财联社7月29日电（编辑 夏军雄）摩根大通资产管理市场与投资策略主席Michael Cembalest近日向当前美国股市中狂热的AI交易投下了谨慎的注脚。

报告揭示，尽管资本支出、科技股利润及半导体板块仍由AI驱动上涨，但产业链内部裂痕已现：负责售卖芯片和设备的公司日子红火，而背负巨额投资、试图将AI转化为真金白银的超大规模云厂商，其股价与自由现金流却开始感到吃力。

另外，中美两国涌现的新一代低成本模型正迅速拉近与OpenAI、Anthropic之间的性能距离。随着模型价格持续走低，企业自主训练能力日益增强，基础模型和Token或许会逐渐沦为大宗商品，进而重塑AI产业的利润分配版图。

**AI产业链重现互联网泡沫后期的分化迹象**

Cembalest指出，繁荣周期里最该警惕的时刻，不是所有企业集体走弱，而是离最终需求最近的公司已经见顶，而上游享受资本开支红利的受益者仍在高歌猛进。

这一幕在1999年至2000年的互联网泡沫末期曾真实上演。

彼时，Verizon、AT&T、WorldCom、Sprint等通信服务商率先露出疲态，但思科（Cisco）、诺基亚、北电网络、高通和摩托罗拉等设备供应商的股价却继续飙升。以思科和Verizon为例，当Verizon股价基本停滞时，思科依旧经历了一轮大幅上涨，直至泡沫彻底破裂。

报告认为，当下的AI产业链正在复刻这种结构。

英伟达、美光、博通和应用材料等半导体及设备企业身处产业链“车尾”，得益于云计算公司的持续采购，股价和自由现金流加速增长；谷歌母公司Alphabet、亚马逊、微软、Meta和甲骨文等超大规模云厂商则位于“车头”，它们需承担数据中心、芯片、电力和软件方面的巨额投入，但股价表现趋于僵持，自由现金流显著缩水。

（AI产业链上下游自由现金流走势明显分化，半导体企业受益，而云厂商持续承压）

半导体企业眼下的高增长，本质上是押注下游客户继续扩大资本支出。若云厂商无法通过AI服务获取足够的收入和利润，导致投资回报率不断下滑，上游芯片和设备的需求终难幸免。

换言之，AI投资周期的风险，大概率会先体现在云厂商的现金流上，随后才会传导至半导体产业。

**谁来填补不断扩大的AI投资账单**

报告同样关注到科技行业与其主要客户间的盈利背离现象。

回顾历史，美国科技企业盈利增长通常与金融、制造、媒体、运输和医疗保健等大量采购技术设备和软件的行业步调一致。

但近期情况变了：科技行业利润持续快速攀升，而这些高度依赖技术的客户行业并未出现同等幅度的盈利改善。Cembalest由此抛出一个关键疑问：如果科技公司的主要客户没赚到更多钱，未来谁将为AI设备、软件和云计算服务买单？

这个问题直击AI商业化的核心矛盾。

目前AI产业的资本投入集中在芯片、服务器、数据中心和模型训练环节，但最终仍需依靠企业客户提升效率、降低成本或创造新增收入来收回成本。倘若AI只能让基础设施供应商获利，却无法改善使用者的利润率，当前的资本开支增速便难以长期维系。

与此同时，市场本身也已积累了可观涨幅。

报告梳理了自1928年以来标普500指数所有连续四年周期的表现，以2022年为起点的本轮行情早已跻身历史表现最好的前10%行列。

这并非暗示美股即将见顶，但在估值和累计回报均已处于高位的背景下，投资者对AI盈利兑现速度的容忍度恐怕会明显降低。

**AI模型价格战：中美双重压力**

除资本开支风险外，AI基础模型市场也正步入新一轮价格战。

报告指出，竞争压力不仅来自中国的企业，也来自Meta、SpaceX AI和Thinking Machines等美国公司。

Meta的Muse Spark 1.1和SpaceX AI的Grok 4.5均为封闭模型，其运行成本仅为Claude和GPT系列的一小部分，但综合性能差距相对有限。

（不同AI模型在性能与任务成本之间已出现明显分化，低成本模型正快速缩小与头部模型的差距）

虽然基准测试不能完全等同于真实场景中的表现，但对于企业客户而言，只要低价模型能搞定特定任务，首席财务官就有动力将部分工作负载迁移至更便宜的平台。

事实上，这一趋势已然发生。

根据OpenRouter数据，自2026年2月以来，美国企业使用中国模型所消耗的Token占比始终超过30%，近期甚至一度触及45%；按不同统计口径计算，中国模型在OpenRouter上的查询量和Token使用占比已达30%至60%。

价格战对前沿实验室尤为不利，因为两大头部AI公司OpenAI和Anthropic尚未证明其商业模式能够稳定盈利。

报告援引Empirical Research的估算称，OpenAI运营亏损可能在2027年达到600亿美元，并在2028年扩大至850亿美元。在仍需投入巨资训练模型和购买算力的情况下，模型价格持续下降将进一步推迟盈利时刻。

**衡量模型竞争力应看“每项任务成本”**

月之暗面推出的Kimi K3是报告重点关注的中国开放权重模型。该模型拥有2.8万亿个参数，是目前规模最大的开放权重模型，而Anthropic旗下Claude Opus 4.8约为1.5万亿个参数。

Kimi K3每百万输入Token收费3美元，每百万输出Token收费15美元。

相比之下，Anthropic的Claude Fable输入和输出价格分别为10美元和50美元，OpenAI的Sol则分别为10美元和45美元。如果Kimi K3的真实性能接近这两款模型，其价格折扣将十分显著。

不过，报告强调，比较模型经济性不能只看Token单价，更应该观察完成一项任务的总成本。部分低价模型可能需要消耗更多Token才能得到相似结果，但即使采用“每项任务成本”衡量，Kimi K3仍表现出较强竞争力。

这意味着美国前沿实验室难以仅依靠更高的Token效率抵御低成本模型的冲击。

报告还指出，稀疏架构、KV缓存压缩、量化和推理效率等领域的大量近期创新源自中国。中国模型的竞争优势因此不仅体现在人工成本或定价策略上，也逐渐延伸至模型架构和推理效率。

**Inkling推动企业从购买模型转向自主训练**

美国开放权重模型同样可能改变行业格局。Thinking Machines于7月推出的Inkling拥有9750亿个参数，但每次查询仅激活约410亿个参数，因此实际运行成本低于其总规模所显示的水平。

Inkling可以处理文本、图像和音频，支持最高100万Token的上下文窗口，并允许用户调节推理强度，在准确性、速度和成本之间进行选择。公司还推出了成本更低的Inkling-Small版本，并通过Hugging Face发布，Databricks成为首发合作伙伴。

更重要的是，Thinking Machines试图推动企业利用Tinker API和内部数据训练自己的开放模型，而不是完全依赖OpenAI和Anthropic提供的通用服务。桥水基金披露，其利用Tinker训练的新闻过滤模型，在准确率上超过Claude Opus 4.8和GPT-5.5，同时成本明显更低。

这种模式可能改变AI企业的竞争重点。未来企业未必需要持续采购性能最强、价格最高的通用模型，而可以选择较便宜的开放模型，再通过自身数据进行定制。

前沿实验室原本依赖技术领先和封闭生态获得高溢价的商业模式，可能因此受到削弱。