
对话子时:中期选举之后,AI 泡沫、流动性拐点与算力分化 当选举结果、AI 监管、存储周期与流动性预期同时冲击市场,“AI 泡沫是否破裂”很容易被简化成一场非多即空的争论。 但比涨跌本身更值得追问的是:指数强势背后的市场结构发生了什么变化?算力租赁的资产负债表是否健康?Token 降价能否真正带来应用需求?巨额资本开支最终又需要怎样的收入来支撑? 11 月 10 日,Uweb Web3×AI 直播课第 263 期邀请香港 Uweb 商学院校长、香港注册数字资产分析师学会学术委员会轮值主席于佳宁,与 X KOL 子时展开对话。兼具资产管理与二级市场研究经验的子时,长期关注宏观市场、美股及 AI 产业链,并在 X 平台持续分享实盘与研究观点。 围绕“AI 泡沫与流动性拐点”,两人从美国中期选举复盘出发,进一步讨论 AI 政策、杠杆去化、数据中心、存储周期、Token 价格、应用层与 Agent 等议题。子时并未简单以“泡沫破裂”或“黄金坑”概括市场,而是尝试将短期交易波动与长期产业趋势拆开分析。 本文根据 Uweb 直播课转写整理,为提升阅读体验,对口语及重复内容进行了删节。嘉宾观点仅代表个人判断,不构成任何投资建议。 选举复盘:市场重新定价的,不只是一次选举结果 于佳宁:这次中期选举结果引发了广泛讨论。有观点将部分州“翻蓝”归因于 AI 数据中心争议,也有人认为,分裂政府历史上往往有利于风险资产。你如何复盘这次选举?它对市场的影响主要体现在哪里? 子时:我会把选举原因和市场影响分开看。 关于选举原因,舆论提供了许多解释,但仅从个别数据中心争议来解释整体结果,证据可能还不够。我更关注投票率和物价这两个变量。从我所看到的数据及与美国当地朋友的交流来看,部分原本支持共和党的选民投票意愿不足,而生活成本上升可能是影响投票行为的重要因素。 不投票本身也是一种态度。当通胀、利率和日常开支持续影响生活时,选民对执政党的评价会发生变化。少数族裔人口结构、部分地区人口流动等因素,也可能共同影响了结果。 市场定价的则不只是这一次选举,而是选举之后的政策路径,包括利率环境、政府治理、下一轮大选预期,以及风险资产估值需要如何调整。 因此,不能简单套用“分裂政府之后股市通常上涨”的历史经验。历史样本中的政治格局、通胀水平和利率环境并不相同。如果市场开始担心高利率持续更久,甚至把选举结果与更远期的政策变化联系起来,那么资产价格的反应就可能不同于一般经验。 于佳宁:也就是说,这次选举更像是通胀、利率和居民生活成本共同作用下的一次集中表达。市场担忧的也不只是政治事件本身,而是高利率环境可能延续,并进一步影响风险资产。 子时:是的。近期市场的担忧有其逻辑,但需要区分哪些是已经发生的事,哪些只是对远期的推演。 AI 政策:区分政治表态、执行成本与产业方向 于佳宁:选举之后,一些限制 AI 或暂停数据中心建设的提案受到关注。你如何看美国 AI 政策可能发生的变化?这会不会改变 AI 产业的发展方向? 子时:首先要看这些提案处于什么阶段。部分提案仍处于较早环节,距离形成可执行的政策还有较长过程。对于早期文本中比较激进的表达,不宜直接理解为最终产业方向。 即使部分政策继续推进,真正落实到地方,也可能更多体现为电力、土地、基础设施和融资条件的变化。例如,数据中心是否需要承担更多电力升级成本,相关基础设施由谁付费,银行贷款如何评估算力资产,这些问题都会影响项目的盈利能力。 从这个角度看,监管未必意味着 AI 产业整体停滞,但可能重新分配成本,并加快行业分化。大型科技公司通常拥有更强的融资、能源和客户资源,部分依赖高杠杆扩张的中小型算力厂商,则可能面临更明显的压力。 于佳宁:AI 监管会是长期议题,但监管与产业发展并不是简单的对立关系。尤其在全球 AI 竞争背景下,政策制定还需要权衡经济增长、就业、税收和技术竞争力。研究政策时,不能只看早期提案中最吸引眼球的表述,还要跟踪立法进程和实际执行方式。 大跌如何被放大:集中度、杠杆与交易结构 于佳宁:如果政策冲击未必改变产业方向,为什么市场仍然出现了如此剧烈的回调? 子时:因为市场在大跌之前已经存在一些脆弱因素。 一个重要现象是集中度。指数表现较强,但上涨主要由少数 AI 和科技股贡献,许多股票实际上已经提前走弱。当指数与多数个股的表现出现较大差异时,市场对负面消息会更加敏感。 另一个因素是杠杆。部分对冲基金和交易资金围绕 AI、半导体及算力产业链建立了较高仓位。政策消息只是触发因素,真正放大波动的,可能是集中持仓、融资杠杆和去杠杆交易形成的连续踩踏。 所以,这轮回调更像是多重因素共同释放,而不是一条新闻就能完整解释。大跌之后的反弹也需要仔细拆解,其中可能包含空头平仓带来的交易性修复,不能直接把某一天的价格变化当作长期趋势已经反转的证据。 Token 降价与 GPU 租金上涨:AI 商业化需要回答的问题 于佳宁:你提到一个很有意思的现象:部分模型 Token 价格下降,但 GPU 租赁价格仍然上涨。如果 Token 降价能够刺激需求,是否可能通过用量增长弥补单价下降?你如何看待这种价格弹性? 子时:这正是当前 AI 产业需要持续验证的问题。 目前,许多 AI 需求仍然来自 B 端,个人订阅虽然增长较快,但对整体算力和 Token 消耗的影响,未必能与大型企业客户相比。少数前沿模型的价格相对坚挺,其他模型则面临开源替代和价格竞争。 GPU 租金上涨、Token 价格下降,看上去有点像“发电机的租金越来越贵,电价却越来越便宜”。这种背离可以有不同解释:一种可能是算力供给仍然紧张,而模型服务竞争加剧;另一种可能是市场期待 Token 降价最终带来足够大的需求增长。 如果未来 AI 应用真正进入大规模使用阶段,用量增长可能消化价格下降的影响。但在应用层尚未充分爆发之前,这种需求弹性仍然需要数据验证。 我并不认同将 AI 简单归结为“技术骗局”。过去两年,AI 确实已经帮助不少个人和企业提高生产效率。但生产力提升能否转化为足够大的收入池,是另一个问题。 这就像把木犁换成拖拉机,耕作效率明显提高,但如果耕地面积没有同步扩大,收入增长仍可能存在边界。AI 投资需要回答的,已经不只是“模型还能强多少”,还包括“更强的模型能够创造多少可持续付费”。 数据中心为何像房地产:存量算力时代的赢家与出局者 于佳宁:有同学问,AI 到底更接近互联网,还是更接近房地产?互联网具有低边际成本的特征,但 AI 似乎受到能源、芯片和数据中心等刚性成本约束。你怎么看? 子时:如果看模型层,AI 仍然具有很强的软件和互联网属性;但如果看算力基础设施,它确实与房地产、铁路等重资产行业有相似之处。 部分算力厂商的业务模式是购置 GPU、建设数据中心,再将算力出租给客户,并以租赁合同支持进一步融资和扩张。这个模式能否持续,取决于出租率、租金、融资成本、设备折旧以及客户合同的履约情况。 当 GPU 租赁价格下降、设备折旧加快,或者客户合同不足以覆盖债务成本时,银行可能收紧融资,企业扩张就会受到影响。因此,算力需求增长并不必然意味着所有算力企业都能获得同样回报。 这也是我所关注的行业分化:具备能源、资金、客户和运营能力的企业,可能更容易穿越周期;单纯依赖高杠杆和资产价格上升扩张的参与者,风险会更集中。 数据中心可以被视为 AI 时代的“房子”,但房子有人使用,不等于每一个开发商都能赚钱。存量算力时代需要观察的,不只是建设规模,还有资产质量和现金流。 存储周期:低 PE 背后,市场正在重新定价什么 于佳宁:存储行业近期波动较大。一种乐观观点认为,长期协议已经锁定未来产能,加上预付款安排,行业可能摆脱过去的强周期属性。但也有观点认为,低 PE 并不代表低风险。你如何分析? 子时:存储行业过去具有明显的周期特征。每一轮景气高点,市场都容易出现“这次不一样”的叙事,例如长期需求已经锁定、供给更加理性、行业不会再重复过去的周期。 长期协议确实可能提高收入的可见度,但长期协议不等于全部收入已经实现。需要继续研究合同约束力、预付款比例、交付节奏,以及极端情况下是否可能发生重新谈判或违约。 Forward PE 使用的是未来盈利预期。如果市场价格已经计入产能全部释放、合同全部履约和供需持续紧张,那么一旦新进入者增加、技术路线变化或下游需求放缓,市场就可能同时下调盈利预测和估值水平。 因此,判断存储企业是否“便宜”,不能只看当前 PE,还要拆解盈利假设。低估值有时反映的是市场对未来盈利下降的预期。 不过,周期风险也不等于价格会沿单一方向运动。当悲观预期被较充分计入后,空头平仓和估值修复同样可能出现。短期交易性反弹与长期盈利拐点,需要分开判断。 基建还是应用:为什么子时仍然关注产业底座 于佳宁:市场上有一种观点,认为 AI 基建可能进入调整,而应用层会接棒。但如果应用需求不足,基建投入回报会受到质疑;如果基建无法继续,应用爆发也可能受到限制。你目前更关注哪一层? 子时:我目前仍然花较多精力研究基础设施,原因在于现阶段许多真实需求仍来自 B 端,C 端应用尚未形成与资本开支相匹配的规模。 一些个人用户已经把 AI 当作搜索、问答和生活辅助工具,但这种使用方式未必能显著增加算力消耗,也不一定直接形成高额收入。真正影响模型厂商和算力厂商收入的,仍然是企业客户是否持续扩大部署。 应用层当然值得研究,但需要先定义什么是 AI 原生应用。现在不少产品只是给原有软件增加 AI 功能,未必代表新一代应用形态已经出现。 我认为,模型本身可能就是当前最重要的应用之一。未来还可能出现以 Agent 为入口的新形态:用户不再下载大量 App,而是通过自己的 Agent 与他人的 Agent 沟通、协作,甚至完成支付和服务调用。 这种形态仍处于探索早期。如果 Agent 能够成为新的交互入口,应用层的定义可能被重新改写。但现在还不能把每一个带有 AI 概念的产品,都视为应用大规模爆发的证据。 长期需求看什么:从效率工具到科学问题的突破 于佳宁:你在讨论中多次提到“奇点”。你关注的不只是 AI 能否提高办公效率,还包括它能否推动科学突破。你如何理解这一点? 子时:我重点关注 AI 能否在蛋白质解析与合成、生物化学、数学和物理等前沿领域形成可验证的突破。 如果 AI 能够显著降低某些科学问题的研究成本,或者帮助研究者找到过去难以发现的解决方案,那么它创造的价值可能远超当前的办公和编程工具。这也可能为长期算力需求提供新的解释。 大型科技公司持续投入 AI,可以理解为它们在为这种可能性下注。但资本开支本身不能证明技术突破一定会发生,最终仍要观察研究成果、商业转化和实际收入。 因此,与其急着预测“奇点何时到来”,我更愿意跟踪一些具体问题:AI 是否开始解决过去无法解决的问题?这些成果能否重复验证?是否形成新的产业链和付费场景? 长期产业想象与短期资产估值需要分开。前者可以提供研究方向,后者仍然要接受现金流和市场价格的检验。 泡沫还是黄金坑:先确认自己在交易哪一种前提 于佳宁:回到投资者最关心的问题:当前究竟是 AI 泡沫开始破裂,还是一次值得研究的调整?不同观点应该如何判断? 子时:讨论这个问题之前,需要先确认自己的前提。 如果认为 AI 的长期需求仍会持续,当前巨额投入最终能够形成回报,那么部分龙头企业的估值回落可能提供新的研究窗口。如果认为 AI 需求很快见顶、资本开支难以兑现,那么即使估值下降,也未必意味着风险已经充分释放。 两种结论来自不同前提,不能把它们混在一起使用。 我自己的方法,是在研究与风险承担之间寻找平衡。研究无法消除不确定性,但可以帮助我理解自己在押注什么、关键假设是什么,以及哪些信号出现时需要重新评估。 与其寻找一个适用于所有人的“底部”,不如先建立一套能够被后续数据验证或推翻的框架。 于佳宁:投资研究不能先入为主,也不能只依赖情绪和个人偏好。AI 与数字资产可以作为长期研究主题,但长期主题并不意味着短期没有波动。市场调整阶段,反而更适合补充产业知识、亲自使用工具,并重新检查自己的研究框架。 Uweb:让市场讨论回到研究,让 AI 学习落到实操 这场近两个小时的对话,没有停留在“看多”或“看空”的简单结论,而是将市场变化拆解为一组可以持续跟踪的问题: 选举与通胀如何影响流动性预期?集中度与杠杆如何放大波动?算力资产能否形成健康现金流?Token 降价能否带来足够大的应用需求?长期协议能否真正改变存储周期?Agent 又是否会成为新的应用入口? 这也是 Uweb Web3×AI 直播课希望提供的学习价值:不仅讨论市场热点,更尝试进入热点背后的产业结构、商业逻辑与研究方法。 在于佳宁看来,理解 AI 不能仅靠阅读观点,还需要真实使用工具、分析数据,并在实践中建立体感。围绕宏观研究、AI 投研、工具实操及 Web3 应用,Uweb 将持续邀请产业研究者和一线实践者展开对话,并通过线上直播与线下实训,帮助学习者把市场信息转化为可验证的研究框架。 市场波动之中,比急于获得一个答案更重要的,是知道问题应该从哪里开始。 关注 Uweb,获取更多 Web3×AI 直播课程、嘉宾对话与课程精华。 @silverfang88



