AI敘事的三層轉變

2026年以來，全球AI敘事正在經歷一次重要的邊際變化，我們至少看到了三層敘事的轉變。

第一層敘事：對ScalingLaw開始出現一些分歧。

過去幾年AI投資的核心引擎來自於ScalingLaw的經驗規律：模型越大、數據越多、算力越強，性能越好。但這條規律正在出現一些裂痕：

一是，物理上的硬約束，比如電力供應、變壓器等零部件。

二是，數據瓶頸，用於預訓練的公開高質量文本數據正在耗盡。

三是，投入的邊際效率衰減，儘管ScalingLaw的方向仍在，仍有理由繼續加大投入，但對模型的邊際加成（即單位投入獲得的模型能力提升）可能有所降低。

因此，算力建設之外，算法上的拓展正逐漸成為技術上的另一大重點，比如轉向推理側擴展（Test-TimeCompute）（如思維鏈CoT推演、推理時擴展inference-timescaling）、後訓練（Post-Training）、架構效率（線性注意力機制LinearAttention、狀態空間模型SSM等新架構）與端側智能（SLMs）等。

第二層敘事：從“獎勵”CAPEX到投資回報“焦慮”。

根據最新指引，美國大型科技公司已宣布2026年AI相關資本開支或超過7000億美元，但市場已從獎勵"資本開支"轉向擔憂"變現太慢"。以兩個參照系理解這一投資規模：

**（1）歷史的參照系：**2025年美國科技企業資本開支佔GDP比重已升至約1.9%，2026將繼續上升至2%以上，幾乎相當於20世紀幾大基建工程的總和：世紀初的全國寬帶建設約佔GDP的1.2%，1949年的電力大擴張、阿波羅登月計劃和1960年代的州際公路系統各約佔0.6%。當前AI基建的投資強度在美國經濟史上處於極端高位。

**（2）企業自身現金流的參照系，成為近期擔憂的主要觸發因素。**根據測算，美國五大超級雲廠商2026年將把約90%的營運性現金流用於資本開支（2025年為65%）。甚至部分公司的資本開支預期超過營運性現金流，可能出現2026年自由現金流轉負的情況，財報預警更為現實。同時，債務融資的敞口快速增加，市場預計美國科技巨頭2026年債券發行總額或高達4000億美元，百年期債券發行等也引發市場關注。

第三層敘事：更深層的擔憂來自於對AI顛覆性的擔憂，在近日衝擊諸多行業。

這層敘事的演進有一條清晰的遞進線索：從變革搜索和資訊獲取方式，到變革軟體應用和商業流程，最後上升到宏觀範式的推演，與AI本身的發展階段密切相關。

**第一步是Chat時代，變革的是搜索和資訊獲取方式。**從ChatGPT問世到2025年初，AI主要以對話助手的形式存在——回答問題、生成文本、輔助搜索。這一階段的影響相對溫和，並未直接取代具體的商業軟體或工作崗位，市場敘事聚焦於"誰能訓練出最好的模型"和"誰來提供底層算力"。

**第二步是Agent時代，變革的是軟體應用和商業流程。**今年2月初Anthropic推出ClaudeCowork，標誌著AI從"生成式回答"向"自主執行跨職能工作流"的轉變，引發全球軟體股的劇烈拋售（“SaaSpocalypse”，SaaS末日擔憂），同時蔓延至金融服務、另類資管、法律服務、商業地產甚至運輸行業等。

**第三步是全面AI的時代，是面向未來的推演。**Substack的文章《THE2028GLOBALINTELLIGENCECRISIS》並無太多新意，但可讀性好、觀點犀利，指出了"GhostGDP"和白領替代的問題，引發了將宏觀範式變革的討論。當AI取代的不是某個行業、也不再是輔助“勞動力”，而是直接取代"勞動力"這個生產要素本身，過往宏觀經濟運行的範式可能面臨顛覆性的挑戰。

傳統範式是“生產→分配→消費→再生產”的閉環，"人"既是生產者也是消費者，即是供給端生產要素、也是需求端來源，最終形成五部門的經濟循環。但全面AI時代若直接取代勞動力，可能帶來幾個結果：

①從要素上看，勞動要素的重要性進一步降低，模型、數據、算力等（本質還是資本要素）重要性進一步提升。 ②從供給上看，AI使得供給曲線發生根本性變化，邊際成本明顯降低，供給彈性快速提升，規模經濟被推到極致。 ③從需求上看，勞動報酬的異化可能影響收入和需求結構，傳統的供需關係、投資儲蓄關係可能被扭曲。經濟循環、分配機制等都可能發生變化，也對供需驅動的經濟週期、量價機制等形成顛覆，可能帶來更進一步的金融體系和社會契約等重構。

因此，這些AI敘事的邊際變化使得市場不再為“故事”買單，一方面開始擔心AI不行（變現慢），另一方面又擔心AI太行（顛覆性），如何理解這種看似矛盾的心態？

邏輯上，上述三層敘事所指向的問題都是真實可推演的，確實給我們提出了一個值得嚴肅面對的問題。但更關鍵的問題在於變革的時間表和最終的邊界，其實極難提前預判，當前市場在恐慌情緒主導下進行線性外推，定價了相對最壞的情景。

其中一個重要的原因可能同樣來自於高估值和交易結構的脆弱性，成為恐慌的放大器。本輪調整之前，AI相關板塊的估值處於歷史高位，商業軟體板塊估值也不算低，在敘事這一觸發劑之下形成了集中釋放。

與之相對應的，諸多受影響公司的基本面現狀仍具韌性，頭部軟體公司最新財報仍展示出穩健的收入增長和改善的利潤率，部分廠商擁有深度客戶整合、高昂切換成本、數據與合規壁壘等，若AI能被作為增值功能內化，可能反而受益。

而對於宏觀範式的變革，存在不少反駁觀點。一是，“杰文斯悖論”（Jevons Paradox）指出，效率的提升往往會帶來需求的爆發式增長，而非單純的替代，即便AI生產力大幅提升，其帶來的"通縮紅利"（降低產品和服務價格）也可能刺激新需求和新行業。二是，AI可能創造出目前無法想像的新工種，社會適應能力往往比模型預測的要強。三是，在監管合規、物理世界交互、複雜人際關係、高度非標化的判斷等任務上，AI的替代成本遠高於市場恐慌的假設，且制度、法律和社會慣性天然構成減速帶。

因此，AI變革值得嚴肅面對，但變革的過程可能並不會一蹴而就，變革的時間表、邊界和不確定性對應的其實是分化和結構性機會。若以動態、結構性角度看，投資者需要做的，是從"買一籃子AI"轉向"更精細化篩選標的"。尤其在恐慌情緒以及估值得到消化之後，更需要關注的問題是，哪些變化大概率會發生、哪些不會發生？哪些先發生、哪些後發生？哪些是替代，哪些是互補？分化會進一步擴大。

我們建議關注幾個篩選視角：

**（1）硬體層，尋找"強約束"鏈條。**在資本開支預期已經較為激進的情況下，硬體層獲得超額收益的邊際難度明顯增大，市場不再獎勵資本開支，需要關注供給約束最緊、定價權最強的部分，尤其過往產能擴張較慢、後續擴張周期偏長、替代方案較少的環節，比如市場已討論較多的存儲、電網約束，還有過去擴產相對有限的變壓器等設備、先進封裝產能、光纖等，供給瓶頸意味著更強的議價能力。

**（2）模型層的競爭更加殘酷，除了模型權重，篩選邏輯應偏向：**是否擁有獨占的私有數據來訓練差異化模型？是否擁有極低成本的推理基礎設施？以及是否具備將模型能力迅速轉化為閉環解決方案和應用落地的工程能力，即尋找"模型能力+數據飛輪+商業壁壘"的復合體。自2025年年中以來，美國大型科技巨頭之間的股價相關性已從約0.8降至約0.2，近期市場挖掘anthropic鏈條、挖掘字節鏈條，模型層的分化也會持續存在。

**（3）應用層：**優先關注能快速落地、已證明AI價值轉化的標的，能直接量化AI帶來的降本增效成果（ROI）的應用、能快速切入企業核心工作流的應用、垂直領域的AI原生應用相對佔優。

而對於近期調整較多的SaaS領域等，市場或逐步區分"會被AI取代的薄功能型SaaS"和"AI時代仍然不可或缺的數據與執行底座"，部分在其所服務的領域中佔據關鍵數據節點或執行環節（如安全、合規、數據管道、交易結算等AI"繞不開"的方向）的應用領域、以及AI內化賦能的應用領域，可能存在被“錯殺”的機會。

**（4）中美AI路線的差異是另一個值得關注的視角。**中美AI發展的路線和宏觀含義存在一定差異。一是，中國更強調"算力效率優先"，更多依賴算法優化、開源生態和工程化提高效率，儘管目前仍缺算力，但國產替代算力在投資視角可能更為佔優，而大模型追趕也是重要主線。二是，經濟結構不同決定中美AI衝擊的傳導路徑存在差異。美國由於服務業占比高、白領人工成本昂貴，短期AI帶來的"替代性"衝擊和"通縮"壓力更強，長期關注AI能否恢復美國製造業（難度大）。而中國擁有龐大的製造業基礎，擁有電力等獨特優勢，AI更多被視為提升全要素生產率的工具，而非單純的勞動力替代，結構性機會在於場景的豐富度和對生產性服務業的改造空間，這意味著中國市場的AI投資邏輯將更多圍繞"產業賦能"和"軟硬結合"展開。

過去幾年，對AI鏈的追蹤、理解給投資者帶來了明顯的"認知alpha"。AI革命毫無疑問仍是最重要的時代主題，但隨著相關標的估值大幅抬升，AI新興龍頭IPO在即的環境中，敘事變化很可能加快，對投資將帶來更大挑戰。

本文來源：華泰證券

風險提示及免責條款

        市場有風險，投資需謹慎。本文不構成個人投資建議，也未考慮到個別用戶特殊的投資目標、財務狀況或需要。用戶應考慮本文中的任何意見、觀點或結論是否符合其特定狀況。據此投資，責任自負。