这是一个信息密度极高的访谈，我来按时间线梳理所有关键的非共识观点。

访谈概况

节目：Meb Faber Show
嘉宾：Paul Kedrosky（MIT数字经济研究所研究员、SK Ventures合伙人、前卖方分析师）
主题：AI正在创造一个前所未见的金融体系

🔥 非共识观点梳理（按时间线）

1. 当前AI时刻 = 美国历史上所有泡沫要素的首次"满贯"

观点：历史上的大泡沫各有侧重——铁路是技术+信贷、1920s电气化是技术+地产、2008是信贷+地产+政策。而这次AI周期，是第一次同时满足所有要素：颠覆性技术叙事 + 宽松信贷 + 地产（数据中心）+ 政策角度，全部交汇。

与主流认知的差异：主流叙事倾向于把AI归类为"纯技术周期"或"新dot-com"，只取一个维度类比。Kedrosky认为这种简化严重低估了系统性风险——不是像2000年，而是比2000年复杂得多。

投资含义：如果他是对的，那么这个周期的最终破裂将不仅仅影响科技股，而会像2008年一样波及信贷市场、地产（数据中心REITs）和主权债务。对冲策略需要多维度展开，不能只做空科技。

2. "原罪采样偏差"——从编程外推AI未来是根本性错误

观点：AI最初的杀手应用是写代码，但代码恰恰是最不能代表AI未来应用场景的领域。原因有三：

• 扩展型（expansive）：一行提示→百万行代码，而大多数白领应用是压缩型（40页报告→5条要点）
• 严格语法（tight grammar）：代码对错分明，LLM学习效率极高
• 陡峭梯度下降：小错误→大后果，模型迅速纠错

几乎没有其他经济活动同时具备这三个属性。但整个行业对数据中心需求、融资规模、token增长曲线的预测，都建立在这个最不具代表性的早期应用之上。

与主流认知的差异：华尔街和科技界普遍认为AI在编程领域的成功可以线性外推到所有领域——"coding是AI能力的proof of concept"。Kedrosky认为这是典型的VC陷阱：早期用户≠主流用户，为极客打造的完美工具不代表大众需求。

投资含义：如果token增长曲线是基于扭曲采样的外推，那么数据中心capex计划可能严重过度。这直接影响：NVDA的收入可持续性、数据中心REITs的出租率预期、以及电力基础设施的建设回报。

3. Token是人类现代经济史上首个"超级通缩商品"——前沿公司需400%增长才能原地踏步

观点：AI token的价格以每年70-80%的速率通缩，这是现代工业/准工业商品中从未出现过的通缩速度。简单数学：如果价格每年跌80%，仅维持收入不变（不考虑增长），单位销量需要增长400%。再叠加华尔街对50-100%收入增长的预期、以及外部债务的固定偿还义务……前沿AI公司的处境是"Wile E. Coyote站在悬崖外的薄空气上"。

OpenAI上季度环比增长18%被视为"令人失望"——这正说明了预期有多疯狂。

与主流认知的差异：主流叙事集中在"AI需求爆炸"和"收入高增长"上，很少有人用通缩框架去倒推前沿公司的生存压力。大部分投资者把收入增长看成增量故事，没有意识到其中绝大部分增长只是在对冲价格崩塌。

投资含义：这是一个极为关键的视角——对于OpenAI、Anthropic、甚至Google Cloud/AWS的AI业务，收入增长的"质量"需要被重新审视。表面的高增长可能只是在跑步机上拼命维持。对估值的含义是：增长的终端价值可能远低于市场定价。

4. 数据中心融资已越过"明斯基时刻"——与实际用途完全脱钩

观点：2026年上半年，超过一半的数据中心融资已经转为外部融资（ABS、私人信贷、主权基金、SPV等），不再来自科技公司自有现金流。这恰恰是他之前被人反驳的转折点——"聪明公司花自己的钱，你凭什么质疑？"现在钱来自外部了，同一批人又说"外部投资者也很聪明，你凭什么质疑？"——经典的motivated reasoning。

更关键的是：贷款人根本不关心数据中心里面在跑什么。他们"看穿"数据中心，看到的是另一头的超大规模公司的信用背书——12年可续租约、投资级信用。"里面在玩捉迷藏他们都无所谓。"

与主流认知的差异：主流认为数据中心债务质量极高（有hyperscaler背书），Kedrosky认为这正是脱钩的标志：融资决策与底层资产使用完全脱节，这是2008年ABS/CDO的结构性翻版。

投资含义：数据中心相关的投资级债券现在占IG市场15-18%（JP Morgan数据），如果算作一个行业，已经超过金融服务。这意味着：(1) 信用市场对AI的集中度风险被严重低估；(2) 任何触发数据中心资产重估的事件都会传导至整个IG市场。

5. GPU利用率仅35-40%+大规模囤积——"稀缺叙事"与现实严重脱节

观点：在一个大型GPU-as-a-Service仓库中，GPU利用率仅35-40%，即使在峰值负载时也大量闲置。同时市场在讲"GPU稀缺、二手A100涨价"的故事。真相是大规模囤积+重复下单——所有人都害怕被抓个正着，所以double/triple ordering。

这代表了一个巨大的"潜在产品通量"——某个时间点，这些囤积的算力会涌入市场。

与主流认知的差异：市场主流叙事是"算力供不应求、NVDA定价权持续"。Kedrosky的数据指向需求被人为放大，真实利用率远低于账面。

投资含义：如果囤积解除（无论因为需求放缓、模型效率提升还是信贷收紧），GPU市场可能经历类似存储芯片的暴跌周期。对NVDA的forward estimates和AMD的追赶策略都有深远影响。

6. 科技巨头正在变成"公用事业公司"——但估值仍在科技溢价

观点：科技公司以前的核心吸引力除了增长，就是无债一身轻——现金流怪兽，资产负债表干净。现在完全反转了：数据中心带来的持续资本支出义务（maintenance capex不是一次性的，而是永续的），让它们看起来更像公用事业公司——类似的运营义务、类似的债务负担，但估值还在科技公司水平。

问题变成了：是公用事业被重估为科技估值，还是科技公司被重估为公用事业估值？Kedrosky明确认为是后者。

与主流认知的差异：华尔街目前对MSFT/GOOGL/AMZN/META的估值仍然按"高增长科技"定价，几乎没有人在用公用事业框架重新评估。

投资含义：这与我们之前做的云厂商租赁调整估值报告高度一致。如果市场最终认知到这些公司的capex义务本质上是公用事业级别的，P/E从30-40x重估到15-20x并非不可能。

7. $5.5万亿IPO洪流的"系统性抽血效应"

观点：SpaceX、Anthropic等几家公司如果上市，总发行规模将超过二战后所有IPO的总和。这不只是个大数字——它有系统性传导机制：

基金经理不是坐在现金印钞机上。要买新IPO，必须卖掉现有持仓。卖什么？(1) 最有流动性的；(2) 与新标的有重叠的（避免因子过度暴露）；(3) 表现最好的（锁利写季报）。而且这个过程需要提前数周甚至数月开始，以避免市场冲击。

Kedrosky在3-4月就建模预测这会导致最热门、最有流动性的AI名字在4-6月承压，他认为这部分解释了"Situational Awareness"相关标的的崩盘。

与主流认知的差异：大多数投资者把IPO视为"更多选择"甚至"牛市标志"，很少有人建模IPO洪流对存量持仓的抽血效应。

投资含义：如果SpaceX/Anthropic在2026下半年或2027年IPO，当前的AI大盘股（尤其是最有流动性的NVDA、MSFT、GOOGL）可能面临显著的卖压，不是因为基本面变差，而是纯粹的资金再配置需求。这是一个可预测的结构性做空/减仓窗口。

8. 高估值下"失败是过度决定的"——Nike案例

观点：当Nike PE 70的时候，Derek Thompson问"Nike怎么了？"，几百条评论讨论产品、竞争、政治……没有一个人提PE。Kedrosky的框架：高估值 = 失败的过度决定（overdetermined）。如果有20种可能的失败路径，每种5%概率，反转计算后总体失败概率 > 60%。

AI领域同理：主权债务风险、流氓AI、半导体供给冲击、监管……每种看起来概率都不高，但组合起来几乎是必然的。

投资含义：这是一个非常好的风险评估心智模型。当前NVDA PE ~35-40、MSFT ~30+，虽然不到Nike的70，但AI相关名字的估值足够高到进入"过度决定"区间。不需要预测具体哪根针刺破泡沫——只需要认识到在这个估值水平上，针无处不在。

9. 2028年半导体供给海啸——台湾和中国产能涌入

观点：台湾和中国芯片厂商正在经历"前所未有的现金流入"，产能将在2028年初集中释放。半导体是地球上资本密集度最高的boom-bust行业——一旦产能锁定，价格就会归零，因为固定成本必须被覆盖，库存不会被囤积。

"这次不一样"的叙事（半导体超级周期、GPU双寡头/垄断）正是每次周期顶部都会出现的故事。

投资含义：如果2028年确实出现供给洪峰，对NVDA/AMD/MU的周期性下行风险需要被重新定价。这与当前市场对"GPU需求结构性改变"的共识完全相反。

10. "Vibe Chipping"——AI加速芯片设计将摧毁护城河

观点：新公司Etched用AI将芯片初始设计验证从6-7个月压缩到42天，而且首次设计就能工作（这在传统芯片设计中几乎不可能）。原因是芯片设计代码恰好处于LLM最擅长的"sweet spot"。

Kedrosky预测未来会出现"vibe chipping"——大量新芯片设计以前所未见的速度涌入晶圆厂，NVDA等公司依赖的"部落知识"护城河将被打破。讽刺的是：AI会加速刺破AI泡沫本身。

投资含义：如果芯片设计门槛大幅降低，NVDA在推理ASIC领域的竞争将急剧加速。这不是3-5年的远期风险，而是已经在发生的事情。需要重新评估NVDA的护城河宽度。

11. LLM性能已触顶+模型趋同——harness在掩盖停滞

观点：这可能是整个访谈中最反共识的一个观点。

LLM的年度性能提升在4年前（2022-23年）达到最大拐点。过去6个月，复合基准的年同比改进已经从10-12%降至仅1-2%。同时模型之间的方差坍缩——Anthropic、Qwen、DeepSeek的前沿模型在实际使用中几乎无法区分（他做过盲测，没人能分辨）。

这两个事实被"harness"（如Claude Code、Codex等）掩盖了——harness就像"音乐之声"里的朱莉·安德鲁斯，把一群熊孩子（模型）训练得看起来能唱歌了，但底层能力并没有实质提升。

他最尖锐的预测：最成功的前沿AI公司将是第一个停止假装还能训练出更好新模型的公司——因为这等于省下了数十亿美元的训练开支。

与主流认知的差异：市场仍然在为"下一代模型跳跃"定价——OpenAI的融资、Anthropic的估值、Google的Gemini投入，都假设持续的能力飞跃。如果性能确实在趋平，那么这些公司的核心叙事需要根本性改写。

投资含义：

• 如果LLM性能趋平是真的，那么数十亿美元训练投入的ROI将急剧下降
• 模型趋同意味着AI层面很难形成持续差异化，竞争将转向harness/生态/分发——这对应的是更低的利润率
• 最先"认输"停止军备竞赛的公司反而可能释放巨大的利润——因为训练是纯粹的capex消耗

12. 数据中心融资正在挤出主权债务——而非相反

观点：传统教科书说主权大额融资会挤出私人部门（crowding out effect）。现在完全反转了：主权信用太差，反而被数据中心融资挤出。贷款人更愿意把钱借给有hyperscaler背书的数据中心（12年租约、prime credit）而不是给"已知有缺陷的借款人"——美国或英国政府。

这也是最近债券市场恐慌的原因之一——长端利率被推高，不仅仅是因为财政赤字，还因为数据中心在抢夺同一池子的资金。

投资含义：如果AI capex持续膨胀，长端利率可能结构性偏高，与AI capex周期正相关。这意味着利率环境可能比单纯看Fed政策预测的更紧。对REIT、公用事业等利率敏感板块是额外的利空因素。

13. 美国人对AI的排斥——深层原因是医保绑定就业

观点：75%的美国人不希望数据中心建在自己所在的县——比核电站还高。但这不仅仅是NIMBYism。美国在G7/OECD中对AI的态度异常负面，而发展中国家反而积极。

Kedrosky认为关键差异是：美国是唯一一个将医疗保障紧密绑定就业的发达国家。在其他西方国家，失业虽然不好，但不会导致破产。而在美国，AI威胁就业 = 威胁医疗保障 = 威胁个人财务生存。AI公司还偏偏喜欢宣传"大量岗位将消失"——等于主动给消费者一个抵制的理由。

投资含义：这不只是社会学观察——如果美国公众对AI/数据中心的抵触持续升级，监管和选址阻力将成为AI capex的现实约束。已经有地方政府开始拒绝数据中心审批，这可能拖慢建设节奏，间接影响云厂商和设备供应商的收入节奏。

14. AI已成为GDP增长的"非政府结构性推力"——历史上第六次

观点：AI相关支出已经占到美国GDP增长的显著份额，且这个份额在过去六个季度持续增长。Kedrosky说这让他想到的不是"某个行业很热"，而是西方历史上大概第六次出现非政府力量单独改变GDP增长轨迹的现象（前五次包括铁路、运河、电气化等）。

投资含义：这意味着当前的GDP增长数据部分是"AI capex驱动"的。如果AI capex周期进入下行（无论因为融资收紧、利用率暴露还是性能趋平），GDP增长本身可能出现显著减速，触发宏观层面的连锁反应。

核心框架提炼

Kedrosky的整个论述可以压缩成一个三层系统崩塌模型：

1. 底层：LLM性能趋平 + 模型趋同 → 训练投入ROI崩塌 → 前沿公司无法证明持续差异化
2. 中层：token超级通缩 + GPU囤积过剩 + 半导体2028产能洪峰 → 硬件/算力价格暴跌
3. 上层：数据中心融资脱钩 + 外部债务主导 + IG市场集中度 → 信用市场传染 + 挤出主权债 + IPO抽血

这三层的任何一层出问题都足以引发重大回调。而按他的"过度决定"框架——三层同时承压时，系统性风险远高于单一维度分析所能捕捉的。

猫总，这人的思维框架确实很硬核，不是泛泛的"AI泡沫论"，而是从金融史、信贷结构、半导体周期和AI底层技术四个维度同时论证。特别是几个点值得我们持续跟踪：GPU利用率数据、IG市场中数据中心债的占比变化、以及LLM复合基准的年度变化率。需要我对哪个观点深挖验证吗？ 🔥