报告指出，AI 仍在推动资本支出、科技企业利润和半导体股上涨，但产业链内部已出现明显分化：负责销售芯片和设备的公司继续繁荣，承担巨额投资并负责将 AI 转化为收入的超大规模云厂商，股价和自由现金流却开始承压。
与此同时，来自中国和美国的新一代低成本模型正在迅速缩小与 OpenAI、Anthropic 之间的性能差距。
随着模型价格不断下降、企业自主训练能力增强，基础模型和 Token 可能逐渐商品化，AI 产业的利润分配格局也可能随之改变。
AI 产业链出现类似互联网泡沫后期的分化
Cembalest 指出，繁荣周期中最值得警惕的阶段并非所有企业同时转弱，而是最接近最终需求的公司已经见顶，资本开支的上游受益者却仍在上涨。
类似现象曾出现在 1999 年至 2000 年的互联网泡沫后期。
当时，Verizon、AT&T、WorldCom、Sprint 等通信服务商率先走弱，但思科（Cisco）、诺基亚、北电网络、高通和摩托罗拉等设备供应商股价仍继续攀升。以思科和 Verizon 为例，在 Verizon 股价基本停滞后，思科依然经历了一轮大幅上涨，直到泡沫最终破裂。
报告认为，当前 AI 产业链正在呈现相似结构。
英伟达、美光、博通和应用材料等半导体及设备企业处于产业链 " 车尾 "，受益于云计算公司的持续采购，股价和自由现金流快速增长；谷歌母公司 Alphabet、亚马逊、微软、Meta 和甲骨文等超大规模云厂商则位于 " 车头 "，它们需要承担数据中心、芯片、电力和软件方面的巨额投入，但股价表现趋于停滞，自由现金流显著下降。
半导体企业当前的高增长在本质上依赖下游客户继续扩大资本支出。如果云厂商无法通过 AI 服务获得足够收入和利润，投资回报率持续下降，上游芯片和设备需求最终也可能受到影响。
换而言之，AI 投资周期的风险，可能首先反映在云厂商现金流上，随后才传导至半导体产业。
谁来为不断扩大的 AI 投资买单
报告还关注到科技行业与其主要客户之间的盈利背离。
历史上，美国科技企业盈利增长通常与金融、制造、媒体、运输和医疗保健等大量采购技术设备和软件的行业较为同步。
但近期科技行业利润继续快速上升，这些高度依赖技术的客户行业却没有出现同等幅度的盈利改善。Cembalest 由此提出一个关键问题：如果科技公司的主要客户没有赚到更多钱，未来谁来为 AI 设备、软件和云计算服务买单？
这一问题直指 AI 商业化的核心矛盾。
当前 AI 产业的资本投入主要集中在芯片、服务器、数据中心和模型训练环节，但最终仍需要依靠企业客户提升效率、降低成本或创造新增收入来收回投资。如果 AI 只能推动基础设施供应商盈利，却不能改善使用者的利润率，那么当前资本开支增速就难以长期维持。
与此同时，市场本身也已积累较高涨幅。
报告统计了自 1928 年以来标普 500 指数所有连续四年周期的表现，以 2022 年为起点的本轮行情已经远远进入历史表现最好的前 10%。
这并不意味着美股会立即见顶，但在估值和累计回报已经较高的情况下，投资者对 AI 盈利兑现速度的容忍度可能明显下降。
AI 模型价格战：压力同时来自中美
除资本开支风险外，AI 基础模型市场也正在进入新一轮价格战。
报告指出，竞争压力不仅来自中国企业，也来自 Meta、SpaceXAI 和 Thinking Machines 等美国公司。
Meta 的 Muse Spark 1.1 和 SpaceXAI 的 Grok 4.5 均为封闭模型，其运行成本仅为 Claude 和 GPT 系列的一小部分，但综合性能差距相对有限。
虽然基准测试无法完全代表模型在真实场景中的表现，但对于企业客户而言，只要低价模型能够完成特定任务，首席财务官就有动力将部分工作负载迁移至更便宜的平台。
事实上，这种趋势已经开始发生。
根据 OpenRouter 数据，自 2026 年 2 月以来，美国企业使用中国模型所消耗的 Token 占比一直超过 30%，近期一度达到 45%；按不同统计口径计算，中国模型在 OpenRouter 上的查询量和 Token 使用占比已达到 30% 至 60%。
价格战对前沿实验室尤其不利，因为两大头部 AI 公司 OpenAI 和 Anthropic 尚未证明其商业模式能够稳定盈利。
报告援引 Empirical Research 的估算称，OpenAI 运营亏损可能在 2027 年达到 600 亿美元，并在 2028 年扩大至 850 亿美元。在仍需投入巨额资金训练模型和购买算力的情况下，模型价格持续下降将进一步推迟盈利时间。
衡量模型竞争力应看 " 每项任务成本 "
月之暗面推出的 Kimi K3 是报告重点关注的中国开放权重模型。该模型拥有 2.8 万亿个参数，是目前规模最大的开放权重模型，而 Anthropic 旗下 Claude Opus 4.8 约为 1.5 万亿个参数。
Kimi K3 每百万输入 Token 收费 3 美元，每百万输出 Token 收费 15 美元。
相比之下，Anthropic 的 Claude Fable 输入和输出价格分别为 10 美元和 50 美元，OpenAI 的 Sol 则分别为 10 美元和 45 美元。如果 Kimi K3 的真实性能接近这两款模型，其价格折扣将十分显著。
不过，报告强调，比较模型经济性不能只看 Token 单价，更应该观察完成一项任务的总成本。部分低价模型可能需要消耗更多 Token 才能得到相似结果，但即使采用 " 每项任务成本 " 衡量，Kimi K3 仍表现出较强竞争力。
这意味着美国前沿实验室难以仅依靠更高的 Token 效率抵御低成本模型冲击。
报告还指出，稀疏架构、KV 缓存压缩、量化和推理效率等领域的大量近期创新来自中国。中国模型的竞争优势因此不仅体现在人工成本或定价策略上，也逐渐延伸至模型架构和推理效率。
Inkling 推动企业从购买模型转向自主训练
美国开放权重模型同样可能改变行业格局。Thinking Machines 于 7 月推出的 Inkling 拥有 9750 亿个参数，但每次查询仅激活约 410 亿个参数，因此实际运行成本低于其总规模所显示的水平。
Inkling 可以处理文本、图像和音频，支持最高 100 万 Token 的上下文窗口，并允许用户调节推理强度，在准确性、速度和成本之间进行选择。公司还推出了成本更低的 Inkling-Small 版本，并通过 Hugging Face 发布，Databricks 成为首发合作伙伴。
更重要的是，Thinking Machines 试图推动企业利用 Tinker API 和内部数据训练自己的开放模型，而不是完全依赖 OpenAI 和 Anthropic 提供的通用服务。桥水基金披露，其利用 Tinker 训练的新闻过滤模型，在准确率上超过 Claude Opus 4.8 和 GPT-5.5，同时成本明显更低。
这种模式可能改变 AI 企业的竞争重点。未来企业未必需要持续采购性能最强、价格最高的通用模型，而可以选择较便宜的开放模型，再通过自身数据进行定制。
前沿实验室原本依赖技术领先和封闭生态获得高溢价的商业模式，可能因此受到削弱。
