当下人工智能的狂热，很难不让人想起上世纪末的互联网泡沫。
AI 公司估值动辄数千亿美元，2025 年已诞生数十位新晋亿万富翁；科技巨头把前所未有的资本开支砸向数据中心与算力集群。问题回来了：我们是在见证技术革命，还是在重演历史的押注游戏？
类似之处触目可见。和 20 多年前的互联网企业一样，今天的 AI 公司多凭 「潜在颠覆力」 而非当期盈利吸金。斯坦福研究显示，2024 年全球企业在 AI 的投资已达 2523 亿美元，是 2014 年的 13 倍；亚马逊、谷歌、Meta、微软今年合计计划 3200 亿美元资本开支，其中大部分直指 AI 基建。
连 OpenAI CEO 山姆奥特曼都承认两难：投资者是否过度兴奋？是；AI 是否是 「很久以来最重要的事」？也是。
这句自我 「打架」 的表态，恰是市场情绪的缩影——怀疑、亢奋并存。
一、基础设施的过度投资：暗光纤与暗算力
回望 2000 年的 「完美泡沫」：美联储在 1999—2000 年连续加息，联邦基金利率由约 4.7% 升至 6.5%，无风险收益率抬升让投机资本退潮；日本经济在 2000 年 3 月步入衰退，引发全球风险偏好骤降。
更致命的是商业模式的空心化——Commerce One 几乎无收入却估值 210 亿美元，TheGlobe.com 上市首日暴涨 606% 仍缺乏营收抓手，Pets.com 在 268 天烧光 3 亿美元后破产。
表面导火索是利率与宏观，深层裂缝在于 「用流量讲故事、用亏损讲成长」 的估值体系撑不住了。
更值得今天借鉴的，是基础设施的过度建设。
当年电信商在美国铺设超 8000 万英里光纤，源自 WorldCom「流量每 100 天翻番」 的夸大口径；现实只有年增一倍，结果大量光纤长期闲置成 「暗光纤」。康宁股价从近 100 美元坠至 1 美元，Ciena 营收从 16 亿骤降至 3 亿，产业链在虚高需求下集体踩空。
把镜头切回 2025：超级数据中心的规划动辄 「覆盖曼哈顿大片面积」，面向全国的 5000 亿美元级算力网络亦在台面上——如果需求兑现不及预期，今天的 「机电+土建+能源+GPU」 有可能成为新一代的 「暗算力」。
当然，今天并不等于昨天。与当年 「靠点击率估值」 的互联网不同，AI 头部玩家已开始产生真现金流：微软 Azure 因 AI 业务实现高增长并达到数百亿美元级年化；OpenAI 的年化营收据称有望在年内逼近 200 亿美元；企业侧也出现了少量可规模化的落地场景。
但现实检验仍然严苛：据业内估算，微软、Meta、特斯拉、亚马逊与谷歌在过去两年合计将约 5600 亿美元投向 AI 基建，而能清晰标注为 「AI 相关」 的直接收入仅约 350 亿美元；MIT 的研究还指出，企业内部 95% 的 AI 试点并未产生 「有意义」 的产出。这些数字不必苛求小数点后的精准，它们传递的是同一个信号——资本曲线远在技术与收益曲线之前。
二、泡沫与现实的拐点：技术曲线追赶资本曲线
真正决定这轮周期走向的，并不是 「AI 强不强、会不会改变世界」，而是三条曲线能否在可见期限内对齐。
第一条是成本曲线：算力和算法是否沿着学习曲线持续下台阶，单位推理成本能否以接近指数的速度下降；
第二条是需求曲线：企业是否把 AI 从 「试点演示」 转为 「流程重构」，由锦上添花的工具化升级为刚性生产要素，尤其是把 「节省时间」 确认为 「可计量的新增毛利」；
第三条是资本曲线：利率、折现率与股权风险溢价决定了相同现金流的当下价值，若资金价格维持高位，长久期技术现金流的估值空间会被持续压缩。
三条曲线只有在 「成本快降、需求快起、资本不紧」 的交汇点上，重资产的 AI 基建才具备可持续的财务闭环。
从经营视角看，这个闭环并不抽象，它落在几项可操作的单位经济上：数据中心侧看 「GPU 利用率—负载结构—PUE—电价/度—摊销期」 的联动；模型侧看 「$ / 1K token—延迟—质量」 的三角取舍，随着蒸馏、稀疏化与缓存命中率提升，是否真的把成本降到能支撑大规模常态化调用；业务侧看 「客户流失率—ARPU—附加模块渗透率」，也就是 AI 是否在组织内部变成 「必开开关」。
如果这些指标仍然长期停留在 「试点好看、账上难看」 的区间，庞大的 GPU 与配套电力将很难避免阶段性的闲置与折价流转。
还需要警惕一条 2000 年之后才被市场充分领悟的经验：技术革命往往不是 「线性兑现」，而是 「结构性兑现」。互联网泡沫破裂后，并不是互联网消失了，而是基础层资产经历出清，应用与平台在新范式下重排座次。
把这个镜像投到 2025：最先承压的可能是 「高假设、高 CAPEX、低可见现金流」 的重资产环节 （尤其是电力受限区域的超大规模机房与边际电价偏高的算力供给），而最先走出顺周期的，可能是 「成本曲线掌握在手、需求曲线可控在身」 的软硬结合型厂商 （例如能以软件优化和模型工程显著改善 $/token 与延迟的服务商），以及真正把流程重构做实、能把 「节省时间」 转化为 「新增毛利」 的行业应用方。
如果用场景推演当作 「压力测试」，大致有三种路径：其一，软着陆，成本持续下行、需求加速起量、资本成本回落，过剩被新增工作负载消化，形成更健康的以用促建循环；其二，阶段性出清，部分超配算力与电力合同成为 「准公用事业」 资产，设备折价在二级市场流转，幸存者获得更高的资产回报率；其三，结构性分化，基础设施局部过剩与应用侧结构性繁荣并存，「暗算力」 与 「热应用」 同框出现，估值体系随之重定价。三条路径并非互斥，甚至可能在不同地区、不同电价与不同行业里同时发生。
回到投资者与经营者当下最务实的抓手：少看故事，多看利用率、成本线与回款节奏。看数据中心，不仅看 「装机数」，更看 「峰谷利用」「平均作业大小」「功率使用效率与边际电价」；看模型，不只看榜单分数，更看 「质量—延迟—成本」 的三角在真实业务负载下的解；看客户，不只看签约新闻，更看 「席位扩张、模块渗透与续费净额」。当这些 「冷指标」 持续改善时，热故事自然会回来；若它们迟迟不动，越大的 CAPEX 反而意味着越紧的财务束缚。
历史不会简单重复，但常常押韵。互联网最终改变了世界，只是没有在 2000 年兑现所有承诺，走得太快的人被现实教育了一遍。AI 也将改变世界，但能否避免成为 「暗算力」 的关键，不在情绪、也不在口号，而在经济学的那几条朴素曲线是否真的拐弯。
来源：[1] https://fortune.com/2025/09/28/ai-dot-com-bubble-parallels-history-explained-companies-revenue-infrastructure/
本文来自微信公众号：Z Finance，编译：ZF 编辑部
