財聯社12月17日訊（記者 封其娟）在「未來已來」朱雀基金年度策略會上，朱雀基金副總經理兼專戶投資部總經理張勁騏，以 「理性ai繁榮」為主題，從產業本質、滲透速度、資本表現等維度，談論ai產業當前面臨的三大爭議：ai商業化落地程度、ai的巨額資本開支、ai的泡沫化程度。
張勁騏指出，自2023年生成式ai元年開啟以來，技術快速迭代與成本持續下降推動了行業加速發展，與此同時，關於「ai泡沫」的討論也始終存在，主要集中於技術研發與商業化進程之間的節奏尚未完全同步。
但在他看來，當前ai產業雖存在局部過熱跡象，但整體仍處於理性發展區間。當前ai的技術演進遵循規模效應規律，真實需求數據支撐商業化前景，資本開支符合產業發展節奏，估值水平遠未達到泡沫化程度，債務問題風險可控。投資者應更多地從產業發展的視角，客觀看待技術本身的演進路徑，在風險與機遇之間做好動態平衡。
張勁騏談到，海外頭部科技公司的核心戰略仍是提升模型能力與算力水平，以此搶佔下一代技術先機。短期內商業化需求與投入難以匹配，市場擔憂投入產出比失衡，但科技公司更懼怕被時代淘汰。從各大科技公司ceo的表態中可見一斑：他們雖承認市場存在一定泡沫，卻一致認為當下的「過度投資」必不可缺，反之將面臨更大風險。
與此同時，張勁騏認為中國ai的核心優勢在於優化能力，能在條件受限下實現與一梯隊接近的性能水平。若持續低成本跟進優化，將在 ai 性能競爭中具備顯著優勢。從客戶調用數據來看，國內頭部廠商與谷歌的增長趨勢高度同步，印證中國大模型已獲廣泛採用，且增長勢頭持續強勁。
儘管中國ai起步較晚，但應用推進與使用規模領先，成長空間廣闊，當前布局聚焦三方面：一是數據中心內部：廣泛布局晶元、晶元間互聯、高速網路等領域；二是數據中心集群：重點推進橫向擴展與跨集群協同；三是基礎設施支撐層面，也是中國具備絕對優勢的領域：聚焦儲能方案、電力系統及核能等相關方向。
爭議一：ai商業化落地程度
市場擔憂當前投入集中於訓練環節，行業仍處於研發階段尚未大規模商業化。
張勁騏解釋，這一輪大模型發展的根本驅動因素是「越大越好」，稱之為規模效應。從10年跨度來看，技術發展路徑並未改變，計算需求的持續增長與單位成本的不斷下降，形成了緊密的良性循環，即：單位成本下降進一步推動模型規模擴大，模型性能隨之提升，進而催生更多策略優化的需求。這一循環目前依然在持續運轉，尚未出現被打破的跡象。
他談到，這也正是黃仁勛在今年gtc大會上總結的三大規模縮放定律的核心內涵：
第一，模型參數量越大、訓練數據量越大，模型性能通常就越好；
第二，在擴大模型和數據規模的同時，如果數據更具指向性，並且投入更多資源進行強化學習微調，模型表現會進一步提升；
第三，長思考維度，即推理鏈條越長、思考步驟越複雜，模型的推理性能往往也越出色。
在張勁騏看來，當前的市場實踐已充分驗證了這三大規模縮放定律的有效性。從近期模型進展來看，規模縮放效率依然有效，模型參數量、訓練數據量以及推理步驟長度持續攀升，而這「三駕馬車」的並進，也直接驅動了算力需求的激增。反過來看，正是加速計算技術的突破與落地，才使得規模效應從理論推演走向了規模化應用。
那麼，這一理論在現實中是否得到了驗證？張勁騏直言，答案是明確的。
對於市場一直關注ai的應用場景與投資回報率，他認為，可以從ai的實際需求數據中尋找答案。
根據open ai統計，去年8月至今年8月，ai調用數據增長了38倍，每周用戶調用的token數量已突破4萬億。同時，谷歌數據顯示，每月處理的數據中包含了長思考過程產生的大量中間信息，總量已超過1300萬億，大幅超過用戶直接請求的數據量。從月均處理量看，用戶直接請求僅占很小一部分，核心原因在於長思考過程顯著提升了整體數據消耗。
張勁騏總結，用戶對ai的需求持續攀升，大型企業在模型運行中也消耗著海量數據，而這些最終都指向同一個方向：不斷膨脹的算力需求。他認為，這種真實存在的需求或是商業化成立的早期跡象。從科技發展的長期路徑來看，隨著ai性能的持續提升與成本的進一步下降，商業化進程有望迎來爆髮式增長。
他提到，目前最熱門的兩家ai創業公司是anthropic和openai。從他們向投資人展示的財務預測來看，二者在商業模式上既有相似之處，也存在明顯差異：anthropic主要面向企業用戶，雖然收入展望相對保守，但經營現金流周轉更快；市場關注度更高的openai，則主要面向廣泛的c端用戶，收入展望接近2000億美元，但經營現金流回收周期也更長。
張勁騏認為，不同的商業定位決定了各自的收入增長節奏，但兩家公司向資本市場傳遞的核心趨勢一致——持續投入ai，將推動業務長期增長。
爭議二：ai的巨額資本開支
市場還擔憂巨額資本開支與未來高額收入指引之間的落差，擔心商業化進程不及預期。但張勁騏坦言，當前市場對ai的發展節奏或許期待過高。生成式ai的元年始於2023年初，到2024年底也不過2年。對於一個如此前沿的技術領域而言，這樣的發展階段仍屬早期。
有觀點指出，當前ai企業普遍採取積極的資本開支策略，尚未產生穩定正向現金流，甚至短期回報路徑尚不清晰。張勁騏直言，從產業邏輯來看，這是正常的發展階段，並未脫離技術密集型行業常見的成長軌跡。
從滲透率看，生成式ai不到3年實現40%滲透率，相當於pc和互聯網近十年的成果，堪稱突破歷史的科技應用普及速度。他看到已有四大核心因素表明，ai對算力的需求將持續超出市場預期，並維持龐大體量：
其一，ai作為經濟新引擎共識形成，對生產效率的提升作用顯著；其二，ai基建因晶元快速迭代需持續更新投入，周期性換代構成長期支撐；其三，ai未來或具備「持續思考」能力，自主推演將帶來算力指數級增長；其四，主權ai概念興起，各國構建自主可控算力基礎設施客觀上推動需求增長。
張勁騏表示，復盤雲計算時代科技巨頭的資本開支，對理解當前ai領域的資本投入具有重要參考意義。2010年至2021年是移動互聯網與雲計算的蓬勃期，相關資本開支持續攀升，2016年市場短暫擔憂應用不足會導致投資放緩，但隨著短視頻、遠程辦公等移動互聯網應用的爆發，相關需求持續推動資本開支進入新一輪增長周期。
他認為當前ai資本開支整體處於健康區間，且ai應用的創新潛力遠超以往技術，未來將湧現更豐富的應用場景。同時，雲服務提供商的現金流狀況也足以支撐後續的資本開支。
相較於資本開支，近期市場更擔憂的是債務問題，尤其表外債務的快速增長進一步加劇了對潛在泡沫的憂慮。張勁騏以海外某公司10月發行270億美元債券為例，指出核心動因是通過算力資產證券化搶佔先機。目前相關企業債務佔比合理，傳統業務盈利能力強勁，足以支撐ai投入。
爭議三：ai的泡沫化程度
從以上論述來看，當前ai產業可能尚未進入泡沫階段。那麼，ai投資的泡沫化程度究竟如何？
通過對比2000年互聯網泡沫時期與當前ai領域核心企業的估值水平。張勁騏指出，在2000年初互聯網泡沫高峰階段，代表性企業的市盈率曾突破130倍；而目前海外主要ai公司中，僅有一家的市盈率超過170倍，其餘主流企業的市盈率普遍低於40倍，部分甚至僅為個位數，整體並未達到當年互聯網泡沫時期的估值水平。
他補充，另一個關鍵因素在於，海外相關企業的增長正受到ai技術瓶頸的制約，主要體現在電力供應、晶元產能、數據延遲與數據量四大方面。其中，電力短缺是目前最核心的制約因素，也是影響晶元穩定供應的關鍵環節。
結合相關測算，張勁騏發現當前市場對企業估值的主要依據，實際上是基於實際可交付電力所對應的算力產能。從市場表現來看，並未出現對頭部企業的非理性追捧，定價過程明顯受到電力供給等瓶頸因素的約束，ai整體呈現理性發展態勢。
基於以下三點邏輯，張勁騏團隊認為應更為理性地看待ai在資本市場中的機遇與風險：
第一，儘管ai領域熱度持續高漲，但投資者與市場並未盲目追捧瘋狂的概念或故事，反而不斷警示泡沫風險、討論潛在問題。歷史經驗表明，當市場普遍提示風險時，往往並非真正的泡沫破裂前夕；而當風險被普遍忽視、全民追捧時，或許才是真正需要警惕的時刻。此句無錯誤。
第二，海外真正進行大規模資本開支的科技企業，資本開支與現金流的比例仍處於健康水平。儘管該比例處於歷史較高區間，但目前普遍維持在50%-70%之間，從科技發展與資本投入的匹配度來看，仍屬相對合理。同時，大型科技公司主營業務根基穩固，完全有能力在現有財務結構下支持對ai領域的持續投資。
第三，儘管部分企業存在債務擴張，但相關債務規模與自有資金相比仍較為有限，整個市場的資本開支仍以自有資金和股權投資為主導。從總量上看，當前ai領域的資本開支尚未大規模依賴債務融資。因此，即使局部出現風險或泡沫破裂，由於缺乏高債務槓桿的傳導放大，風險消化速度也相對較快。真正的風險節點，或將出現在市場廣泛依賴債務融資支持ai資本開支時。
