为什么是错投而非芯片过剩，可能终结 AI 热潮
当前的人工智能淘金热正由前所未有的资本支出周期所驱动，但关于其长期可持续性的重大警告已经出现。Jefferies 全球股票策略主管 Chris Wood 指出，AI 交易的终结可能并非源于需求不足，而是源于盈利能力的危机。
错投风险与循环融资
与通常因库存突然过剩或供应冲击而结束的传统半导体周期不同，Wood 将“错投”（malinvestment）视为 AI 交易的主要风险。核心担忧在于，超大规模云计算厂商（hyperscalers）和领先的 AI 实验室可能无法在其投入的巨额资本支出（capex）上获得足够的投资回报。
Wood 指出了生态系统中一个潜在的危险反馈循环：循环融资安排。例如，Nvidia 向 OpenAI 等 AI 实验室提供融资，而这些实验室随后利用这些资金购买更多的 Nvidia 芯片。虽然这推动了短期增长，但也制造了脆弱性。如果投资者开始怀疑这些 AI 投资的长期变现能力，这种反馈循环可能会迅速瓦解，从而引发市场痛苦的停滞。
巨额资本支出与杰文斯悖论
目前所见证的投资规模是史无前例的。TSMC 已将其 2026 年的资本支出指引从去年的 410 亿美元上调至约 560 亿美元，一些预测甚至表明到 2027 年支出可能达到 650 亿至 700 亿美元。这一激增已经显著提振了台湾经济，2026 年第一季度的实际 GDP 同比增长达到了 14.55%。
Wood 从“杰文斯悖论”（Jevons Paradox）的角度来看待这一现象——即随着效率提高导致资源（在本例中为计算 Token）成本下降，该资源的总体消耗量反而会上升。这一悖论使“铲子与锄头”（基础设施供应商）参与者受益，特别是存储器和 DRAM 供应商。像 Micron 这样的公司已经看到了这种结构性转变，Micron 已签署了 16 项战略客户协议，涵盖了其 20% 的 DRAM 销量和三分之一的 NAND 销量，且通常期限为五年。
AI 模型的商品化
西方高端 AI 提供商在经济效益方面面临的另一个日益增长的压力是大型语言模型（LLM）的快速商品化。高质量、低成本模型（尤其是来自中国的模型）的兴起，正在挑战美国公司的主导地位。
例如，Z.ai 推出的 GLM-5.2 被描述为在企业应用方面几乎可以与 Anthropic 媲美，但每个 Token 的成本仅为后者的四分之一。来自 OpenRouter 的数据显示，业务量发生了显著转移；6 月下旬，顶尖中国 AI 模型处理了 21.37 万亿个 Token，显著超过了顶尖美国模型处理的 5.76 万亿个 Token。这种廉价且功能强大的替代方案的涌入，给处于 AI 竞赛领先地位的公司带来了巨大的利润率压力。
核心要点
- 主要风险： AI 交易的终结更有可能由对“错投”以及资本支出回报率低下的意识到触发，而非传统的半导体供应过剩。
- 存储领域的结构性转变： DRAM 和存储器供应商是目前受保护程度最高的“铲子与锄头”受益者，他们利用长期战略协议来维持定价权。
- 商品化威胁： 低成本、高性能 AI 模型（尤其是来自中国的模型）的迅速崛起正在使 LLM 领域商品化，威胁到西方 AI 领导者的高利润模型。