概述
人工智能投资已经从“是否拥有 AI 故事”的第一阶段，进入“谁能够从 Token 的指数增长中持续获得利润”的第二阶段。过去三年，市场首先交易 GPU、HBM、服务器、网络和数据中心的供给稀缺，随后交易前沿模型、推理模型与 Coding Agent 的能力跃迁。进入 2026 年后，决定股票回报的核心变量正在从模型参数和资本开支规模，转向 Token 的生产成本、任务成功率、用户消耗强度、企业工作流渗透率，以及巨额 AI 投资最终能否转化为自由现金流。
本报告认为，AI 产业和 AI 股票目前并不处于同一个时间周期。大模型、Agent 和多模态产品的技术扩散仍处于早期，企业应用周期处于早中期；但 Hyperscaler 的资本开支周期已经进入中后段，股票估值、市场集中度和交易情绪则更接近牛市后半程。J.P. Morgan Asset Management 估计，五家美国 Hyperscaler 在 2026 年的资本开支约为 6970 亿美元，AI 资本开支占这些公司经营现金流的比例已由 2023 年的约 33%升至预计约 93%。与此同时，标普 500 在 2026 年已上涨约 14%，并于 8 月再次接近历史高位。
因此，更准确的问题不是“AI 是不是泡沫”，而是“AI 产业链的哪些环节已经被过度定价”。AI 技术本身并不是虚假叙事，云收入、Coding Agent 使用量、芯片收入和企业需求都在真实增长；但资本开支、外部融资、数据中心项目、私营模型估值，以及部分高估值二线标的已经出现明显的泡沫化特征。当前最合理的投资策略不是彻底离开 AI，而是从单纯追逐 AI Beta 转向筛选拥有真实现金流、资产负债表、Context、分发与成本控制能力的全栈公司。
在当前价格和周期位置下，本报告认为 Alphabet、Meta、TSMC、NVIDIA、Microsoft 和 Amazon具有相对更好的综合性价比或风险收益结构。其中，Alphabet 的综合赔率最突出；Microsoft 的基本面胜率最高，但潜在估值扩张空间相对有限；Meta 的表面估值和收入增速匹配度较高，但资本开支风险显著；TSMC 是供应链中质量最稳定的“卖铲人”，但需要承担地缘政治尾部风险；NVIDIA 仍是增长调整后最具吸引力的核心半导体标的；Amazon 则拥有较大的 AWS 与 Trainium 可选性，但当前会计利润并不能直接代表正常化估值。
本报告由火币HTX 旗下研究部门 HTX Research 撰写。HTX Research 长期跟踪全球资本市场的结构性变化，关注技术周期、资本开支周期与资产定价之间的相互作用。本报告基于公开财务数据、行业披露和已运行的产业指标，对 AI 产业链各环节的估值状态与风险收益结构进行分析，所提出的判断以周期位置和赔率评估为核心，不构成对任何具体标的的投资建议。
1. 大模型行业的宏观结构与 Token 经济学
1.1 AI 投资正在从算力稀缺进入 Token 价值捕获阶段
1.1.1 三个阶段对应三套不同的投资逻辑
过去三年的美股 AI 交易可以划分为三个阶段。第一阶段是“算力稀缺交易”，市场关注 GPU、HBM、交换芯片、服务器、电力和数据中心，核心问题是产业链能否提供足够的计算资源。第二阶段是“模型能力交易”，市场开始关注 Scaling Law、Reasoning Model、Test-Time Compute、多模态模型和 Coding Agent，核心问题是增加训练与推理计算能否持续提高智能。
第三阶段是当前正在发生的“Token 价值捕获交易”。市场开始要求企业回答：谁能以更低成本生产高质量 Token，谁拥有高价值 Context，谁可以将模型嵌入真实工作流，谁能够把迅速扩张的 AI 收入转化为自由现金流。
AI 产业可以被抽象为一条完整的价值链：
电力与数据中心 → 芯片与网络 → 云计算 → 大模型 → Context 与 Agent → 产品与工作流 → 用户 → 更多 Token 消耗。
未来最重要的问题不再只是 Token 数量是否增长，而是哪一层能够维持定价权、规模效应、客户锁定和资本回报率。
1.2 AI 的第一性原理是计算，而不是连接
互联网时代的价值主要建立在连接之上。搜索引擎连接信息与用户，社交平台连接人与人，电商平台连接商品和消费者，因此互联网公司的增长通常可以通过用户数、流量、转化率、广告加载率和网络效应解释。
AI 的底层逻辑不同。大模型通过芯片、电力、数据和算法生产智能，再通过 Token 将智能交付给用户和软件。其经济过程可以表达为：
Compute → Intelligence → Token → Action → Economic Value。
评价 Token 可以使用“好、省、快”三个维度。“好”代表模型在复杂推理、编程、数学、多模态理解、工具调用和长程任务中的智能水平；“省”代表完成同一任务所需的综合成本，包括 Token、Context、失败重试和人工检查；“快”代表延迟、吞吐量及单位时间完成任务的能力。
在模型能力差距较大时，“好”最重要，因为复杂 Agent 任务中的单步可靠性差异会被多步执行不断放大。当模型进入可替代区间后，“省”和“快”的重要性会迅速上升。企业最终购买的并不是单一 Benchmark 分数，而是每一美元能够完成多少成功任务。
1.3 Token 需求正在从用户增长转向任务强度增长
目前不存在覆盖所有模型公司、云平台和私有部署的统一“全球 Token 消耗数据库”，因此“全网 Token 同比增长接近十倍”不能被视为严格审计数据。但 OpenRouter 的数据可以提供一个具有代表性的观察窗口。OpenRouter 对 2026 年上半年的研究样本已经覆盖超过 450 万亿 Token，而其此前的 State of AI 研究则基于超过 100 万亿 Token 的真实调用数据，反映 Agentic Inference、Coding 和开源模型正在快速扩大使用范围。
普通 Chatbot 的工作方式通常是一轮提问对应一轮回答，而 Agent 会进行任务规划、信息检索、文件读取、工具调用、代码执行、结果检查、错误修复和再次验证。一个复杂 Agent 任务可能连续调用模型几十次甚至数百次，因此即使新增用户增长放缓，单个用户的 Token 消耗仍然可能提高一个或多个数量级。
Coding Agent 已经验证了这一逻辑。Anthropic 在 2026 年 2 月披露，Claude Code 年化收入运行率超过 25 亿美元，较年初翻倍，企业客户贡献超过一半收入；OpenAI 在 2026 年 6 月披露，Codex 周活跃用户超过 500 万，其中约 20%已经是非开发者。
未来更重要的需求指标将不再只是 MAU，而是每用户每日 Token 数量、同时运行的 Agent 数量、平均任务时长、成功任务成本，以及机器实际替代的人类工作时长。
1.4 AI 产业的四重时间周期
1.4.1 技术周期仍处于早期
从技术和产品扩散角度看，AI 远未进入终局。Chatbot 是第一代大模型产品，Coding Agent 刚刚证明模型可以从回答问题升级为持续完成任务。全双工语音、多模态理解与生成、浏览器操作、企业 Agent 和长程 Agent 仍有较大产品化空间。
因此，即使 AI 股票未来出现大幅回撤，也不能简单理解为 AI 产业逻辑被证伪。真实技术革命与股票回报之间经常存在时间错位：互联网最终改变了全球经济，但纳斯达克仍在 2000 年后经历了长期估值消化。
1.4.2 应用周期处于早中期
企业正在从“购买 AI 席位”转向“将 Agent 放入工作流”。OpenAI 的企业数据表明，Codex 在法律、销售、招聘和市场等知识工作中的周活跃用户增速，已经明显高于工程场景，说明 Agent 正从 Coding 扩散至更广泛的企业流程。
但大多数企业尚未完成数据、权限、流程和组织结构的 AI Native 改造。应用层真正的大规模收入和生产率提升，可能仍落后于当前基础设施投资数个季度甚至数年。
1.4.3 资本开支周期已经进入中后段
五家主要美国 Hyperscaler 的 2026 年资本开支预计达到约 6970 亿美元，较年初预测又增加约 1730 亿美元；资本开支占经营现金流比例已升至预计约 93%。市场也开始要求新增 CapEx 必须与收入上调同时出现，否则股票可能因资本回报率担忧而下跌。
这意味着当前已不是 AI CapEx 周期的起点。即使总支出未来仍然增长，资本开支增速、融资质量、云利用率和最终回报率已经成为估值的决定性变量。
1.4.4 股票和情绪周期处于牛市后半程
截至 2026 年 8 月中旬，标普 500 年内上涨约 14%，接近历史高位；J.P. Morgan 将年末目标上调至 8000 点，但同时维持约 20 倍远期市盈率假设，原因包括高利率、地缘政治以及新增债务和股权融资风险。
因此，当前更适合定义为：**长期产业牛市中的中后段定价周期，而不是已经能够确认日期的最终顶部。**接下来最可能出现的是高波动、强分化和多轮估值压缩，而不是整个 AI 产业突然失去增长。
2. Token 商业模式与大模型竞争格局
2.1 市场正在分化为“好 Token”和“性价比 Token”
“好 Token”由前沿模型生产，其价值来自更高的复杂任务成功率、更少的人工复核，以及更强的 Coding、工具调用和长上下文能力。OpenAI、Anthropic 和 Google 仍是最重要的前沿模型提供者。
“性价比 Token”面向大量标准化和成本敏感型任务。DeepSeek、智谱、Qwen 及其他开源模型可以通过低价格、高吞吐量、私有化部署和本地生态获得份额。OpenRouter 的数据表明，低成本开源模型已经成为真实的生产替代，而不是单纯的 Benchmark 展示。
在 Scaling 仍快速推进、模型能力差距显著时，前沿 Token 具有较强的定价权；当模型差距收窄后，每美元性能、推理速度和部署成本将成为更重要的竞争变量。
2.2 裸 Token 类似电力，创造社会价值但未必捕获最高利润
性价比 Token 很容易进入完全竞争。模型结构逐渐趋同，能力可以通过蒸馏、合成数据、Fine-tuning 和开源权重快速扩散，企业还可以通过模型路由在不同供应商之间切换。
前沿 Token 的商业质量更好，但也并非拥有永久定价权。前沿模型一方面受到 OpenAI、Anthropic 和 Google 之间的竞争，另一方面受到低成本模型追赶，还需要承担训练、推理、数据中心和顶尖人才的高额成本。
因此，Token 更像电力。电力推动了整个工业社会的发展，但价值并未全部集中在发电公司，而是扩散至设备、制造、应用和新的商业模式。模型同样可能成为通用生产资料，价值会向芯片、云、企业数据、工作流、产品和分发入口外溢。
长期赢家更可能控制以下完整体系：
Model × Compute × Context × Product × Distribution。
2.3 Anthropic 与 OpenAI：高增长不代表估值没有约束
Anthropic 已经成为 Coding Agent 品类的重要定义者。Claude Code 在 2026 年初的年化收入运行率超过 25 亿美元，周活跃用户翻倍，商业订阅增长约四倍。
但用户材料中“Anthropic 2026 年 6 月底 ARR 超过 690 亿美元”目前缺乏足够可靠的公司正式披露。该数字更适合视为第三方高增长估计，而不是审计事实。Anthropic 在 2027 年底达到 3000 亿美元 ARR、并按照 10 倍收入获得 3 万亿美元估值，应被定义为强 Bull Case，而不是 Base Case。
OpenAI 拥有更强的消费者入口和更广泛的产品矩阵，但同样需要证明收入增长能够转化为推理毛利率和长期自由现金流。对私人模型公司的估值不能只看 ARR，还应考察客户集中度、云厂商议价权、资本开支责任、股权稀释和收入留存。
3. Coding Agent、Context 与下一代 AI 产品
3.1 Coding Agent 是继 Chatbot 之后的第二个超级应用
Coding 同时具备高单位劳动价值、强反馈和高密度 Context。代码可以被编译、测试和运行，模型能够获得比开放式文本生成更明确的反馈；代码库又提供文件结构、依赖关系、历史修改、测试结果和开发规范，使 Agent 可以围绕一个具体环境持续行动。
Coding Agent 因而不只是生成代码，而是能够读取项目、规划任务、修改文件、运行测试、分析错误并不断迭代。其 Token 强度明显高于普通 Chatbot，且这种工作模式正在向研究、法律、金融、销售、招聘和运营等知识工作扩散。
3.2 Context 比单独的 Harness 更重要
Harness 负责连接模型、工具、终端、文件和界面，是 Agent 产品的重要组成部分，但独立复制门槛相对有限。当模型厂商原生加入文件读取、浏览器操作、代码执行、并行 Agent 和长程任务功能后，单独 Harness 很容易受到功能压缩。
真正难以复制的是 Context。Context 包括企业代码库、文档、邮件、会议、客户关系、权限结构、用户历史和业务流程。模型可以更换，但深度嵌入企业数据和工作流的 Context 很难快速迁移。
因此，长期应用壁垒更可能来自：
专有 Context + 深度工作流 + 分发入口 + 持续反馈数据。
3.3 下一代产品将从问答转向持续执行
下一代产品形态将集中在全双工、长程和多模态 Agent。长程 Agent 的关键不是回答更长，而是能够自主运行更久。任务时长从数秒提升至数分钟、数小时和数天，每一次跨越都意味着更多模型调用、工具操作和反馈循环。
这也是为什么 Chatbot 用户增长放缓并不意味着 Token 需求见顶。未来 AI 市场的真正 TAM，可能不再只是软件支出，而是全球知识劳动本身。
4. 美股平台层与云计算核心标的
最新财报显示，Oracle IaaS、Google Cloud、Azure 和 AWS 的同比增速分别约为 93%、82%、43%和37%。各公司的季度和分部定义不同，不能进行严格同口径比较，但共同结论是 AI 云需求仍然强劲。
4.1 Alphabet：全栈程度最高，当前综合赔率最好
Alphabet 控制 TPU、Google Cloud、Gemini、DeepMind、Search、Workspace、Android、Chrome 和 YouTube，形成目前公开市场中最完整的 AI 全栈闭环。
2026 年第二季度，Alphabet 收入达到 1198 亿美元，同比增长 24%；Google Cloud 收入达到 248 亿美元，同比增长 82%，Cloud 营业利润率由 20.7%提升至 35.6%，Cloud Backlog 达到 5140 亿美元。
但 Alphabet 的表面市盈率不能直接使用。截至 2026 年 8 月 14 日，GOOGL 股价约为 345.90 美元，表面追踪市盈率约 17.4 倍；然而公司第二季度其他收入高达 980 亿美元，主要来自股权证券未实现收益，显著放大了净利润。因此，17.4 倍并不代表核心业务的正常化估值。
按照经营利润和正常化税率进行粗略估算，Alphabet 的核心经营估值更接近低至中 30 倍区间，而不是 17 倍。它并非绝对意义上的深度价值股，但相较其全栈能力、Cloud 增速、Search 现金流、TPU 商业化和资产负债表，仍是当前综合赔率最好的大型 AI 平台之一。
Alphabet 的主要风险是 2026 年 CapEx 指引已提高至 1950 亿至2050亿美元，第二季度自由现金流为负58.6亿美元，同时公司长期债务已显著增加。
4.2 Microsoft：最高胜率，但不是最高赔率
Microsoft 控制 Office、GitHub、Teams、Windows、Dynamics、Azure 和企业身份系统，是全球最强的 B 端分发与 Context 平台。
FY2026 第四季度，Azure 年收入首次超过 1000 亿美元，Microsoft 365 Copilot 付费席位超过 3000 万；当季资本开支约 410 亿美元，但仍产生约 196 亿美元自由现金流。
截至 2026 年 8 月 14 日，MSFT 股价约495.40美元，追踪市盈率约29.5倍。
Microsoft 的优势是现金流、企业锁定和商业模式稳定性，因此其基本面胜率可能是核心 AI 平台中最高的。但由于市场已经给予较高质量溢价，而且 Copilot 需要持续证明使用深度和按量收入，其潜在倍数扩张空间可能低于 Alphabet 或 Meta。
因此，Microsoft 更适合作为防守型核心资产，而不是追求最大弹性的标的。
4.3 Amazon：AWS 与 Trainium 提供高可选性，但表面估值失真
2026 年第二季度，AWS 收入达到422亿美元，同比增长37%，AWS 营业利润达到166亿美元。
截至2026年8月14日，AMZN 股价约262.65美元，表面追踪市盈率约21.1倍。但第二季度净利润包含约534亿美元非经营性收益，主要来自 Anthropic 投资，因此21倍同样不能代表正常化经营估值。
Amazon 的投资逻辑不是低市盈率，而是 AWS 增长重新加速、Trainium 降低推理成本，以及模型中立平台带来的长期可选性。其风险是 CapEx、负自由现金流和消费者端 AI 入口仍弱于 ChatGPT 与 Google。
Amazon 的赔率高于 Microsoft，但胜率和财务可见度略低。
4.4 Meta：表面估值最有吸引力，但 CapEx 风险最大
截至2026年8月14日，META 股价约589.85美元，追踪市盈率约22.2倍。2026年第二季度公司收入增长28%至608亿美元，但营业利润同比下降8%，营业利润率由43%降至31%；当季资本开支约311亿美元，自由现金流仅约7.84亿美元。
Meta 的优势是广告效率、全球社交图谱和消费者分发。与 Alphabet 和 Amazon 不同，其表面市盈率并未被巨额未实现投资收益同等程度地扭曲，因此22倍更接近真实经营估值。
如果 AI 能够持续提高广告转化率、用户时长，并推动 WhatsApp、Threads、智能眼镜和个人 Agent 商业化，Meta 具有较好的盈利弹性；如果资本开支持续上升，而外部 AI 收入无法形成，估值可能受到明显压缩。
Meta 是当前“传统盈利估值”与增长匹配度较好的标的，但不适合忽视其资本开支尾部风险。
4.5 Oracle：赔率很高，但胜率明显较低
Oracle FY2026 第四季度 IaaS 收入增长93%，RPO 达到6380亿美元，同比增长363%。但公司FY2026自由现金流为负237亿美元，需要持续融资支持云基础设施扩张。
截至2026年8月14日，ORCL 股价约150.52美元，追踪市盈率约27倍。
如果RPO顺利转化、客户预付款降低资本压力，Oracle 的盈利弹性可能很高；但在AI泡沫或信用收缩情景下，其自由现金流、融资和客户集中风险都明显高于Alphabet、Microsoft和Amazon。
Oracle属于“高赔率、低胜率”资产，不适合作为牛市后半程的主要防守仓位。
5. 算力、定制芯片与 AI 存储
5.1 NVIDIA：增长调整后的半导体首选
FY2027第一季度，NVIDIA收入达到816亿美元，同比增长85%；Data Center收入达到752亿美元，同比增长92%，GAAP毛利率达到74.9%。
截至2026年8月14日，NVDA股价约225.16美元，追踪市盈率约34.3倍。
34倍估值在绝对意义上不低，但相对于85%的收入增速、75%的毛利率和完整的CUDA、GPU、Networking与Rack-scale生态，其增长调整后估值仍具有吸引力。
NVIDIA最大的风险是资本开支周期见顶和ASIC替代。只要Token需求增长快于单位算力成本下降，其收入仍可增长；一旦Hyperscaler CapEx减速，NVIDIA的盈利和估值都可能同时下修，因此其股价波动可能高于Alphabet和Microsoft。
5.2 Broadcom：高质量，但当前赔率不如 NVIDIA
Broadcom FY2026第二季度AI半导体收入达到108亿美元，同比增长143%，季度自由现金流达到102.6亿美元；公司预计下一季度AI半导体收入约160亿美元，同比增长超过200%。
Broadcom是Hyperscaler定制ASIC和AI网络扩张最直接的受益者之一。但截至2026年8月14日，其表面GAAP市盈率接近98倍，虽然该数字受到VMware收购摊销影响，不能直接横向比较，但市场已经计入极高增长预期。
Broadcom是好公司，但在当前阶段更适合等待估值或价格回撤，而不是把它视为最有性价比的新增仓位。
5.3 TSMC：供应链中质量最稳定的“卖铲人”
TSMC 2026年第二季度收入达到402亿美元，毛利率67.7%，营业利润率60.3%；第三季度收入指引为446亿至458亿美元。
TSMC不需要判断OpenAI、Anthropic、Google、NVIDIA或AMD谁最终胜出，只要先进制程、先进封装和AI/HPC需求继续增长，它就能够参与整个产业的价值分配。
截至2026年8月14日，TSM ADR价格约426.35美元。
TSMC的优势是制造壁垒、客户信任、利润率和资产负债表；风险则是台湾地缘政治、海外工厂成本、先进制程资本开支，以及客户集中。
在愿意承担地缘政治尾部风险的前提下，TSMC是当前AI供应链中胜率与赔率较平衡的标的之一。
5.4 AMD、Micron、Arista 与 Vertiv：好业务不等于好赔率
AMD 2026年第二季度收入达到115亿美元，Data Center收入同比增长超过100%，但截至2026年8月14日，其追踪市盈率约132倍。
AMD必须持续获得显著GPU份额并改善软件生态，才能消化当前估值。业务趋势强劲，但当前价格要求接近完美执行，因此赔率不佳。
Micron FY2026第三季度收入达到414.6亿美元，季度自由现金流达到183亿美元，数据中心收入超过250亿美元。
截至2026年8月14日，MU追踪市盈率约22倍。
但内存具有强周期性，低市盈率可能来自处于利润高点。Micron是最便宜的表面估值之一，却不一定拥有最好的真实赔率，适合按照HBM供需周期进行战术配置，而不宜简单永久化当前盈利。
Arista 2026年第二季度收入增长37.7%，GAAP营业利润率达到45.4%，但追踪市盈率约61.9倍。Vertiv第二季度收入增长24%，调整后自由现金流同比增长234%，但追踪市盈率约66.5倍。两家公司业务质量出色，却都已被市场给予较高增长溢价。
6. AI 资本开支、泡沫风险与标的赔率
6.1 市场正在从收入增长转向资本回报率
Alphabet、Microsoft和Meta的最新季度资本开支分别约为449亿美元、410亿美元和311亿美元。Microsoft仍产生196亿美元自由现金流，Alphabet季度自由现金流为负59亿美元，Meta仅产生约7.84亿美元。
未来市场不会无限奖励CapEx增长。AI投资必须通过云收入、Agent订阅、广告效率、芯片降本和企业工作流按量收费得到回报。
最重要的指标将从“购买了多少GPU”转向：
AI收入与AI CapEx之比、Cloud毛利率、推理利用率、每美元成功任务数量，以及自由现金流转换率。
6.2 AI产业不是泡沫，但金融架构中已经出现泡沫
当前AI与2000年互联网泡沫的最大差异，是核心龙头已经产生真实收入、利润和现金流。Google Cloud、Azure、AWS、NVIDIA和Broadcom的增长都是真实发生的。
但泡沫的本质不是技术没有价值，而是资本供给速度超过未来现金流兑现速度。2026年第一季度，至少75个、总价值约1300亿美元的美国数据中心项目面临地方反对；与此同时，Hyperscaler资本开支和外部融资快速增加。
因此，当前泡沫更可能集中在私营模型估值、杠杆化数据中心、缺乏长期客户的数据中心项目、二线AI芯片，以及没有专有Context和分发的Agent Harness，而不是所有核心科技公司。
6.3 表面市盈率不能直接代表真实性价比
Alphabet和Amazon的净利润被股权投资未实现收益显著放大；Broadcom的GAAP利润受到收购摊销影响；Micron可能处于存储利润周期高点；AMD、Arista和Vertiv则包含大量未来增长预期。
因此，AI标的必须使用正常化经营利润、自由现金流、资本开支和周期位置共同估值，而不能仅按照一张市盈率表排序。
6.4 当前哪些标的更有性价比和赔率
6.4.1 第一选择：Alphabet——高胜率与高赔率的最佳平衡
Alphabet并不是表面17倍市盈率所显示的深度价值股，但其正常化估值、Cloud增速、Search现金流、TPU、Gemini、企业分发和资产负债表之间形成了最完整的组合。
其上行情景包括Google Cloud继续高增长、TPU外部商业化、Gemini缩小产品差距，以及市场从“搜索被颠覆”重新定价为“全栈AI平台”；下行情景则由Search现金流、现金储备和多元业务提供一定保护。
因此，Alphabet是当前综合性价比和赔率最好的核心标的，但应以正常化利润而不是17倍表面市盈率作为估值基础。
6.4.2 第二选择：Meta——最有吸引力的传统盈利估值
Meta约22倍的市盈率，对应28%的收入增长，表面增长与估值匹配度较高。其上行来自广告效率、WhatsApp、Threads、智能眼镜与个人Agent；下行主要来自巨额AI CapEx和利润率下降。
Meta的赔率高于Microsoft，但基本面波动也更大。它适合希望获得平台型AI弹性、同时不愿支付AMD、Arista或Vertiv估值的投资者。
6.4.3 第三选择：TSMC——最稳健的供应链赔率
TSMC的竞争优势来自先进制程、先进封装、良率、客户信任和规模，而不是押注单一模型或芯片设计公司。
在AI CapEx继续增长的情景下，TSMC可以同时受益于NVIDIA、AMD、Google、Amazon和其他ASIC客户；在行业竞争加剧时，它仍然是大多数先进芯片不可绕过的制造平台。
其最大问题不是基本面，而是地缘政治尾部风险。因此，TSMC拥有较高经营胜率，但组合中不应忽视单一地区风险。
6.4.4 第四选择：NVIDIA——增长调整后最有吸引力的纯AI资产
NVIDIA的34倍市盈率并不便宜，但相较85%的收入增长和75%的毛利率，仍优于大量依靠未来份额故事定价的二线AI公司。
其上行弹性高于Microsoft和TSMC，但对Hyperscaler CapEx、GPU利用率和市场预期更敏感。NVIDIA更适合在回撤中逐步配置，而不适合在连续加速上涨后追价。
6.4.5 第五选择：Microsoft——最高胜率、适中赔率
Microsoft拥有最强企业分发和最稳定的现金流，是AI组合中最适合降低波动的核心资产。
但市场已经认识到Office、Azure和GitHub的价值，其估值中包含较高质量溢价。Microsoft更可能通过盈利复利获得回报，而不是依靠显著的估值重估，因此胜率很高，赔率适中。
6.4.6 第六选择：Amazon——高可选性但低估值可见度
Amazon的AWS、Trainium、Anthropic关系和模型中立平台构成较强可选性。如果AWS继续加速且自研芯片降低成本，其盈利弹性可能很高。
但表面21倍市盈率受到Anthropic投资收益扭曲，资本开支和自由现金流压力也很明显。因此，Amazon是潜在高赔率标的，但估值可见度低于Alphabet、Meta和Microsoft。
6.4.7 Broadcom：高质量，但更适合等待回撤
Broadcom拥有ASIC和AI网络的稀缺位置，业务质量很高，但目前市场已经对其增长给予大量预期。其GAAP估值失真，使用现金流估值更合理，但即使如此也不属于明显低估。
Broadcom适合作为回撤后提高仓位的标的，而不是当前性价比排名最靠前的新增持仓。
6.4.8 Micron与Oracle：赔率高，但胜率较低
Micron在HBM供需持续紧张时可能继续释放巨大现金流，但内存周期反转会同时压低盈利与估值。Oracle如果RPO顺利兑现，弹性可能非常高，但负自由现金流、融资和客户集中使其在信用收缩情景中风险显著。
二者均适合作为战术仓位，而不是牛市后半程的主要核心资产。
6.4.9 AMD、Arista与Vertiv：好公司，但当前价格赔率不足
AMD需要持续获得GPU份额才能支撑132倍市盈率；Arista和Vertiv虽然增长、利润率和现金流都很出色，但60倍以上的市盈率已经要求长期接近完美执行。
这类公司并不一定会立即下跌，但在当前价格下，潜在上行与估值压缩风险之间的比例不如Alphabet、Meta、TSMC、NVIDIA和Microsoft。
综合当前周期和估值，本报告的标的排序为：
综合赔率第一梯队：Alphabet、Meta、TSMC。
高质量核心第二梯队：NVIDIA、Microsoft、Amazon。
高质量但等待更好价格：Broadcom。
高赔率、低胜率战术标的：Micron、Oracle。
业务强但当前赔率不足：AMD、Arista、Vertiv。
以上“胜率”和“赔率”属于基于基本面、估值和周期位置的定性研究判断，并非统计概率或收益保证。
7. 带有时间周期的投资策略
7.1 未来零至六个月：从追逐Beta转向控制回撤
牛市后半程不应继续以最大化AI敞口为目标，而应提高组合质量。此阶段更适合保留Alphabet、Microsoft、Meta、NVIDIA和TSMC等拥有真实现金流或结构性壁垒的核心资产，降低依赖单一客户、外部融资和远期市场份额假设的高估值仓位。
建仓方式应强调时间分散，而不是试图精准预测顶部。对于优质核心资产，更合理的方式是分批进入，在财报、市场回撤和资本开支数据验证后增加仓位，而不是在单周加速上涨时一次性追高。
7.2 未来六至十八个月：进入AI回报率关键验证窗口
未来六至十八个月将决定本轮AI资本开支是否能够形成可持续回报。投资者需要观察Google Cloud、Azure、AWS和Oracle IaaS增速，Cloud毛利率，Hyperscaler CapEx与经营现金流比例，GPU利用率，模型API价格，以及企业Agent续费和实际使用深度。
如果连续两个季度出现CapEx继续上升、Cloud增速下降、Backlog转化放缓和自由现金流恶化，AI资本开支周期可能接近真正拐点。
在这种情景下，Oracle、Micron、AMD、Arista和Vertiv的利润与估值可能比平台公司更敏感。
7.3 未来十八至三十六个月：可能出现第一次系统性洗牌
如果Agent和企业工作流收入成功验证当前基础设施投资，2027年至2028年可能出现AI产业第二轮上涨，价值从单纯GPU和数据中心向模型、Context、企业工作流和消费者入口迁移。
如果收入无法验证支出，则可能出现第一次系统性行业洗牌。缺乏稳定客户的数据中心面临融资压力，二线模型进入价格战，独立Harness被基础模型厂商整合，芯片和内存资本开支开始向下调整。
无论哪一种情景，长期最优策略都不是完全离开AI，而是从高估值算力Beta逐步转向拥有模型、Context、分发和自由现金流的复利资产。
7.4 最重要的跟踪指标
未来需要持续观察Token增长质量、Cost per Successful Task、Agent自主执行时长、AI收入与CapEx之比、Cloud毛利率、ASIC对GPU的替代比例，以及ChatGPT、Gemini、Claude、Search、浏览器和操作系统之间的入口迁移。
市场最终不会因为企业购买了多少GPU给予永久溢价，而会根据这些GPU能够产生多少收入、利润和自由现金流重新定价。
8. 火币HTX 案例研究：AI 推动 Crypto 与美股市场加速融合
8.1 火币HTX 美股业务的战略意义
过去几年，加密交易平台之间的竞争主要集中在 BTC、ETH、Meme、永续合约及其他 Crypto 原生资产。进入 2026 年后，市场开始出现一个值得关注的结构性变化：越来越多 Crypto 原生用户希望在同一个账户体系内，同时完成加密资产、美股、ETF、商品以及 Pre-IPO 资产的配置。AI 芯片、HBM、云计算、黄金、能源和美股指数，正在与 BTC、ETH 等加密资产共同进入同一个风险资产组合，Crypto 与传统金融之间的边界因此逐渐模糊。
火币HTX 是较早系统性推动这一方向的加密交易平台之一。根据火币HTX 2026 年8月披露的数据，平台 TradFi 板块累计交易量已经超过 25 亿美元，支持超过 170 项 TradFi 相关资产，覆盖美国股票、ETF、黄金、白银、原油、AI 芯片、存储、航空航天以及 OpenAI、Anthropic 等 Pre-IPO 主题资产。随着产品矩阵不断完善、交易体验持续优化以及跨市场流动性的提升，TradFi 正逐渐成为火币HTX 除传统 Crypto 交易业务之外的重要增长曲线，也意味着平台正在从单一加密资产交易平台向全球数字资产与传统金融融合平台演进。(globenewswire.com)
8.2 AI 正在改变 Crypto 用户的资产配置方式
过去，Crypto 用户主要围绕比特币、以太坊以及各类加密资产进行交易，而股票、商品和传统金融产品通常需要依赖另一套券商账户和法币结算体系完成配置。随着 AI 成为全球资本市场最重要的投资主线之一，Crypto 用户的资产配置范围正在迅速扩大。NVIDIA、Micron、TSMC、Broadcom、Meta、Alphabet 等 AI 核心标的，以及黄金、原油、ETF 和 Pre-IPO 资产，正在逐渐进入 Crypto 用户的日常投资组合。
这一变化说明，越来越多用户已经不再将 Crypto 与美股视为两个彼此独立的市场，而是开始将它们理解为同一个全球风险资产体系中的不同配置方向。资金可以根据宏观环境、产业趋势和风险偏好，在 BTC、ETH、AI 龙头股票、黄金及 ETF 之间灵活切换。火币HTX TradFi 业务的增长，本质上反映了 Crypto 用户的投资逻辑已经从单一加密资产交易，升级为跨资产、跨市场和全天候的全球资产配置。
8.3 火币HTX 的用户基础与分发优势
火币HTX 在这一趋势中的核心优势，并不仅仅在于增加了美股和 TradFi 产品，而是在于平台已经拥有大量完成注册、身份验证和资产入金的 Crypto 用户。这些用户通常直接持有 USDT 等稳定币，无需重新开设传统证券账户，也无需将资金转移至另一套金融体系，便可以在同一个账户中完成 AI 股票、ETF、商品以及 Pre-IPO 资产的交易。
这一模式显著降低了用户参与传统金融市场的门槛，也降低了火币HTX 拓展 TradFi 业务的新增获客成本。平台无需重新获取一批传统股票投资者，而是能够依托现有 Crypto 用户基础进行交叉销售，将稳定币流动性、交易习惯和风险偏好自然延伸至更广泛的全球资产类别。
因此，TradFi 对火币HTX 的意义不仅在于增加新的产品线，更重要的是提升现有用户的交易频率、资产留存率以及生命周期价值（LTV）。用户可以在风险偏好下降时配置黄金、ETF 或大型科技股，在风险偏好回升时重新提高 Crypto 与高 Beta AI 股票的配置比例，而资金始终留存在同一平台内。这种“一站式全球资产账户”的模式，进一步强化了平台的用户粘性和商业价值。
8.4 美股业务增长对火币HTX 商业模式的启示
火币HTX 近期美股及 TradFi 相关收入的大幅增长，并不仅仅意味着 AI 股票行情带来了短期交易热度，更重要的是验证了一个新的商业模式：Crypto 原生用户愿意在同一个平台完成传统金融资产配置。这意味着加密交易平台未来的竞争边界正在发生变化。
未来交易平台之间的竞争，不再只是围绕现货、合约、流动性和上币速度展开，而将逐渐演变为围绕 Crypto + 美股 + ETF + 商品 + Pre-IPO + 财富管理 + AI 投资工具 的综合竞争。真正具有长期竞争力的平台，将不只是交易所，而是能够帮助用户完成全球资产配置和财富管理的综合金融入口。
从本文提出的 Token Economy 框架来看，火币HTX 的案例同样验证了一个重要判断：AI 并不仅仅改变模型能力和计算需求，也正在改变资金流向、资产配置方式以及金融产品的组织形式。随着 AI 成为全球资本市场的共同投资主线，Crypto 与 TradFi 的边界将持续融合，而交易平台的核心竞争力，也将从单一交易能力逐步升级为 全球资产分发能力（Global Asset Distribution）。这一趋势不仅提升了火币HTX TradFi 业务的长期战略价值，也说明 AI 正在推动全球金融市场进入新的融合阶段。
结论
AI产业与AI股票并不处于同一个周期。大模型和Agent的技术扩散仍处于早期，全球知识劳动被自动化的长期空间远未被完全开发；但资本开支、融资和股票估值已经明显领先于产品渗透。
因此，2026年的投资逻辑不能建立在“AI会继续发展，所以所有AI股票都会继续上涨”的线性推论上。真实技术革命同样可能伴随严重资产泡沫。当前更合理的定位是：技术周期处于早期，应用周期处于早中期，资本开支周期进入中后期，盈利周期进入验证阶段，股票和情绪周期处于牛市后半程。
总结
在当前环境下，真正具有性价比的并不是市盈率数字最低的公司，而是正常化估值、竞争壁垒、现金流和AI可选性之间最匹配的公司。Alphabet的表面市盈率受到投资收益扭曲，但其全栈能力和多重增长引擎使其综合赔率最佳；Meta拥有较好的传统盈利估值，但必须控制资本开支；TSMC拥有最稳定的供应链壁垒，但需要承担地缘政治风险；NVIDIA是增长调整后最有吸引力的纯AI资产；Microsoft提供最高基本面胜率；Amazon则提供较高的云与芯片可选性。
相比之下，Oracle和Micron属于高赔率但低胜率的周期型资产，AMD、Arista和Vertiv则属于业务质量优秀、但当前价格已经要求接近完美执行的公司。
未来最重要的问题，不再是还有多少人没有使用Chatbot，而是全球所有机器每天能够替代人类完成多少小时的高价值工作。模型决定企业能否获得下一轮竞争的船票，计算成本决定Token能否规模化生产，Context与工作流决定模型能否完成真实任务，分发决定收入能否被低成本放大，而投资者买入时所处的估值和资本周期，最终决定能够获得多少回报。
AI 产业的周期错位仍将持续演进，资本开支能否转化为自由现金流、Token 成本能否随规模下降、企业工作流渗透率能否兑现，都需要在未来数个季度逐步验证。HTX Research 将持续跟踪这一进程，观察技术扩散、资本回报与资产定价之间的关系变化，为市场提供基于数据的周期研判。
