KeyFrame內部研究專用

从2006年房贷崩溃到2026年AI泡沫! 历史正在重演! 比暴跌更可怕的事正在发生 ! 普通人自救的3个方案! 【艾财说221】

艾财说imoneytalk·8月12日週三·18 min中文

三句話摘要

AI產業融資泡沫與2008年次貸危機的結構對比:增速放緩如何觸發連鎖崩潰。 AI估值增速只需從1.7倍降至1.2倍,整條融資鏈條就會像2006年房貸一樣斷裂,而中國免費模型正在施加這個壓力。 融資循環與舊債替代機制:OpenAI年虧損超200億美元,只能靠新融資償還舊賬單,需要估值每輪漲1.7-1.9倍才能續存。這與2/28房貸用房價增值替代舊債的邏輯完全相同,系統運轉的唯一前提是增速永不放緩。

重點整理

重點
  • 1

    融資循環與舊債替代機制:OpenAI年虧損超200億美元,只能靠新融資償還舊賬單,需要估值每輪漲1.7-1.9倍才能續存。這與2/28房貸用房價增值替代舊債的邏輯完全相同,系統運轉的唯一前提是增速永不放緩。

  • 2

    金融承諾的虛幻源頭:微軟、甲骨文等科技巨頭的2.1萬億美元「保障性未來收入」本質上是OpenAI和Anthropic的欠條,而這兩家每年虧幾百億美元。銀行以這些未盈利公司的承諾為基礎借出真金白銀。

  • 3

    增速放緩的致命性:2006年房價漲幅只需從15%降至8%,再融資鏈條就斷裂。AI同理,估值增速從1.7倍降至1.2倍就足以摧毀融資系統。中國免費模型正在施加這個壓力。

  • 4

    三層結構的連鎖倒塌:底層是AI估值信仰、中層是佔標普500近40%的科技股權重、上層是美債購買力。任何一層鬆動都導致上層失衡,底層動搖時上層會瞬間崩潰。

實用技巧與重點

乾貨
  • OpenAI估值軌跡:2024年初860億→10月1570億→2025年3月3000億→10月5000億→2026年3月8520億美元
  • 財務數據:年收入130-250億美元,年虧損385億美元,微軟算力費170億+、研發200億、轉型費用另計
  • 合約規模:甲骨文5年3000億美元合同(年600億)、未來確認收入6380億;微軟未來收入6780億;共計保障性未來收入2.1萬億
  • 結構風險:微軟45%訂單與OpenAI綁定、甲骨文50%+管線指向同一客戶、2026年四大廠資本支出7250億美元(年增77%)
  • 中國衝擊:Kimi 3(2.8萬億參數、成本低40%)、Deep Seek(1月一日砸掉英偉達6000億)、通義千問(10億下載量)、OpenRouter平台美國模型流量從70%降至30%
  • 2006年房貸轉折:房價漲幅15%→8%時,30萬美元舊貸款加費用(32-31萬)無法被房子淨值覆蓋(只有24000餘額),再融資鏈斷裂
  • 房貸違約率:刺激房貸從10%→13%+、可調利率房貸突破14%
  • 美國國債危機:總額39萬億、年利息1萬億+(超軍費)、年赤字1.6萬億、需滾動替換9萬億、6年間利息支出翻近3倍
  • 市場結構:標普500前10大佔40%權重、全球追蹤標普資金20萬億美元

結論

結論

AI估值增速只需從1.7倍降至1.2倍,整條融資鏈條就會像2006年房貸一樣斷裂,而中國免費模型正在施加這個壓力。

完整解析

詳細

2006年房貸市場中,銀行設計了2/28可調利率房貸:前兩年極低利率讓月供輕鬆,第三年起利率跳升至借款人無法承受的水準。看似陷阱,實則所有人心知肚明——包括銀行。真正的遊戲規則是:兩年後房價上漲,借款人以新房價再融資,用新貸款償還舊貸款,重新開啟兩年低利率。這整台機器的運轉唯一依賴房價持續加速上漲。2001至2005年間房價年漲10多個百分點成為常態,無人敢質疑這會停下來。

但2006年發生了決定性的轉折——不是房價暴跌,而是漲幅放緩。房價從15%的增速降至8%。這看似細微的變化卻直接切斷了整條貸款替代鏈。以30萬美元貸款為例,加上銀行手續費需要31-32萬才能再融資。房價漲15%時房子值34.5萬,淨值足夠;漲8%時只值32.4萬,淨值扣掉手續費幾乎為零,新貸款額度不足,舊貸款無法被替代。真正的暴跌發生在一年後,恐慌和雷曼倒閉則是兩年後的事。關鍵是:需求從未消失,房子在危機前後都被需要,問題純粹在於金融結構被建立在不可能永久持續的加速上漲。

今天,同一套機制已被重建,只是載體從房子換成了AI。OpenAI估值從2024年初860億美元飆至2026年3月8520億,2年漲10倍,每輪融資估值為上輪的1.7-1.9倍——歷史罕見的速度。但OpenAI每年虧損385億美元,收入只有130-250億。這家公司如何承擔虧損?靠融資。它與甲骨文簽了5年3000億美元算力合同,年均600億支出,遠超其收入。每一輪新融資的本質是用來填補上一輪簽下的大單——估值必須持續加速成長,新融資才能不斷到位,舊賬單才能被償還。

科技巨頭也被深度套牢。它們與OpenAI的算力承諾被記錄為「保障性未來收入」,微軟6780億、甲骨文6380億,共計2.1萬億美元。這些公司拿著這些紙上承諾向銀行借錢建數據中心,2026年四大廠資本支出計劃7250億美元,已超越自身現金流。微軟45%訂單與OpenAI綁定,甲骨文50%以上管線指向同一客戶。追溯源頭,這2.1萬億美元的「鎖定需求」其實是兩家每年虧幾百億的公司簽的欠條。銀行拿真金白銀押寶在零收入借款人的承諾上。

轉捩點在2026年7月16日。中國月之暗面發布Kimi 3模型,2.8萬億參數、成本低40%、完全開源。White House翌日在社交媒體評論「令人擔憂」,發言人說「這就是你輸掉AI競賽的方式」。早在1月,Deep Seek已砸掉英偉達6000億市值。OpenRouter平台的數據很說明問題:美國模型流量從一年前的70%跌至30%,中國模型已主導市場。中國AI不需全面超越美國,只需「差不多好、幾乎免費」就足以拉走客戶、壓低價格。這直接威脅了AI公司的營收增速——正是整條融資鏈的關鍵指標。

房貸只需房價漲速從15%降至8%就會斷裂;AI融資鏈只需估值增速從1.7倍降至1.2倍就可能出問題。而這正在發生。從8520億到IPO目標1萬億美元,增長只有1.2倍,是有史以來幅度最小的一輪。

美國政府同樣陷入相同的融資循環。過去12個月財政赤字1.6萬億美元,國債總額39萬億,每天以50-70億的速度增加。年利息支出已超1萬億(比全部軍費還多),6年間翻了近3倍。政府從不真正償還舊債,只是不斷發新債替代,每年需滾動替換9萬億美元到期債務。為何全世界還願意購買美債?因為投資者相信後面永遠有人接盤、美國經濟會持續增長、美元地位不動搖。但如果下一次危機的恐懼源於美國科技衰退而非銀行倒閉,這個信念動搖,投資者可能不進美債避險而是撤離美國市場。政府被迫以更高利率借錢,利息負擔加重,赤字擴大,陷入惡性循環。

整個結構分三層:底層是AI估值信仰撐起科技股股價和盈利預期,中層是佔標普500近40%權重的科技股,維繫全球數十萬億美元的養老金和儲蓄,上層是全球投資者在美股的獲利給他們信心繼續購買美債。底層鬆動時中層會不穩,中層動搖時上層買家會猶豫,就像迪羅漢最下面的人一出問題上面兩個必然掉落。

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。