AI產業的循環投資、過度投資以及泡沫

sec2100

英偉達向 OpenAI 投資最多 1000 億美元，OpenAI 隨即用這筆資金購買數百萬塊英偉達 GPU 來建設數據中心。AMD 允許 OpenAI 以 0.01 美元的價格購買最多 1.6 億股 AMD 股份（約 10% 股權），條件是 OpenAI 需要採購 GPU——實際上是讓 OpenAI 用 AMD 自己的股票來支付巨額芯片賬單。

AI 交易網絡的另一個交匯點是英偉達：英偉達投資 OpenAI 和雲基礎設施公司 CoreWeave，讓它們有更多錢買自己的芯片。而 CoreWeave 最大的客戶是$微軟 (MSFT.US)$，而微軟既是 OpenAI 的投資者，也自己從英偉達購買芯片。OpenAI 也是 CoreWeave 的客戶和股東，在該公司 IPO 前對其做了 3.5 億美元的股權投資。

sec2100

https://news.futunn.com/hk/post/ ... et=1757243441773274

sec2100

兩家公司的目的清晰可見，得讓大家同坐一條船，繼續加大燒錢力度。如果不計入能源成本，投資銀行摩根士丹利估算 2025 年至 2028 年全球新建數據中心累計投資額將達到 2.9 萬億美元。但現在 AI 企業每年從這項技術獲得的總收入僅爲 500 億美元。麻省理工學院研究人員發現，95% 的企業在生成式 AI 領域的投資回報率爲零。

sec2100

據《金融時報》統計，美國風險投資機構今年在 AI 上投入達到 1600 億美元，全年預計超過 2000 億美元。而在 2000 年，風投只向互聯網公司投資了 105 億美元（通脹調整後約 200 億美元，相當於當前的 1/10）。

sec2100

這些投資大部分投資流向了 10 家 AI 公司—— OpenAI、Anthropic、xAI、Perplexity、Anysphere、Scale AI、Safe Superintelligence、Thinking Machines Lab、Figure AI、Databricks。它們的估值合起來達 1 萬億美元，但還沒有創造出任何顯著的收益。其中，OpenAI 的估值已達 5000 億美元，但它上半年的營收只有 43 億美元（已超去年全年）、淨虧損達到 135 億美元。

sec2100

這包括資本的規模、時間和配置方式。例如從 1844 年到 1847 年，鐵路投資佔英國 GDP 的比例從 5% 飆升至 13%。當泡沫破滅時，投資額驟降一半，英國失業率隨之翻倍。鐵路狂潮雖遲遲未能盈利，卻爲英國鐵路網絡奠定基礎。反例是 1980 年代日本電子企業的大量資本支出，最終未能起到任何作用。

sec2100

1840 年代英國鐵路投資曾佔英國 GDP 的 15%~20%。現在美國 AI 投資只佔美國 GDP 的 3%~4%，但未來數據中心和基礎設施的建設將會大大推高佔比。這將積累風險。

大部分資本投入了會快速貶值的資產。互聯網泡沫時期修建的光纖電纜可以用十年以上，但英偉達的芯片過時速度要快得多。

《經濟學人》估算，美國科技企業資產的平均壽命僅爲 9 年。對沖基金經理庫柏曼（Harris Kupperman）的說法更悲觀：數據中心設備折舊週期更接近 3 到 5 年。其中，芯片佔總資本約 50%、建築成本佔約 20%、機架與製冷系統佔約 30%。

sec2100

目前大部分 AI 投資源於大型科技公司用主業賺的錢。這部分錢相對透明與健康，但風險來自債務投資者、養老金計劃等。如果 AI 泡沫破滅、價值歸零，這些投資者會遭受損失。如果未來發展到 AI 投資和銀行等金融系統直接相關，那麼泡沫破滅的後果也就越嚴重。

《經濟學人》根據上述維度估算，潛在的 AI 泡沫破滅僅次於 19 世紀 3 次鐵路崩盤後的結果。這個分析框架不只適用於美國，也不只適用於 AI 領域。

sec2100

誰承擔損失的另一面是誰收穫利益。2022 年 11 月 ChatGPT 發佈以來，美國股市市值增長超過 20 萬億美元，英偉達等十家受益於 AI 的公司佔全部增長額的 50% 以上。今年以來，西方三分之一的風投資金都流向了 AI 初創公司，而流向 AI 初創公司的錢又集中於 OpenAI 等十家。

按照目前 AI 依賴規模化和集中度的技術特性，未來的收益可能仍然集中於少數組織。又因爲現在 AI 的發展方向是傾向替代人，而非產生新的價值，可能使得多數人最後無法從中受益。從相對角度，多數組織和個人的利益也將受損。

sec2100

最近，兩位專家對技術發展未來提出了新的質疑，加深了對泡沫破滅的憂慮。$特斯拉 (TSLA.US)$前自動駕駛負責人、OpenAI 聯合創始人安德烈·卡帕斯（Andrej Karpathy）稱，AGI 實現至少需要 10 年，強化學習非常糟糕。圖靈獎得主、強化學習之父理查德·薩頓（Richard Sutton）則認爲大語言模型路線行不通，缺乏與真實世界互動，不可能通向 AGI。