康曼德资本对话|拨开迷雾，如何看待当下AI产业

2026-11-05 · apruheng.com

当前市场最常拿来类比当下AI行业的，是2000年的互联网泡沫；但我们认为，就基础设施投资而言，AI与云计算行业的发展历程更具可比性。当前企业用AI的真实渗透率仍然处于低个位数。 AI Capex需要区分“维持性”的训练投入和“扩张性”推理投入，训练支出构筑企业护城河，推理业务已有清晰正向的商业模式确认。当前token的量增效应远超价减，行业并非简单大宗商品生

当前市场最常拿来类比当下AI行业的，是2000年的互联网泡沫；但我们认为，就基础设施投资而言，AI与云计算行业的发展历程更具可比性。当前企业用AI的真实渗透率仍然处于低个位数。

AI Capex需要区分“维持性”的训练投入和“扩张性”推理投入，训练支出构筑企业护城河，推理业务已有清晰正向的商业模式确认。当前token的量增效应远超价减，行业并非简单大宗商品生意。

AI产业的投资并不等同于 AI 半导体等硬科技投资，整个 AI 产业大致可分为三层：硬件层、云与模型层、下游应用层。在不同的发展阶段，各环节的利润沉淀节奏会呈现显著差异。

一、引言 —— 对AI产业观点 的割裂

10 月 22 日，在杭州举行的 宇树科技 成立十年来首场生态伙伴大会上，创始人王兴兴以《相信，尽可能相信 AI 》为题发表演讲。他说： “ 全世界几乎所有人，对 AI 的重视程度和信仰还不够，包括我自己。 ”

同一天，虚幻引擎母公司 Epic Games 的创始人 Tim Sweeney 出席了在上海举行的 Unreal Fest 。这位游戏业的教父级人物此前对 AI 的态度相对审慎，这一次却斩钉截铁： “AI 的编程能力每隔两三个月就呈现出指数级增长，这很疯狂，世界历史上从来没有出现过这样的事情。 ”

然而，在众多行业领袖反思自己低估了 AI 的同时，资本市场对 AI 科技股的看法却截然相反，普遍担忧投入与回报之间的失衡： 1 ）资本投入规模巨大； 2 ）商业模式脆弱，很多业务尚未盈利； 3 ）估值高企，依赖持续融资。 尤其是近期 Anthropic 的 ARR 不及预期后， AI 泡沫破灭的言论甚嚣尘上。

但回看 2023 年以来 AI 的发展历程，几乎每年都有一段时间充斥着看空 AI 的声音（见图 1 ）。其中有些质疑如今看来已被证伪，且无一例外低估了 AI 技术的发展潜力；另一些包括当下的质疑，则还需要时间验证。

图 1 ： 2023 年以来 AI 被看空的代表性时刻

二、 AI 行业正在历 史 重演 —— 回看 A WS 发展 史

不妨把目光回到历史。当前市场最常拿来类比当下 AI 行业的，是 2000 年的互联网泡沫； 但我们认为，就基础设施（ infra ）投资而言， AI 与云计算行业的发展历程更具可比性。 除 AI lab 外， AI capex 的最大头来自各大云厂商（ CSP ），而无论是直接租售裸金属服务器，还是通过 MaaS 平台卖 token ， AI 业务都是原有云服务能力的延伸。如今很多人担忧 capex 、担忧投资不回本，而回看云计算的发展史，会发现剧本非常相似：云计算本就是一个 capex 投入门槛高、研发门槛高、回本周期漫长的行业。

2006 年， AWS 推出 S3 存储和 EC2 弹性计算服务，把计算与存储变成标准化商品对外售卖。此后近十年，市场对它的质疑几乎从未间断，归纳起来主要有三类：

1） 投入太大，回报不明： 2006 年，《商业周刊》以《 Jeff Bezos’ Risky Bet 》为题发表封面报道，副标题称华尔街更希望他先管好零售主业；文章指出，亚马逊在新技术上的投入较年初增长 52% ，股价却下跌 20% ，有分析师认为这类投入 “ 更像是一种干扰 ” 。 2012 年，亚马逊资本开支同比增长 111% 至 38 亿美元（含约 14 亿美元总部物业购置），自由现金流下降 81% ，按公司口径计算的 ROIC 从 22% 降至 4% 。

2） 需求存疑，云不够可靠： 2011 年 4 月， EC2 发生持续数天的大范围故障， Reddit 、 Foursquare 、 Quora 等网站瘫痪，不少业内人士开始质疑企业是否应当把业务托付给公有云。然而 2013 年，美国中情局（ CIA ）把一份最高 6 亿美元的云合同授予 AWS ，击败了 IBM 报价更低的私有云方案，评审认为 AWS 的技术优势足以支撑明显的价格溢价。

3） 价格战与商品化： 2014 年 3 月谷歌大幅降价， AWS 数日内跟进，微软随后也加入，云计算一度被视为 “ 逐底竞争 ” 的大宗商品生意； AWS 到 2014 年已累计降价 40 多次。事后披露的数据显示， AWS 的营业利润率确实从当年一季度的 23% 降至二、三季度的约 8% ，但此后回升至 17% ， 2015 年营业利润达 19 亿美元。

站在当时的节点，从短周期看，市场的看空逻辑其实不无道理：移动互联网刚刚兴起， 2012 年全球云服务市场规模仅 420 亿美元，单纯出租算力，就像今天很多人看待 AI 一样，更像是一门薄利的大宗商品生意。 但真正的问题在于，面对一场跨时代的技术变革，人们低估了行业发展的时间周期与价值量的边界。 移动互联网爆发后，几乎所有初创公司从第一天起就 “ 长 ” 在云上，云服务成为移动互联网时代不可或缺的技术基础设施；云计算自身也衍生出不同层级的服务，用户粘性与盈利情况逐步改善。此后十年， AWS 的收入增长了几十倍，成为亚马逊最核心的业务板块。

当然，当下 AI 的投入强度与当年不可同日而语：亚马逊 2012 年的资本开支约 38 亿美元，过去 12 个月已达约 1700 亿美元，是当年的 40 多倍。但回报的能见度也更高： 2026年三季度，AWS收入达460亿，同比增长39.3%，达到近5年最快增速，且预计未来两年营收增速超过40%。

对照当下的 AI ，这三类质疑与当年高度相似：

1） Capex 过大，投资无法回本：这一担忧可能低估了产业的发展上限。仅凭短期 ARR 数据就对产业节奏下定论，或许低估了更长周期的产业回报。 OpenAI 与 Anthropic 两家公司的收入，并不代表整个 AI 产业的回报全貌。 从宏观看， AI 所触及的市场价值量已不再局限于企业 IT 支出预算，而是开始向人力和研发预算扩散（初级岗位的招聘已出现收缩迹象）。

2） 需求不足导致供给过剩：这种担忧或许低估了 AI 技术的潜力， token 消耗量仍将在未来数年保持极高速增长。 随着 AI 能力不断提升，会有越来越多的工作环节引入 AI ，工作流中也会产生更多 Agent ，而每个 Agent 又会消耗更多 token ， token 消耗由此呈现裂变式增长。 当下企业使用 AI 的真实渗透率（已用 AI 的企业数 / 企业总数）仍处于低个位数，市场或许远远低估了后续的增量需求， 未来 10 年 token 量大概率将增长万倍以上。 我们 认为， 理论上凡是能用自然语言明确描述、具备良好评估体系的工作任务，未来都将由 AI 承接。

3） 模型商品化、 token 降价、竞争格局恶化：这一担忧可能低估了行业的进入壁垒，也低估了成本同步下降的空间与未来商业模式的多样性。 在软件算子与硬件层面的持续优化下， AI 公司即使不断降价，依然能维持良好的推理毛利率。此外， token 价格下降的同时，用量的增速远高于价格的跌幅，按量计费的 TAM 仍在高速增长。未来按工作结果收费、更多定制化服务（如当下的 FDE ），也将加深客户对特定模型供应商的粘性；而更远期的 AI4S 和 机器人 物理 AI ，更有无尽的想象空间。

三、 Capex 是一个中性词 ，再谈 AI 这门生意

Capex 本应是一个中性词：为了 AI 而 AI 、过度投资却没有回报的企业固然危险，但完全没有 AI 投入的企业也未必安全。 市场对天量 capex 的恐惧，根源其实在于 ROI 的不确定，即未来现金流产出的不确定。 同时，受中国市场特性的影响，历史上不少高资本强度行业（最近的例子是光伏、新能源汽车）都给投资人留下了惨痛教训，巨额 capex 最终都变成了消费者剩余。 但仔细想来，这些行业的亏损与高资本投入并无直接的因果关系， 造成全行业普遍亏损的核心原因是进入壁垒低、竞争格局差。超额利润并不取决于 capex 强度的高低，而取决于行业的垄断地位。

回到 AI 产业的 capex ，我们认为需要分层看待：一层是训练支出，另一层是推理支出。

1 ）先谈训练层。 不可否认，模型训练的算力支出极其昂贵，动辄万卡、十万卡级别的算力集群是一笔天文数字， 但反过来看，这也构成了 AI 行业的准入壁垒。 实际的模型竞争格局同样印证了这一点：从 2023 年国内的 “ 百模大战 ” 到如今，实质上仍留在牌桌上的玩家只剩个位数，海外模型厂商也屈指可数，模型层的竞争格局事实上正在向头部集中。 长期来看，训练算力占总算力支出的比例逐年下降， 训练支出将被 AI 推理业务的规模效应摊薄。

2 ）再谈推理层。其最基础的业务通俗地说就是卖 token ，业务逻辑非常清晰。对大模型公司和云厂商而言， GPU 相当于生产要素，被加工成智能能力后对外出售。单个 GPU 在有限的生命周期内，可以测算出理论上的 token 产出量，其全生命周期的经济价值即为 token 量 ×token 价格。具体的 token 量与成本测算公式见下图。

图 2 ： 单卡全生命周期 token 产出与每百万 token 成本的测算公式

参考近期披露的 Anthropic 招股书 ， 卖 token 的商业逻辑完全成立，且按调整后口径已开始盈利。 招股书的季度数据显 示， Anthropic 每 1 美元算力开支对应的收入，已从 2025 年一季度的 0.40 美元提升至 2026 年二季度的 2.08 美元（见图 3 ）。以高性价比著称的国产模型 DeepSeek 近期开源了推理框架 DeepInfer ，外界据此测算的推理成本与毛利，同样印证了 AI 推理业务良好的盈利回报。

关于模型厂之间的竞争与替代，我们的观点是：

1） 不同模型之间存在性能差异（拟人化地说，审美和品味），因此 AI 模型的使用具有一定粘性。 在高价值量、深度复杂的企业生产环节，模型的使用会与原有云服务进一步绑定，切换模型供应商需要重新适配历史规范、目录约定、 review 习惯等，存在不低的时间迁移成本。

2） 由于客户群体（涵盖不同时区、不同业务属性）各不相同，各厂商的算力网络建设与调度能力也有差异， 即使是同样的 GPU ，榨取出的智能价值量也不尽相同。 底层基础设施所要求的研发投入，本身就是隐形的技术壁垒；长期经营中，单位算力的智能产出效率之差，就构成了竞争优势之差。

总结而言， 对 AI 行业，训练所需的算力 capex 可定义为 “ 维持性 capex” ：这类支出要求企业持续投入以保持竞争力，更接近研发所需的刚性支出，客观地说无法直接产生回报，更多是为企业构筑竞争壁垒。 推理所需的则是 “ 扩张性 capex” ：这类支出投入后有清晰的商业模式，商业回报的正向循环已得到验证。只要下游需求稳定增长、投入能够产生回报，重资产投入的生意也完全值得投资。

最后回到对整个 AI 产业的投资。 首先需要明确，投资 AI 的基础假设是： AI 作为一种全新的生产力革命，最终给整个人类社会带来的总体效益是正向的， 这是最关键的原点假设。 回顾历史，生产效率的大幅提升最终往往带来正向的结果，我们因此对 AI 总体持乐观态度 ；但同样认为，它将对社会结构产生深远影响（例如工作岗位的减少），本文不做进一步展开。

接下来的问题，是 AI 所带来的总利润池的归属问题。 AI 产业的投资并不等同于 AI 半导体等硬科技投资，整个 AI 产业大致可分为三层：硬件层、云与模型层、下游应用层。在不同的发展阶段，各环节的利润沉淀节奏会呈现显著差异。

硬件层兼具周期属性与科技制造属性，是整个 AI capex 周期最直接的受益者，但对 capex 预期的边际变化也最为敏感。 Capex 高速上行带来的全面普涨阶段已经结 束， 部分环节的股价甚至已开始计价周期下行 。面对 当下的回调， 不妨多思考： 当 AI 硬件投资进入更新周期的稳态，所需的 capex 量级是多少 再据此 判断不同细分赛道能分到多大份额。打个不恰当的比方，国家电网作为成熟的行业龙头，每年稳定的 capex 支出高达数千亿元； AI 作为未来社会的底层基础设施，即便后续 capex 回落，也大概率稳定在数倍于过去的水平，整条硬件产业链的 TAM 因此被永久性扩大。 这将帮助我们判断股价下行期的真实底部，我们不认为产业链价值会直接回到原点 。 一些细分领域的新技术升级替代、渗透率提升以及高技术壁垒的垄断环节，依然具有长期跟踪的投资价值。 完全套用过去的产业周期来看待当下的 AI 硬件产业链并不可取，还是应当回归客观的产业数据，对 AI 技术的发展保持谦卑与敬畏，并权衡投资价格与风险收益补偿之间的关系。

云与模型层既是 capex 的承担者，也是 capex 回报的直接捕获者，兼具基础设施属性与 SaaS 特征。最基础的 token 按量计费模式非常清晰，需求与竞争问题前文已有讨论，不再赘述。核心观点是：即便 token 单价不断通缩，量增效应也远超价减（即所谓的杰文斯悖论）， 云与模型服务厂商正处于一轮不亚于移动互联网时期的高速成长周期，我们长期看好。

下游应用端则更加多元，需要给予更多耐心去观察。目前已能看到，有些企业通过 AI 降低运营费用（如大量初级重复性工作的效率优化），也有些企业借助 AI 放大原有的业务能力（如部分 SaaS 企业新增 AI 业务、提供 FDE 服务等）。同时也要警惕那些对 AI 完全不投入的企业：今天省下的研发费用，未来或许会直接决定生死。 连沃尔玛都推出了 agent gateway ，并有自己的购物助手 Sparky 来迎接这个 AI 时代，传统行业的企业又有什么理由不拥抱 AI 呢 最后，把目光放得更长远些，还有大量泛 AI 初创企业正在路上，现在无疑是创业者的黄金年代。可以预见，未来必有大批新企业倒下，但最终存活的企业中，或许就会成长出几十年后堪比当前 Mag7 的巨头 ——Anthropic 已在路上，下一个会是谁让我们拭目以待，珍惜把握这个 AI 时代！

【 免责声明 】： 本文版权仅限本公司所有，未经本公司书面授权，任何机构和个人不得以任何形式翻版、复制、发表或引用。如征得本公司同意进行引用、刊发的，需在允许的范围内使用，并注明出处为“深圳市康曼德资本管理有限公司”，且不得对本文内容进行任何有悖原意的删改。 市场有风险，投资需谨慎。