中国AI资本支出暴增105%，Jefferies却说美国云才是泡沫风险——谁在说谎？
中国AI资本支出暴增105%，Jefferies却说美国云才是泡沫风险——谁在说谎？
2026年9月7日，华尔街投行Jefferies发布了一份让很多人感到意外的分析报告。
报告显示，中国科技巨头（包括阿里巴巴、腾讯、百度、字节跳动）在2026年Q2的AI资本支出同比增长了105%——这个数字本身并不令人意外，市场普遍知道中国在AI基础设施上在加速投入。
令人意外的是Jefferies的结论：他们认为，尽管中国AI资本支出增速远高于美国，美国三大云巨头（AWS、Azure、Google Cloud）在AI基础设施上的可持续性风险，实际上比中国更大。
这个结论挑战了大多数人的直觉：不是吗？中国面临芯片出口管制、算力受限、地缘政治压力——怎么反而是美国有更大的泡沫风险？
要理解这个看似矛盾的结论，需要深入分析中美AI基础设施投资的「结构差异」，以及这种差异背后的时间哲学。
一、数字背后：中国AI资本支出的构成
首先，让我们把105%这个增长数字拆开来看。
Q2 2026，阿里巴巴在AI云基础设施上的投入创下单季新高，增速超过120%；腾讯在AI相关基础设施上的支出同比翻倍以上；百度在AI云和大模型基础设施上持续高投入，尽管增速略慢于竞争对手；字节跳动（估计数据，该公司不公开财务细节）在AI推理基础设施上的支出据分析师估算同样呈现爆发式增长。
这些投入的方向，值得仔细分析。
根据Jefferies的分析，中国科技巨头AI资本支出的核心驱动力是推理需求（Inference Demand），而非模型训练（Model Training）。
推理，是指把已经训练好的AI模型部署到线上、为实际用户请求提供服务的过程。每一次用户使用AI助手、每一次智能客服回复、每一次推荐系统运算，都需要消耗推理算力。随着中国各大平台的AI应用快速渗透用户日常（百度文库AI助手、腾讯混元、字节扣子等平台的日活快速增长），推理的算力需求也相应爆发。
这意味着：中国的AI资本支出，主要是在服务已经存在的、正在产生实际收入的AI用量。
这是一个关键的区别，我们稍后会看到它为什么如此重要。
二、美国云的另一幅图景：训练驱动的资本支出
再看美国云巨头的AI资本支出情况，画面是截然不同的。
AWS、Microsoft Azure、Google Cloud在2026年的AI基础设施投入同样创纪录，三家合计预计全年AI相关资本支出超过2000亿美元。这个规模远大于中国科技巨头的总量。
但美国云的AI资本支出，核心驱动力是模型训练（Model Training）——具体来说，是为了维持在大型基础模型（Foundation Models）上的领先地位而进行的持续性大规模投入。
AWS需要为Amazon Bedrock上的模型服务维持算力储备，同时支持AWS客户的模型训练需求；Azure与OpenAI深度绑定，需要为GPT-6 Astra等模型的持续训练、Fine-tuning服务提供算力；Google Cloud需要同时支撑Gemini系列模型的训练和Google自身产品的AI需求。
这种训练驱动的投资，有一个本质特点：它是押注未来的，不是服务当前的。
训练更大的模型，是为了在未来的模型竞争中保持领先；建设更大的训练集群，是为了能够在下一个技术突破到来时快速响应。这是一种战略性储备，其价值取决于「未来的AI能力突破是否能如期到来，以及到来时是否能有效商业化」。
三、Jefferies的核心论点：可持续性风险的真正来源
现在我们可以理解Jefferies为什么得出了反直觉的结论。
中国AI资本支出的可持续性较高，原因是：这些投入主要服务于当前已在产生收入的AI用量。推理需求会随着用户数量和使用频率的增长而自然增长，资本支出与收入增长之间有比较直接的因果关系。即使某些投入超前了一点，超前的量也相对有限，不会出现「大规模资本支出完全找不到对应收入」的情况。
美国云巨头AI资本支出的可持续性风险较高，原因是：这些投入大量押注于「未来的AI能力升级将持续产生超额回报」这个假设。如果AI能力的提升速度放缓（比如GPT系列的每一代进步对实际商业价值的提升变得越来越边际化），或者模型训练的商业化路径不如预期（客户不愿意为更大更强的模型支付大幅溢价），那么这些庞大的训练基础设施投资就会面临回收困难。
Jefferies的报告特别指出一个数据点：AWS在2026年Q2的AI基础设施资本支出增长了约85%，但同期AWS整体营收增长约35%。这意味着AI基础设施投入的增速是收入增速的2.4倍。这种「超速投入」如果不能在2至3年内看到明显的收入加速，将面临股东压力。
四、第三层洞察：中美AI投资的「时间哲学」差异
Jefferies的分析揭示了一个更深层的洞察：中美AI投资的差异，不只是规模和方向的差异，而是一种根本性的「时间哲学」差异。
中国式投资：立足当下，先商业化再扩容。
中国科技巨头的AI投资逻辑是：先找到能够产生真实商业价值的AI应用场景（推荐系统优化、广告投放效率、客服自动化、办公效率工具），然后根据实际的算力需求来配置推理基础设施。这是一种「需求拉动型」的投资模式，风险相对可控，因为每一块钱的投入都有对应的已验证需求作为支撑。
美国式投资：押注未来，用训练能力买未来的通行证。
美国云巨头的AI投资逻辑是：领先的模型能力将带来持久的竞争优势，而保持模型能力领先的成本是持续的大规模训练投入。如果放弃这种投入，在未来的能力竞争中落后，将面临更难挽回的市场份额损失。这是一种「能力推动型」的投资模式，前提假设是「更强的模型总会找到商业化路径」。
这两种时间哲学各有其理性基础，但在2026年的当前节点，「当下」vs「未来」的押注面临的不确定性是非对称的：当下的需求是可见的，未来的需求是需要假设的。
Jefferies的警告，本质上是在说：美国云巨头的AI投资，正在以「未来的确定性」为假设前提，进行超出当前需求支撑的大规模资本配置。这个假设如果落空，代价会很大。
五、芯片管制的悖论：受限反而促进了商业化纪律
这里有一个有趣的悖论值得关注：美国对华芯片出口管制，在短期内限制了中国获取最先进GPU的能力（无法购买NVIDIA H100/B200等最高端产品），却在无意中促进了中国AI产业更强的「商业化纪律」。
道理是这样的：当算力资源受到限制时，中国AI公司被迫更仔细地计算每一次推理的成本效益，更认真地考虑哪些AI应用场景值得部署（即算力投入是否有商业回报），而不是像美国某些AI公司那样，靠充裕的风险资本支持在大量场景上「烧算力」进行探索。
这种被迫的「资源约束型创新」，有时候反而带来了更好的商业实践。中国AI推理芯片的快速发展（燧原科技IPO、华为昇腾的持续进化）、开源模型的积极应用（降低推理成本）、模型压缩和量化技术的广泛采用——都是在算力受限压力下诞生的解决方案。
这不是说芯片管制对中国有利，而是说：资源约束有时候会强制产生更好的商业纪律。
相比之下，美国云巨头在资本充裕、算力无限制的环境中，更容易陷入「大力出奇迹」的投资逻辑陷阱——因为可以无限投入，所以不必严格论证每一笔投资的商业回报路径。
六、对投资者的含义：如何看待AI基础设施估值
Jefferies的报告发布后，对AI基础设施相关公司的估值讨论产生了一定影响。
对于美国云巨头的股票投资者来说，关键问题是：AI基础设施投资的「回收期」是多少？如果AWS的AI资本支出在2至3年内无法带来相应的营收加速，市场会如何重新定价这些资产？
当前市场对AWS、Azure、Google Cloud的估值，在很大程度上包含了对其AI基础设施带来未来超额回报的预期。如果这个预期需要调整（比如AI商业化的推进速度比预期慢），估值压缩会是显著的。
对于中国科技股的投资者来说，情况略有不同。中国云厂商（阿里云、腾讯云、百度云）的AI基础设施投入更多对应已验证的推理需求，这在某种程度上是更有支撑的估值基础。但中国股票市场面临的其他风险（地缘政治、监管不确定性、外资准入限制）使得这个「更稳健的AI投资逻辑」很难在估值上得到充分体现。
总体而言，Jefferies的报告提供了一个有价值的分析框架：判断AI基础设施投资质量的关键，不是投入规模的大小，而是投入结构（推理驱动vs训练驱动）以及与当前商业需求的匹配程度。
七、结语：两种AI未来的对赌
中美AI资本支出的结构差异，本质上反映了两种对AI未来的不同预判。
中国的投资逻辑在说：AI的价值，在于今天就能用它做生意。推理能力是当下最重要的算力，训练能力可以依赖开源模型或协作研究来补充。
美国的投资逻辑在说：AI的价值，在于谁拥有最强的下一代模型。保持训练能力的领先，是所有商业化机会的前提条件。
这两种逻辑都有合理性，也都有风险。中国的风险是：如果未来的竞争确实主要在模型能力层决出胜负，那么相对较弱的训练基础设施会成为长期劣势。美国的风险是：如果AI商业化的速度不能支撑如此庞大的训练基础设施投资，泡沫破裂时的调整会很剧烈。
Jefferies的分析提醒我们，在AI投资的热潮中，需要区分「今天能赚钱的AI」和「相信未来能赚钱而投入的AI」。这两种投资都有其位置，但它们的风险特征是完全不同的。
谁在说谎？也许都没有说谎，只是站在了不同的时间维度上。
参考资料
-
MSN / Jefferies - China’s AI capex jumps 105% YoY, but Jefferies says US cloud giants face greater risks (2026-09-07) https://www.msn.com/en-in/news/other/china-s-ai-capex-jumps-105-yoy-but-jefferies-says-us-cloud-giants-face-greater-risks/ar-AA2bIHDL
-
CRN - AWS, Google, Oracle, Microsoft Top Gartner’s Cloud AI Infrastructure List For 2026 (2026-07-29) https://www.crn.com/news/ai/2026/aws-google-oracle-microsoft-top-gartner-s-cloud-ai-infrastructure-list-for-2026
-
CRN - Cloud Market Share Q2 2026: Google Gains Share As AWS Falls (2026-08-06) https://www.crn.com/news/cloud/2026/cloud-market-share-q2-2026-google-gains-share-as-aws-falls
-
MSN - China’s AI race heats up: Baidu says its AI investments could pay off as CFO bets on cloud growth (2026-09-01) https://www.msn.com/en-us/news/other/china-s-ai-race-heats-up-baidu-says-its-ai-investments-could-pay-off-as-cfo-bets-on-cloud-growth/ar-AA2blrLd
-
CNBC - Chinese Nvidia rival Enflame soars 206% on stock-market debut (2026-09-11) https://www.cnbc.com/2026/09/11/chinese-nvidia-rival-enflame-stock-market-debut-ai.html
延伸：中国AI基础设施投资的新信号
2026年9月11日，一个具有标志性意义的事件发生了：燧原科技（Enflame）在上海科创板上市首日股价飙升206%。这家腾讯投资的AI芯片公司，通过IPO募资61.2亿元人民币（约9.12亿美元），发行价142.18元/股。燧原科技的上市成功，是中国AI基础设施「国产替代」路径的一个里程碑节点。
在芯片出口管制的背景下，中国本土AI芯片产业的发展速度远超许多分析师的预期。燧原科技、寒武纪、华为昇腾、摩尔线程等公司，在过去两年里推出了多款可以支撑推理工作负载的国产AI芯片，虽然在训练超大型模型上仍与NVIDIA H100/B200存在差距，但在推理加速上已经可以满足多数商业部署需求。
这与前文提到的「推理驱动」投资逻辑完美契合：如果中国的AI资本支出主要用于推理（而非训练），那么国产推理芯片的性能已经足够支撑这种需求，芯片管制的实际障碍比表面看起来要小得多。
这是整个故事的一个关键拼图：中国AI产业的韧性，部分来源于其技术路线选择与受限条件的意外契合——专注于推理的商业化路线，恰好是国产芯片能够支撑的路线，也恰好是最快产生商业回报的路线。
当然，这不能被解读为「芯片管制没有效果」。在训练前沿大模型、推动下一代AI能力突破等方面，中美之间的算力差距仍然存在且有影响。但在当下的「推理商业化」战场上，这个差距已经不是决定性因素。
这或许是Jefferies报告最重要的战略含义：AI竞争的主战场，正在从「谁有更大的训练集群」向「谁有更好的推理商业化能力」转移，而在后者这个战场，中国的竞争力比外界普遍认为的要强得多。
理解这个转变，是理解2026年及未来几年AI地缘政治格局的关键钥匙之一。
技术视角：推理经济学与训练经济学的根本差异
推理和训练，不只是技术概念，更是两套截然不同的经济学模型，理解这一点对分析AI投资非常重要。
训练经济学的特点：投入高度集中（一次大规模训练可能需要数亿至数十亿美元），产出不确定（更大的模型不一定能带来等比例的商业价值提升），存在明显的规模递减效应（每多花1美元在训练上，新增能力的边际价值在递减），且产出（训练好的模型权重）是可复制的（开源后任何人都可以使用，使训练投资的商业回报难以完全捕获）。
推理经济学的特点：投入与产出成正比（服务更多用户请求需要更多推理算力，反之亦然），可扩展性清晰（按需扩容，不需要一次性大规模投入），存在明显的单位成本下降趋势（随着技术进步，每次推理的成本在持续降低），收益可计量（每次推理对应一个用户操作，可以直接连接到商业价值）。
从纯经济学角度，推理投资的「可预测性」远高于训练投资。这也解释了为什么Jefferies会认为推理驱动的中国AI资本支出比训练驱动的美国云资本支出在可持续性上更高——前者的投资回报函数更简单、更可预测。
当然，这个分析有一个重要的反驳：如果训练能力的领先带来了模型能力的持续领先，这种能力领先可以转化为市场定价权（OpenAI能以更高的价格销售更强的模型），从而实现对训练投资的长期回报。这是一个有说服力的论点，也是美国云巨头持续大规模投入训练基础设施的核心理由。
真正的问题是：这个转化链条的每一环是否都能如期实现？训练能力领先→模型能力领先→定价权→商业回报，每一步都需要特定条件来支撑，而每一步的不确定性都会累积。Jefferies的警告，是在说这个累积的不确定性已经达到了值得关注的水平。这不是末日预言，而是一个值得持续观察的风险信号。
结构性总结：四个关键观察
综合以上分析，可以提炼出四个值得长期追踪的关键观察，供读者持续参考。
第一，中国AI资本支出的增长有实际需求作为支撑。105%的同比增速背后，是中国各大平台AI应用日活数据的实质性增长。这不是纯粹的投机性投入，而是需求驱动的基础设施扩张。
第二，美国云的训练基础设施存在「预期前置」的风险。大规模训练集群的建设，是基于对未来AI商业化加速的预期。如果这个预期需要修正，资本支出的节奏也需要相应调整。目前市场尚未看到明显的调整信号，但风险已经在累积。
第三，地缘政治因素正在重塑AI投资格局，但方向并非单向。芯片管制对中国确实造成了某些方面的限制，但也在某种程度上促进了国产芯片的加速发展和推理路线的差异化竞争力。
第四，「今天能赚钱的AI」和「未来能赚钱的AI」，是两种完全不同的投资命题。分清楚自己在追哪种AI，是做出理性判断的前提。
这四个观察，可以作为评估任何AI相关投资或商业决策的参考框架，而不仅仅适用于分析中美资本支出数据本身。
具体风险情景：美国云「训练泡沫」如果破裂会怎样
Jefferies的警告是理论性的，让我们把它具体化：如果美国云巨头的AI训练基础设施投资真的面临「泡沫化」调整，可能的触发因素和后果是什么？
触发因素一：模型能力提升的商业化价值递减。如果GPT-6 Astra与GPT-7之间的能力提升，对企业用户来说感知差异很小（就像从iPhone 14到iPhone 15的感受），那么企业支付大幅溢价购买更新模型的意愿会显著降低。当训练投入与商业回报之间的倍数关系变差，资本支出的逻辑就动摇了。
触发因素二：开源模型快速追平商业模型。DeepSeek V4.1-Flash的发布已经显示，开源模型正在以更低的成本接近前沿商业模型的性能。如果这个趋势持续，企业客户对「必须使用最新商业模型API」的需求就会减弱，美国云巨头从模型能力领先中获取的定价溢价也会收窄。
触发因素三：企业AI支出出现预算疲劳。2024至2026年，大量企业在AI工具上的支出快速增加，但实际ROI的量化还不够清晰。如果2026至2027年出现企业AI支出「年中审查」，会有相当部分的投入被削减，这会直接影响云巨头的AI服务营收预测。
如果上述任一或多个因素同时发生，美国云巨头可能面临「资本支出持续但营收增速放缓」的不利组合，届时投资者对这些公司的估值逻辑将面临重大修正。这不是末日预言，但是一个真实的风险情景，值得在当前这个AI基础设施投资热潮高点时保持清醒认知。