AI 基础设施商品化狂潮：为什么这轮泡沫和 2000 年互联网泡沫本质不同

2000 年 3 月，纳斯达克指数冲上 5048 点。那一年，只要你名字里带个 ".com"，估值就能翻十倍。思科市盈率 100 倍，Yahoo 烧钱烧到投资人睡不着觉。然后，泡沫破了。

二十五年后的今天，AI 赛道又出现了相似的叙事：GPU 租赁公司估值飞天，基础模型公司融资金额一个比一个离谱，H100 的等待名单排到 2027 年。一切看起来都在重复。

但我想说一个反直觉的判断：这一轮 AI 基础设施热潮，本质上和 2000 年那轮互联网泡沫完全不同——这次的泡沫有真实的根，而不只是叙事。

一、互联网泡沫：需求是真的，但供给严重过剩

2000 年的互联网，需求端是真实的。越来越多的人开始上网，电子邮件、搜索引擎、门户网站的需求是实打实存在的。

问题出在供给侧：太多公司在建完全相同的东西。1999 年到 2001 年间，美国注册了超过 7000 家 .com 公司，其中 90% 做的是同一件事——"把某某行业搬到网上"。结果就是供给严重过剩，赢家通吃，剩下的全成炮灰。

泡沫破裂之后，真正活下来的公司有几个共同特征：网络效应、边际成本趋零、轻资产业务模式。Amazon、eBay、Google 是其中的幸存者——不是因为它们幸运，而是因为它们的商业内核在泡沫破裂后依然成立。

二、AI 基础设施热潮：这次不一样在哪

2025-2026 年的 AI 基础设施热潮，有两个和当年完全不同的底层逻辑。

1. 需求是结构性的，不是周期性的

2000 年的互联网需求增长很快，但本质上还是线性的——更多的人上网，更多的商务搬到线上。

AI 的需求曲线不一样。它不是"更多的人用同一个东西"，而是"同一个东西在越来越多的场景替代人工"。从代码生成到客服对话，从医学影像分析到材料科学发现，AI 正在渗透的是每一个行业的核心生产环节。

这不是互联网那种"更高效的渠道"逻辑，而是"更高效的生产力"逻辑。两者听起来差不多，实际上天壤之别——渠道优化带来的是效率提升，生产力替代带来的是经济结构的根本性重构。

举一个具体的数字：2025 年全球 AI 推理算力的需求增速，是全球数据中心 GPU 供给增速的三倍以上。这个供需缺口，不是某一年能填平的。

2. 算力已经事实上面向 B 端定价

2000 年互联网泡沫里，最贵的是"概念"——.com 这个标签值钱，但实际的计算资源、带宽、存储都是标准品，价格透明，不存在稀缺性溢价。

今天的 AI 算力完全不同。H100、A100 这些高端 GPU 已经成为事实上的战略资源，其定价权掌握在英伟达手里，且短期内看不到有效替代。云计算厂商可以将 GPU 资源打包成 API 服务卖给企业，这个链条里每一个环节都有明确的商业化路径。

换句话说：这轮的泡沫，有真实的成本结构支撑。哪怕估值过高，背后的算力消耗是真实的，客户付费是真实的，商业逻辑至少在短期内是自洽的。

三、危险的信号：基础设施的"军备竞赛"已经过头

但我并不是在说这一轮没有泡沫。恰恰相反——泡沫已经出现了，而且就在基础设施这一层。

几个危险的信号：

第一，GPU 堆积的速度远超实际需求落地速度。 2025 年全球 AI 芯片投资额超过 5000 亿美元，但同年 AI 应用层产生的可变现收入，乐观估计不超过 500 亿。10:1 的投入产出比，说明大量的资本沉淀在了基础设施层，而非流向真正创造价值的应用层。

第二，模型公司的"流血上市"和烧钱速度已经不可持续。 头部基础模型公司的单次训练成本已经突破 5 亿美元，而全球能够为这个成本提供商业回报的市场，目前还极度分散。这不是说这些公司没有价值，而是说它们的 IPO 或者下一轮融资，将面临前所未有的市场审视。

第三，"AI 基础设施"概念的泛化已经让这个词失去意义。 现在连给数据中心提供电力维护的公司都开始叫自己"AI 基础设施公司"了。这种概念泛化，是泡沫后期的典型特征。

四、应用层才是真正的金矿——但窗口期正在收窄

说了这么多基础设施的问题，我真正想论证的是：AI 应用层的价值，远没有充分释放。

当下的 AI 应用市场，有个很形象的比喻——"挖金热里的卖铲人已经赚翻了，挖到金子的还在少数"。

真正赚到钱的 AI 应用，集中在几个已经成熟的赛道：编程辅助（GitHub Copilot、Cursor）、客服自动化、AI 写作助手、AI 图像生成。这些赛道的共同特点是：有清晰的付费意愿、有高频的使用场景、有明确的 ROI 衡量标准。

但还有大量行业，AI 渗透率极低。不是因为技术不行，而是因为：

• 数据孤岛：行业数据分散在各个系统里，AI 拿不到足够的高质量训练数据
• 合规风险：医疗、金融、法律等行业有严格的监管要求，AI 落地需要额外的合规成本
• 工作流复杂：越是专业的行业，工作流越复杂，AI 介入需要深入的行业理解，不是靠通用模型能解决的

这三个问题，每一个都是真实的机会窗口。但每一个的解决路径，都需要时间和行业深耕。

五、对普通创业者的建议：别在大厂火力范围内建墙

2026 年的 AI 创业，有一个残酷的现实：基础模型层已经被大厂瓜分完毕。OpenAI、Anthropic、Google DeepMind、Meta AI、DeepSeek、百度文心、阿里通义——这些玩家在模型能力上的军备竞赛，个人创业者和中小企业根本插不进去。

这不是劝退，而是说战略选择很重要。

有几个方向，我认为依然有窗口：

垂直领域的 AI Agent——不是做通用的 AI 助手，而是做特定行业（比如法律合同审查、制造业质量检测、医疗影像初筛）的 AI Agent。壁垒在于行业 Know-how 和数据积累，不在于模型本身。

AI -native 的工作流工具——不是把现有软件加个 AI 按钮，而是从第一天就围绕 AI 能力设计产品逻辑。比如 AI-first 的 IDE、AI-first 的数据分析平台、AI-first 的内容创作工具。

模型部署和优化服务——帮企业把大模型私有化部署、量化压缩、成本优化。这个市场会随着开源模型的普及越来越大。

AI 时代的新职业培训——随着 AI 工具的普及，"如何用好 AI"正在成为和"会用 Office"一样的基础技能。这个市场的体量可能被严重低估。

结语

AI 基础设施的商品化狂潮，是真实需求驱动的结果，但它正在走向过热。这个过程中会死掉大量的 GPU 租赁公司、基础模型创业公司和蹭热点的"AI 概念股"。

但活下来的基础设施公司和找到真实应用场景的 AI 应用公司，将会在一个比今天大得多的市场中，占据真正的制高点。

泡沫会破裂。但这一次，废墟里会长出真正的东西。

---

本文为个人观点，仅供参考。