KeyFrame內部研究專用

【突發】都2026還擔心AI泡沫?不如在裡面多賺點錢?科技泡沫和債務危機同時降臨,華爾街不阻止反而越吹越大?全球最賺錢的科技巨頭,如何一步步被拖進燒光家底?

90後創業家掃地僧·7月12日週日·23 min中文

三句話摘要

AI泡沫不是技術問題,而是被博弈論驅動、由稅收政策催化、已轉移至全球金融系統的系統性風險。 這個AI泡沫最恐怖之處不是爆裂本身,而是風險已轉移至全球金融系統——一旦爆裂不是個別公司倒閉,而是全球金融危機。 博弈論驅動的必然選擇

重點整理

重點
  • 1

    博弈論驅動的必然選擇

  • 2

    科技巨頭投入AI不是出於真正的商業信心,而是被經濟學中的博弈論所困。如同囚徒困境,即使集體不投是最優解,但任何單一公司無法冒被超越的風險。一旦競爭對手搞成AI,現有公司的股價與市場地位瞬間崩塌。因此不管理性與否,所有巨頭都被迫燒錢。

  • 3

    稅收套利的完美漏洞

  • 4

    美聯儲升息與新稅法創造了完美的套利空間。借來的高利貸利息可抵稅,購買GPU等設備也可抵稅,導致年收入100萬的公司實際稅負接近零。更誇張的是,買超過必要額度的設備會造成帳面虧損,這個虧損還能抵消明年收入。實質上是將企業成本轉移到美國政府身上。

  • 5

    風險的全球金融化

  • 6

    與2000年互聯網泡沫不同,AI泡沫的風險已被轉移出去。華爾街私募基金將這些虧損AI公司的債務打包成理財產品,賣給全球保險公司、退休基金、銀行。這些年年虧錢的公司在估值峰值上市,通過被動索引基金賣給全世界普通投資者,確保一旦爆裂就是全球金融危機。

實用技巧與重點

乾貨
  • 核心數據
  • OpenAI:賣100元成本165元,年年虧損4年
  • 美股七巨頭現金儲備:共6000億美元
  • 四大巨頭2026年AI支出:7250億美元
  • 美債利息:升幅0%→5%+
  • Amazon自由現金流:暴跌95%
  • Google自由現金流:預測暴跌90%
  • Meta 2026年自由現金流:接近歸零
  • 稅收抵扣例子
  • 借1000萬,65萬利息抵稅
  • 買35萬GPU再抵稅
  • 年收100萬公司稅負:21萬→7.35萬
  • 買超額設備可製造帳面虧損,抵消明年利潤
  • 公司估值與債務
  • SpaceX:年虧49億,上市估值2萬億美元
  • Anthropic:3個月估值3800億→9650億
  • OpenAI:估值達1萬億準備上市
  • Oracle:負債1300億,自由現金流-237億,標普降級至垃圾債
  • 金融結構
  • 兩大私募基金350億購Google芯片租給Anthropic
  • SpaceX加入納指僅15個交易日(原規定3個月)
  • AI公司債務已打包成全球理財產品

結論

結論

這個AI泡沫最恐怖之處不是爆裂本身,而是風險已轉移至全球金融系統——一旦爆裂不是個別公司倒閉,而是全球金融危機。

完整解析

詳細

這支影片揭露了AI泡沫的金融本質。講者從一個根本問題開始:AI成功與否根本不重要,因為成功不會消除泡沫,失敗也不會戳破泡沫。真正重要的是這個泡沫背後的獲利機制和風險轉移。

關鍵轉折點在2022年。ChatGPT的出現雖然來自虧本經營的OpenAI,卻觸發了全球科技巨頭的搶進。Google、微軟、亞馬遜、Meta等原本利潤豐厚的公司,面臨一個無法拒絕的選擇困境。這不是因為他們真的看好AI未來,而是被博弈論所困:不投的公司會被投AI的競爭對手瞬間摧毀,股價暴跌。即使投入AI極難盈利,這也是「最安全的選擇」。講者用囚徒困境精準類比了這種悖論——明知集體不搞AI對大家最好,但沒人敢賭對方會遵守協議。

同年美聯儲啟動激進升息,利率從接近零升至5%。這創造了一個獨特的套利空間。美股七大巨頭合計現金儲備約6000億美元,但僅四家公司今年就需在AI上燒掉7250億美元,導致自由現金流暴跌(Amazon -95%、Google預測-90%、Meta接近零)。這些公司被迫向高利率借貸。但美國稅法允許利息支出抵稅,設備購置也可抵稅,形成雙重抵扣。結果是一家公司借1000萬、付65萬利息、買35萬GPU後,原本應繳21萬稅降到接近零。實質上企業成本被轉移到美國政府身上。

最危險的是風險的金融化與全球擴散。華爾街將這些高風險AI公司的債務打包成理財產品,賣給全球保險公司、退休基金、銀行。比如兩家最大私募基金用350億購買Google芯片租給Anthropic,這筆錢就來自這樣的產品銷售。同時,這些年年虧損的AI公司(SpaceX虧49億、OpenAI估值1萬億、Anthropic估值9650億)在估值最高峰上市。通過被動索引基金,這些股票自動流入全世界投資者的養老金和保險。

與2000年互聯網泡沫的根本差異在於風險層級。那次泡沫爆裂時是公司倒閉,普通人最多失業;但這次AI泡沫爆裂,會摧毀整個金融系統。一旦這些已經負債累累的AI公司(Oracle已負債1300億、自由現金流-237億)資金鏈斷裂,由於其債務遍布全球金融機構,會引發如2008年雷曼兄弟般的連鎖崩潰。那時全球金融市場現金被抽乾,銀行凍結、企業無法融資,一間一間倒下。

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

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。
Everything Goldman Sachs Taught Me About AI (In 10 minutes)
AI 技術英文8月24日

Everything Goldman Sachs Taught Me About AI (In 10 minutes)

Nate Herk

  • 驗證優於相信:看起來完整的AI輸出不等於正確答案,需在提示中要求模型重新檢查數字、引用來源,並對無把握的部分標記。
  • 區分AI與自動化:確定步驟且答案已知的任務用傳統自動化更便宜快速;只在需要判斷力、靈活性或處理複雜資訊時才用AI,兩者結合效果最佳。
  • 以問題驅動選型:先寫清楚「要解決的問題是什麼、成功的樣子是什麼」,再決定用什麼工具,許多失敗項目是從技術而非問題出發。
Mu: a self-hosted personal agent where the interface is an email address you can write to
AI 技術英文8月23日

Mu: a self-hosted personal agent where the interface is an email address you can write to

GitHub Awesome

  • Mu 是自主代理人系統,具有實際網址與獨立伺服器,用戶可透過多種方式與其互動——網頁應用、電子郵件或程式化介面。
  • 架構完整覆蓋日常工作流程的多個層面,整合郵件收發(SMTP/IMAP)、檔案管理、行事曆、新聞聚合、市場數據與搜尋功能於一個 Go 伺服器內。
  • 支援自帶模型與多種通訊協定,用戶可選擇不同的 AI 模型,並透過 MCP、HTTP API 或命令列工具整合到其他系統。