【主讲嘉宾及本期主题】
大家好，本期内容为鹏友圈CapitalCircle 内部产业学习与分享第10期。
本期主讲嘉宾：Paul，资深投资人，头部互联网公司前产品经理，微电子背景，深度参与美股与A股科技投资。
本期同步有多位资深投资人参与讨论，涉及宏观、美债、AI产业等。
本期产业学习主题：《美债与AI，流动性底色与时代的贝塔》——从宏观高利率环境、AI基础设施的物理瓶颈，到产业链风险博弈与投资应对的完整梳理。
【前言】
本期Paul的分享与内部讨论的质量很高，站在当下的时点，实则是多重经济周期、货币政策周期、产业周期嵌套的时点，进入2026年更为明显；
表现在今年至今的市场高波动性、地缘、货币、AI产业宏大叙事的各种声音交织；
其中有些是长周期叙事，比如AI产业趋势，对人类整体生产力的质的提升，这是确定无疑的长周期逻辑；
但部分中周期因素也很大程度地扰动着资本市场，包括地缘、能源、美债无风险收益率等，且阶段性影响是很大的；
那么本期分享与讨论，便是站在这多周期嵌套的逻辑下进行未来投资方向的讨论，一方面美债无风险利率在4.5%到5%这个区间高位横亘，另一方面AI高端算力持续紧缺叠加智能体与TOKEN消耗爆发，两股力量同时存在，那么如何辩证看待长中短期影响因子，如何分辨“噪音”与“真谛”，便成为2026-2027年投资人的必修课。
本期从USA高利率及国家资产负债表修复的路径切入，进而阐述AI投入的财务处理方式，再到突破“物理墙”的投资方向，最后回到交易层面的风险与应对。
同时延展到AI产业的深度认知，AI正Reset旧有的人口结构叙事，长周期上将深刻影响到我们每一个人。
【正文】
一、高利率环境与科技投资的辩证关系
当前USA处于近半个世纪最高的无风险利率环境，美债收益率在4.5%到5%之间。对于科技公司来说，这本该是一个相对不利的利率水平，因为技术创新天然需要比较宽松的资金环境。但现实是，AI的资本投入又是天量级的，所有科技巨头都在持续往里投入。
这就形成了一个核心矛盾：当无风险利率是5%的时候，资本对AI投资回报的考核会变得非常严格。如果投入AI的资本回报率达不到这个参照线，资金完全可以选择停留在国债上获取相对稳定的收益。
从去年到今年，市场对AI的态度几乎每个季度都在调整。去年Q2、Q3的时候，资金集中做半导体，做云计算，不管是CoreWeave还是其他同类标的，都有比较好的表现。
到了Q4和今年Q1，市场开始集中质疑这些公司的负债是不是太高、投了这么多资源到底能不能回收。
最近这段时间，市场主逻辑又调整了，token价格上涨了，财务模型重新变得有吸引力，那些之前被下调的标的又出现连续回升。
很多做美股的投资者都有类似感受：如果对某个标的建立了比较强的主观判断，持续看多，在这个过程中很容易被大幅回撤影响。为什么波动这么大？因为当前市场里真正做长周期配置的资金比例并不高。普通投资者参与度提高的同时杠杆水平也在上升，而很多机构的止损纪律又很严格——部分对冲基金回撤到5%就会砍掉一半仓位，到10%直接清盘。
这就导致市场在一个阶段只能容纳一种核心叙事，持有其他逻辑的资金很难跟它对抗，因为杠杆太高，扛不过短期剧烈波动。
二、宏观债务结构与AI的战略位置
理解USA为什么在这个阶段全力推动AI，需要从国家资产负债表的角度来看。
USA的债务规模已经超过GDP的警戒水平，财政赤字处于高位，每年的利息支出本身就是财政的重大压力。这届政府在推动一些改革措施，本质上指向的是修复国家资产负债表。
一个国家要处理这种问题，路径选择是有限的，很大程度上只能走明牌。
第一条路径是地缘方向。
美元和美债是全球主要的避险资产，一旦出现地缘层面的不确定性，全球资本会向USA集中，提供更好的流动性。
但这个方向有比较明显的副作用——采取一些争议性措施会引发中立国家的担忧，促使它们寻求替代性的结算体系。而且选举周期下，在地缘问题上介入过深，反而可能加大财政支出压力。
第二条路径是贵金属储备的重估。
USA财政部持有超过8000吨黄金储备，但在资产负债表上的计价标准仍然是每盎司42美元。如果按照当前市场价格重新评估，可以从账面约110亿美元重新定价到更高规模。但这同样会带来对货币信用的讨论。
第三条路径是货币政策手段，引导收益率曲线。
但这可能引发持续性的价格水平上升，对普通民众的生活成本构成压力，在选举周期里同样面临约束。
把这几种路径梳理下来会发现，真正能够创造增量、实现相对理想结果的路径，是科技革命带来的生产力突破，通过经济增长来逐步消化债务压力。
这跟上世纪九十年代通过信息技术红利实现财政改善是同一个逻辑框架。
如果AI能够把GDP增速重新拉回到4.5%以上的水平，即便债务总规模不变，债务占GDP的比例也会逐年回落。
从这个角度理解，这轮AI推进不是简单的产业选择，而是有更深层的宏观驱动。但这不代表在具体操作上可以不做风险控制。
三、财务处理的认知偏差：J型曲线的含义
市场上对AI投入产出比的持续讨论，很大程度上跟一个容易被忽略的技术细节有关：AI相关的支出在财务报表上如何归类。
现在云厂商采购算力、电力、芯片，这些全部被计入资本支出科目。但数据集构建、模型调优方面的支出，是被算作当期运营成本，而不是作为长期投入来分阶段确认的。
这种处理方式会直接压低初期的账面利润，让人感觉投入产出不成比例，但企业实际积累的技术资产价值并没有在报表里同步体现。
Oracle提供了一个很典型的观察样本。它承接了OpenAI的大量订单，股价阶段性表现强劲。后来市场开始担忧它的负债水平和AI业务的实际回报，股价随之回落。最近token价格上升，财务模型的吸引力重新显现，Oracle新发行的债券获得了超额认购。
AI引入企业实际业务的过程，遵循的是一条类似J型的轨迹。
初期阶段，有显著的学习成本，工作流程需要重新设计，内部文档需要做结构化梳理——很多互联网公司内部的积累常常是经验性的口口相传，缺乏成体系的规范化文档，在AI环境下要重新整理。
更关键的是，像保险理赔审核、合规审查这些场景，AI给出结果之后还需要人工复核，短期内效率提升的幅度没有预想的那么直接。
这个时候市场很容易产生疑问：投入了这么多，效果在哪里？
但一旦跨越了某个应用成熟度的节点，情况会完全不同。
以保险理赔为例，如果整个流程完全由AI处理，那些需要大量人工的理赔审核、客服支持等环节的成本会出现显著下降，效率提升是跃迁式的。
从投入期看不到明显效果，到拐点之后效率快速释放，中间这段低谷期就是J型曲线最考验判断力的阶段。
职业经理人面对这种曲线是比较难坚持长期投入的。
考核周期通常按季度或半年度来走，投入了资源短期内看不到直接产出，就要面对业绩沟通的压力，自然会在投入决策上趋于保守。
这也提供了观察视角：在这一轮AI推进中，那些由创始人持续主导决策的公司，往往在投入上更加坚决，也更愿意承受短期业绩波动来换取长期布局。而跟资本市场沟通特别紧密、倾向于保持平稳过渡的公司，在资源投入力度上就显得相对克制。
四、“物理墙”：电网、变压器与周期错配
过去一年多，市场讨论算力供给瓶颈，关注焦点长期放在GPU上。但实际情况正在发生变化。
当前制约AI算力规模持续扩大的核心环节，已经不再只是GPU芯片本身，而是电力供给能力、散热方案和电网接入条件。
USA的电网设施老化程度较高，审批流程周期很长，在一些数据中心布局密集的区域，排队等待电网接入的时间跨度可以达到数年。
软件和算法的迭代可以按周、月来衡量节奏。电力基础设施的建设周期是以年为基本单位来计算的，大型项目甚至横跨五年到十年。这就是供给弹性上的根本性错配。
从去年Q4开始，一个比较清晰的趋势浮现出来：那些真正带来差异化收益的标的，本质上来自供需错配带来的供给端价值重估。
存储、电力、光通信、数据中心土建，这些环节的共同特征是：即使投入再多资金，扩产速度也有刚性约束，供给弹性非常有限。
变压器是一个很具体的案例。它并不是可以用纯粹的自动化流水线大规模制造的产品，涡轮发电机叶片的关键工序需要经验丰富的技师手工完成调校，技师群体的培养周期就直接构成了产能上限。还有那些做数据中心基础建设的公司，业务听起来属于传统范畴，但因为具备承接大规模数据中心项目的能力，配合衍生品策略，综合收益并不低于科技类标的。
在德州，这个逻辑更加清晰。德州的电网环境相对灵活，电力供给相对充裕，审批流程比其他地区更顺畅，所以有大量数据中心往那里布局。那些早期就已经获得电力审批额度的公司，直接获得了一笔很难被复制的供给优势。本地做电网接入业务的公司，因为卡住了别人短期内无法复制的环节，标的表现在某些阶段甚至超过了行业里规模更大的同行。
这指向了一个产业逻辑的系统性变化：物理资产正在重新获得价值确认。
过去十年甚至更长的周期里，市场的主流偏好一直集中在轻资产、高边际收益的软件和互联网领域。传统制造环节很少出现在核心讨论里。
但AI时代不一样，价值正在向物理硬件与能源环节集中——定制芯片、高带宽内存、光通信互联、先进制程，这些环节占据的利润空间在扩大。
而通用型的SaaS软件，如果找不到跟AI深度结合的新商业模式，利润会被逐步压缩。
五、北美电网的投资逻辑：周期性经验的影响
电网端产能扩张为什么节奏偏慢？这里有一个产业博弈的历史成因。
USA的电网公司在过去经历过类似的周期。历史上曾经出现过一次情况：区域用电需求预期大幅上升，电网公司投入资源把发电容量提上去了，后来需求预期没有兑现，已经投入的资产变成了长期固定资产，每年都要承担折旧成本，又不能拆除。这种经历会影响后续的决策节奏。
所以这一轮，尽管AI带来的电力增量需求已经被广泛讨论，电网公司在产能投入上依然保持相对审慎，不愿意仅凭需求预测就大规模扩产。
变化出现在去年年底到今年年初。大型云厂商开始主动跟电网公司协商，提出新的合作模式：你去新建发电容量，增量部分的电力，我先跟你签署长期承购协议，不管未来实际用量如何，我先锁定其中一定比例。先通过合同把确定性给到电力供给方，你再去做产能投入。
类似的逻辑也在存储环节发生。高带宽内存的产能扩张涉及复杂的先进封装工艺，扩产周期长，良率爬坡节奏慢，供给端刚性很强。在这种条件下，下游为了保证产能供应，愿意签长协，愿意接受价格的上升，因为对交付稳定性的重视程度已经超过了单纯的价格考量。
这进一步印证了一个判断：在那些因为物理规律或者生产工艺限制，短期之内无法通过扩产来释放供给的环节，头部企业会拥有比较持久的定价能力和利润空间。
六、商业模式的迁移：从订阅到按量计价
AI对商业模式的调整，目前市场的理解还不够充分。
传统SaaS是典型的按人头订阅模式——按照用户数量收费，跟最终使用效果不直接挂钩。AI时代的逻辑在把这个模型推倒重来。
新的方向是按实际使用量计价。谁消耗的token多，谁承担更多成本。谁的AI产出效率高、产生的价值大，谁就更有意愿支付。
但这只是第一步。再往前推演，商业模式必须把风险共担机制纳入进来。
当前的状态是，企业或个人使用AI服务，token产出的建议如果出现问题，是使用者自己来承担后果。在个人场景下这套逻辑还能运行，因为个人有能力判断AI的输出是否可靠，发现问题可以自己调整。但在企业级场景，这个逻辑就不够稳固。
一个相关领域的例子是自动驾驶。技术上，自动驾驶的事故率已经可以做到比人工驾驶更低，但在保险商没有把这个数据纳入保费定价模型之前，商业模式始终存在一个没完全闭合的环节——出了事故责任怎么划分。最终一定是走向按用量计费加保险介入加风险共担的完整闭环。能够走通这个闭环的服务商，才能在AI时代建立长期优势。
从产业角度看，未来竞争的评价指标也在发生变化。过去行业习惯对比谁的算力峰值最高，现在开始转向更务实的维度：谁的单位token成本最低，谁能用更少的电力产出更多的token。这个调整不是简单优化，是竞争维度的重新定义。
Google的TPU值得关注，不是因为它在算力峰值上超过了英伟达，而是因为它代表了另一种思路：不需要单卡性能做到极致，靠系统架构和连接拓扑，把整体方案的单位成本降下来。
目前TPU的主要客户就是Google自己和Anthropic，这两家的需求已经能够消化掉三星和台积电在这一块的先进封装产能，所以短期内不存在对外大规模供应的空间。
它更多是云厂商内部提升效率的工具，短期不构成对英伟达的实质性影响。
英伟达的优势不在单卡算力这一个维度，而在于CUDA开发生态。历史上ARM架构从移动端去渗透服务器CPU市场，同构优势是客观存在的，但结果是被x86的存量生态压制了相当长时间才有所突破。这个逻辑放在GPU和ASIC的竞争上同样有参考价值。
七、需要关注的阶段性脆弱性与波动性特征
1、循环交易结构与表外风险
除了产业基本面，本期讨论用了部分篇幅来梳理美股的风险因素。目的不是看空，而是把脆弱性在哪里搞清楚。
第一个值得关注的是循环交易结构。
科技巨头的生态内部，存在一种关联交易安排：巨头A投钱给AI公司，AI公司租用算力服务商的资源，算力服务商拿钱去买芯片公司的产品，芯片公司的营收又部分来自这些被投资的实体。本质上是利用大企业的信用做支撑，在生态内部形成交易循环，客观上推高了账面营收预期。
这跟2000年电信行业出现过的情况有结构上的相似性——设备商给客户提供融资，让客户买自己的设备，账面营收数据表现很好，周期一旦反转问题就集中暴露。
第二个是特殊目的实体带来的表外负债。
很多数据中心建设的债务通过SPV和私募信贷合作的方式处理，被剥离在核心资产负债表之外。表面上的财务数据比较好看，但通过长期租赁承诺和兜底条款，风险实际上仍然跟母公司绑定。
据测算，有超过270亿美元的数据中心建设债务是通过这种结构来处理的。
这种操作方式加大了信息不对称。
普通投资者看到的是亮眼的营收增速，不容易穿透到表外负债的敞口。一旦利率环境在较高水平维持的时间超出预期，或者需求增速阶段性放缓，这些隐性杠杆就会浮出水面。
2、市场参与者结构与波动特征
市场结构的问题同样需要纳入分析框架。当前的AI投资热潮中，普通投资者参与度较高，整体杠杆水平也在上升。这不是价值判断，是需要正视的客观状态。
有一个值得留意的数据：最近一段时间半导体板块虽然整体有资金净流入，但大型机构已经在逐步调整持仓，新增资金主要来自普通投资者群体。
技术指标——比如某只标的连续上涨了多少个交易日、短期涨幅达到多少——在统计意义上的预测能力是比较有限的。市场是随机游走和均值回归的复合体，单一因子的统计参考价值不高，不适合单独用来做方向判断。
真正有驱动力的，是底层产业逻辑有没有发生根本变化。AI的长期方向没有改变，但在这个阶段，由于杠杆水平、短考核周期以及市场只能同时容纳有限核心叙事的特点，波动放大可能会成为阶段性的常态。不是说一定会出现类似2000年那种情况——那一轮互联网公司很多缺乏基本面支撑，主要靠外部融资驱动，而这一轮投入AI基础设施的公司自身经营现金流强劲，数据中心的实际利用率很高，光纤是真的在承载业务。
以上部分阐述的是，AI产业当下阶段，不视作“郁金香泡沫”等科技泡沫看待，因为AI算力基础设施的数据中心利用率非常高，且需求端和智能体在放量。同时需要关注的USA复杂的金融体系和诸多高杠杆的金融衍生品，或许总会导致阶段性的波动特征。
八、人口结构变化与AI的长期含义
本期讨论展开讨论到了一个长周期命题：人口结构变化与AI之间的关系。
（该部分内容，认知非常深刻，也再次说明了AI的RESET特征，AI将深度重构人口老龄化等很多旧有的叙事逻辑）
在工业革命之前，人口的主要经济属性是体力劳动资源，对教育体系的要求不高，能够从事基础生产即可。工业革命之后，工厂需要具备一定知识和纪律性的劳动力，教育体系开始批量培养适应工业化需求的人力资源。到了信息技术时代，对从业者的知识储备和专业技能要求进一步提高，培养周期更长，投入更大，但相应的产出也更高。
现在AI正在重新定义这个逻辑框架。传统教育路径培养出来的从业者，其产出效率正在被AI能力快速接近。一些知名院校的计算机专业毕业生，就业情况已经反映出这种变化。如果继续按照原来的模式培养，经济上可能越来越不划算。
但另一个方面，拥有深厚行业经验、专业判断力的资深从业者，借助AI的能力放大，一个人可以完成过去需要一个完整团队才能覆盖的工作量。
这里产生了一个值得关注的分化：传统意义上的人口数量红利可能边际递减，但专家经验与AI结合产生的杠杆效应在增强。
顺着这个逻辑延伸，资源配置的方向也会发生调整——是继续把资源投向按照传统模式培养新进入者，还是投向让高产出能力的资深从业者延长有效工作周期、提升产出效率。这不是抽象讨论，是已经在发生的产业选择。创新药研发、健康管理、脑科学接口，这些跟AI产生的交集正在变得越来越多。
简单说，AI从底层改变了“人口红利”的叙事逻辑，而未来“工程师红利”会被数倍放大。进而衍生出AI时代的“人口老龄化”不再单纯是社会负担和成本的叙事逻辑，而可能成为红利。
对于善于使用AI工具的中年人来讲，中年危机叙事逻辑也不再成立，AI会使得善用使用的中年人，焕发第二次生产力和生命力。
九、结语
把这期讨论串起来看，几个核心判断是相对一致的。
长期维度，AI的产业方向没有发生变化。应用端的token消耗在指数级增长，商业闭环在逐步建立，物理基础设施的供给瓶颈又让头部环节具备了比较强的定价能力。
从宏观债务处理的角度看，主要经济体都需要这场技术突破来创造增量、化解存量压力。
但当前阶段的复杂性在于，较高的无风险利率让市场对回报的验证节奏要求很高，物理基建的长周期又跟金融资本的短周期存在错配，加上循环交易结构和表外杠杆带来的结构性脆弱，整个板块的波动水平在系统性上升。
在确定性产业大Beta中，需要持续深化AI认知，加深对产业供给瓶颈环节的理解深度、对财务结构风险的识别能力、对市场叙事切换节奏的把握，这些是决定能否把判断转化为实际收益的关键要素。
穿透市场情绪，回到产业逻辑的底层，这是2026年需要持续投入的功课。
相关阅读：
「AI 产业落地质变」大模型跨越“逻辑推理”临界点，重构商业闭环与算力需求函数
「把握时代红利，共赴未来投资机遇」价值投资底层逻辑与拥抱AI大时代
「存储产业」第一性原理：“超级成长vs强周期”，存储投资的底层逻辑 | 深度
「AI的利润底座」Token 经济学、大模型盈利模式与Amodei公式 | 深度
「洞见AI+产业爆发点，关注❤收藏☆转发=提前布局AI机遇」
现在关注的人，未来会感谢今天的自己
「风险提示：本文企业投研结论系个人投资笔记，个人观点仅供参考，不构成投资建议。数据基于公开数据和行业及券商研究报告。市场有风险，决策需谨慎」
「版权声明：原创内容未经许可禁止转载，侵权必究。如需使用，请联系作者获取许可，并注明来源」
【鹏友圈CapitalCircle】继续欢迎科技行业、半导体行业、有色化工顺周期行业的资深投资人、产业投资人、机构研究员等人士加入鹏友圈，一起分享讨论投资机会。
申请免费，仅要求加入后，未来做一期内部产业分享或投资分享。
欢迎更多符合要求的朋友，私信或邮箱背景履历、拟分享题目，我们一起拥抱2026年更多产业及投资机遇。Email: jypcapital@163.com