AI股价回调,算力热度未退:科技投资人给出的三个清醒视角
当AI股票在短短一个月内重挫40%—60%，你会不会自然推断“AI需求正在降温”？科技投资人Gavin Baker并不认同这一观点。
他将2026年7月比作“把2022年浓缩进一个月”，然而在访谈前整整一周，他找不到任何一个能佐证AI需求放缓的量化数据。
这个判断当然不代表股价必然反弹，却提示了一个关键：市场价格、真实使用强度和基础设施瓶颈，是三种截然不同的信号。
英伟达与微软最新一期披露的财报数据，确实验证了高增长与供给吃紧的态势。读完本文，你将获得一套更贴合职场人和创业者的AI分析框架：少追随市场情绪，多聚焦真实需求、成本结构与资源约束。
Gavin Baker是Atreides Management的管理合伙人兼首席投资官。8月4日，他在《Invest Like the Best》节目中探讨的核心，并非“何时抄底”，而是一个更为根本的命题：公开市场的恐慌情绪，是否已传导至AI企业的经营放缓？
他的回应斩钉截铁：尚未出现。他用了一周时间寻找单一可量化的负面信号，却一无所获。他同样将7月称作“把2022年压缩进一个月”，并指出部分AI相关股票自高位急速回落。
“我会把7月描绘为：把2022年压缩进一个月。”
——Gavin Baker
要判断AI周期，可以将信息拆解为三个层面。
第一层，市场价格。它受估值水平、利率环境、持仓结构和市场情绪驱动，波动最为剧烈。
第二层，业务实绩。关注云收入、模型调用量、客户合同、每个任务的实际成本，以及现金流能否支撑业务扩张。
第三层，物理瓶颈。聚焦GPU、内存、网络带宽、电力供应、机房资源与审批进度。它变化最慢，却往往决定增长的天花板。
根据访谈前最近一期官方财报，英伟达2027财年第一季度营收达816亿美元，同比增长85%；其中数据中心业务收入752亿美元，同比增长92%。微软2026财年第三季度披露，AI业务年化收入运行率突破370亿美元，同比增长123%，并明确表示算力供给在2026年内仍将持续紧张。
这些数字只能验证需求依然旺盛，无法证明某只股票“便宜”。但它们足以驳斥一种偷懒的逻辑：股价下跌，所以AI已经无人问津。
Baker将开源模型喻为AI需求中的“暗物质”：它未必集中反映在少数模型公司的营收上，却可能通过更广泛的部署、更低廉的单次成本和更多的调用频次，重新转化为对芯片与云服务的需求。
这是一种预判，而非已被证实的规律。模型成本下降，既可能压缩单次推理费用；也可能因使用门槛降低，促使团队将AI嵌入更多工作流，最终推升总调用量。两种结果完全可能并存。
对企业而言，最应关注的并非“用了哪个最强模型”，而是四个核心数字：每周完成多少有效任务、每个正确结果的成本几何、人工复核耗时多久、失败时能否平滑切换模型。
若一个廉价模型使任务量激增五倍，即便单次成本减半，总支出仍可能攀升。AI预算应当以“合格产出”为衡量基准，而非Token单价。
访谈中频繁涉及算力建设的融资议题。这里存在一个常被忽视的细节：并非所有资本开支性质相同。
微软披露，2026财年第三季度319亿美元资本开支中，约三分之二投向GPU、CPU等折旧周期较短的资产；其余主要为可使用15年甚至更久的数据中心等长期资产。前者更新迭代快、折旧迅速，后者建设周期长、锁定效应明显。
创业公司面临同样的困境。一个AI产品，若仅能绑定单一模型、缺乏路由与降级机制、不能缓存高频结果、无法追踪每次调用带来的收入，那么即便模型再强大，也可能被成本波动击垮。
更稳健的策略，是将AI能力设计为可替换的模块：主力模型承担高价值任务，小模型处理标准流程，失败时自动转入人工复核。如此一来，技术迭代越迅速，系统反而不易被某次升级绑架。
Baker在节目尾声将监管视作本轮AI建设的最大风险。这一判断不能简单等同于“政策会不会限制模型”，还涵盖电网负荷、审批许可、社区成本与基础设施承载力等多重维度。
劳伦斯伯克利国家实验室2025年更新报告估算，到2030年，数据中心可能占美国总用电量的11.8%；不同情景下，区间介于9.5%—15.3%。这并非确定性预测，却清晰地揭示：算力扩张已进入能源系统必须严肃规划的量级。
因此，AI公司的护城河远不止于模型本身。稳定的电力供应、合规的数据资源、供应链韧性、部署效率与本地协调能力，都可能转化为增长的关键条件。
技术越是火热，越要审视冷基础设施。因为真正让系统停摆的，往往不是模型不够聪慧，而是电、钱、数据或许可捉襟见肘。
普通团队无需预判AI牛熊，先开展一次低成本的验证即可。
第一步：挑选一个每周重复、结果可核验的任务。
第二步：记录人工基线数据：耗时、错误率与返工次数。
第三步：并行测试两个模型，不必追求一步到位。
第四步：仅计算“通过人工验收的结果”所耗费的成本。
第五步：为失败场景预设回退路径，再决定是否扩大使用规模。
这套方法背后的逻辑相当清晰：价格催生情绪，调用量产生账单，约束划定上限。真正能落地到经营的，是你能否将三者清晰区分。
股价回调，不意味着算力已经闲置；算力增长，也不代表任何一项投资都值得押注。对大多数人而言，最优解并非押中宏观结论，而是在一周内打磨出一个可重复、可核算、可退出的AI工作流。
读者思考
你所在的团队，当前最欠缺的是模型能力、真实需求，还是成本与合规边界？欢迎在评论区留下你的见解。