——从华尔街机器内部拆解九大逻辑
高志凯不是外部旁观者。他毕业于耶鲁法学院,做过华尔街证券法律师、摩根士丹利亚洲公司副总裁,参与组建中金,曾任香港证监会中国事务顾问。他见过华尔街如何为一轮技术叙事定价、承销、加杠杆,也见过叙事逆转时信用链条如何逐环绷断。因此,他说“这一轮不是技术泡沫,是估值通胀”,值得认真对待。
其核心判断是:AI半导体超高市销率叙事背后,是一套有分工、有节奏、有退出安排的利益机制——投行要承销费,对冲基金要叙事膨胀期做多、出清前转向,科技巨头要高估值作为融资并购货币,算力正被改造成可证券化、可加杠杆的金融资产。所谓“超高市销率大泡沫”,不是指AI技术没有进步,而是指资本市场用远高于历史均值的市销率,把尚未兑现的收入、利润和现金流提前折现;分子是叙事、流动性和杠杆,分母是收入,分母一旦跟不上分子,市销率就会反向修理市值。
先看一个最直观的尺度:个股总市值已经越过国家GDP的门槛。 2026年5月,英伟达市值达到5.5万亿美元,同期IMF预测的德国2026年名义GDP为5.45万亿美元——一家半导体公司的市值,超过了欧洲最大经济体全年的经济产出,在全球范围内仅次于美国和中国,高于日本、英国和印度。美光科技市值一度超过7200亿美元,英特尔一年内飙涨4.5倍至5400亿美元以上,闪迪自2025年2月上市后一年多飙升超40倍。这不是在说这些公司“不该值这么多钱”,而是在说:当定价尺度已经大到需要拿国家GDP来对标时,任何分母端的轻微不及预期,都会以“重估”而非“回落”的方式完成。
九大逻辑可精炼为:
1. 投入产出严重失衡:16:1的账,靠什么填平?
五大科技巨头在AI赛道累计投入约5600亿美元,真正落地产生的可量化AI业务收入约350亿美元,每投入16美元换回1美元。更关键的是资本开支对经营现金流的吞噬速度:2023年这一比例约33%,2026年预计冲至93%——赚100块,93块砸回AI基建,留给股东回报、抗风险缓冲和分母修复的空间被压缩到极限。投入本身不是问题,问题是投入的回收周期正在被市销率隐含的“即时兑现”假设所绑架。
2. 循环融资制造账面繁荣:每一笔都合法,加总后是一台自我指涉的机器
微软投OpenAI,OpenAI回头买微软云;英伟达投初创,初创拿这笔钱买英伟达芯片。单笔交易在法律和会计上都站得住,但加总后的经济实质是产业链内部的“左手倒右手” :账面营收在增长,终端付费的用户却没有同步膨胀。高志凯的判断很直白:真正的终端付费远远撑不起眼下的市值。这套循环的脆弱性在于,只要融资端停一拍,整台机器的营收增速就会立刻失速——不是需求消失了,而是“用投资制造客户”的机制断了。
3. 债务堆积与再融资悬崖:财政和AI在抢同一批边际买家
美国联邦债务已突破40万亿美元,债务/GDP约122.6%。利息口径需要拆开看:GAO口径下2026财年联邦总利息成本约1.4万亿美元,其中公众持有债务的利息从2021财年的约3920亿美元升至约1.1万亿美元;另有测算按平均息率估算付给公众的利息约1.13万亿美元,与原文“1.12万亿”量级吻合,但需注意这不是“总利息”口径。口径之争不改变方向:利息正在挤占财政空间,而AI债正要来抢同一扇窗口。 2026年下半年至2027年,近10万亿美元低息债到期再融资;AI相关企业债发行从2024年的约100亿美元量级,预计到2027年升至3200亿美元以上,高盛对超大规模云计算与芯片厂商的2027年发债预测约3400亿美元。原文“AI债2027年新增或近1万亿美元”是一个更宽泛的债务增量估算,核心风险不在精确数字,而在于私人杠杆与主权杠杆在“同一批有限买家”身上正面竞争。
4. 本质是估值通胀,不是技术泡沫:45倍 vs 30倍
美股AI板块平均市销率约45倍,2000年互联网泡沫最疯狂时是30倍。英伟达市销率一度在25倍附近,标普500仅约3.3倍。半导体是最容易被率先重新定价的环节,因为它的收入确认节奏最短、库存和折旧的容错空间最薄。市销率从45倍向历史均值哪怕只是“部分压缩”,就足以让市值大幅缩水——不需要等待技术被证伪,只需要收入增速从“惊艳”变成“不错” 。这就是估值通胀的本质:价格已经把未来多年的增长提前兑付了,分母只需要“不够超预期”,重估就会启动。
5. 巨头囚徒困境:谁先松手,谁先掉队
云厂商2026年资本支出预计7000亿至9000亿美元量级,部分靠发债支撑。自由现金流的方向已经变了:亚马逊、谷歌、Meta在2026年均出现自由现金流转负或逼近转负,谷歌资本开支一度超过主营业务所赚利润。在高市销率环境下,减投入在会计上会立刻改善现金流,但在叙事上等同于向市场承认“增长故事减速” 。于是每一家都被锁在同一条加速带上:明知边际回报在变薄,却没有人敢第一个把脚从油门上挪开。
6. AI越成功,泡沫越危险:分母在宏观层面自我瓦解
AI替代白领岗位→工资收入减少→消费转弱。消费占美国GDP约七成,2026年4月居民储蓄率已跌至2.6%。这意味着AI技术兑现得越深,支撑最终需求的收入基础反而越薄。华尔街面对的死结不是“AI行不行”,而是:做得慢,估值撑不住;做得快,需求被自己吃掉。技术叙事和宏观需求之间第一次出现了方向相反的张力。
7. 风险全球传导:没有一国的养老金和保险能完全隔离
科技巨头市值已深度嵌入全球养老金、ETF、保险和主权基金。算力金融化的实质,是把科技股的估值风险与信用市场的偿付风险捆在同一根链条上。高志凯所说的“无一国可完全幸免”,指的不是股价同步涨跌,而是当半导体市销率开始重新定价时,传导路径会从股票估值进入信用利差,再进入养老金和保险的资产负债表。
8. 技术折旧与债务到期共振:2027年前后是双重窗口
高端GPU的有效经济寿命通常仅2至3年,算力租赁市场中主流型号上市18个月后单位租金即出现明显下滑;二手GPU价值到36个月时可能只剩原值的40%至55%。云厂商会计上普遍按5至6年折旧,但经济折旧和会计折旧之间的缺口,就是隐含的资产减值风险。与此同时,2027年前后又是一个债务偿付窗口。技术迭代的“快折旧”和债务到期的“硬约束”在同一时间段叠加,是这个周期区别于2000年互联网泡沫的一个结构性特征:当年烧掉的主要是股权融资,今天相当一部分烧钱背后站着有到期日的债。
9. 美国政策结构性悖论 vs 中国路径的金融化程度差异
美国试图用举债维持技术霸权,用金融杠杆对抗产业规律。中国的AI路径金融化程度低得多:同等性能下大模型推理成本约为美国模型的1/10至1/20,AI收入更多来自车间、医院、港口和实体订单,而非资本市场内部的循环采购。这不意味着中国不受冲击——外需萎缩、资本动荡和融资环境恶化同样会传导——但受冲击的方式不同:一个是估值通胀逆转引发的资产负债表冲击,另一个是外部需求收缩下的韧性考验。回旋余地的差异,不在技术本身,而在分母由什么构成。
结论:高志凯的预警价值不在精确预测崩盘日,而在指认同一台叙事机器的结构性应
追加内容
本文作者可以追加内容哦 !