2026年以来，全球AI叙事正在经历一次重要的边际变化，我们至少看到了三层叙事的转变。

　　第一层叙事：对ScalingLaw开始出现一些分歧。

　　过去几年AI投资的核心引擎来自于ScalingLaw的经验规律：模型越大、数据越多、算力越强，性能越好。但这条规律正在出现一些裂痕：

　　一是，物理上的硬约束，比如电力供应、变压器等零部件。

　　二是，数据瓶颈，用于预训练的公开高质量文本数据正在耗尽。

　　三是，投入的边际效率衰减，尽管ScalingLaw的方向仍在，仍有理由继续加大投入，但对模型的边际加成（即单位投入获得的模型能力提升）可能有所降低。

　　因此，算力建设之外，算法上的拓展正逐渐成为技术上的另一大重点，比如转向推理侧扩展（Test-TimeCompute）（如思维链CoT推演、推理时扩展inference-timescaling）、后训练（Post-Training）、架构效率（线性注意力机制LinearAttention、状态空间模型SSM等新架构）与端侧智能（SLMs）等。

　　第二层叙事：从“奖励”CAPEX到投资回报“焦虑”。

　　根据最新指引，美国大型科技公司已宣布2026年AI相关资本开支或超过7000亿美元，但市场已从奖励"资本开支"转向担忧"变现太慢"。以两个参照系理解这一投资规模：

　　（1）历史的参照系：2025年美国科技企业资本开支占GDP比重已升至约1.9%，2026将继续上升至2%以上，几乎相当于20世纪几大基建工程的总和：世纪初的全国宽带建设约占GDP的1.2%，1949年的电力大扩张、阿波罗登月计划和1960年代的州际公路系统各约占0.6%。当前AI基建的投资强度在美国经济史上处于极端高位。

　　（2）企业自身现金流的参照系，成为近期担忧的主要触发剂。根据测算，美国五大超级云厂商2026年将把约90%的经营性现金流用于资本开支（2025年为65%）。甚至部分公司的资本开支预期超过经营性现金流，可能出现2026年自由现金流转负的情况，财报预警更为现实。同时，债务融资的敞口快速增加，市场预计美国科技巨头2026年债券发行总额或高达4000亿美元，百年期债券发行等也引发市场关注。

　　第三层叙事：更深层的担忧来自于对AI颠覆性的担忧，在近日冲击诸多行业。

　　这层叙事的演进有一条清晰的递进线索：从变革搜索和信息获取方式，到变革软件应用和商业流程，最后上升到宏观范式的推演，与AI本身的发展阶段密切相关。

　　第一步是Chat时代，变革的是搜索和信息获取方式。从ChatGPT问世到2025年初，AI主要以对话助手的形式存在——回答问题、生成文本、辅助搜索。这一阶段的影响相对温和，并未直接替代具体的商业软件或工作岗位，市场叙事聚焦于"谁能训练出最好的模型"和"谁来提供底层算力"。

　　第二步是Agent时代，变革的是软件应用和商业流程。今年2月初Anthropic推出ClaudeCowork，标志着AI从"生成式回答"向"自主执行跨职能工作流"的转变，引发全球软件股的剧烈抛售（"SaaSpocalypse"，SaaS末日担忧），同时蔓延至金融服务、另类资管、法律服务、商业地产甚至运输行业等。

　　第三步是全面AI的时代，是面向未来的推演。Substack的文章《THE2028GLOBALINTELLIGENCECRISIS》并无太多新意，但可读性好、观点犀利，指出了"GhostGDP"和白领替代的问题，引发了将宏观范式变革的讨论。当AI替代的不是某个行业、也不再是辅助“劳动力”，而是直接替代"劳动力"这个生产要素本身，过往宏观经济运行的范式可能面临颠覆性的挑战。

　　传统范式是“生产→分配→消费→再生产”的闭环，"人"既是生产者也是消费者，即是供给端生产要素、也是需求端来源，最终形成五部门的经济循环。但全面AI时代若直接替代劳动力，可能带来几个结果：

　　①从要素上看，劳动要素的重要性进一步降低，模型、数据、算力等（本质还是资本要素）重要性进一步提升。②从供给上看，AI使得供给曲线发生根本性变化，边际成本明显降低，供给弹性快速提升，规模经济被推到极致。③从需求上看，劳动报酬的异化可能影响收入和需求结构，传统的供需关系、投资储蓄关系可能被扭曲。经济循环、分配机制等都可能发生变化，也对供需驱动的经济周期、量价机制等形成颠覆，可能带来更进一步的金融体系和社会契约等重构。

　　因此，这些AI叙事的边际变化使得市场不再为“故事”买单，一方面开始担心AI不行（变现慢），另一方面又担心AI太行（颠覆性），如何理解这种看似矛盾的心态？

　　逻辑上，上述三层叙事所指向的问题都是真实可推演的，确实给我们提出了一个值得严肃面对的问题。但更关键的问题在于变革的时间表和最终的边界，其实极难提前预判，当前市场在恐慌情绪主导下进行线性外推，定价了相对最坏的情景。

　　其中一个重要的原因可能同样来自于高估值和交易结构的脆弱性，成为恐慌的放大器。本轮调整之前，AI相关板块的估值处于历史高位，商业软件板块估值也不算低，在叙事这一触发剂之下形成了集中释放。

　　与之相对应的，诸多受影响公司的基本面现状仍具韧性，头部软件公司最新财报仍展示出稳健的收入增长和改善的利润率，部分厂商拥有深度客户集成、高昂切换成本、数据与合规壁垒等，若AI能被作为增值功能内化，可能反而受益。

　　而对于宏观范式的变革，存在不少反驳观点。一是，"杰文斯悖论"（JevonsParadox）指出，效率的提升往往会带来需求的爆发式增长，而非单纯的替代，即便AI生产力大幅提升，其带来的"通缩红利"（降低产品和服务价格）也可能刺激新需求和新行业。二是，AI可能创造出目前无法想象的新工种，社会适应能力往往比模型预测的要强。三是，在监管合规、物理世界交互、复杂人际关系、高度非标化的判断等任务上，AI的替代成本远高于市场恐慌的假设，且制度、法律和社会惯性天然构成减速带。

　　因此，AI变革值得严肃面对，但变革的过程可能并不会一蹴而就，变革的时间表、边界和不确定性对应的其实是分化和结构性机会。如果动态地、结构地看，投资者需要做的，是从"买一篮子AI"转向"更精细化筛选标的"。尤其在恐慌情绪以及估值得到消化之后，更需要关注的问题是，哪些变化大概率会发生、哪些不会发生？哪些先发生、哪些后发生？哪些是替代，哪些是互补？分化会进一步扩大。

　　我们建议关注几个筛选视角：

　　（1）硬件层，寻找"强约束"链条。在资本开支预期已经较为激进的情况下，硬件层获得超额收益的边际难度明显增大，市场不再奖励资本开支，需要关注供给约束最紧、定价权最强的部分，尤其过往产能扩张较慢、后续扩张周期偏长、替代方案较少的环节，比如市场已讨论较多的存储、电网约束，还有过去扩产相对有限的变压器等设备、先进封装产能、光纤等，供给瓶颈意味着更强的议价能力。

　　（2）模型层的竞争更加残酷，除了模型权重，筛选逻辑应偏向：是否拥有独占的私有数据来训练差异化模型？是否拥有极低成本的推理基础设施？以及是否具备将模型能力迅速转化为闭环解决方案和应用落地的工程能力，即寻找"模型能力+数据飞轮+商业壁垒"的复合体。自2025年年中以来，美国大型科技巨头之间的股价相关性已从约0.8降至约0.2，近期市场挖掘anthropic链条、挖掘字节链条，模型层的分化也会持续存在。

　　（3）应用层：优先关注能快速落地、已证明AI价值转化的标的，能直接量化AI带来的降本增效成果（ROI）的应用、能快速切入企业核心工作流的应用、垂直领域的AI原生应用相对占优。

　　而对于近期调整较多的SaaS领域等，市场或逐步区分"会被AI替代的薄功能型SaaS"和"AI时代仍然不可或缺的数据与执行底座"，部分在其所服务的领域中占据关键数据节点或执行环节（如安全、合规、数据管道、交易结算等AI"绕不开"的方向）的应用领域、以及AI内化赋能的应用领域，可能存在被“错杀”的机会。

　　（4）中美AI路线的差异是另一个值得关注的视角。中美AI发展的路线和宏观含义存在一定差异。一是，中国更强调"算力效率优先"，更多依赖算法优化、开源生态和工程化提高效率，尽管目前仍缺算力，但国产替代算力在投资视角可能更为占优，而大模型追赶也是重要主线。二是，经济结构不同决定中美AI冲击的传导路径存在差异。美国由于服务业占比高、白领人工成本昂贵，短期AI带来的"替代性"冲击和"通缩"压力更强，长期关注AI能否恢复美国制造业（难度大）。而中国拥有庞大的制造业基础，拥有电力等独特优势，AI更多被视为提升全要素生产率的工具，而非单纯的劳动力替代，结构性机会在于场景的丰富度和对生产性服务业的改造空间，这意味着中国市场的AI投资逻辑将更多围绕"产业赋能"和"软硬结合"展开。

　　过去几年，对AI链的跟踪、理解给投资者带来了明显的"认知alpha"。AI革命毫无疑问仍是最重要的时代主题，但随着相关标的估值大幅抬升，AI新兴龙头IPO在即的环境中，叙事变化很可能加快，对投资将带来更大挑战。

（文章来源：华泰证券）