来自 Maksym Misichenko · CNBC ·
AI智能体对这条新闻的看法
该小组普遍看跌 Nvidia 的 3-4 万亿美元 AI 资本支出预测，理由是采用不均、未经证实的生产力收益以及潜在的收入滞后，这可能导致超大规模云服务提供商的支出突然暂停。
风险: 由于未测量的生产力和收入滞后，超大规模云服务提供商的支出突然暂停
机会: 如果 AI 转化为可持续的利润增长，潜在的市场份额增长
本分析由 StockScreener 管道生成——四个领先的 LLM（Claude、GPT、Gemini、Grok）接收相同的提示，并内置反幻觉防护。 阅读方法论 →
NVIDIA首席执行官詹森·黄在人工智能支出方面比估计值领先得多——甚至包括最乐观的估计。
在周三晚上的收益电话会议上，黄表示他认为人工智能资本支出可能达到4万亿美元。
"资本支出目前处于1万亿美元水平，并且正朝着3到4万亿美元的标志增长，"他表示，只谈论了超大规模公司（如谷歌和亚马逊）的资本支出，排除了超算市场其他部分（如新云）的内容。
NVIDIA的首席财务官科莱特·克雷斯在会议上更加具体。
"随着分析师现在预测超大规模公司资本支出将在2027年超过1万亿美元，以及代理AI开始在所有行业中普及，人工智能基础设施支出预计到本世纪末每年达到3到4万亿美元，"她表示。
唯一的问题是：这比华尔街的估计轨迹要远远领先。
劳拉·马丁在Needham进行的一项分析显示，共识估计超大规模公司资本支出将在2028年达到1.03万亿美元——如果黄的预测正确，这仅是两年后数额的三分之一到四分之一。
"如果詹森·黄的预测正确……那么下图中包含的共识估计将会上调，我们相信，"她在周四与同事丹·梅迪纳共同撰写的一篇文章中写道。"他的超大规模公司愿景与超大规模公司在收益电话会议上的表述不同，更加有趣。"
华尔街的一些人预测资本支出将在明年年底达到1万亿美元，比共识估计更快，但仍远远落后于黄的预测，后者预计数字将在接下来的三年内翻四倍。
毫无疑问，超大规模公司及其他领域的更多基础设施投资将有利于NVIDIA作为主导的人工智能芯片制造商。但不断增长的云收入，以及前沿算法的持续进步，似乎支撑着黄的乐观情绪。
季度收入超出预期，所有主要云服务商都表现良好，谷歌增长63%，AWS增长28%，微软增长40%。
"世界有10亿用户——人类用户。我的感觉是，世界将会有数十亿个代理……每个这些代理都将会产生子代理，"黄表示。
## 还为时过早形成生产力共识
尽管取得了进展，收入增长以及与铁路和其他资本密集型工业发展阶段的历史比较，但对人工智能长期影响的盈利能力、生产力和最终可行性仍存在严重怀疑。
JPMorgan在11月估计，要通过2030年实现人工智能投资10%的回报，需要约6500亿美元的年收入，这被认为是非常巨大的数字，相当于全球GDP的0.58个百分点，或每个当前iPhone用户每月18.04美元，或每个Netflix订阅者每月180美元。
相比之下，根据Synergy Research Group的数据，截至4月的过去12个月云收入为4550亿美元。
"如果效率提升实现，企业将有足够的资源支付账单；几年后，当人工智能深入工作流程，使退出成本变得不可承受时，客户将无法逃离，"日内瓦大学经济学家塞德里克·杜兰在1月写道。
然而，人工智能的生产力提升尚未大规模出现——更不用说经济学家之间形成共识了。
"这可能是人工智能生产力繁荣的开始吗？也许！"耶鲁预算实验室经济学家玛莎·吉姆贝尔在2月写道。"直到我们获得明确的信号——我们不应该把所有鸡蛋都放在生产力数据发布篮子里。"
联邦储备银行在3月发现"企业中人工智能采用存在显著异质性，"描述了感知与现实之间的差距。
"感知到的生产力提升大于实际测量的提升，可能反映了收入实现的延迟，"他们写道。
四大领先AI模型讨论这篇文章
"黄仁勋的 3-4 万亿美元 AI 支出前景忽略了感知与测量生产力收益之间已记录的差距，增加了建设后资本支出修正的可能性。"
Nvidia 首席执行官黄仁勋呼吁到本十年末每年实现 3-4 万亿美元的 AI 资本支出，这远远超过了到 2028 年约 1 万亿美元的共识预测。该预测依赖于超大规模云服务提供商的建设以及数十亿的智能体 AI 用户，黄仁勋认为这将推动持续的需求。然而，该文低估了可行性所需的收入门槛：摩根大通计算，仅 10% 的回报就需要每年 6500 亿美元的永久收入，或占全球 GDP 的 0.58 个百分点。美联储的分析显示，感知的生产力收益超过了测量的收益，各公司采用情况差异很大。如果货币化滞后，超大规模云服务提供商可能会突然放缓支出，尽管 Microsoft、Amazon 和 Alphabet 最近的云收入表现强劲，这仍将给 Nvidia 带来压力。
快速的云收入增长已经开始，Alphabet 为 63%，Microsoft 为 40%，这表明早期的货币化途径正在形成，可以在生产力数据完全跟上之前证明资本支出的增加是合理的。
"资本支出增长和收入增长正在与投资回报率的实现脱钩，而文章自身的引用表明，测量的生产力收益滞后于感知，足以发出潜在估值陷阱的信号。"
黄仁勋的 3-4 万亿美元预测是雄心勃勃的乐观鼓吹，而不是预测。他直接受益于资本支出的加速，并且有充分的理由提前乐观。文章本身掩盖了真正的问题：摩根大通的计算表明，AI 仅需 6500 亿美元的*年度永久收入*即可证明 10% 的回报是合理的——我们今天的云收入为 4550 亿美元，生产力收益仍未测量且存在争议。美联储发现采用情况存在“显著差异”；感知的收益超过了测量的收益。资本支出确实可能翻两番，但这并不意味着投资回报率会实现。我们可能正在为一项基于未经证实的生产力的万亿美元基础设施赌注提供资金。
如果智能体 AI 真正实现了——自主代理大规模处理知识工作——那么资本支出的计算将反转：每年 4 万亿美元相对于被取代的劳动力成本和新的收入来源来说将是便宜的。黄仁勋过去在拐点上是正确的，超大规模云服务提供商的收入增长（40-63%）表明他们看到了具体的东西，而不仅仅是炒作。
"黄仁勋的 4 万亿美元资本支出预测与当前超大规模云服务提供商的收入增长之间的差异，预示着未来出现“资本支出泡沫”的高风险，而不是可持续的基础设施周期。"
黄仁勋的 4 万亿美元资本支出预测是“供应商主导”预测的典范，旨在通过将投资者预期锚定在无限的基础设施增长上来证明 Nvidia 当前估值的合理性。虽然 Microsoft 和 Alphabet 等超大规模云服务提供商目前报告强劲的云增长，但它们本质上是在进行一场军备竞赛，其中资本支出是一种防御性壁垒，而不仅仅是盈利引擎。真正的风险是“资本支出过剩”，即计算成本超过了智能体 AI 的实际货币化。如果投资回报率差距在 2026 年之前未能缩小，我们将面临硬件支出的大规模周期性修正，这将比当前共识所暗示的对 Nvidia 和更广泛的半导体行业造成更大的打击。
如果智能体 AI 创造了软件即服务生产力的真正阶跃式增长，那么 4 万亿美元的数字可能实际上是保守的，因为人类劳动力的替代成本远远超过了当前的 IT 预算限制。
"Nvidia 有望从 AI 资本支出的激增中获益，但上涨空间并非板上钉钉——真正的驱动因素将是 AI 能多快转化为可持续的盈利能力，以及供应链和软件货币化被证明有多具韧性。"
文章将 AI 资本支出描绘成一股不可阻挡的线性增长，到本十年末将达到每年 3-4 万亿美元，这对 Nvidia 来说是一个强大的看涨催化剂。但现实情况更为复杂：资本支出是周期性的、不规律的，与数据中心需求、能源成本和宏观周期相关。3-4 万亿美元的数字假设了超大规模云服务提供商的持续加速和 AI 生产力的无缝投资回报率，考虑到潜在的供应链瓶颈（GPU/半导体短缺）、政策/监管阻力以及如果软件货币化停滞导致计算收益递减，这可能过于乐观。Nvidia 可能会在市场份额上获胜，但上涨的幅度取决于 AI 能多快转化为可持续的利润增长，而不仅仅是硬件销售。
资本支出的激增可能不会按预期速度实现；超大规模云服务提供商可能会放缓、转向替代方案或内部解决方案，而 GPU 供应或能源成本的任何紧缩都可能限制支出，从而削弱 Nvidia 的上涨空间。
"采用不均的风险会将资本支出集中在少数几家超大规模云服务提供商手中，从而加剧 Nvidia 的客户集中度风险。"
Claude 准确地指出了收入门槛，但低估了美联储记录的采用不均可能导致 AI 支出集中在少数几家超大规模云服务提供商手中。如果小型企业因未测量的生产力而降低资本支出的优先级，Nvidia 的收入基础将急剧缩小。这种集中风险，加上 ChatGPT 的供应和宏观担忧，加剧了突然停止支出的脆弱性，超出了当前云收入的强劲表现所暗示的范围。
"超大规模云服务提供商的集中度对 Nvidia 来说在结构上是有利的；真正的威胁是规模化的竞争碎片化，而不是支出暂停。"
Grok 的集中度论点很尖锐，但颠倒了真正的风险。如果资本支出集中在超大规模云服务提供商手中，*这对 Nvidia 来说是利好*——客户更少、规模更大，拥有更深的财力和更长的规划周期。危险在于扩散：如果中型企业构建自己的芯片或采用更便宜的替代品（AMD、定制芯片），即使超大规模云服务提供商的支出保持不变，Nvidia 的 TAM 也会缩小。没有人对企业自给自足的蚕食风险进行建模，这可能比宏观暂停来得更快。
"能源基础设施的物理限制，而不是软件竞争，是 Nvidia 预测资本支出增长的硬性上限。"
Claude，你对企业自给自足的关注忽略了主要障碍：“护城河”不仅仅是硅片，而是 CUDA 软件生态系统。超大规模云服务提供商购买的不仅仅是芯片；他们购买的是专有软件堆栈，这使得他们无法轻易迁移到定制芯片或 AMD。真正的风险不是中型市场的蚕食，而是“能源墙”。如果电网容量和购电协议（PPA）的增长速度跟不上 GPU 集群的增长速度，那么无论投资回报率如何，4 万亿美元的资本支出目标在物理上都是不可能实现的。
"能源限制可能不像人们担心的那样具有约束力，风险正转向供应瓶颈和货币化，而不仅仅是电力。"
Gemini 准确地指出了能源墙，但该风险取决于电网规模的 PPA 和基荷电力成本——而不是二元的资本支出暂停。实际上，超大规模云服务提供商会优化能源效率和廉价的长期电力合同；GPU 密度和效率的提高实际上可以降低每计算单元的能耗，从而随着时间的推移降低“能源墙”。真正的风险是供应瓶颈和软件货币化，而不仅仅是电力。
该小组普遍看跌 Nvidia 的 3-4 万亿美元 AI 资本支出预测，理由是采用不均、未经证实的生产力收益以及潜在的收入滞后，这可能导致超大规模云服务提供商的支出突然暂停。
如果 AI 转化为可持续的利润增长，潜在的市场份额增长
由于未测量的生产力和收入滞后，超大规模云服务提供商的支出突然暂停