摩根大通资产管理市场与投资策略主席Michael Cembalest近日对当前美国股市的AI交易发出谨慎信号股票怎样加杠杆股票3倍杠杆。
报告指出，AI仍在推动资本支出、科技企业利润和半导体股上涨，但产业链内部已出现明显分化：负责销售芯片和设备的公司继续繁荣，承担巨额投资并负责将AI转化为收入的超大规模云厂商，股价和自由现金流却开始承压。
与此同时，来自中国和美国的新一代低成本模型正在迅速缩小与OpenAI、Anthropic之间的性能差距。
随着模型价格不断下降、企业自主训练能力增强，基础模型和Token可能逐渐商品化，AI产业的利润分配格局也可能随之改变。
AI产业链出现类似互联网泡沫后期的分化
Cembalest指出，繁荣周期中最值得警惕的阶段并非所有企业同时转弱，而是最接近最终需求的公司已经见顶，资本开支的上游受益者却仍在上涨。
类似现象曾出现在1999年至2000年的互联网泡沫后期。
当时，Verizon、AT&T、WorldCom、Sprint等通信服务商率先走弱，但思科（Cisco）、诺基亚、北电网络、高通和摩托罗拉等设备供应商股价仍继续攀升。以思科和Verizon为例，在Verizon股价基本停滞后，思科依然经历了一轮大幅上涨，直到泡沫最终破裂。
报告认为，当前AI产业链正在呈现相似结构。
英伟达、美光、博通和应用材料等半导体及设备企业处于产业链“车尾”，受益于云计算公司的持续采购，股价和自由现金流快速增长；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”，它们需要承担数据中心、芯片、电力和软件方面的巨额投入，但股价表现趋于停滞，自由现金流显著下降。
（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）
半导体企业当前的高增长在本质上依赖下游客户继续扩大资本支出。如果云厂商无法通过AI服务获得足够收入和利润，投资回报率持续下降，上游芯片和设备需求最终也可能受到影响。
换而言之，AI投资周期的风险，可能首先反映在云厂商现金流上，随后才传导至半导体产业。
谁来为不断扩大的AI投资买单
报告还关注到科技行业与其主要客户之间的盈利背离。
历史上，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较为同步。
但近期科技行业利润继续快速上升，这些高度依赖技术的客户行业却没有出现同等幅度的盈利改善。Cembalest由此提出一个关键问题：如果科技公司的主要客户没有赚到更多钱，未来谁来为AI设备、软件和云计算服务买单？
这一问题直指AI商业化的核心矛盾。
当前AI产业的资本投入主要集中在芯片、服务器、数据中心和模型训练环节，但最终仍需要依靠企业客户提升效率、降低成本或创造新增收入来收回投资。如果AI只能推动基础设施供应商盈利，却不能改善使用者的利润率，那么当前资本开支增速就难以长期维持。
与此同时，市场本身也已积累较高涨幅。
报告统计了自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已经远远进入历史表现最好的前10%。
这并不意味着美股会立即见顶，但在估值和累计回报已经较高的情况下，投资者对AI盈利兑现速度的容忍度可能明显下降。
AI模型价格战：压力同时来自中美
除资本开支风险外，AI基础模型市场也正在进入新一轮价格战。
报告指出，竞争压力不仅来自中国企业，也来自Meta、SpaceXAI和Thinking Machines等美国公司。
Meta的Muse Spark 1.1和SpaceXAI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）
虽然基准测试无法完全代表模型在真实场景中的表现，但对于企业客户而言，只要低价模型能够完成特定任务，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，这种趋势已经开始发生。
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占比一直超过30%，近期一度达到45%；按不同统计口径计算，中国模型在OpenRouter上的查询量和Token使用占比已达到30%至60%。
价格战对前沿实验室尤其不利，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。在仍需投入巨额资金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间。
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来自中国。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股票怎样加杠杆股票3倍杠杆，可能因此受到削弱。
文章为作者独立观点，不代表联华证券_网上杠杆炒股_安全的杠杆炒股平台观点
