆放，生产流程就可以不断优化设计。

这直接催生现代流水线。

很多人认为，福特流水线的核心创新是工人不动，产品移动，其实背后还有一个前提，整个工厂已经电气化，因为流水线需要的输送带、电机、精确同步、连续运转，都依赖电力。

所以说，虽然蒸汽机创造了工厂，但是电动机创造了现代工厂。

所以电到底是什么？

从物理角度：电是一种能量载体。

从工程角度：电是一种通用控制信号。

从经济学角度：电是一种标准化中介。

电就是工业时代的“货币”，没有货币，贸易也可以以物易物，但效率极低。电和货币一样，让社会运转和社会生产更有效率。

AI正在做同样的事。

说到电，很多人立刻想到家电和电子产品，而不是大规模流水线。

同样，说到AI的应用，大家都会想到聊天、编程、写作，说到AI应用，大家都在想“软件”——这就仍然是一种互联网思维惯性。

如果把AI比喻成电，大模型比喻成发电厂，提供信息与数据处理的公司是电气设备公司，编程等未来出现的AI应用只是类似家电和电子产品的产业，但更大的变革是它对所有行业甚至企业组织形式的彻底改造，就像大规模流水线对蒸汽工厂的改造。

如果说，电气化是用一种可传输、可存储、易控制、即插即用、高效率的形式把各种能源标准化，AI正在把稀缺的智力能力标准化。

智力一直存在，但直到2022年之前都高度依赖个体，无论是律师的分析能力、程序员的编码能力，还是医生的诊断能力、研究员的信息整合能力，它们需要16年以上的教育，需要大量职业培训，无法被低成本规模化复制。

它们无法存储，只存在于某个人的大脑里，离职就带走。

它们的调用成本（工资）高，且不稳定。

AI正在改变这一切，你可以把它理解为一座“智力工厂”，把原本依赖个体知识工作者的认知能力，从人脑中抽离出来，转化为未来社会的基础设施。

它把不可以标准化的智力服务，包括写作能力、翻译能力、编程能力、信息检索能力、基础推理能力，等等，未来还有更多，变成7*24小时输出的标准化的API；

把难以跨境贸易的社会服务，变成可跨境贸易的token，未来某个美国人接受的法律服务，很可能是中国内蒙的某个数据中心的token流。

这种把智力与人强行分离的做法，直接冲击了生产力三要素“劳动者，劳动工具和劳动对象”，AI到底是劳动者还是劳动工具？这将会完全改变这个社会的形态。

这可能才是AI应用的第二阶段，也是AI真正改变世界的时刻。

当然，这个电的类比能否成立，还有待验证，但它确实解释了资本市场现在就愿意给基础模型公司以极高估值的合理性，投资者不是在赌它们是未来的谷歌或亚马逊，而是认为这将是成为未来世界的“通用接口”。

总结一下：

AI目前呈现出来“重资产、重能源、重基础设施”的特征，更接近铁路、电气化这一类标准的技术革命。

过去三年华尔街一直围绕GPU、电力、存储、互联反复定价，说明AI仍处于类似“1885年的电力”或“1865年的铁路”阶段，人们已经确定这项技术会改变世界，但世界还在建设承载它的基础设施。

AI的未来，可以从电气化的过程中找到一些启示：电气化是用一种可传输、可存储、易控制、即插即用、高效率的形式把各种能源标准化，AI正在把稀缺的智力能力标准化。

电气化的伟大之处，不只是创造了家电和电子产业，更是让人们能够建设过去根本不可能存在的工厂；AI的伟大之处，应该也不只是一个写报告编程的软件，而是让企业甚至社会建立一个过去无法想象的组织方式。

未来真正的应用巨头，可能还没有完全出现，甚至还没有诞生。

当然，投资未来是现在就要做的事，所以这并不妨碍我们现在就要去想象未来哪些行业会被深度改变？未来的应用巨头可能是什么样子的？这将是这个系列第三篇的内容，关注“思想钢印”公众号，6月8日推送第三篇。

AI炒了三年，还在炒各种各样的“铲子股”，每次大家觉得要炒应用了，市场总是会绕到硬件上去。

根源还是在美股上，A股的海外算力几乎都是美股映射，虽然美股也有不少类似PLTR、APP这样的应用大牛股，但都是个股现象，有板块效应的，还是各种各样的通信设备、电子半导体、计算机甚至电力设备等硬件基建企业，市场每隔半年左右，就会找到新的投资主线。

从ChatGPT发布到今天的美股AI牛市究竟经历了哪几阶段？资金又是如何一步一步迁徙的？三年多的时间不算长，但其中的内容太过丰富，不站在全局和发展角度思考，很可能一叶障目不见森林。

本文首先会按照这个思路，把过去美股三年的AI牛市完整复盘一遍；然后，我会与20多年前的互联网行情进行比较，试图解答这个问题：

为什么本轮行情一直以硬件为脉络，应用方向的行情一直不是很连续？

本文根据直播内容编辑，欢迎预约每周三中午的直播

2022年底ChatGPT发布以后，整个市场第一次感觉到大语言模型带来的震撼，朦朦胧胧地意识到，传说中的AI时代真的来了。

问题是，炒什么呢？

序曲：概念为王

时间：2022年12月到2023年3月

当时的资金由于互联网革命的肌肉记忆，认为应用端会最先爆发。所以答案是，看谁的名字带AI，或者谁能率先用上AI改写业务。

代表标的：C3.ai纯粹因为股票代码就是“AI”而三个月涨两倍。BuzzFeed (BZFD) 因宣布用AI写内容两日暴涨300%。

不过，这两个短线题材股很快被证伪，产业链调研归来的资金都把筹码下注在“标准铲子股”上，“真龙天子”第一时间浮出水面，史诗级的AI行情正式进入第一阶段。

第一阶段：GPU时代

时间：2023年

不知道谁能赚钱没关系，先买“卖铲子的”。而产业验证的消息也是，当时的H100几乎成为全球最抢手的工业品，甚至出现一种说法：不是你有钱就能买到H100，而是你能买到多少张H100决定你的地位。

于是，英伟达成为AI的最大共识标的，AMD被看成英伟达的替代者。

当然，最夸张的其实不是这两家公司，SMCI是AI行情的第一个一年十倍的大票，因为GPU不是插电就能运行的，需要服务器、机架，而Supermicro这个最快把英伟达GPU集成成服务器产品的厂商，成为最大受益者之一。

这一轮AI行情第一次显示出与众不同之处，是2023年5月24日英伟达那份“惊天动地”的财报，其给出的业绩预期直接轰开了传统华尔街的估值模型。

从那一天起，最敏感的资金就意识到AI行情与互联网泡沫最大不同之处，真正受追捧的标的，从第一天起，要么有业绩、要么有订单，互联网时代那一套靠用户规模讲故事的方法，市场根本不买单。

这个特征深深影响此后三年的行情。

第二阶段：数据中心时代

时间：2024年上半年

GPU有了，各家公司开始疯狂训练更大的模型，并形成了今天的三大主流模型，更重要的是，Meta的开源模型让大量创业公司开始围绕开源模型做微调和应用开发。

于是，很多科技巨头突然发现：没有地方放服务器了，机房不够，网络带宽也不够。

于是资金开始从GPU扩散到数据中心产业链，Vertiv维谛技术是这一阶段的代表牛股之一。

很多投资者以前甚至没听过这家公司，但AI出现以后突然成为明星股，因为AI服务器的功耗比传统服务器高得多，散热需求也更大，而Vertiv主要做的就是制冷系统、UPS电源等机房基础设施，于是股价连续暴涨。

那个阶段的明星还有ANET，原因是AI集群内部需要海量数据交换，GPU越多，交换机越重要。

此时市场第一次形成一个重要认知：AI推动的不只是芯片周期，大模型没法像互联网平台那样野蛮扩张，这是一轮科技基础设施建设周期。

第三阶段：电力时代

时间：2024年下半年

这个阶段诞生了一个著名的口号：AI的尽头是电力。

此时，三个代表性的大模型GPT-4o、Claude 3、Gemini1.5在多模态和推理方面全面成熟，模型学会调用搜索引擎、数据库、编程环境、办公软件，开始从“会说”变成“会干”。

随着token量的进一步上升，市场突然发现，数据中心可以建，服务器可以买。GPU可以抢，但有一个东西没办法快速增加，那就是——电。

市场开始疯狂转向一个传统的方向：一个AI数据中心到底耗多少电？一个大型训练集群一年需要多少度电？美国电网能否承受？核电够不够？天然气机组够不够？

这一阶段最强势的股票从科技公司转向传统的电力公司，天然气发电设备订单暴增，输电设备需求大增，很多机构开始重新评估核电等公用事业公司的估值。

代表性牛股是Vistra，美国最大的竞争性电力发电商和零售电力供应商之一，2024年涨幅超过250%；还有生产清洁能源的Constellation Energy美国联合能源、生产燃机的GE Vernova，2024和2025年涨幅都超过100%。

这是AI行情第一次从科技板块扩散到传统工业板块和公用事业板块，很多专门的科技股投资者，做梦也没有想到自己会研究一家公用事业公司。

第四阶段：HBM时代

时间：2025年

就在市场还在比较大模型的性能时，研究英伟达的最新芯片时，两件事改变了行业发展和投资风向：

第一件事是Deepseek冲击，提前宣布了推理时代的成本竞争的开始，另一件事是AI Agent的成熟，可以让模型自己规划任务流程、搜集信息、写代码、调试、生成报告。

前者通过价格战刺激了大量的新增推理需求，后者又通过满负荷运行，消耗了大量的token。

token的暴增导致了新的问题，大家发现，GPU越来越强，但是GPU经常吃不饱，原因是数据送不过来。

在推理的过程中，有一个名为键值缓存的数据结构，当上下文越来越长，比如让AI读一本几十万字的书并总结，或者多轮提问，或者多智能体协同工作时，键值缓存的体积会呈指数级爆炸，像黑洞一样吞噬内存，瞬间撑爆昂贵的高带宽内存。

于是市场开始关注一个此前被忽视的领域HBM，高带宽存储器，市场开始重新定价存储行业，最大受益者就是此阶段的代表性公司：存储三巨头，美光连续两年涨幅都超过250%。

市场从计算转向电力，又转向数据，过去十几年被视为周期股的存储行业，因为AI发生结构性变化，迎来了史无前例的超级周期。

第五阶段：企业级部署时代

时间：2026年上半年

市场的关注点又回到了计算上，只是主角不再是GPU，因为从今年开始，AI已经发展为企业大规模部署的时代，产业链开始下沉。

由于AI主要靠并行计算，行业一度认为CPU不重要了，但当AI进入企业级部署时，就不仅仅是计算，实际需求还要跑Agent，跑企业知识库，跑自动化流程，还要跑本地模型，跑边缘AI。

新一轮短缺发生在CPU环节，前一年还需要美国政府救助的英特尔，2026年满血复活，几个月大涨220%，成为这个阶段的代表性公司。

更有意义的是另一家“老树开花”的企业——戴尔，年初至今已大涨200%+。

Dell为什么是核心受益者？因为企业不会自己组装AI服务器，他们需要包括机架、电源、散热、运维及后续企业服务的一整套整机方案，而企业级系统集成正是Dell最擅长的。

实际上，这一阶段的AI产业链呈现了更复杂的特征，市场不再以英伟达芯片为核心，越来越多云计算巨头开始开发自己的ASIC芯片，而这些更复杂的方案对系统之间的高速互联产生需求，需要考虑GPU之间怎么连接？数据中心内部如何通信？数万张GPU如何协同工作？

于是资金继续向产业链上游迁移，交易整个系统架构，代表方向包括ASIC芯片设计、光模块、高速互联、Scale-Up网络。

今年的代表性公司还包括做ASIC芯片设计的博通公司，做光互联、交换机和芯片设计的MRVL、做数据和内存连接半导体解决方案的ALAB等。

看懂这三年多，五个阶段就可以直接浓缩成三个字——找瓶颈。

三年多的AI行情不是一条主线走到底，而是不断寻找系统瓶颈的过程。

最开始：GPU不够，于是炒GPU。

后来：服务器不够，于是炒服务器。

再后来：机房不够，于是炒数据中心。

然后：电不够，于是炒核电和电网。

之后：HBM不够，于是炒存储。

现在：定制芯片、CPU、互联，哪儿哪儿都是瓶颈。于是AI上游全产业链遍地开花。

由于AI爆发的速度太快，一个旧瓶颈的解决，必然带来新的瓶颈。瓶颈所在，就是潜在的利润池所在，而瓶颈的解决过程，必然带来利润的大释放，这就是三年多行情的底层逻辑。

市场摸透了这个规律后，就会提前寻找下一块短板，而华尔街最擅长做的事情，也是提前给未来的瓶颈定价。

随着定价的提前，“找瓶颈”的游戏难度也越来越高，很多都是“伪瓶颈”，有些是解决不了的，有些是可以被技术绕开的。

所以另一个思路就是跳出这个游戏，回到科技的第一性原理。

这样，复盘三年就不够了，我们需要把AI与20多年前的互联网革命进行比较——为什么互联网革命一直是炒各种各样的平台，而非硬件方面的系统瓶颈？

1995~2000年的互联网革命，纳指涨了300%，其中也出现了无数百倍牛股，但市场最明星的股票是各种应用公司，包括Yahoo!、Amazon、eBay、AOL，还有软件公司，包括甲骨文、微软等。投资者看重的是用户规模，并创造了“市梦率”的概念，在没有什么收入的情况下，市场就给了巨大的估值，从而引发了巨大的泡沫。

相比之下，通信、计算机、半导体等有业绩实实在在增长的硬件设施，反而是配角，虽然思科、高通也涨幅惊人，但市场的想象力主要集中在应用平台端。

这么一比，你就会发现AI与互联网革命根本不是一回事，至少有三大差异：

第一，互联网创造新场景，AI创造新供给

互联网当时又叫“上网”，因为相关需求已经普遍存在，比如买东西、聊天、搜索信息、看新闻，这些需求原本就存在，只是缺乏在线的连接方式，所以用“上”这个词。

互联网只是把线下需求搬到线上，用户学习过程很短，所以用户增长极快，应用价值立刻显现。

AI提供的是一种能力，比如写文章、做PPT、写代码、做客服，这些行为的场景没有任何变化，但能力大大提升。

互联网创造了新的场景，从而诞生了一个新的互联网产业，所以属于“产业革命”，网站平台就是核心产品，凝聚了大部分价值，所以成为投资焦点；

而AI是一种全新的生产力形式，属于所有产业的“技术革命”，一个全新的技术供给形式，老的产业链必然不适应，出现各种瓶颈，所以产业链重新整合是投资逻辑，瓶颈成为财富的焦点。

第二，互联网的边际成本接近零

互联网公司有一个巨大的优势，增加100万用户，服务器成本增加有限，所以市场愿意给行业领先者以极高的估值。

AI应用恰恰相反，每一次调用都在消耗资源，新增用户意味着新增算力消耗，边际成本下降有限；再加上生产效率提升转化成收入需要时间，用户额外付费的习惯需要培养，因此资本市场很难直接给应用高估值。

因此，市场现阶段自然更愿意投“铲子股”。

第三，AI应用缺乏网络效应

互联网平台值钱的是商业模式，核心是网络效应。无论是Meta 的社交网络、Google 的搜索习惯、亚马逊的交易市场、用户越多，竞争壁垒越高，所以投资者初期只看用户规模，不看收入。

而AI应用目前最大的问题是，AI产品之间差异有限，能力容易被复制，一个功能出来，几周后行业都能做，除了大模型外，护城河都不明显，老龙头甚至有被颠覆的危险，市场自然不愿意给应用以互联网时代的平台估值。

所以过去三年，AI产业的发展速度远远快于AI商业模式的发展速度，结果就是：产业链上游赚钱，产业链下游讲故事。

互联网是产业革命，AI是技术革命，如果从这个角度，AI其实更像19世纪的铁路革命和电气化革命。关键变量是什么？我们必须将复盘的时间再向前推200年。

1860年代，铁路开发热潮时，蜂拥而来的资本相信，铁路一定会改变世界，但究竟谁利用铁路赚最多钱，当时没人知道。

于是铁路行情中，市场先炒铁轨、机车、钢铁、煤炭，而不是铁路沿线、物流、旅游、房地产。

今天的AI也有类似特征，大家已经相信AI会改变世界，但还不知道谁能凭借AI获得持续超额利润，而且很可能这种得益是所有行业的，因此资金只能不断围绕最确定的瓶颈“GPU、电力、存储、互联”等反复定价。

很多人之所以总有“这回该轮动炒应用”的幻觉，其实是因为大家对科技投资的历史记忆，主要来自1995-2020年的互联网时代。

所以说，如果把时间拉长到两百年的技术革命史来看，互联网反而是特例，AI才是常态，第一批明确的投资机会往往不是最终应用，而是基础设施的瓶颈环节。

只有跳出互联网的思维惯性，回到过去200年的历次技术革命，回到技术革命的第一性原理，才能洞察这一轮AI行情的发展脉络。

这个系列第二篇，我将——

复盘铁路革命、电气化革命的大规模基建阶段的一般规律，

复盘互联网如何在基建上“补课”；

更重要的是，我将详细解析与AI革命更相似的电气革命，电如何改变这个世界，从中可以看到AI发展更可能的趋势。

关注“思想钢印”公众号，下一篇6月2日发出。

P.S.

每周末，我的知识星球都有周末问答专场，本周的回答包括：

1、期指贴水为什么走阔？

2、对几个指数位置的最新预测

3、行业轮动和避险有什么区别？

4、创新药为什么业绩好不涨？

5、如何看待国家大基金减持对科技股的影响？

6、要不要参与老登股的反弹行情？

7、如何看待阿里all in 的AI业务？

8、既然上游材料紧缺，还怎么释放利润？