挪威银行投资管理公司首席执行官 Nicolai Tangen 曾直接追问 IBM 首席执行官 Arvind Krishna：AI 是否正处在泡沫之中？
Krishna 的回答，后来在金融圈被称为 “8 万亿美元的数学题”。
建设并部署 1 吉瓦 AI 数据中心容量，如果配满加速器、液冷系统和电力基础设施，成本大约需要 600 亿至 800 亿美元。
而全球范围内，行业已经承诺建设超过 100 吉瓦的数据中心容量。
这意味着总资本开支将达到 6 万亿至 8 万亿美元。更关键的是，由于 AI 级别的硬件通常按五年周期折旧，这笔投入实际上每五年就需要大规模替换和更新一次。
如果以相对保守的 10% 融资成本计算，仅为 8 万亿美元资本支付利息，整个 AI 生态每年就需要创造约 8000 亿美元利润。这个数字目前已经超过全球所有大型科技公司净利润的总和。
高盛预计，仅 2026 年至 2031 年期间，AI 相关资本开支总额就将达到 7.6 万亿美元。路透 Breakingviews 也指出，即便资金能够到位，电力许可、土地、冷却设施和电网接入等物理瓶颈仍然存在，这意味着大量规划中的数据中心项目在真正投运之前，就可能被取消或推迟。
Krishna 还提出了第二个结构性问题，而市场在很大程度上忽视了这一点。
他认为，最大的基础模型 ——GPT、Gemini、Claude、Llama—— 正在趋向商品化。
一旦产品商品化，转换成本就会下降。
一旦转换成本下降，定价权就会消失，利润率也会被压缩。无论此前为构建这种能力投入了多少资本，结果都一样。
Morningstar 的股票研究团队在 2026 年对 132 家科技公司进行了评估，发现 AI 已导致约 40 只大型科技股的护城河评级被下调，主要集中在企业软件、IT 服务和 SaaS 领域。其中 Adobe、Salesforce、Workday 和 ADP 等公司的竞争护城河都出现了实质性削弱。
其含义是：那些在 AI 模型开发上投入最多的公司，可能正在建设一种资产 —— 它既极其昂贵，又极难以可持续的高利润率变现。
这个看空逻辑很严肃，但并不完整。而这也正是 Krishna 的分析框架值得被准确理解的原因。
当被进一步追问时，Krishna 明确表示，他并不认为 AI 技术本身存在泡沫。真正存在泡沫的，是一部分基础设施资本开支：这些投入建立在投机性假设之上，而不是建立在已经被验证的真实需求之上。
他用了同一个类比：20 世纪 90 年代末的光纤网络过度建设。当时，许多公司铺设了大量没人使用的光纤，最终破产。
但恰恰是这些看似 “浪费” 的基础设施，后来成为所有云计算公司、流媒体服务、移动网络，以及现代 AI 训练集群的物理底座。
建设者输了，但基础设施赢了。
而建立在这些基础设施之上的公司 ——Amazon、Google、Netflix、Salesforce—— 在之后二十年里持续复利增长。
按照 Krishna 的表述，真正的问题不是 AI 是否真实存在。
真正的问题是：哪些资本投入能够获得回报，哪些会变成搁浅资产。更关键的是，你持有的到底是那些搁浅资产，还是建立在这些资产之上的公司。
谈到赢家时，Krishna 的判断很直接：在消费者端，分发能力就是护城河；而在企业端，格局仍然非常开放。
数据也支持这一点。Meta 在 Facebook、Instagram 和 WhatsApp 上拥有 33 亿日活用户，它正把 AI 嵌入一个任何创业公司都无法以任何成本复制的分发网络之中。
与此同时，正在实时出现的生产率证据，也开始挑战看空方对于 AI 收入前景的预测。
黄仁勋刚刚在 Computex 的舞台上展示，2026 年最初几个月，GitHub commits—— 这个衡量全球软件产出的通用指标 —— 几乎增长了两倍。这相当于把 3 万亿美元的开发者薪酬，转化为 9 万亿美元的生产性产出。
这是可衡量的、实时发生的经济价值，已经开始在系统中流动。而且它会直接反馈到 token 需求之中，形成复利式循环。这一点，是 Krishna 那套静态的资本开支数学并没有完全捕捉到的。