投資策略
閲讀需時1分鐘
人工智能是否存在泡沫?通過 5個思路尋找答案
卓智匯見
-
02
要點
人工智能帶來的顛覆不可避免,但對人工智能導致大規模失業的擔憂被誇大了。
三大制約因素將決定人工智能轉型的路徑:模型能力邊界、基礎設施需求,以及監管、組織和社會政治層面的阻力。
半導體、數據中心和電網的瓶頸,為那些建設人工智能基礎設施的企業創造了投資機會。
沒有人知道人工智能(AI)的故事將如何收場。但顯而易見的是,AI是投資者需要理解、評估並據此布局的關鍵宏觀經濟與市場主題。
人工智能是全球地緣分化、通脹之外的第三大驅動力量,三者共同塑造著新的市場格局。我們在《年中展望》中深入探討了這些主題,並提煉出可實操的投資建議。
在此,我們聚焦於AI敘事中一個備受廣泛討論(有時甚至充滿爭議)的側面:AI對勞動力市場的潛在影響是什麼?
去年秋季,市場的主流聲音截然不同——當時AI的空頭觀點只聚焦於一個問題:人工智能是否存在泡沫?短短數月之後,情況急轉,焦點變成了AI的潛在風險。主流觀點(我們稱之為「人工智能極端派」)認為,AI技術進步如此之快,勞動力市場來不及做出調整。1 在最極端的情景下,AI的普及將引發大規模失業,其嚴重程度堪比AI時代的「大蕭條」。
毫無疑問,人工智能將重塑經濟和勞動力市場。沒錯,技術正在飛速發展。但我們認為,三大限制因素將使從舊範式向新範式的過渡變得可控(按制約程度從弱到強排列):
我們認為,經濟和社會將避免最壞情形的發生。
事實上,我們認為當前市場敘事過分關注將被顛覆的事物,而對正在被創造的新事物關注不足。投資者低估了風險資產最樂觀的情形:AI將以一種可控的節奏提升經濟生產率與企業利潤,為勞動力市場的重構創造條件。
AI顛覆是否失控?那完全是另一回事了。
AI模型公司Anthropic的行政總裁達里奧·阿莫迪(Dario Amodei)描繪了一幅非常暗淡的圖景,引發了廣泛關注。他警告稱,未來1至5年內,AI可能會取代一半的入門級白領崗位,並將失業率推高至10%–20%。2 假設沒有任何對衝力量(如新行業創造的就業機會或政府干預),這將意味著淨損失1,000萬至2,500萬個就業崗位,經濟很可能遭到重創。
歷史經驗顯示,技術範式的更替往往伴隨著崗位的淘汰。在過去數十年的範式變革中,每年平均有20萬至30萬勞動者被取代。
20世紀80年代個人電腦的興起和90年代互聯網的發展深刻影響了勞動力市場,其中印刷媒體、實體零售和廣告業的變化最為顯著。經濟學家估計,僅互聯網的興起就導致約600萬勞動者失業。3
勞動力市場的調整通常通過任務重構、行業擴張、地域流動和新企業成立等多種方式綜合實現。互聯網或許導致了350萬人失業,但它也催生了近2,000萬個新工作崗位——這些崗位在20世紀90年代初幾乎不可想像(例如電子商務物流和數碼營銷)。4
人工智能極端派認為,「這次不一樣」,因為技術進步的速度極其迅猛,勞動力市場將難以及時適應。
我們不同意這種觀點。我們認為,我們所提及的三大制約因素——AI模型的能力、實物基礎設施投資需求,以及監管、組織及社會政治阻力——會減緩轉型的速度,從而使這項技術為投資者帶來的收益超過其成本。
首先來看模型能力這一制約因素。我們承認,每一位大語言模型(LLM)用戶都清楚:AI模型性能持續快速提升。Anthropic最新推出的LLM,Claude Opus 4.6,能夠完成人類專家需要超過12小時才能完成的任務,較2025年12月實現了超過兩倍的效率提升。同樣,其“Claude Code”工具(可將自然語言指令高效轉換為代碼)的使用量正呈指數級增長。在使用GitHub Copilot的開發者所編寫的代碼中,已有近一半由該工具自動生成。5
具備自主完成任務能力的智能體AI (Agentic AI)已成為現實。例如,運輸物流公司C.H. Robinson開發的AI代理,能夠在30秒內提供報價,而人工完成同樣工作需15分鐘。自2022年以來,該公司員工人數每年減少約10%。6
但是,一個崗位是一系列任務的組合,而不是單一能力基準。如果知識工作僅僅是處理詞元(token),那麼GPU(圖形處理單元,驅動AI模型的電腦晶片)將擁有不可逾越的優勢。7
知識型工作者會進行推理。他們依據模糊或不完整的指令行事。他們憑藉多年乃至數十年的訓練積澱、社交直覺、情商、模式識別能力及機構知識,來決定是否致歉、排查故障或升級處理特定事項。推理型AI模型通過檢索歷史數據、迭代不同方法,最終確定最佳方案,以此嘗試複製人類認知。其過往表現好壞參半。
推理模型正在迅速改進,但當要求更高的成功率時,它們的優勢就明顯不那麼突出了。
以Anthropic的Claude Opus 4.6為例。當嘗試執行一項人類專家需耗時兩小時完成的任務時,Claude的成功率為80%。當Claude嘗試更為複雜的任務時(人類專家需耗時12小時完成此類任務),其成功率降至50%。換言之,如果您需要AI在幾乎所有情況下都能成功完成任務,那麼該任務必須足夠簡單。這種局限性或許可以部分解釋,為何Anthropic觀察到的任務替代程度低於模型理論上的潛力。
人力勞動和GPU的市場定價或許提供了最令人信服的證據,表明AI模型仍無法超越知識型員工。
一名年薪7.5萬美元的白領員工,每小時成本約為50美元;根據工作量和晶片類型的不同,GPU的租賃價格約為2.50美元/小時(比例為20:1)。8 因此,僱主從人力勞動轉向AI勞動具有基本的成本激勵。如果AI已經具備大規模取代知識型員工的能力,那麼它早就這樣做了。
目前的證據表明,任務層面的顛覆遠比崗位層面的顛覆更為普遍。這對生產率提升而言是一個積極訊號。
要相信大規模勞動力替代會發生,就必須相信計算和電力基礎設施將發生深刻(且快速)的變革。這種變革或許終將到來,但絕非一蹴而就。
人工智能要求對其基礎設施進行大規模、持續性的投資。一台半導體服務器(包含GPU和內存)部署在數據中心內,該數據中心必須有電力供應、冷卻系統,並連接到更廣泛的網絡。那麼,要取代1,000萬人,我們需要多少塊GPU?
如果假設一塊GPU能夠完美複製一小時的人類勞動,那麼整個經濟體僅需240萬塊GPU就能取代1,000萬名工人。9 然而,根據知識型員工工資和GPU租賃價格隱含的當前20:1的比例,需要近5,000萬塊GPU才能替代1,000萬人的工時。
研究公司Epoch AI估計,美國目前有24座前沿數據中心正在營運、建設或規劃中。10 Epoch AI預測,到2028年底,美國前沿計算集群將擁有略超過2,500萬塊“H100”等效晶片。.11 要使這2,500萬塊計劃中的晶片取代1,000萬名工人——正如阿莫迪等人所討論的那樣,這些晶片需要在略多於10小時的時間內完美複製人類一小時的勞動。
另一方面,如果我們假設晶片銷量的指數級增長趨勢持續,那麼到2028年,超大規模雲端服務商和AI實驗室將擁有近7,500萬塊H100等效晶片。12 這將超過以當前20:1比例取代1,000萬名工人所需的數量,但這一假設的前提是消費者或新模型訓練不使用任何算力。指數級增長的假設與主要半導體製造商當前的市盈率難以吻合。投資者似乎已在定價中計入未來幾年銷售額和盈利的下滑。
假設只有三分之一的算力被用於勞動力替代(與當前情況一致)。13 在這種情境下,晶片需要耗時10小時到略低於3.5小時(取決於採用哪種GPU增長假設)來複製一小時的人類勞動。這將比當前GPU租賃費率所隱含的20:1的狀態有顯著改善。
要相信勞動力市場會受到大規模顛覆,您不僅需要相信模型和半導體性能持續提升,還需要相信一個為期多年的基礎設施投資週期。
從規劃中最大的前沿數據中心(微軟在威斯康星州的Fairwater園區),我們可以窺見基礎設施投資的規模。建設工程於2026年初啟動,數據中心計劃在2027年秋季投入使用。據報道,該設施將耗資超過1,000億美元,容納超過500萬塊H100等效半導體,其耗電量將超過洛杉磯市。14
電力需求是AI基礎設施生態系統中眾多物理瓶頸之一。生產全球90%以上最先進晶片的台積電(TSMC)才剛剛開始擴大產能以滿足激增的需求。15 在能源方面,電網互聯的等待時間為3至5年,而GE Vernova和卡特彼勒等公司的「表後」發電選項的積壓訂單消化時間則為6至7年。16 這些公司還記得2000年代初科技泡沫破裂的後果,因此很可能對擴大自身產能持猶豫態度。
若人類認知真能複製,需要付出什麼代價?智能層面和物理層面的算力需求(包括半導體與模型設計、能源發電與傳輸、內存帶寬、晶片封裝、網絡設備、數據中心冷卻系統等)將是巨大的。
這正是我們認為那些建設AI實物基礎設施的企業具備投資潛力的關鍵原因。事實上,從利潤率和收入增長率等指標來看,它們目前是我們所看到的整個市場中最具吸引力的機會之一。
也許,AI轉型過程中的制度性限制將被證明是AI顛覆性影響的最強大制約因素。這些限制包括監管與法律要求、組織決策與執行,以及社會與政治反彈的可能性。
醫療、金融、法律、教育和政府等行業的監管機構,已成為AI部署過程中的重大掣肘。美國食品藥品監督管理局(FDA)批准AI驅動的診斷工具至少需要12至24個月。17 聯儲局和貨幣監理署等金融服務監管機構,已就AI模型如何在決策中使用提供了明確的指引。18
各行各業對問責與責任的擔憂日益加劇。人類審計師必須理解並評估模型生成結果所使用的方法。
律師必須獨立評估並為其法律意見辯護。會計師必須簽署並認證財務結果。政府僱員必須在行政與法律框架內為其決策提供依據。
這些要求表明,AI將作為決策支持工具而非決策替代者來部署。未來的監管體系和規範或許終將接受AI在目前由人類承擔責任的領域輸出自主結果,但這一時間線很可能要以年為單位來衡量。
監管合規是限制機構採用AI的外部因,而內部因素的影響可能更為顯著。企業需要花費數個季度甚至數年時間來重新設計工作流程、營運架構和決策層級。管理團隊很可能對工作流程自動化持保守態度,直到他們能夠充分理解AI出錯所帶來的潛在責任。如果AI代理在信託情境下給出了糟糕的投資建議,誰應承擔責任?
企業對技術採用的研究表明,從試點到規模化部署通常需要18至36個月,這還只是針對銷售管理軟件等相對常規的技術解決方案。19 最後,數據的準備就緒與整合,對當前在多個遺留系統和格式中存儲紀錄的企業構成了實質性挑戰。
最後,社會與政治層面對AI的抵制可能既強大又具有破壞性。
政策制定者與公民將提出同一個棘手的問題:如果技術推動了經濟增長,那麼增長的紅利由誰獲得?用經濟學家的語言來重新表述這個問題:資本佔GDP的比重,是否會相對於勞動所佔的比重進一步上升?
高收入、高學歷的勞動者,可能發現自己最容易面臨被AI替代的風險。他們中的許多人積極參與政治。如今,美國左右兩翼的政客——從左翼的佛蒙特州獨立參議員伯尼·桑德斯(Bernie Sanders)到右翼的密蘇里州共和黨參議員喬什·霍利(Josh Hawley)——都在就AI問題發出警告。(霍利已將自己定位為2028年「反AI」的總統候選人。)20
在過去一個世紀中,經濟學家和未來學家屢次斷言,創新終將使人類「被淘汰」。對像AI這樣開創性技術的抵制並非新鮮事。
1930年,英國著名經濟學家約翰·梅納德·凱恩斯(John Maynard Keynes)警告稱,經濟將遭受「技術性失業」這一痼疾的折磨。21 1964年,一個獨立委員會敦促美國總統林登·約翰遜(Lyndon Johnson)採用全民基本收入來減輕技術變革的影響。22 1983年,諾貝爾獎得主瓦西里·列昂惕夫(Wassily Leontief)提出,人類勞動將被淘汰,正如拖拉機出現後馬匹被淘汰一樣。23
如果投資者將這些警告視為賣出風險資產的訊號,那將是一個災難性的錯誤。
這些警告忽略了什麼?它們沒有考慮到技術變革推動創新時所創造的新就業崗位。任務和崗位可能會過時——這一點不難想像。而預測未來哪些新的領域和行業需要高價值的人力勞動,則要困難得多。
人工智能正在削弱專業知識的壁壘。這不僅會顛覆我們當前視為「高價值」的知識型工作,更有望催生全新的行業與可服務市場——這些變化在今天幾乎難以預見。
在大型電腦出現之前,銀行的文書人員可能並不認為自己的工作是一種常規性認知任務,但我們今天是這樣定義的。如果那位員工第一次看到電腦追蹤交易,他們可能會作何反應?如今,當AI模型在幾秒鐘內完成曾經需要數小時才能完成的任務時,我們又有何感受?
或許是感到挫敗。但也充滿希望。
AI可以以廣泛受益的方式擴展法律等行業的規模。約92%的低收入家庭的法律需求未得到滿足,40%遇到法律問題的小企業負擔不起律師費用。24 如果AI能夠降低服務這些群體的成本,那麼每個行業的總收入和就業規模可能會擴大,而非收縮。
最後,資本市場可能會為AI的顛覆性影響提供最終的限制。AI投資之所以加速,因為企業高管和投資者相信,這些資本支出將通過生產率提升或新的收入來源帶來正回報。但如果這些預期未能實現——因為對勞動力市場、消費者支出或商業模式的成本超過了收益,那麼為實物基礎設施建設提供融資所需的資本將會消失。
實時監測對AI最敏感行業的裁員公告和勞動力市場數據,將有助於我們判斷勞動力市場的衝擊是否比預期更快發生。
目前,我們自身的AI敘事比市場共識更為樂觀。25 我們認為,當前的主流市場觀點低估了風險資產最樂觀情境的可能性。生產率和利潤可以提升,勞動力市場也可以調整。技術轉型會帶來顛覆,但不一定會造成徹底毀滅。