一、人工智能：从微观步入宏观

（一）竞争层级的梯次升级

人工智能竞争的演进可清晰划分为三个阶段。2022年ChatGPT发布之前，AI竞争主要集中在企业层面，核心比拼的是模型参数规模、训练数据量等基础能力，竞争主体为科技巨头。2022年ChatGPT发布后，麦肯锡调查数据显示，美国企业在至少一项业务中应用AI的占比显著提升，AI竞争从企业层面升级为行业应用层面。2023年达沃斯论坛之后，全球主要经济体纷纷在AI领域出台重要政策与法规，AI竞争进一步从行业层面升级为国家行动层面。

从政策时间线可以清晰看到这一转变。欧盟于2024年7月实施《人工智能法案》，韩国于2024年12月通过《人工智能发展及信任基础建立基本法》，日本于2025年5月颁布《人工智能相关技术研究开发及应用推进法》，美国于2025年7月发布《美国AI行动计划》，中国于2025年8月发布《关于深入实施“人工智能+”行动的意见》。主要经济体在不到两年时间内密集完成AI立法与政策布局，标志着AI已从单纯的技术竞争上升为国家战略竞争力的核心维度。

（二）微观异象折射宏观结构性变化

AI从微观步入宏观，但异象首先出现在微观领域。其中最具代表性的，是全球AI基础设施核心供应商英伟达的股价表现。2025年下半年以来，尽管英伟达历次财报的营收和业绩指引大多超出市场预期，但公司前景未能打消投资者对AI支出持续性的担忧。近几次超预期的财报公布后，英伟达股价都出现不升反降。这一“超预期业绩反而成为股价拖累”的异象，在2026年进一步扩散至谷歌、三星电子等企业——财报发布后同样遭遇抛售。

这一现象的本质，并非市场对英伟达单一公司基本面的质疑，而是市场对AI发展可持续性的认知已发生结构性转变。投资者关注的焦点，正从“AI投入是否有增长”转向“AI投入是否有回报”。科技股已不再是单纯由企业基本面驱动的资产，而是逐渐转变为对宏观因素高度敏感的资产——金融环境、财政政策、资源供给、地缘政治等宏观变量，正在成为决定科技股估值的关键力量。

（三）上游资源成为技术发展的关键制约

2026年3月，Claude Code源代码大规模泄露，技术扩散带来算力需求的爆发式增长。这一事件的影响深远：它标志着AI应用从仅需GPU并行算力的聊天机器人阶段，进入需要CPU追踪并调用各智能体输出结果的AI Agent阶段。计算架构中CPU与GPU的比例从1：8迅速升至4：8，数据中心每吉瓦（GW）算力所需的CPU数量从3000万颗激增至1.2亿颗。CPU的潜在市场规模增速达35%，而交付周期从1-2周延长至6个月。继GPU之后，CPU开始成为限制AI发展边界的新关键资源。

上游资源约束的凸显，在资本市场得到了直观映射。2021年至2023年间，费城半导体指数与美股“科技七巨头”（M7）走势基本同步。2023年至2025年间，M7领涨，费城半导体指数跟随。但2026年3月以来，费城半导体指数涨幅达60%，大幅反超同期M7的20%涨幅。费城半导体指数“5年5倍”的结构性变化——从应用层面向资源层面的重心转移——清晰表明，上游资源已取代应用端，成为AI技术发展的关键制约。

与此同时，美国未来5年发电装机量（72GW）明显小于数据中心建设扩容规模（93GW），电力供给不足正在成为AI发展的物理瓶颈。特朗普上台首日即签署行政令，将关键矿产安全上升至“国家紧急状态”高度，一年内通过内部政策支持、直接资金投入和外部资源争夺三种方式强化本土供给。美国建立了三大关键矿产储备体系：120亿美元的“金库计划”（Project Vault）、25亿美元的“战略韧性储备”（Strategic Resistance Reserve）和20亿美元的“国家矿产战略储备”（National Mineral Strategic Reserve）。美国地质勘探局（USGS）2025年关键矿产最终清单已纳入60个矿产品种，涵盖能源矿产、黑色金属、十种主要有色金属、贵金属、稀土元素、稀有金属和非金属矿产。美国还通过与澳大利亚、泰国、马来西亚、日本等国达成关键矿产协议，启动组建“关键矿产交易俱乐部”，并发布“硅和平倡议”与十余国建立经济安全联盟。绕开国际海洋组织，以行政令单方面加速在外大陆架与国际海底区域的矿产开采；与乌克兰、刚果（金）达成矿产协议，获得钴、铜、锂等关键矿产的优先勘探、开发与采购权。

这些举措的密集程度和力度，从侧面印证了一个判断：AI发展的资源约束已非潜在风险，而是现实压力。微观层面的异象——英伟达超预期反遭抛售、费城半导体指数反超M7——均可从这一宏观结构性变化中获得解释。

二、资源稀缺：宏观边界的微观基础

（一）AI五大生产要素的全球分散分布

人工智能的成功需要庞大的产业支撑。以ChatGPT为例，该应用基于Transformer模型构建，GPT使用存储在微软Azure云计算服务中的海量文本语料进行训练，而Azure则依托英伟达等专业厂商生产的GPU提供算力。国际清算银行（BIS）在2025年3月发布的论文《The AI Supply Chain》中，将AI产业链划分为五大核心构成：硬件（GPU、ASIC、FPGA等专用芯片）、云计算基础设施（通过Azure、AWS等云平台将硬件资源封装为“基础设施即服务”）、数据（互联网文本、图书、音视频及专有数据经清洗标注后用于训练）、模型（如BERT、GPT等大语言模型）和应用（如ChatGPT、Gemini等面向终端用户的产品）。

然而，由于每个领域需要巨额的前期投资，多数科技企业难以完全覆盖这五大领域。BIS在2026年2月发表的论文《Global Giants in the AI Supply Chain》中发现，全球前20大科技巨头中，仅有英伟达、谷歌、亚马逊和阿里巴巴四家企业能够完全覆盖五大领域，其余16家均存在不同程度的短板。

进一步审视各生产要素的全球分布，可以发现一个结构性矛盾：AI的五大生产要素高度分散于全球不同经济体，没有任何经济体能在全部五个领域同时取得优势。从能源发电量的全球占比来看，中美两国占据主导地位；芯片产能则集中于美国和中国台湾；数据中心容量以中美为主；模型Token调用量美国优势显著；AI初创公司数量同样以美国领先。HHI10指数——衡量产业集中度的综合指标，由规模前十经济体的市场份额计算得出——显示，每种要素都处于高度集中状态（HHI10普遍大于1800）。1800以上意味着高度集中，换言之，前十个经济体拥有几乎全部市场份额，任何一个经济体想单打独斗发展AI都不现实。但集中分布的国家各不相同，这意味着，没有全球化，也很难有超级人工智能。

然而，地缘政治的现实正在与AI发展的全球化需求背道而驰。根据联合国投票数据，从特朗普第二任期至2025年9月的32次投票结果计算得出的地缘政治距离显示，全球贸易已分裂为四大集团。中国所处贸易集团并不稳固，且面临来自其他集团的贸易挑衅：2025年12月，墨西哥对中国加征35%关税；2026年6月至7月，欧盟对中国电动车加征最高35.3%的额外关税，对钢铁加征50%关税，全面取消小额商品免关税政策。全球经济的部门化、集团化趋势日益明显。

更为严峻的是，AI产业链所需的上游资源——油气为数据中心供电，镓和锗用于制造电路，硅用于生产芯片，稀土用于冷却风扇，铜用于连接电缆，氦气控制芯片生产环境——均受到地缘政治冲突加剧和资源民族主义兴起的影响。霍尔木兹海峡海运受阻，可能对AI产业链造成长期影响。

（二）美国AI发展宏观边界

在上述资源稀缺的微观基础之上，美国AI发展模式正面临其他五大宏观边界：储蓄竞争边界、商业模式边界、主权信用边界、就业市场边界和社会伦理边界。它们并非相互独立，而是彼此关联、层层传导，共同构成了AI发展的宏观约束体系。

1. 储蓄竞争边界

最初，AI基础设施建设所需的资本支出主要由云计算基础设施巨头的自由现金流提供，资金来源的安全性增加了市场信心。但随着支出规模越来越大，巨头企业的现金储备正在快速消耗。数据显示，美国头部云服务商的现金和等价物占总资产比例已下降至个位数。2026年刚刚过半，AI相关企业的债务发行规模已比2025年全年多出17%，达到2024年同期的约2.5倍。

AI企业的资本开支对资金的庞大需求，正在快速推高美国大型银行的贷款规模。2026年上半年，摩根士丹利和高盛的贷款规模较去年同期分别扩大了3393亿和2232亿美元，增速分别达到28%和22%，明显超过其存款增速，迫使其大幅增加债务融资。美国银行业融资规模已经接近2008年次贷危机前的历史最高水平。

从宏观经济视角看，AI部门的资金需求正在产生储蓄竞争效应。AI部门投资增加，拉动上下游部门产出增加和居民收入增长，消费增加带动交易性货币需求上升，推高利率。高利率环境下，非AI部门融资成本增加，产出减少，居民收入受挫。长期来看，储蓄竞争将推高利率中枢，抑制非AI部门的产出。AI部门俨然成为经济中的“最后借款人”，其资金饥渴正在通过银行体系产生类货币乘数效应。

2. 商业模式边界

美国AI上市企业利润增长的质量令人担忧。过去两年，OpenAI等非上市企业加速融资扩张，上市科技巨头成为重要投资人，其投资行为和业务合作持续推高了这些非上市企业的估值，进而在损益表中体现为非经常性收益的急速上升。谷歌最近一期财报显示，其非经常性收益占净利润比例快速提升，接近90%的净利润来自对非上市AI企业投资的市值重估浮盈。这种利润增长并非来自主营业务的经营改善，而是资产价格上升带来的会计浮盈，盈利质量较差，这也是AI巨头业绩超预期但股价不涨的重要原因。

与此同时，OpenAI与Anthropic进行了密集的大规模股权融资，科技巨头对其投资持续推高估值，形成了一种“循环投资”格局：算力巨头的盈利预期高度依赖OpenAI和Anthropic两家创业公司的订单，头部算力供应商的待履约订单中约五成来自这两家公司。市场开始担忧，算力供应商大规模基础设施投入能否转化为可持续的盈利能力。

英伟达在这一过程中创新了一种可称为“算力央行”的商业模式。英伟达为云服务商（NeoCloud）提供两种融资模式：第一种，以大型云厂商的长租合约为基础，NeoCloud向银行贷款全款采购GPU，与云厂商签订五年“照付不议”（take-or-pay）合同，云厂商提供信用背书；第二种，以短租客户合约为基础，英伟达直接提供信用担保，超额算力收入的40%作为分成，若营收不及预期，英伟达承诺以底价租回多余算力。在全生命周期中，GPU的内部收益率（IRR）从-2.6%（若英伟达兜底回租）到25.4%（若市场价租出且英伟达不兜底）不等。

这一模式的本质是基金管理：英伟达以自身信用为杠杆，将GPU采购金融化，信用风险不断向英伟达集中。一家科技企业承担了事实上中央银行与商业银行的双重角色，已经触及了科技企业的商业模式边界。

3. 主权信用边界

美国试图将二战后“石油美元”的逻辑复制到AI时代，构建“算力美元”体系。石油美元的运作机制为：石油取代煤炭成为全球主导能源，石油贸易以美元结算，中东产油国货币汇率与美元挂钩，在海湾地区建立“美元区”，石油收入通过购买美国国债回流美国，支撑美国财政。算力美元的构想则基于国民收支恒等式：如果美国能够实现以美元计价的算力出口，贸易逆差的收窄将为财政扩张赢得更加广阔的空间。

然而，政府扩表投资AI与央行扩表存在本质差异。Fostel和Geanakoplos在2016年发表于《American Economic Journal： Macroeconomics》的论文中指出，金融的本质是“承诺加抵押品”（Finance = Promise + Collateral）。央行发货币，背后是国债做抵押——低风险、高流动性，市场愿意接受。但政府搞产业投资，投的是股权类资产——风险高、流动性差，一旦资产价格下跌，抵押不足的问题就会被放大。央行拥有一个充足抵押的资产负债表，其负债的抵押品低风险、高流动性，央行量化宽松扩表只是在国债收益率曲线上的风险承担，增配国债可压平期限溢价，增加银行超额准备金，为市场注入超额流动性。而政府与之相反，其债务存在抵押不足的先天缺陷。政府扩表支持AI产业，资产端增加权益类资产以压平权益风险溢价，负债端扩大政府债务，短期内股权估值上涨、净负债下降，但一旦股权价格下跌，由于抵押不足，冲击将被放大。

2000年以来，美国政府逐步加强相机决策的财政政策力度。特朗普推行财政支持的产业政策，减税并扩大政府资产负债表，将进一步放大政府的抵押不足，带来更大的共振风险。日本的前车之鉴尤为深刻。日本央行在2020年触及货币政策极限，国债期限溢价归零，不得不以政府扩表配股接力。尽管实现了总债务增加而净债务减少，但始终没能成功压缩日股股权风险溢价（ERP），仍无法刺激日本企业增加投资——日股ERP高位徘徊，企业仍未扭转净储蓄状态。

Lorenzoni和Werning在2019年发表于《American Economic Review》的论文中提出了“长债发行的拉弗曲线”理论，描述了债务危机的三阶段演变。想象一个国家不断发债——一开始市场照单全收，这是第一阶段；后来市场开始犹豫，要求更高的利率，发同样的债拿到更少的钱，这是第二阶段；最终市场信心崩溃，债券价格跌至谷底，这就是第三阶段。具体而言：第一阶段为“安全债务”，债券价格基本稳定，发行收入随债务规模持续增长；第二阶段为“风险债务”，债券价格开始下行，发行收入快速下降；第三阶段为“危机均衡”，债券价格持续降至零，发行收入再度提升但稳定于债务残值。2025年以来，对日本财政可持续性的担忧推动日本长期利率上行，多次国债拍卖遇冷。高市早苗上台后宣布大规模财政刺激计划，再次引发日债和日元同步下跌，政府被迫缩减超长期国债发行，向短端倾斜。日本产业政策的失败已导致长债抛售——长债发行的拉弗曲线正在从第一阶段向第二阶段过渡。

美国对外亦在积极施压。通过关税和安全胁迫，美国政府在过去一年与主要盟友达成了超6万亿美元的投资承诺，承诺投资周期在4至10年之间，主要投向能源基础设施、科技和人工智能等行业。已公布的1.4万亿投资项目中超一半与科技AI相关。然而，天量的投资承诺规模已与这些盟友国的主权财富基金资产或对美国际投资总资产相当甚至超过，如期落实的机会渺茫。一旦投资失败，美国政府的信用将遭到反噬。

4. 就业市场边界

人工智能与人类的核心差异在于AI能够自我投资。一般企业将利润分配给家庭，家庭以工资收入进行消费；而人工智能企业以算力销售收入进行再投资，形成自我强化的增长循环。这种差异已经引发了关于社会利润分配的深刻争议。韩国科技板块占GDP比例约10%，但对GDP增长的贡献达40%。三星2026年第一季度营业利润同比增速达860%，而2025年工资同比增速仅为8%，两者差距达一百倍。这一悬殊差距引发了严重的社会矛盾与工人罢工。

从就业结构来看，本轮AI技术变革中，美国依然遵循中等技能岗位向低技能和高技能岗位转移的规律。但与以往不同的是，高技能岗位的实际工资是下降的，这意味着被替代的中等技能劳动者将面临更为不利的就业环境。ChatGPT-4发布后，高学历劳动者对失业的担忧显著上升。

Korinek和Suh（2024）的研究刻画了通用人工智能（AGI）发展的不同情形下产出、工资和资本回报的变化路径。在基准AGI情形下，自动化初期速度较慢，劳动力仍然稀缺，总产出增加，工资小幅上涨；在激进AGI情形下，工资快速下降甚至崩溃；在混合情形下，工资在完全自动化前先上升后崩溃。无论哪种情形，一旦完全自动化实现，工资均不可避免地大幅下降。

阿西莫格鲁（Acemoglu， 2021）的研究进一步指出，老龄化提高了中青年薪资水平，企业有更强动力推广自动化。自动化对工资的影响存在两方面效应：替代作用（替代中青年工作，缓解劳动力供给不足）和提升作用（提高总生产率）。当前生成式AI供给大于需求，AI对劳动力的替代价格较低，替代作用强于提升作用，自动化将压低工资、减少劳动收入，支撑企业利润。

宽松货币政策可能加速这一进程。疫情之后，信息技术、专业服务、金融和保险等高端就业岗位远程办公人数显著上升。Prasad等人（2024）总结了46篇相关研究后认为，远程办公整体上对劳动生产率产生负面影响。这意味着企业可能利用宽松的货币环境加大投资，加速AI对高端就业岗位的替代。与此同时，低端就业岗位大量依赖移民——移民约占美国总人口的14%，在劳动力中占比为18%，用工成本通常比本土工人低20%左右。移民政策收紧将使低端就业岗位劳动力供给不足，劳动力成本上升，加剧滞胀压力。

AI发展挤出了非AI部门投资，推高了市场利率中枢，同时对宏观经济增长拉动有限。数据显示，美国AI投资的产出乘数和影响力系数均低于全球平均水平。产出乘数指AI产业每增加一单位投入时对全社会总产出的增加量，影响力系数指AI产业产出乘数与国民经济各部门平均产出乘数的比值。两者均低于1，意味着AI产业对经济增长的拉动作用不及社会平均水平。这是当前美国发生滞胀的重要原因之一。

5. 社会伦理边界

当前主流生成式大模型基于概率、统计和神经网络运行，其结果缺乏可解释性，这实际上挑战了自启蒙时代以来理性主义要求“解释世界运行原理”的传统。从认识论视角看，存在两种AI发展路线：一种是“开普勒式AI”，即数据驱动型，通过对海量数据的拟合发现经验规律，类似于开普勒通过观测数据拟合出行星运动的椭圆轨道；另一种是“牛顿式AI”，即逻辑驱动型，通过理性推理发现一般规律，类似于牛顿从开普勒的经验定律中推导出万有引力定律。北京大学朱松纯教授正在开展牛顿式AI路线的相关研究，表明AI发展并非只有数据驱动一条路径。

美国国内在AI发展路线上存在“有效加速主义”（Effective Accelerationism）与“AI价值对齐”（AI Value Alignment）的深刻分歧。有效加速主义是加速主义的右翼分支，主张不受限制的技术进步是解决贫困、战争和气候变化等人类问题的方案，以彼得·蒂尔等科技领袖为代表。AI价值对齐则主张将人类价值观和目标编码到人工智能模型中，引导AI系统按照人类的预期目标、偏好或道德原则发展。特朗普政府倾向“速度优先”，明确“美国优先”导向，反对过度监管；民主党则更加重视安全和监管。2026年4月，白宫发布《国家人工智能立法框架》，持续推动AI领域放松监管。

从更深层的历史视角审视，AI神话化趋势的本质，是对轴心时代以来人类理性精神的反向冲击。德国哲学家卡尔·雅斯贝尔斯提出的“轴心时代”理论指出，公元前800年至公元前200年间，中国、古希腊、印度同步完成了“哲学突破”，人类第一次以理性反思审视世界与自身，发起了一场“Logos反对Mythos”的战斗。在轴心时代之前，远古神话以神性定义人性——人之所以高于飞禽走兽，是因为人由至高的神性力量创造。轴心时代的哲人们摒弃了超自然的依托，转向向内的自我反思：苏格拉底将“认识你自己”奉为哲学核心，先秦儒家讲“吾日三省吾身”。人性第一次成为自身的锚点。此后，哲学理性沿向外拓展的脉络催生了近代科学，但这一转向从未改变其二元本质：人性始终是目的，理性始终是工具。

然而，技术的狂飙并未带来理性的深化，反而催生了一场反向的“黑暗创世”。人类创造了具备极致算力、稳定输出且不受情绪扰动的超级物种——人工智能，它像神一样无所不能，生成式AI让创作不再是人类专属，智能体AI让执行实现脱离人类的完全自动化。AI正悄然从“人性+理性”的轨道，向“人性+神性”的路径偏移。英文Agent在哲学语境中，本指能感知世界、形成意图并主动行动的主体。当AI逐步承接判断、选择与行动，人类的主体能动性正被削弱。AI的存在减少了我们与生活之间的摩擦，却也减少了生活带来的乐趣——味蕾的摩擦产生美食，思想的摩擦带来创意，试错的摩擦增加阅历，情感的摩擦平添爱恨。若以萨特的存在主义话语表述，AI Agent试图替人类消灭所有摩擦，也可能让人因此丧失存在的意义。自由从来不是毫无约束的放任，而是在约束与两难中主动抉择的权利；人性的尊严从来不是来自全知全能，而是来自独立思考、自行决策、自担后果的主体性。当人们不再需要思考、抉择和为结果负责，理性便失去了存在的意义，人性也便失去了自己的锚点。

2026年3月Claude Code代码泄露后，人类进入新的“奥本海默时刻”。21世纪正在经历一场“数字宗教改革”：马斯克的SpaceX路线主张人类成为“多星球物种”，扎克伯格的Meta路线主张构建“元宇宙”，但二者都没有给真实的人类生存留下空间。

三、周期错位：泡沫的生成机制

（一）技术周期与金融周期的错配

技术泡沫与金融泡沫的生成，源于两种不同周期力量的错位。技术泡沫由技术周期推动，是新技术吸引大量资金的“机会拉力”（opportunity pull），投资者不计成本地参与技术革命，周期较长。金融泡沫由金融周期推动，是信贷资源追逐存量资产的“宽松信贷推力”（easy credit push），产生于过剩流动性和有限投资去向，周期通常较短。当两个周期交汇时，理性泡沫——尽管现金流预期不能支撑估值，但对不确定性的计入支撑了高估值的合理性——便可能产生。然而，如果金融周期走得太快，超过了技术周期，理性泡沫便可能演变为由羊群效应和认知偏差驱动的非理性泡沫。

从历史上看，颠覆性技术从发明到普及通常需要15至30年。1890年发明的电报在1920年实现商业化应用，间隔30年；1920年代的电视在1950年代家庭普及，间隔30年；1969年发明的电子邮件在1997年被广泛应用，间隔28年。然而，生成式人工智能的迭代速度远超以往。Bick等人（2025）使用美国人口调查数据发现，生成式AI仅用两年时间便达到了40%的普及率，而计算机和互联网达到相同普及率需要六年。在AI浪潮内部，技术迭代速度也在加快：第一波浪潮为1940年至2022年11月的传统AI，以预设规则产生输出；第二波浪潮为2022年11月至2024年10月的生成式AI，以深度学习算法生成文本、图片、视频等内容；第三波浪潮为2024年10月至今的AI智能体，由无需用户明确指示、能自主决策并执行任务的数字智能体构成。

大规模推广的新技术往往会伴随资产泡沫。以代表新技术推广速度的技术推广指数观察1900年以来的5轮新技术大规模推广周期，其中3次在技术推广速度达到顶峰前5年左右，股市估值即被刺破出现回调。电力和汽车推广在1926年达到技术普及率增长峰值，但股市估值在1929年见顶，股市峰值领先技术普及峰值3年。手机、计算机和互联网在2005年达到技术普及率增长峰值，但股市在1999年见顶，领先6年。

互联网泡沫的历史经验尤为深刻。互联网对劳动生产率产生明显推动以前，相关投资规模就已达到峰值——投资峰值领先生产率峰值约3年。金融资本对相关主题的热忱在见到最终结果前就出现消退，这是技术泡沫破灭的主要原因。

铁路泡沫的历史则提供了更长时间跨度的镜鉴。1830年英国铁路从工业运输为主转向发展客运服务，引发新建铁路线路的狂潮，1840年至1845年英国铁路股价翻了一倍。但当投资者对铁路真实营利能力产生怀疑，股市泡沫的破裂早于铁路投资的见顶——1845年铁路股票见顶之时，每年仍有大量新建铁路投入运营。美国内战之后铁路建设迅速扩张，杰伊·库克银行因承销铁路债券导致现金流断裂，成为美国历史上首支破产的大型投行，引发1873年金融大恐慌。但1873年铁路泡沫第一次破裂时，美国的铁路投资需求还远未见顶。英国铁路投资狂潮时期，股市见顶领先投资见顶3年；美国铁路投资狂潮时期，股市见顶领先投资见顶长达14年。

历史上股市技术泡沫总是先于投资见顶，原因在于新技术需要持续投入，但技术的成功却难以通过标志性事件来证实。投资者的耐心有限，而技术的兑现却需要时间积累。

（二）技术周期的第一性原理

计算是AI的本质。既然AI始于数学计算，那么以数学哲学来理解人工智能、锚定发展边界，方能符合第一性原理的自然法则。1748年，莱昂哈德·欧拉在《无穷小分析引论》中提出欧拉恒等式e^iπ+1=0，以极简的形式将0、1、圆周率π、自然对数的底数e、虚数单位i等5个数学世界最基础的常数统一于一个公式中。而印度数学家斯里尼瓦瑟·拉马努金则将黄金分割比φ建立起与e和π的联系。它们共同构成了基于计算的自然演化的底层逻辑：0与1划定了有无的边界；e产生指数级的演化与增长；π确立循环往复的周期规律；i让单向的扩张形成闭环，实现螺旋式回归；φ即黄金分割比，代表着适度、和谐与最优边界。这五个常数共同构建了一套“从无到有、从增长到循环、从循环到最优”的完整演化秩序。

当前的人工智能发展，已经实现从无到有、从0到1，正处在e的指数增长幻想阶段，却鲜少顾及π的周期约束、i的价值回归与φ的和谐发展。

真正的理性精神，是承认技术的力量，更坚守人的价值；是拥抱工具的进步，更不放弃选择的自由。

（三）Web3.0时代的经营策略困境

与Web2.0互联网时代边际成本递减不同，Web3.0时代AI模型面临边际成本递增的困境。AI模型在发布前的开发训练成本——包括硬件使用、研发人员工资、能源消耗等——不断上升，且模型单位性能（得分）的提升需要的边际成本递增。斯坦福大学2025年《AI Index Report》的数据显示，随着AI模型得分增加，训练成本呈现边际递增趋势。国际能源署（IEA）预计，由于AI快速发展，全球数据中心的电力消耗将持续增长。在AI普及并大幅提高生产率扩大产出之前，短期内投资处于高位、成本递增、能耗增加等因素将为宏观经济带来通胀压力。

这一特征决定了Web3.0企业难以复刻Web2.0互联网企业的经营策略。Web2.0企业生产成本边际递减，可以使用低价策略获取更大的市场份额，随后再提价获取高利润，形成规模效应并导致垄断。马歇尔需求第二定律指出，当价格相对消费者总成本降低时，需求的弹性将会降低——简单来说，东西越便宜，消费者对价格变动越不敏感，降价1块钱不会多来多少客户，涨价1块钱也不会少多少客户。这正是Web2.0企业低价策略的理论基础：先以低价占领市场，再在低弹性区间涨价获取高利润。然而，Web3.0企业需要持续投入大量资本、持续研发领先的模型才能吸引更多用户，数据量的增加还会进一步增加模型训练成本。企业无法沿用“低价策略”，也难以获得市场垄断。更优模型的运维成本递增，难以形成规模效应。

这一困境在Meta的案例中得到了直观体现。Meta在2026年财报中将资本开支预期提高到1250至1450亿美元，但其AI业务收入占比极低，且仍处于亏损状态。AI对美国宏观经济以及劳动生产力的拉动作用还无法证实。然而，当Meta宣布削减资本开支、出售过剩算力之后，股价反而大涨。市场读出的信号是：连Meta自己都承认算力过剩了——如果连这个级别的玩家都需要收缩，说明行业整体的投入已经跑偏了回报。市场的关注焦点已从资本开支转向盈利兑现——这是泡沫从形成期向破裂期转换的典型信号。

（四）当前AI泡沫的特征与风险

当前美国AI市场正处在预期膨胀的泡沫积累阶段。从多个维度审视，本轮AI泡沫呈现出以下特征：

第一，资本支出强度远超历史泡沫峰值。 FAB4（微软、亚马逊、Meta、谷歌）加上谷歌和甲骨文的资本支出与总营收的比例已达25%，是互联网泡沫时期11%峰值的2.5倍。如果除去现金流相对充裕的英伟达，资本支出与自由现金流的比例更是超过300%，是互联网泡沫时期的2倍。一旦利率收紧，几乎没有腾挪空间。

第二，估值倒挂反映应用前景悲观。 AI产业的基础设施层、平台层和应用层存在估值倒挂现象。基础设施层公司（英伟达、美光科技、微软等）营收增速已过高点但仍获高估值，平台层（甲骨文、Snowflake等）因加大资本投入获得较高估值，而应用层（Palantir、ServiceNow、特斯拉等）估值相对偏低。这种倒挂说明市场并不看好AI应用的近期落地前景，科技产业内部供需难以形成闭环。与此同时，上游芯片产能不足正在推升终端消费价格，硬件投资成本持续上升，仅软件投资价格同比下滑——本轮技术革命的技术通缩时刻远未到来。AI产业供给端价格持续上涨，但向真实需求的转化却显著落后。

第三，IPO表现与市场估值负相关。 1980年至2024年的IPO数据显示，市场估值水平（以周期调整市盈率Shiller CAPE衡量）与IPO后首年股价表现呈负相关。当前美国希勒PE已达30多倍，根据历史数据，希勒PE超过25倍后，当年IPO的首年收益大概率为负。Anthropic、Kimi（月之暗面）、OpenAI等企业正同步推进IPO筹备进程，未来更多大型IPO将对市场流动性构成压力。北美地区单笔IPO的规模也开始超过企业间并购的规模。

第四，预测市场释放谨慎信号。 预测市场Polymarket数据显示，当前AI泡沫在90天内破灭的概率约为15%，OpenAI在2027年前实现通用人工智能（AGI）的概率不到10%。AGI实现概率下降，泡沫破灭概率上升，反映出投资者心态正在从过度乐观向预期修正转变。市场对AI技术快速突破的预期回落，对AI金融泡沫的担忧随之上升。

第五，散户杠杆与私募信贷风险叠加。 美股投资者保证金账户净贷款规模已升至历史新高，占标普500市值的比例从低点反弹。美股头部杠杆ETF的规模以及占标普500市值的比例达到历史高点。韩国2026年以来股市累计触发7次全市场熔断，另有60次针对程序化交易的限速机制被触发，最大回撤超过30%，风险溢出至亚太周边市场。

私募信贷市场同样风险积聚。美国私募信贷总规模已达2万亿美元，近三年交易量中41%投向信息技术行业。2026年出现阿波罗全球管理公司和黑石集团参与博通公司约350亿美元私募信贷贷款的大额交易，Meta亦寻求创纪录的290亿美元私募融资。当前新发直接贷款中30%包含PIK（Payment in Kind，实物支付）条款，允许企业以借新还旧方式偿还利息，意味着大量企业已成为“僵尸企业”。这些贷款主要集中在2026至2028年到期，2028年到期量占比达到五分之一。商业发展公司向零售投资者开放，大量“干火药”（Dry Powder）意味着信贷标准的降低。

SpaceX的定价案例集中体现了零售与机构投资者的巨大分歧。SpaceX在2026年6月分别在股票和债券市场募资860亿和250亿美元。在股票市场，SpaceX将超过20%的发行股份分配给个人投资者，获得3倍认购，散户分配比例是2019年沙特阿美上市后最高的。但在机构投资者更多的债券市场，获三大评级公司BBB至BBB+级的SpaceX，发行利差即大幅高于当日同级别公司债利差。上市后，SpaceX股票跌破发行价，债券各期限收益率上行38至65个基点，价格最低跌至发行面值的91%，二级市场已按BB级垃圾债进行定价。

第六，项目进展落后暴露融资困境。 美国最初计划投资5000亿美元的“星际之门”项目实际建设进度大幅落后于预期。核心项目阿比利园区进度大幅落后：截至2026年12月，甲骨文称已交付9.6万块GPU，大约是两栋建筑的配置量。因融资困难和OpenAI多次变化的算力需求，甲骨文宣布放弃阿比利园区扩建，随后由微软接手。甲骨文将多个数据中心的建成时间从2027年推迟至2028年。

（五）日本泡沫经济的镜鉴

日本泡沫经济的形成与破裂，是泡沫从实体部门向金融部门扩散的经典案例，其三重失衡的结构对当前全球市场具有重要的镜鉴意义。

日本泡沫经济首先起源于外汇市场长期积累的汇率失衡——1985年9月广场协议签署后，日元大幅升值，日本净国际投资头寸快速积累。随后传导至劳动力市场，引发工资停滞和内需疲弱——GDP平减指数长期低迷。政策部门通过极度宽松的货币政策对冲经济下行压力，基础货币大幅扩张，使流动性进一步向金融市场集中，最终形成股市和房地产泡沫。当货币政策重新收紧后，各类风险集中释放，高估值资产出现剧烈调整。资产泡沫破裂并非单一事件造成，而是外汇市场、劳动力市场、金融市场三个市场长期失衡相互传导的结果。

当前全球市场同样面临国际贸易、劳动力与金融三重失衡。国际贸易市场失衡体现在美伊冲突、俄乌冲突等地缘政治摩擦；劳动力市场失衡体现在AI对就业的替代与移民政策收紧的矛盾；金融市场失衡体现在科技股估值高企与私募信贷风险积聚。全球市场仅依靠价格信号进行被动调节，其结果往往并非实现均衡，而是将失衡压力转移至其他市场领域。本次可能发生的危机，兼具日本泡沫经济、2000年互联网泡沫、2008年次贷危机和欧债危机的多重特征。

（六）AI技术路线的尾部风险

除周期错配带来的泡沫风险外，AI技术路线本身也存在巨大的尾部风险。新的模型与算法已从数据依赖、能力边界和学习范式等维度挑战现有大语言模型的发展模式。

北京大学AI-Newton模型基于含噪声的模拟或实验数据，即可重新发现万有引力、能量守恒等经典定律，并能在已有定律的基础上扩展，自动归纳新的一般定律，展示了AI从“数据拟合”走向“规律抽象与归纳”的能力，突破了传统深度学习模型的局限。RTFM世界模型可将单张图像渲染成3D场景，与用户交互时实时生成视频，生成的3D世界具有实时性、持续性以及3D一致性，仅需单张H100 GPU即可达到交互级帧率。Nested Learning则将模型内部参数组件设计为具备不同更新频率的持续学习单元，模型在推理阶段可动态迭代内部参数，本质是一种在线学习范式，传统Transformer算法可视为其特例。

这些突破共同推动AI从传统范式向更具泛化性与适应性的新方向演进。如果现有以大语言模型为核心的AI技术路线被颠覆，前期巨额资本投入将面临沉没风险，这是泡沫破裂期非对称风险的另一重要来源。

四、中国方案：人机协同，物人结合

（一）路径选择的理论框架

人工智能发展的路径选择，并非单纯的技术偏好问题，而是由知识供给结构与消费者需求偏好共同决定的系统性命题。理解中美两国截然不同的AI发展路径，需要回到经济学理论的基本框架。

莫基尔（Joel Mokyr， 2002）提出的“有用知识”理论，将知识分为两类：一是“科学原理知识”，即关于自然规律和原理的系统性知识，如牛顿万有引力定律等理性知识，或开普勒椭圆拟合等经验知识；二是“操作指令知识”，即关于如何做事的实践性知识，通过“干中学”积累。政府的产业政策作用于操作指令知识，而科学原理知识则构成创新的基础。

林毅夫（1995）进一步区分了两种技术进步：一是“干中学”驱动的基于经验的技术变革，二是“基于知识”的技术变革。林毅夫发现，大规模生产过程中能够产生更多基于经验的技术变革，人口规模优势更有利于“干中学”。这一理论解释了中国在多次技术追赶中取得成功的关键：利用人口和市场规模优势，通过大规模生产实践积累操作指令知识。

阿吉翁和豪伊特（Aghion and Howitt）的创新竞争理论则指出，创新与竞争呈倒U型关系：接近技术前沿的经济体应鼓励竞争以刺激创新，远离前沿的经济体则应适度管控竞争。奥托（David Autor）的研究进一步表明，消费者需求会影响企业创新路线——让消费者和科学家共同决定创新路径，政府提供创新环境。

在这一理论框架下，中美两国的路径分化具有深刻的结构性根源。

（二）中美知识结构与消费偏好的分化

从知识供给端来看，中美在基础研究方面存在巨大差距。过去125年间，诺贝尔奖在自然科学领域共有660位获奖者，其中304位是美国国籍，是排名第二位英国的三倍以上，而中国在自然科学领域的获奖者仅有3位（杨振宁、李政道和屠呦呦）。虽然诺奖反映的是长期基础研究积累，而非当前技术竞争的即时实力，但它揭示了一个结构性事实：美国在科学原理发现上的深厚积累，构成了其选择替代型创新的知识基础。美国的基础研究经费仍在中国的三倍以上，远高于两国经济体量的差距。美国在科学原理知识方面的领先优势，使其有条件推行“碾压式”的替代型创新——即通过技术前沿的激烈市场竞争形成技术碾压。

然而，中国在操作指令知识方面具有独特优势。2023年，中国在多个领域的AI专利授予占比位列全球第一，AI相关论文发表和引用量同样全球第一。专利和论文的数量反映了一国在实践中获得的操作指令知识的积累水平。中国“十五五”规划《建议》确立了依托超大规模市场自立自强的创新之路，将“建设现代化产业体系”和“建设强大国内市场”作为重要目标——“全国统一大市场”和“超大规模市场”的双重优势，是中国延续“干中学”创新模式的基础保证。

从消费需求端来看，中美消费者需求偏好出现了显著分化。相比10年前，美国消费者对高技术产品和服务的需求上升较快，而中国消费者则偏好于低技术产品和服务。中国过去十年消费增长最快的品类是餐饮服务、食品饮料等低技术品类。这一分化意味着，美国选择在技术前沿通过激烈的市场竞争形成技术碾压的创新战略，在中国并不适用。消费者的需求偏好决定了创新的市场方向——中国应选择增强型创新而非替代型创新的道路。

（三）增强型创新与替代型创新的社会效应

增强型创新与替代型创新的根本区别在于：增强型创新是能够提升各职业产出能力、质量或实用性的技术，强调人机互补性，例如智能点餐系统让服务员更高效地服务；替代型创新则是减少工作的人力投入的技术，例如无人驾驶替代司机。

二者的就业效应存在本质差异。增强型创新产生“组内效应”——各类工作整体工资上涨，例如服务员效率提升后整体薪资上涨，表现为收入差距缩小。替代型创新产生“组间效应”——职业岗位占比调整，使劳动者就业极化，例如后厨人员被替代后转去做服务或配送，表现为收入差距扩大。

过去40年全球发生了三次重大技术变革：个人计算机与互联网（1980-1999）、智能手机与云计算（2000-2019）和AI技术（2020年至今）。前两次都是增强型创新，而本次AI技术作为替代型创新，让专业服务、金融、贸易等传统高技能行业工人成为受损者。即使美国具有强大的知识供给和替代型创新所需的消费者需求偏好，政府能否有效管控竞争环境仍是最大风险。替代型创新带来更少的成功者和更多的失败者。

更为严峻的是，替代型创新可能引发“工资-创新”通缩螺旋。替代型创新导致高技能劳动者工资增速低，高技能劳动者激励下降，替代型创新受到抑制；企业无法从替代型创新持续获益，前期大量资本开支不可持续；低工资和低投资导致创新进一步受到抑制。这一恶性螺旋一旦形成，将对经济增长和社会稳定产生深远影响。

相比之下，增强型创新能够缩小不同职业的收入差距，减少社会极化，与共同富裕和包容式增长的方向一致。只有增强型创新才能“在满足民生需求中拓展发展空间”，“让现代化建设成果更多更公平惠及全体人民”。

（四）RCK模型：人机互补与替代的均衡分析

AI智能体在生产函数中开始具有劳动力特征，这为理论分析提供了新的视角。在传统的柯布-道格拉斯生产函数Y=AK^α L^(1-α)中，技术进步（A）总是提高劳动力边际生产率。然而，当AI作为劳动力（L）而非技术（A）进入生产函数时，这一结论不再必然成立。

在加入AI劳动力的拉姆齐-卡斯-库普曼斯（RCK）模型中，复合劳动力由人类劳动（H）与AI劳动（T）组成：L=(H^(ρ-1)+T^(ρ-1) )^(1/(ρ-1))，其中ρ为替代弹性系数。ρ衡量的是人和AI之间是“抢饭碗”还是“搭把手”的关系——ρ>1意味着AI多做一点人就少做一点，此消彼长；ρ<1意味着人和AI配合着做，谁也离不开谁。当AI劳动是人类劳动的替代品时，ρ>1；当AI劳动是人类劳动的互补品时，ρ<1。人类与AI劳动力的核心差异在于增长速度——人类生育率n≈2，而AI劳动力“生育率”n≈2000（训练ChatGPT规模的模型需要20T Token，而ChatGPT在一个版本的全生命周期内能产出40000T Token）。

模型分析显示，在人机互补（ρ<1）的假设下，经济收敛于均衡点，存在适度消费与黄金投资水平，经济和谐稳定。而在人机替代（ρ>1）的假设下，内生增长路径走向投资无限大、消费趋近于零——人类被彻底挤出劳动力市场。这一结论具有深刻的政策含义：选择增强型创新（人机互补）还是替代型创新（人机替代），不仅是技术路线的选择，更是经济发展路径和社会形态的选择。

（五）中美AI发展方向的巨大分野

基于斯坦福大学《AI Index Report 2025》和IMF《AI Preparedness Index》的数据，可以构建衡量AI技术发展速度与劳动力就绪程度的综合指标。在AI技术进步速度层面，以新建AI公司数量、AI领域论文发表数量、AI相关专利授权数量和AI在工作中的渗透率为指标，美国大幅领先中国。但在劳动力就绪程度方面，以私营部门国内信贷占GDP比重、STEM专业博士学位人数、互联网接入人口比例为指标，中国更为领先。

世界经济论坛的研究报告基于劳动力就绪程度与AI技术发展速度两个变量，对未来劳动力市场提出了四种可能情景：强力提速（AI高速增长+劳动力准备充分）、替代人类（AI高速增长+劳动力准备不足）、人机协同（AI发展受限+劳动力准备充分）和停滞不前（AI发展受限+劳动力准备不足）。

将中美两国2021年至2025年的指标变化映射到这一框架中，可以清晰看到两国走向了不同象限：美国选择了替代式创新路线，引发越来越多的替代人类焦虑，趋向“替代人类”象限；中国选择了人机协同的增强式创新路线，趋向“人机协同”象限。《国务院关于深入实施“人工智能+”行动的意见》明确要求“加快形成人机协同、跨界融合、共创分享的智能经济和智能社会新形态”，增强式创新的人机协同是中国的明确方向。

（六）“投资于物”与“投资于人”的紧密结合

中国当前面临双重挑战：一方面，人口增速快速下滑，对“人”的投资面临压力；另一方面，“投资于物”——以固定资本形成占资本存量的比例衡量——正从高位回落。相比之下，美国无论是人力资本还是固定资本，都相对更加平稳，对“人”的投资在移民贡献下没有出现太大下滑。中国人口增长下滑速度快于资本形成下滑速度，意味着需要同时加大对人和对物的投资。

“投资于物和投资于人紧密结合”，是中国式可持续金融的核心要求。金融“五篇大文章”——科技金融、绿色金融、普惠金融、养老金融、数字金融——构成了可持续金融的中国化路径。在战略设计上，是从社会视角全面看待可持续发展；在供需格局上，更强调产业升级和消费升级的协同；在天下情怀上，与联合国“5P”价值理念高度契合。

具体而言，“投资于物”要求积极布局新能源、新材料、人工智能、数字科技等新兴产业和未来产业，推动传统产业智能化、绿色化、融合化升级，既要重视基础设施、制造设备等“硬资产”的投资，也要加强关键物资的战略储备与产能韧性。“投资于人”要求同等重视对教育、医疗、康养等“软资本”的投入，完善收入分配制度，健全社会保障体系，加大保障和改善民生力度，提高民生类政府投资比重。科技金融不仅要投资算力、电能、芯片，还要投资网络、数据、信息等新型安全领域，共同构建国家发展的安全防护网。

中国不会效仿美国“豪赌式”投资的道路，也不会重复美国“AI颠覆一切”的叙事。增强型创新是中国最大机遇。从0到1是创世式的突破，从1到e是指数级的增长，而从e到φ，则是更具智慧的理性校准与价值回归——在周期、回归与平衡中，找到技术与社会、工具与人性的黄金分割点。做出选择，就是人类自由而有意义的最好证明。人机协同、物人结合，是中国人工智能发展的必由之路。

（本文根据阳光资产全球策略部部门负责人白雪石2026年7月24日在中国保险学会云分享2026年第6期直播讲座内容整理，仅代表个人观点）