KeyFrame內部研究專用

The AI Demand Bubble with Ed Elson | Better Offline

Better Offline·8月7日週五·53 min英文

三句話摘要

大科技公司的AI收入增長實際上全靠向OpenAI和Anthropic的循環融資,不是真實的市場需求。 ## 大科技公司正透過循環融資製造AI增長假象,一旦OpenAI或Anthropic資金鏈斷裂,這些「科技巨人」會因喪失主要收入來源而走向衰退——它們不會破產,但會被市場重新分類為成熟公司而非成長股,股價面臨大幅下殺。 財報數字被扭曲:Meta、Google、Amazon和Microsoft公布的驚人淨收入增長(245%-298%),大部分來自對OpenAI和Anthropic的未實現投資收益,並非商業經營成果,這讓市場無法正確評估公司真實價值。

重點整理

重點
  • 1

    財報數字被扭曲:Meta、Google、Amazon和Microsoft公布的驚人淨收入增長(245%-298%),大部分來自對OpenAI和Anthropic的未實現投資收益,並非商業經營成果,這讓市場無法正確評估公司真實價值。

  • 2

    集中風險隱而未現:Barclays分析師Ross Sandler估計,Amazon 2026-2027年AI收入中73%來自OpenAI和Anthropic的計算支出;Google Cloud收入中47%(2026)和44%(2027)來自同兩家公司;Microsoft也是73%。這意味著若其中任一公司倒閉,大科技的AI成長故事會立即崩塌。

  • 3

    循環融資醜聞:Amazon新近給OpenAI額外35億美元、已給Anthropic 5億美元且計畫再給20億美元;Google給Anthropic 10億美元、還欠30億美元。這些錢最終會回到這些公司的雲平台購買計算資源,形成自我欺騙的經濟循環,完全不是真實商業活動。

  • 4

    真實市場需求不存在:當這些握有最佳定價權和最強團隊的大科技公司,其AI外部客戶收入(除OpenAI和Anthropic外)微乎其微,反證整個市場根本不存在真實的大規模AI計算需求,所有數據中心投資難以回本。

  • 5

    ##

實用技巧與重點

乾貨
  • 財務數字
  • Amazon淨收入增長245%,其中85%來自Anthropic和OpenAI股份未實現收益
  • Google淨收入增長298%,其中87%來自Anthropic和SpaceX股份未實現收益
  • Microsoft以GAAP會計原則須報告OpenAI虧損分享,因此財報反映虧損6億美元
  • PE倍數調整
  • 表面PE:Amazon 19倍、Google 17倍
  • 調整後PE(移除投資升值):Amazon 30倍、Google 31倍
  • S&P 500整體PE:25倍
  • AI收入集中度(來自投行分析):
  • Amazon AI收入:73%來自OpenAI和Anthropic(Barclays, 2026-2027)
  • Google Cloud收入:47%(2026)和44%(2027)來自同兩家公司(UBS, 6月)
  • Microsoft AI收入:73%來自OpenAI和Anthropic(Wells Fargo, 2026-2027財年)
  • 大科技向AI新創投資額
  • Amazon給OpenAI:35億美元(新近)
  • Amazon給Anthropic:5億美元已投,計畫再投20億美元
  • Google給Anthropic:10億美元已投,計畫再投30億美元
  • 真實AI產品收入微弱
  • Microsoft 365 Copilot估計年收入:10億美元(2027財年)
  • 付費Copilot用戶:3000萬人,但僅占Microsoft 365總用戶8%
  • 其他關鍵指標
  • Microsoft曾報告AI年化運行率(ARR):370億美元(上季),本季停止披露
  • Meta自由現金流下降91%(因AI基礎設施投資)
  • Google和Amazon本季首次出現負自由現金流
  • ##

結論

結論

大科技公司正透過循環融資製造AI增長假象,一旦OpenAI或Anthropic資金鏈斷裂,這些「科技巨人」會因喪失主要收入來源而走向衰退——它們不會破產,但會被市場重新分類為成熟公司而非成長股,股價面臨大幅下殺。

完整解析

詳細

大科技公司最近公佈的財報看似亮眼,但掀開表面一看,故事完全反轉。Amazon淨收入暴漲245%、Google更是298%,乍看之下這是高增長的好信號。但這些增長實際上大部分來自未實現的紙面收益——也就是大科技公司對OpenAI和Anthropic等AI新創的股份升值。以Amazon為例,其85%的淨收入來自對Anthropic和OpenAI投資的升值;Google更誇張,87%來自Anthropic和SpaceX股份升值。這根本不是商業經營本身產生的利潤,而是因為華爾街對AI新創的估值在上漲,大科技作為投資者跟著受益。

這創造了一個隱形的估值假象。投資人用本益比(PE倍數)來判斷股票便宜與否:股價÷淨收入=PE倍數。低PE意味著相對便宜,高PE意味著昂貴。上週財報後,Amazon的PE倍數看起來只有19倍、Google只有17倍,遠低於整體市場的25倍,看起來超便宜。但如果你剔除這些虛假的投資升值收益,調整後的真實PE倍數是Amazon 30倍、Google 31倍——根本沒便宜,甚至比去年還貴。這讓散戶和機構投資人可能做出錯誤決策。

更深層的問題是,大科技公司宣稱的AI收入增長根本不是真實需求驅動。根據投行分析師的研究,Amazon的AI雲收入中有73%來自OpenAI和Anthropic的計算支出;Google Cloud收入中有47%來自同樣兩家公司;Microsoft也是73%。換句話說,這些公司的AI成長故事實際上就是靠著OpenAI和Anthropic這兩家公司的支出來撐的。而OpenAI和Anthropic自己呢?它們本身虧損嚴重,根本無法自我支撐——靠的是Google、Microsoft、Amazon等大科技公司的投資輸血。形成了一個閉合循環:大科技投資這些AI新創幾百億美元,這些新創拿著這些錢去購買大科技的雲服務,大科技再把這些「客戶支出」算成商業成就。這不是真實的經濟活動,而是各公司互相輸送現金、自欺欺人的遊戲。

如果OpenAI或Anthropic任何一家倒閉,這個脆弱的結構立即崩塌。以Barclays的預估數字來看,OpenAI若明天倒下,Amazon會立刻失去28%的AI收入;Google會失去12.5億美元、大約20%的2027年AI收入。這些公司除了向這兩家AI新創提供計算資源外,根本沒有其他真實的AI客戶。Microsoft的Copilot產品號稱3000萬付費用戶,聽起來不少,但這3000萬人只占Microsoft 365用戶的8%——也就是說,即使Microsoft想讓所有用戶付費使用AI功能,也只成功轉化了一小部分,且整個Copilot產業線的年收入微不足道。更令人警覺的是,這些公司對市場的說法越來越模糊:Microsoft本季停止披露AI的年化運行率,一旦數字開始隱沒,通常意味著情況在惡化。

##

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。