AI 股暴跌，但 AI 基础设施建设并未停歇

杠杆如何加剧半导体抛售——而算力、存储与电力却愈发稀缺

近期 AI 及半导体股票的回调再次引发了一个经典疑问：AI 繁荣难道终究只是个泡沫？

盘面走势确实令人心惊：半导体股票大幅下跌，高杠杆仓位被强制平仓，甚至一些近期表现最强劲的领涨标的，也陡然变成了市场最大的波动源。

然而，当前市场实际上是由两种截然不同的力量在同时驱动：

1. 短期金融层面的修正：由杠杆、仓位与被迫抛售驱动；
2. 长期产业层面的扩张：受到算力、存储、电力和物理基础设施不足的严峻制约。

混淆这两者很容易得出错误的结论。股价下跌并不自动意味着底层产业周期的终结，而可能仅仅表明，围绕着这一本质上极具吸引力的主题，积累了过多的杠杆资金。

核心问题不在于 AI 股票是否会进一步下跌（它们显然有可能），而在于：AI 基础设施的经济需求是否真的减弱了？抑或市场只是在为一个具备结构性增长潜力的行业清除过度的杠杆？

短期症结：积重难返的过度杠杆

Fundstrat 共同创始人 Tom Lee 指出，近期半导体市场的回调更像是一次“滚动式修正”，而非 AI 投资周期的终点。他的核心担忧并非芯片需求疲软，而是大量借入资金（杠杆）涌入交易。

根据市场数据，美国保证金债务（Margin Debt）同比激增约 54%，创下历史新高。从历史经验来看，保证金借贷的异常快速增长往往伴随着巩固整理期，因为高杠杆投资者对哪怕相对较小的回调也极其脆弱。

这种脆弱性在韩国市场表现得尤为明显：超过 120 万个杠杆零售交易账户触发了追缴保证金（Margin Calls），估计有 32 万至 36 万个账户被强平（Margin Call/Liquidation）。这相当于韩国成年人口的 3.4% 左右——凸显了杠杆渗透市场之深。

强平的残酷之处在于：被动抛售并不区分公司的好坏。

当投资者无法满足保证金要求时，经纪商会卖出任何可以变现的资产。因此，一家基本面强劲的半导体公司可能会与投机标的一起下跌，不是因为其盈利前景突然崩塌，而是因为杠杆持有者急需流动性。

这种链式反应会迅速蔓延：

• 拥挤仓位开始下跌；
• 杠杆交易员收到追缴通知；
• 强制平仓推动价格走低；
• 更低的价格触发更多平仓；
• 波动性扩散至相关股票、ETF 及区域市场。

在这样的环境下，短期价格会暂时与长期基本面脱节。但这并不意味着修正毫无伤害。美国投资者也通过保证金借款、期权和杠杆 ETF 增加了敞口。即便 AI 长期逻辑完好，科技与半导体板块的集中平仓依然令人阵痛。

结论并非盲目“抄底”，而是投资者必须将“金融仓位风险”与“产业需求风险”严加区分。

结构性现实：AI 正在撞上物理稀缺的墙

当金融市场正在剔除过剩杠杆时，AI 产业却面临着截然相反的难题：基础设施严重不足。

瓶颈已从先进 GPU 扩展至更多领域：

• 高带宽内存（HBM）
• 常规 DRAM 与 NAND
• 数据中心容量
• 电网接入
• 变压器与燃气轮机
• 散热系统
• 土地与建设产能
• 长期电力供应

国际能源署（IEA）预计，到 2030 年，全球数据中心的电力消耗可能翻倍。专注于 AI 的数据中心电力消耗增长更快，尽管单项 AI 任务的能源效率正在快速提升。

这是一个关键点：效率提升并不必然减少总资源消耗。 当一项技术变得更便宜、更高效时，它往往会在更多用户和应用场景中变得实用且可行。这在经济学上被称为杰文斯悖论（Jevons paradox）。

更便宜的 AI 将创造更多需求，而非更少

看空者对 AI 模型降价的解释非常直接：模型变便宜了 $\rightarrow$ 每个 Token 所消耗的资金和算力变少了 $\rightarrow$ 因此对高价芯片的需求最终会下降。

但这套逻辑建立在“使用量保持不变”的假想前提下。

在现实中，成本降低往往会激发出爆发性的全新需求。以互联网带宽为例，带宽成本剧烈下降，但全球数据流量并未减少，反而是低成本催生了在线视频、社交媒体、云游戏、视频会议等无数应用。

AI 亦将遵循这一规律。随着推理成本下降，企业可以将 AI 部署到此前因昂贵而无法实施的业务中：

• 客服互动
• 内部文档处理
• 代码库管理
• 合规审查
• 销售对谈
• 生产工作流
• 乃至每位员工的日常任务

研究表明，获得特定水平模型性能的成本正在快速下降。与此同时，智能体（Agentic）应用消耗的 Token 远多于简单对话助手，因为 Agent 需要重复读取上下文、调用工具、评估输出并修正工作。

其结果是一个看似矛盾的现象：单位智能成本下降，但智能的总支出上升。

这改变了企业部署 AI 的方式。在第一阶段，市场关注谁拥有最强模型；在第二阶段，企业财务团队会问：哪种模型、基础设施与工作流的组合能带来最高的投入产出比（ROI）？

企业不会只用一种模型，而是形成混合分层结构：前沿模型处理最难问题，低成本模型处理日常工作，专业模型用于特定领域，本地模型处理敏感或低延迟需求。这促成了更复杂的 AI 堆栈，并将经济价值推向控制编排、分发与稀缺基础设施的公司。

算力的金融化趋势

贝莱德（BlackRock）董事长兼 CEO 劳里·芬克（Larry Fink）描绘了一个算力本身成为可投资、可融资资产的未来。

逻辑非常直观：具备长期合同客户、锁定长期电力供应和可预测算力需求的数据中心，开始具备类似传统基础设施资产的属性。长期算力协议可以支持债务融资，并吸引保险资金、养老基金和基础设施投资者。

随着时间推移，市场可能会开发出更精密的工具来为算力产能定价与避险，正如能源市场发展出现货、期货和长期供应协议一样。

算力不再仅仅是一项内部 IT 费用，而是正在演变为：

• 战略资源
• 合约化基础设施服务
• 可持续现金流来源
• 可融资资产
• 受供求周期影响的产能市场

这也意味着机构资本将为 AI 基础设施提供更大规模的资金支持。虽然长期看充足融资可能导致产能过剩，但就目前而言，制约产业发展的依然是物理瓶颈而非资金匮乏。

AI 利润将向何处转移？

如果模型降价且企业采用多模型系统，最大价值可能不再仅集中于模型提供商，而是向以下层级转移：编排层（Orchestration）、设备与分发层（Distribution）、存储层（Memory）、加速计算层（Accelerated Computing）、电力与数据中心层（Power & Data Center）。

四家上市公司展现了这一转变的不同维度：

1. Palantir：企业级编排层

• 当企业连接多模型和 AI Agent 时，核心痛点是系统控制与合规治理（权限控制、风险评估、成本计量、决策审计）。
• Palantir 的 AIP 平台与 Foundry（Ontology）为企业提供了将 AI 接入真实业务操作的运营层。
• 投资逻辑不在于它能否做出最强基础模型，而在于企业需要一个超越模型更迭的持久操作系统。即便更换模型，替换其权限控制和工作流治理系统的成本也极高。当然，Palantir 仍需用持续的商业增长证明其高估值。

2. Apple：分发、隐私与本地 AI

• 苹果掌控着全球超过 25 亿台活跃设备的终端、芯片、操作系统与分发渠道。
• 即使不拥有顶尖前沿模型，苹果依然可以作为分发与集成层，决定哪些工作流在本地运行，哪些去私有云，哪些调用外部模型。
• 本地 AI 对法律、金融、医疗、研发等高隐私要求的行业至关重要。市场传闻未来 M7 Ultra 将支持高达 1.5TB 统一内存，预示着高端 Mac 将演变为桌面级 AI 系统（尽管这仍属未确认的规格）。
• AI 堆栈抬升了存储容量、能效与软硬件高度集成的战略价值。苹果的挑战在于执行力，唯有交付用户真正买单的 AI 产品，分发渠道优势才能变现。

3. Micron：存储正成为核心 AI 制约因素

• GPU 负责计算，而存储决定了系统能容纳和流动多少信息。更大模型、更长上下文窗口和并发 Agent 激增了存储需求。
• 除 HBM（高带宽内存）外，需求已扩展至服务器 DRAM 及 SSD 存储。美光表示，DRAM 和 NAND 需求已实质性超过供给，紧张局势可能延续至 2027 自然年之后。
• 这表明存储并非 AI 繁荣的次要零部件，而是核心瓶颈之一。不过存储仍具备周期性，高收益会刺激扩产，投资者需同时关注结构性需求与行业资本支出变化。

4. NVIDIA：加速计算平台

• 英伟达的优势不仅是售卖 GPU，而是将芯片、网络、系统、软件库以及 CUDA 开发者生态深度融合的全栈平台，极难被替代。
• 其财报持续展示出极其惊人的数据中心需求。尽管面临客户自研芯片、出口限制、供应链瓶颈以及高估值消化等风险，但推理成本的下降并不直接削弱英伟达。
• 若 AI 总使用量的增速超越了单次计算效率提升的增速，总算力需求将持续攀升——这是杰文斯悖论在加速计算领域的具体体现。

双重时钟，同时运转

AI 市场正在由两个截然不同的“时钟”驱动：

• 市场时钟（快）：由杠杆、期权仓位、动量、ETF 资金流、追缴保证金、业绩预期和估值决定。它可以在长期业务前景未发生实质变化前，就砸出 20% 的剧烈回调。
• 基础设施时钟（慢）：由晶圆代工产能、存储生产、数据中心建设、发电设备、电网升级、客户合约和企业落地决定。这些系统需要数年规划和数百亿美元资本。

当“市场时钟”骤然转空时，并不会自动重置“基础设施时钟”。因此，以下两点可以同时成立：

1. AI 及半导体股票短期内仍易受回调冲击；
2. 全球对于实现 AI 全面应用所需的基础设施，依然处于投资不足的状态。

投资者下一步应关注什么？

避免将“AI”简单视为单一概念的交易。下一阶段市场将犒赏能够掌控稀缺资源或提供可衡量客户价值的公司。核心指标包括：

• 杠杆与仓位：保证金债务、杠杆 ETF 和投机性期权仓位是在继续膨胀，还是强平周期已经走完？
• 存储供给：HBM 及服务器存储短缺是否延续？厂商扩产节奏如何？
• 云巨头资本支出（CapEx）：云厂商是否继续追加 AI 基础设施投资，还是开始推迟项目？
• 企业 ROI：AI 部署是否从实验阶段走向产生实打实降本增效的生产工作流？
• 电力获取：数据中心能否及时拿到电网接入与长期电力合约？
• 推理需求：降价是导致支出缩减，还是带来了成倍激增的 AI 使用量？

总结

当前的半导体回调不容轻视。杠杆会放大跌幅并造成连带清算，韩国市场的经历展示了拥挤交易演变为平仓风暴的速度。

但强迫平仓并不等于技术过时。

AI 的长期建设依然需要更多算力、更多存储、更多电力和更精密的企业软件。更便宜的模型反而会因降低应用门槛而加速这一需求。

因此，AI 周期的下一阶段，重点或许不再是押宝某一个赢家模型，而是寻找掌控以下要素的公司：

• 企业级编排
• 用户分发渠道
• 存储产能
• 加速计算
• 能源与基础设施

市场目前正在对围绕 AI 的杠杆进行重新定价，但尚未消除对 AI 基础设施 的根本需求。

回调与建设并非对立的故事，它们是同一周期的两个不同阶段。

免责声明：本文仅供市场信息交流与教育用途，不构成任何财务、投资或交易建议。