AI Investment Enters an 'Era of Divergence': The Six Most Contentious Questions on Wall Street

AI 主題的麻煩，已經從 “有沒有"演變成"誰來贏”，每一個利好旁邊，都站着一個相反敍事。隨着敍事不斷分裂，同一批利好數據正在被市場同時解讀成買入理由和賣出理由。

據追風交易台，巴克萊美國軟件分析師 Raimo Lenschow 在 8 月 3 日的一份研究中寫道：“在與投資者討論 AI 主題時，我們面對的許多擔憂彼此矛盾。” 這句話基本概括了這輪 AI 交易的尷尬：市場不是沒有共識，而是同一批共識之間無法同時成立。

雲廠商資本開支創新高，可以證明需求真實；也可以證明資產負債表承壓。大型 SaaS 股年初至今普遍跌超 20%，遠遜於標普 500 同期 11% 的漲幅，但 ServiceNow 的最新季報依然紮實，經營數字並未同步惡化。基礎模型估值高企，與此同時開源大模型持續放量。這些本該互相印證的信號，正在互相抵消。

例如，個股層面，Oracle 和 Microsoft 處在兩種不同的壓力裏。Oracle 因為資本開支太大、資產負債表承壓被懲罰；一旦市場擔心增長放緩，又會因為 “增長不夠” 被懲罰。Microsoft 的處境稍好，但也被夾在兩端：一邊有人嫌 AI 動能不夠強，另一邊長線資金擔心鉅額資本開支的投入資本回報率。

軟件板塊的矛盾更直接。大型 SaaS 股年初至今普遍至少下跌 20%，同期標普 500 上漲 11%；但 SaaS 公司的經營數字並沒有同步惡化，ServiceNow 幾周前的業績還相當紮實。市場現在押注的是 “AI 會顛覆軟件”，卻還沒看到足夠的財務證據證明大型 SaaS 平台正在被真正撬動。

AI 資本開支最早被視為需求強勁的直接證據。Oracle 等股票一度因此大漲，市場邏輯是：越敢擴建數據中心、越敢採購算力，越説明背後的訂單和雲需求真實可信。

但債務市場開始重新定價後，這套邏輯發生了反轉。AI 基礎設施擴張背後需要債務和租賃等融資安排，融資規模越大，資產負債表壓力越顯眼，"少花錢"反而變成了加分項。

隨後，Google GCP 和 Amazon AWS 在上個季度交出雲增長加速的成績單，情緒又擺回需求強勁的一側。最近數週，半導體週期和"AI 能否以更低成本實現"的討論升温，擔憂再度迴歸。

結果是：同一筆資本開支，既可以被解讀成增長投入，也可以被解讀成財務風險。市場尚未決定到底獎勵哪一個。

Oracle 處在最難的位置。資本開支高時，市場擔心資產負債表；增長預期被下修時，又擔心 AI 故事不夠硬。兩種懲罰疊加，且邏輯上並不完全自洽。

但 Oracle 的處境也有另一面。它在雲計算上起步較晚，AI 基礎設施擴張給了它一次追趕窗口，因此它必須比部分同行更為激進。如果未來新數據中心建設遭遇越來越多的選址和電力阻力，已經提前鎖定站點和容量的公司反而可能具備先發優勢。

Microsoft 的處境相對從容。Azure、Copilot 和 Office 365 共同提供了多條參與 AI 增長的路徑，不必在每一個 AI 賽道上都做最激進的押注。這反而帶來了新的兩面質疑：嫌它動能不夠快，以及擔心其鉅額資本開支的投入資本回報率依然不夠清晰。前者嫌它不夠激進，後者擔心它已經太激進。

大型 SaaS 股的跌幅已經隱含了相當沉重的悲觀預期。年初至今至少下跌 20%，遠遜標普 500，説明市場正在對軟件商業模式本身重新定價——而不只是在調整估值倍數。

問題在於，經營數據還沒有配合這種定價。ServiceNow 最新季度業績表現紮實，至少到目前為止，大型 SaaS 平台並未出現客户流失和收入侵蝕的財務證據。

真正需要驗證的是兩件事：第一，大型 SaaS 平台是否真的容易被替代；第二，這些公司能否把 AI 轉化為產品升級和定價升級，而非被 AI 壓低基於席位制的收入。部分公司已經開始轉向更多按使用量計費的模式，這使得"AI 取代 SaaS"的路徑變得遠比想象中曲折。

這是 AI 交易中邏輯張力最大的一組矛盾。

如果 AI 真的要替代現有軟件體系，本質上是在重建整個當前的軟件棧，這本身就需要大量 AI 算力。尤其是當前大量 AI 工作負載仍集中在訓練側，尚未全面轉向推理側，若未來推理需求大規模爆發，算力需求並不會自然消失。

市場必須在兩個敍事之間做取捨：要麼 AI 對軟件的衝擊沒有想象中快，SaaS 平台仍能守住相當大一部分價值；要麼 AI 真要重寫軟件世界，那就很難同時斷言未來 AI 容量將明顯過剩。"AI 殺死軟件"和"AI 基礎設施泡沫"這兩句話，無法同時被推到極致。

基礎模型層存在一組同樣難以調和的矛盾。一方面，基礎模型廠商享受高估值，隱含的是它們將捕獲 AI 產業鏈中相當大一部分經濟價值。另一方面，開源模型、多模型配置、小模型和專用模型的討論不斷升温，暗示模型能力正在走向商品化。

近期的新聞進一步放大了這種分裂。OpenAI CFO Sarah Friar 對員工表示，7 月份的年化經常性收入已超過整個二季度，增長動能來自 GPT-5.6 系列、企業 Agent 產品 ChatGPT Work 以及 AI 編程工具 Codex——這為"前沿閉源模型仍有收入爆發力"提供了支撐。

但與此同時，Moonshot AI 的 Kimi K3 以 2.88 萬億參數發佈，被稱為截至當時規模最大的開源 AI 模型，採用 MoE 架構，支持 100 萬 token 上下文窗口和原生多模態能力。開源大模型持續放量，正是基礎模型商品化敍事最核心的燃料來源。

Microsoft 等大科技公司正在加大對多模型配置的強調。如果模型層加速商品化，單一閉源基礎模型的定價權將被明顯削弱；如果當前估值成立，模型層就不該快速退化為普通基礎設施。兩者之間，市場還沒有選邊。

近期幾條企業 AI 動態，共同勾勒出一幅比 “模型軍備競賽” 更復雜的圖景。

Elastic 與 OpenAI 擴大合作，將 OpenAI 模型與 Elasticsearch 結合，重點落在企業數據檢索、搜索、治理、權限控制，以及降低不必要的數據傳輸和 token 成本。Snowflake 推出 Cortex AI Gateway，目標是管控 AI Agent 訪問企業數據和工具的方式，同時防止企業成本失控，並引入了 1Password、SailPoint、Saviynt 等身份與安全合作方。

這兩個案例的共同關鍵詞，不是算力，而是權限、信任模型和成本上限。企業 AI 採購的核心考量，正在從"模型能力"向"治理、安全和可控成本"遷移。

這也是當前 AI 投資最深層的分歧所在：多頭敍事並非沒有邏輯，空頭擔憂也並非憑空而來。真正的問題已經不是"AI 有沒有用"，而是誰最終拿走 AI 帶來的收入增量，誰來承擔 AI 擴張累積的成本風險。推理收入爆發與 token 價格走低，AI 帶來的通縮效應與電力、數據中心成本上漲，贏家通吃與進入門檻下降——每一組對立，都還懸在空中，等待數據來裁決。