不浪费每一次危机7月去杠杆之后，重新理解 AI 资本循环

危机之后，四个判断反而更清楚

7月最重要的不是证明AI永远不会下跌，而是第一次把拥挤交易、产业需求、资本结构和股东回报放进同一场压力测试。

7月首先击穿的是杠杆与拥挤仓位

7月17日，费城半导体指数当周下跌约10%，较6月底历史高位回落逾20%，进入技术性熊市。随后披露的信息进一步说明，这次调整不只是普通获利回吐：高杠杆AI组合出现保证金压力，部分资金被迫出售持仓。到8月14日，Reuters披露Jane Street在7月承受约150亿美元损失，其中涉及对AI主题基金Situational Awareness的敞口和更广泛的AI股抛售。

因此，7月以后最重要的验证不是问“AI股票为什么跌”，而是把三类变量拆开。第一类是市场结构：融资余额、杠杆ETF、期权、风险预算和强平；第二类是估值：长期利率和盈利预期共同决定折现；第三类才是产业基本面：云需求、GPU利用率、HBM与存储价格、光互联订单、数据中心上线和电力约束。价格可以同时受三层影响，但三层的投资含义完全不同。

从“缺GPU”走向一整套AI资本循环

AI真正消耗的从来不只是芯片，而是一整套物理资源与资本资源。GPU供应改善以后，瓶颈并没有消失，而是在产业链上迁移。

股价崩塌之后，需求端并没有给出同步崩塌的证据

Hyperscaler：资本开支仍然由真实需求牵引

Microsoft FY2026 Q3给出的信息很有代表性：Azure增长40%，当季新增约1GW容量，强劲需求继续超过可用供给；当季Capex为319亿美元，其中约三分之二用于GPU、CPU等短周期资产。公司预计2026自然年Capex约1900亿美元，即使继续加快GPU、CPU和Storage上线，仍预计至少在2026年内处于容量受限状态。

Amazon则提供了另一个交叉验证。Q2 2026 AWS收入增长37%，公司把2026 Capex预期提高到约2200亿美元。重要的并不是数字本身，而是管理层强调投资针对已经存在的需求，未来一部分容量已被客户提前锁定。这让“AI Capex是不是纯粹过度建设”这个问题进一步转向“这些Capex何时进入收入、毛利和自由现金流”。

竞争单位：从Chip走向System

NVIDIA、AMD以及Google/Amazon/Meta的ASIC路线越向系统级推进，芯片本身越只是AI Factory的一部分。未来竞争更接近GPU/ASIC、CPU、HBM、NIC、Switch、Scale-up、Scale-out、Storage、Power、Cooling与Software的整体效率竞争。因此，ASIC份额上升与GPU收入继续增长并不矛盾：当总计算需求增速高于份额迁移速度，两者可以同时发生。

IREN、NBIS、CRWV、Oracle：表面都卖算力，底层资产完全不同

“AI Cloud”不是一个同质化行业。客户结构、电力来源、资产所有权、融资方式、软件能力和利用率差异，会把同样的GPU转化成完全不同的股东回报。

真正的问题：1MW到底创造多少股东价值？

“5GW、10万块GPU、1000亿美元Backlog”都属于规模语言。要比较不同AI Cloud，必须统一分母。我更倾向于把1MW IT Load作为最小分析单位，然后把物理容量一路转换成可计费计算和股东回报。

四个最敏感的变量

因此，未来最有价值的AI Cloud不一定是“GPU最多”的公司，而是能够以最低综合成本、最高有效利用率运营GPU，同时让折旧后的利润和FCF持续增长的公司。

融资已经成为AI产业链本身

AI数据中心是极端资本密集型资产。股权、可转债、优先股、企业债、项目融资、ABS、GPU抵押融资、租赁和客户预付款，已经不只是财务部门的事情，而是决定竞争力的一条隐藏产业链。

光互联的研究已经从“需求确认”转向“利润池向哪里迁移”

过去两年，AI光互联最重要的问题是：GPU集群扩张是否真的需要更多光。到现在，这个问题的确定性已经明显提高。800G向1.6T升级、Scale-out带宽增长、未来NPO/CPO演进，使光连接逐渐从技术路线进入收入和利润表。

Lumentum最新季度收入约10.1亿美元，同比增加超过一倍，非GAAP毛利率达到50.4%。Coherent、Lumentum、AXT等上中游公司持续扩充Laser、InP相关能力，说明投资问题已经开始从“光模块数量增加”向更上游的光源与材料稀缺性迁移。

为什么不能简单地说“光互联都受益”

AI正在重塑存储周期：从“纯商品周期”走向“结构成长 + 供给周期”

Samsung、SK hynix、Micron、Kioxia、SanDisk放在一起看，比单独看一家财报更有价值。共同信号是：AI不只消耗HBM，也在推高Server DRAM与Enterprise SSD需求。训练数据、Checkpoint、向量数据库、推理缓存和更长上下文，使“计算扩张”继续传导成“数据存储和数据移动扩张”。这意味着存储的周期属性并没有消失，但需求底盘已经不再只是PC、手机和传统消费电子。

因此，未来不能再用一句“存储是周期品”概括所有产品。HBM更接近高认证、高性能、供给受多重约束的结构成长品类；Server DRAM处于结构成长与传统供需周期之间；Enterprise SSD受AI Data Lake、Checkpoint与推理缓存拉动，但仍受到NAND供给周期影响；Commodity NAND的价格弹性和库存周期仍然最强。

商业模式本身也在变化。长期采购、锁量、客户认证、预付款、价格保护或多年协议提高了需求和供给的可见度，也可能降低传统Memory Cycle的盈利振幅。周期不会因此消失，但厂商从“现货价格完全主导”向“合同质量与产品组合共同决定利润”迁移的可能性正在提高。

企业AI真正的障碍，不只是模型能力

7月底围绕Microsoft的研究把企业AI问题进一步具体化。企业并不是“不知道AI强”，而是面临三个现实障碍：第一，不知道怎样把自己的工作流拆成Agent可执行的流程；第二，难以向董事会证明AI投入的ROI；第三，企业最有价值的数据、经验与权限体系不能因为接入AI而失控。

为什么Agent会改变算力需求结构

Chatbot典型路径是“提问 → 回答 → 结束”。Agent则需要规划、工具调用、读取结果、重新推理，并可能持续运行。未来衡量AI需求，一个比DAU更有解释力的变量可能是Token / User / Day，进一步甚至是Agent Compute Hours / User。

Space、Physical AI与RWA：高潜力，但必须区分“已确认”与“期权价值”

Space Economy

SpaceX、Rocket Lab、MDA、Globalstar等研究把产业链从“火箭发射”扩展到Launch、Satellite Bus、Satellite Manufacturing、Connectivity、Defense和未来Space Compute。对SpaceX而言，Starlink现金流与Starship运输能力已经属于实质资产；Mobile业务、AI Compute和Orbital Compute则需要分别按验证程度处理，不能把远期想象直接资本化。

Physical AI

机器人和自动驾驶下一阶段的关键也不是demo，而是部署数量、uptime、cycle time、人工替代效率和客户ROI。只有当物理AI进入真实生产流程，才会形成持续的机器人硬件、边缘算力和工业软件需求。

Stablecoin / RWA / Agent Payment

Crypto研究正在从币价转向发行、托管、结算和支付基础设施。Stablecoin一端连接美国短期国债，另一端可能连接未来Agent-to-Agent和机器支付。但现阶段更适合把“Agent Payment”归类为High Optionality / Low Verification，真正要看的是结算GMV、API调用支付、商户采用和take rate。

AI已经无法脱离利率、美元与日元Carry单独研究

AI Data Center是极端资本密集型资产，因此宏观会直接进入产业经济学。Fed决定短端融资条件；US10Y/30Y影响长期折现率与项目资本成本；信用利差直接影响NeoCloud再融资；日本利率与USDJPY则可能通过Carry Trade影响全球高Beta资产的杠杆环境。

经历7月以后，我更愿意用十三个问题筛选公司

AI仍然是技术革命，但股票最终是一项资本配置。研究不能停在“谁最AI”，而应该追问稀缺性如何穿过利润表和资产负债表，最后变成股东回报。

哪些证据会让我改变判断？

研究越深入，越容易只寻找支持自己的证据。因此每条主线都必须提前写出Kill Criteria。

下一阶段，研究应该进入“持续校准期”

经历一个多月的密集研究之后，最重要的不是继续无限增加新公司，而是让几个核心面板持续更新，用事实强化或削弱既有论点。

危机不会替投资者给出答案，但它会让真正重要的问题变得更清楚。

主要来源与证据边界

文中“Power-Ready MW可能成为领先资产指标”“利润池可能向上游Laser/InP迁移”“Agent Compute Hours / User”“Space Compute”和“Agent Payment”等属于Kerwin推演或前瞻假设，需要用后续财报、订单、价格、利用率、合同和资本回报持续验证。

下一条研究路径

《杠杆的影子：从黄金闪崩到全球AI资产的24小时清算链》 — 先理解7月危机为什么会形成跨资产去杠杆。

《AI全产业链财报专题：2026年7月以来，景气扩散与利润兑现》 — 再用财报验证危机以后产业需求是否同步恶化。

《AI Cloud双代际单位经济模型：GB300 vs Vera Rubin》 — 最后把产业需求落到1MW、Capex、ARR和回本期的可计算模型。

《用一支手电筒，理解AI光互联产业》 — 从基础物理机制理解Laser、EML、CW、WDM、CPO、OCS与InP。

《AI记忆体大迁徙：HBM、NAND与CMX》 — 继续追踪AI从计算向存储扩散的二阶需求。