根据《证券期货投资者适当性管理办法》及配套指引,本资料仅面向华创证券客户中的金融机构专业投资者,请勿对本资料进行任何形式的转发。若您不是华创证券客户中的金融机构专业投资者,请勿订阅、接收或使用本资料中的信息。 本资料难以设置访问权限,若给您造成不便,敬请谅解。感谢您的理解与配合。 |
报告摘要
一、投资摘要
In fact, a thousand years of history and contemporary evidence make one thing abundantly clear: there is nothing automatic about new technologies bringing widespread prosperity. Whether they do or not is an economic, social, and political choice.
——Daron Acemo?lu
1. 过去3年,美股的AI定价逻辑经历了三个阶段:“防御阶段”、“兴奋阶段”和“冷静阶段”。
2. 美股的AI定价可以分为三个层次:技术路线、资本开支红利分配和美国经济“K”型分化,前两者指向AI风险敞口多元化,后者指向风格均衡配置。
3. 大规模AI资本支出的挤出效应和再分配效应都不明显,其与美国经济“K”型分化的关系,叙事的成分大于事实。
4. 投资者对于AI替代效应的担忧,主要是技术决定论的结果,但是19世纪英美引入蒸汽动力的经验是,英国经历恩格斯暂停,美国没有。
5. 蒸汽动力或者AI驱动的自动化,主要是产生替代效应,还是产生增强效应,除了技术本身,还取决于所处经济体的自然禀赋和要素禀赋。
二、风险提示
美国通胀超预期上行,新兴市场出现系统性金融风险,美联储独立性被削弱
报告正文
2026年上半年,人工智能(AI)发展的诸多潜在影响,明显放大了海外股票市场,尤其是美国股票市场的风格变化和行业轮动——年初,人工智能(AI)冲击软件服务公司(SaaS)营收的叙事,加上大型云厂商(CSP)宣布激进的资本开支计划,共同拖累科技股表现。美股风格从成长占优切到价值占优。
4月份,科技股触底反弹,美股风格回到成长占优,但是内存大幅涨价,科技股上涨的主要动力,从大型云厂商变成硬件存储公司,到了7月份,硬件存储公司的盈利增速升至高位,科技股上涨的主要动力,又从硬件存储公司切回大型云厂商。这个复杂的定价过程,反映的是投资者对于AI资本开支是否可持续、AI是否冲击劳动力市场,还有AI是否加剧 “K”型分化的大讨论,并且按照不同的场景进行重新定价。
无论是风格变化和行业轮动,还是围绕AI衍生的各种讨论,都表明AI在美股的定价模式,没有沿着高估值激励资本开支的路径一直走下去,所以美股科技板块尚未明显泡沫化,包含大型云厂商(CSP)的Mag7指数估值溢价显著回落,恰恰反映了AI涉及的诸多行业之间的轮动,出现这种轮动的原因,除了AI发展技术路线,还有对于AI资本开支的投资回报、AI推升劳动生产率的长期冲击的动态评估。以往技术发展的经验是,在不同的自然禀赋和要素禀赋中,相同的新技术产生的投资回报和长期影响也不相同。想要做到全面有效的评估,以便从AI股票风险敞口中,获取高夏普比的投资收益,除了分析AI自身的技术发展,更要分析不同经济体的自然禀赋和要素价格,对于AI发展所形成的外部影响。
1
美股AI定价逻辑的演变过程
2022年上半年,投资者聚焦于美联储货币紧缩政策。流行的经典叙事是,加息促使美债利率曲线倒挂,美国经济濒临衰退,美股也因此处于持续调整。到了11月份,开放人工智能研究中心(OpenAI)发布ChatGPT的消息,也没有扭转美股的颓势。
直到2023年3月份,OpenAI正式发布GPT-4,证明大语言模型的缩放定律(Scaling Law)真实有效,英伟达创始人黄仁勋(Jensen Huang)也在全球开发者技术大会(NVIDIA GTC 2023)的主题演讲中,表示我们正处于人工智能的iPhone时刻(We are in the iPhone moment for artificial intelligence),美股才真正定价AI,逐步从熊市回到牛市。
2023年3月份以来,美股对于AI的定价大致经过了三个阶段:首先是“防御”阶段——GPT-3.5快速迭代,直接威胁了数字经济的两大商业模式:搜索引擎和软件服务。微软宣布把ChatGPT引入Office办公套件和必应搜索以后,其他科技公司为了保护自身的市场份额,也不得不加入AI研发投资。其次是“兴奋”阶段——在缩放定律(Scaling Law)驱动下,各个大语言模型的参数规模迅速扩大,加上用户数量的快速增长,AI的训练环节和推理环节创造海量的算力需求,这种需求可以和云计算业务结合,成为云厂商的另一条营收增长曲线。此时,AI资本开支被视作高价值的“增长期权”(Growth Option),投资者通过给予更高的远期估值,激励云厂商加大AI资本开支。
最后是“冷静”阶段——为了争夺通用人工智能(AGI)的入场券,云厂商的AI 资本开支越来越大,加上算力芯片潜在的折旧费用,令利润表承压,同时企业端和消费端没有出现可信的商业化变现途径,大规模AI资本开支,可能短期无法产生足够的现金流增长,因而投资者不再无条件给予“高估值”激励,转向在AI涉及的诸多行业中,按照业绩确定性进行轮动。
从第一阶段进入第二阶段是在2023年四季度,微软和OpenAI初步形成了AI大模型需求到云业务增长的商业闭环。10月份,微软2024财年第一季度财报会议上,高管首度披露AI拉动当季Azure云业务增长3%,向投资者证明ChatGPT衍生出的API调用和算力需求,可以真正转化成大型云厂商的营收增长。11月份,OpenAI首届开放者大会,宣布下调GPT-4 Turbo API调用价格,并且推出定制化 GPTs,表明企业端用户和开发者,正在把传统IT预算向AI应用开发转移。
从第二阶段进入第三阶段是在2025年三季度,甲骨文公司加入AI算力军备竞赛,云厂商的剩余履约义务(RPO)与自身现金流的期限错配风险逐渐暴露。9月份,甲骨文公司在2026财年第一季度财报中,披露其剩余履约义务(RPO)升至4550亿美元,但是短期可以确认为收入的比例只有10%,为了支撑如此庞大的算力租赁合同,甲骨文公司把2026财年资本开支指引从250亿美元上调至350亿美元,这意味着该公司在债务杠杆率高于4倍的情况下,自由现金流持续为负,信用风险随之急剧放大。财报公布以后的4周时间里,甲骨文公司5年期信用违约掉期(CDS)价格从45个基点升至68个基点,涨幅超过50%。
2
美股AI定价的分层逻辑
现实中,美股的AI定价进入“冷静”阶段,云厂商还处于“兴奋”阶段,这种对于AI资本开支的预期差异,促使投资者的AI股票敞口趋于多元化,也让美股的AI定价逐渐分层。具体来说,第一层是算力基础设施的利润分配,也就是通用算力芯片(GPU)和专用ASIC芯片(XPU)的竞争,这种竞争不是孤立的,而是依赖于各自支撑的大语言模型,朝着AGI的迭代速度。第二层是AI涉及的诸多行业之间的利润分配,主要是下游云厂商和上游硬件存储厂商之间的博弈。博弈的核心逻辑,短期是推理任务导致KV Cache急速膨胀,HBM供给缺口难以收敛,长期是AI算法架构效率提升的速度。第三层是AI广泛涉及的科技行业与传统行业之间的分化,也就是美国经济的“K”型分化,这种分化主要指向AI资本开支,导致不同行业的利润增速差异持续拉大。
第一层的大背景是:AI的思维模式,从以直觉为主的快思模式(系统1),发展到以推理为主的慢想模式(系统2)。除了生成文字和多媒体内容,AI还要通过智能体执行任务,这要求AI进行多步推理,形成思维链(Chain of Thought),并且具备长期记忆,所以AI的算力需求愈加集中于推理阶段,而非训练阶段。思维链(Chain of Thought)的存在,需要在高带宽内存(HBM)中,频繁的读取和写入中间状态(KV Cache),而且整个推理过程需要多个GPU甚至跨机架协作,此时数据吞吐效率和数据通信效率,成为压低物理延迟、降低推理成本的两个关键障碍。
如何应对上述两个障碍,触发了英伟达和其他云厂商之间的技术路线之争,也决定了未来AI资本开支向哪一方倾斜。英伟达的方案是坚守GPU技术路线,继续做加法,以更高带宽内存,提升数据吞吐效率,辅以专有高带宽网络(NV Link/InfiniBand)提升数据通信效率。其他云厂商的方案是开发XPU技术路线,放弃通用计算能力,引入确定性调度,甚至试图以片上SRAM取代HBM,追求把Token成本压到最低。简言之,GPU如同十项全能选手,XPU好似短跑运动员,前者覆盖几乎所有的AI算力需求,后者是专门服务于AI推理阶段的算力需求。不同云厂商的XPU有不同的名字,谷歌开发的命名为TPU,亚马逊开发的命名为Inferentia /Trainium,微软开发的命名为Maia。发展最迅猛的是谷歌公司开发的TPU,因为其能够和谷歌自研的AI大模型结合,形成垂直一体化的闭环,这与微软+OpenAI+英伟达的水平分工生态形成鲜明反差。
2025年4月份专门为推理设计的TPU v7发布,搭配后续发布的Gemini大模型,可以绕开英伟达高昂的“算力税”,这个逻辑在二季度财报印证以后,投资者大幅推升谷歌的远期估值水平,与此同时,微软和英伟达两家公司的远期估值不再上行。11月份发布的Gemini 3.0的推理能力和多模态能力出众,谷歌垂直一体化的闭环得以确认,谷歌的远期估值水平继续抬升,微软和英伟达两家公司的远期估值开始回落。
2025年8月份至2026年5月份,谷歌的远期估值从18倍升至28倍,最高的时候一度升至30倍,同期微软的远期估值从34倍降至24倍,英伟达的远期估值从36倍降至22倍。直到2026年6月份,下一代旗舰模型Gemini 3.5不断延期,并且Gemini模型联席负责人诺姆·沙泽尔(Noam Shazeer)、DeepMind重磅科学家,也是2024年诺贝尔化学奖得主约翰·江珀(John Michael Jumper)双双宣布离职,上述闭环存疑,谷歌的远期估值才触顶回落,微软和英伟达两家公司的远期估值触底回升。
第二层恰恰源自AI算力需求转向推理阶段以后,微软+OpenAI+英伟达的水平分工生态,遭遇XPU阵营的巨大挑战,所以押注英伟达可以长期收取“算力税”的AI交易退潮,投资者转向AI资本开支催生的其他行业的“稀缺”,以获取高利润增长带来的确定性溢价。由于现有Transformer架构还在主导AI大模型的迭代,推理阶段的算力需求不断增长,意味着除了算力芯片,支撑数据吞吐和数据通信的芯片“稀缺”最有确定性,它们的典型代表就是通常所说的高带宽内存(HBM)和光互联(CPO)。随着各个旗舰大模型支持的超长下文(Context Window)从十万级别迈向百万级别,KV Cache的规模呈现线性暴增,高带宽内存(HBM)的需求持续攀升,最终成为投资者新的押注重点,承接了AI股票敞口多元化的需求。
除了产业逻辑,年初云厂商不惜投入几乎所有自由现金流,宣布大幅上调全年AI资本开支预期,也从财务逻辑的角度,强化了高带宽内存(HBM)的“稀缺”和高利润增长的确定性。Bloomberg的数据显示,2026年,预计Meta、谷歌、微软和亚马逊的AI资本开支总规模升至7250亿美元,相较于2025年的3760亿美元,翻了接近一倍,大致是2023年至2025年的总和。因而,2026年上半年,硬件存储厂商引领整个科技股的上涨,费城半导体指数(SOX)大幅跑赢Mag7指数,两个指数的总回报之比从0.1升至0.14,甚至出现做多SOX/做空Mag7的配对交易,推动两个指数的远期市盈率之比升至1.4,触及10年高点。投资者极端的认为供给短缺,将迫使云厂商向硬件存储厂商持续贡献现金流,但是一旦后者利润增长预期升到不可持续的水平,这个逻辑就要面临考验。
不同投资者,对于不可持续的水平具体在哪儿,有不同的结论,但是不可否认的是,包括英伟达在内,没有任何公司或行业,可以拿走整个AI产业链的资本开支红利。云厂商和硬件存储厂商是双向博弈,“稀缺”程度的变化才是影响利润增长预期的关键,而非“稀缺”本身。一方面受到自由现金流转负的拖累,云厂商的远期估值一路走低,盈利的高速增长不再转化成更大的股价上涨,表明投资者不再鼓励这些公司进行激进的AI 资本支出。6月份,Mag7指数相对标普500指数的远期估值溢价,从去年三季度的40%降至20%以下,微软的远期市盈率跌破20倍,再创5年新低,AI资本开支持续高速增长的确定性下降。另一方面硬件存储厂商的利润增长预期,主要以未来18-24个月,HBM“稀缺”不断加强为前提。
6月份,SK海力士和美光的当季预期营业利润率,突破2018年的峰值,升至80%左右,直到2028年二季度都可能不低于70%。三星的当季预期营业利润率,也突破2018年的峰值,升至60%,直到2028年二季度都可能不低于50%。如此高的预期利润率,意味着投资者押注AI资本开支高速增长的确定性很高。这种对于AI资本开支前景,完全背离的定价,表明6月份对于HBM供给不足的短期定价很充分,相应的极高利润增长预期,就处于阶段性不可持续的水平。
除了AI资本支出的前景,对于云厂商和硬件存储厂商之间博弈产生决定性影响的因素,就是AI大语言模型算法架构的迭代。HBM的短缺,不是源自AI本身,而是源自经典Transformer架构,以全局注意力(Global Attention)处理长推理任务,导致推理轨迹越长,KV Cache的规模越大。如果缴纳昂贵的“算力税”以后,又要缴纳昂贵的“内存税”,云厂商的自由现金流和资产负债表将不堪重负。此时,针对产生KV Cache的算法机制,优化经典Transformer架构的压力也越来越大。比如:放弃纯粹的Transformer架构,将其与Mamba-3架构和MoE架构结合,交错排列在模型主干上,形成Mamba-Transformer-MoE混合架构,就能借助Mamba架构的恒定内存消耗,提升整体架构效率,抑制KV Cache规模的日益膨胀,这种架构现在不是纸面上的设想,而是已经被今年3月份英伟达发布的Nemotron 3 Super采用。
投资者不再鼓励下游云厂商增加AI资本开支,令HBM“稀缺”不断加强的前提存疑,加上创纪录的预期营业利润,面临算法架构迭代的潜在冲击,6月份硬件存储厂商的远期估值大幅回落,显示其股价的阶段性顶部来临,7月份至8月份,投资者进行剧烈的AI股票敞口的再平衡——Mag7指数上涨8%,费城半导体指数下跌19%,两个指数的总回报之比从0.14降至0.10,远期市盈率之比也从1.4降至0.9。
第三层是前面两层的直接结果,因为在AI推升劳动生产率增速,各行各业从中受益之前,先要经历AI资本开支高峰期,从而形成一种再分配效应——云厂商的现金流增长来自整个美国经济,但是现金流的投向,局限在算力基础设施涉及的少数行业,这势必加剧了2021年以来,高通胀和高利率导致的科技行业和传统行业盈利增速的分化,从而使得AI资本支出,产生放大所谓“K”型分化的效果,进而决定美股是科技股占优,还是传统行业占优。如果第二层是AI股票敞口的多元化,或者AI涉及的上游行业和下游行业之间的轮动,那么第三层就是追求更均衡的风格配置,或者股票风格多元化。
代表第三层的典型标的是Mag7指数和标普493指数,但是第二层的存在,表明受益于AI资本开支的科技股扩大至存储硬件厂商,SOX指数也应该被纳入,这等于英伟达被计入两次,而且还包含了海外科技股,无法和标普493指数完美互斥,所以定价美国经济“K”型分化,可以用纳斯达克100指数和罗素2000指数,因为两个指数的相对表现,没有剔除质量因子(Quality)和小盘股的规模因子(Size),既反映科技行业和传统行业营收增长的差异,也反映资产负债表脆弱性的差异。定价AI资本开支放大“K”型分化,可以用标普500指数和等权重标普500指数,因为两个指数的底层资产完全一样,仅仅是通过量化手段,控制质量因子,剔除规模因子,也不涉及资产负债表脆弱性的差异。
2023年至2026年9月份,纳斯达克100指数和罗素2000指数之比,从6.2升至10.8,对应纳斯达克100指数上涨180%,罗素2000指数上涨60%。超过100%的涨幅差异,一方面是12个月远期EPS同比之差,从-1.8%升至39.8%,另一方面是高利率环境中,不同信用评级产生的融资成本差异。相较于美国国债,垃圾级公司的信用利差(OAS)是投资级科技企业的3-4倍。2023年和2024年,美联储维持高利率,AI资本开支合计3750亿美元,占美国GDP比例仅为1%,纳斯达克指数相对跑赢,以宏观因素为主。2025年至2026年6月份,美联储大幅降息,AI资本开支合计1.1万亿美元,占美国GDP比例高达3%,纳斯达克指数相对跑赢,以再分配效应为主。
同期,标普500指数和等权重标普500指数之比,从0.7升至0.9,对标普500指数上涨100%,等权重标普500指数上涨47%,超过50%的涨幅差异,主要是这两个指数的12个月远期EPS同比之差,从-1.2%升至14.1%,突破2020年6月份的峰值,创出十年新高。2023年至2024年6月份,两个指数之比上行,EPS同比之差,从-1.2%升至7.2%,标普500指数相对跑赢,以行业差异为主。2025年8月份至2026年8月份,两个指数之比上行,EPS同比之差,从3%升至14.1%,标普500指数相对跑赢,以AI资本支出的再分配效应为主。
3
AI资本开支和“K”型分化
投资者选择AI股票敞口多元化,还是选择均衡的风格配置,和AI股票保持一定距离,不仅仅是一个跨行业盈利增速差异的视角,更体现了对于AI发展前景的预期差异,这种预期差异几乎完全在定价“K”型分化的收敛方向。
如果AI能推升劳动生产率,将技术红利外溢到其他传统行业,“K”型分化大概率向上收敛,AI资本开支产生高投资回报。反之,如果AI不能推升劳动生产率,庞大的算力投资挤压其他传统行业,“K”型分化很可能向下收敛,AI资本开支就是低效或无效投资。需要说明的是,AI不是形成“K”型分化的主要原因,最初“K”型分化也不是指向科技行业和传统行业的增长差异,而是指向疫后经济复苏阶段,长期存在的收入不平等和财富不平等,转化成不同收入群体的消费贡献差异,这个叙事的主要依据,来自穆迪分析(Moody's Analytics)首席经济学家马克·赞迪(Mark Zandi)的一个颇有争议的研究:美国收入前10%的消费者,贡献了45%-50%的家庭消费支出,低收入阶层消费者的贡献只有20%。
把“K”型分化,扩大到科技企业和传统行业的增长差异,要到2025年下半年,AI资本开支占美国GDP比例升破1%的时候,因而“K”型分化,更多是一种现象,至于这个现象是长期因素累积的结果,还是短期因素突变的结果,不做区分。
AI作为一种通用目的技术(General Purpose Technologies),其发展过程遵循生产率-J曲线理论(The Productivity J-Curve),大致可以分为两个阶段:第一个阶段是资本开支高峰期,因为需要推高新技术相关的存量资本,第二个阶段是技术红利兑现期,因为前期的资本开支推高了劳动力生产率增速。理论上,前者是后者的基础。如果前一个阶段是无效投资,那么大概率没有后一个阶段。如果后一个阶段成立,那么大概率前一个阶段是有效投资。把AI和“K”型分化混在一起,就是把两个不同阶段的潜在负面宏观影响,放在一个时间维度定价。典型的逻辑是既担心AI资本开支的投资回报,又担心AI推高劳动生产率增速,冲击劳动力市场需求,甚至引发大规模失业。
现在AI处于资本开支高峰期,可能加剧“K”型分化的路径大致有两个:挤出效应和再分配效应。挤出效应,指向AI资本开支引起实物资源和信贷资源的相对短缺。前者是AI资本开支,尤其建设大量数据中心,放大了能源和工业原材料的需求,导致大宗商品和公共服务的价格上涨。后者是AI资本开支推升美国名义经济增速,短期利率和长期利率上行,抬高私人部门信贷成本。再分配效应,指向AI资本开支造成跨行业和跨工种的收入重构。前者是迫于保持竞争力的需要,传统行业被迫卷入新一轮数字化,这些行业的IT支出,向云端算力支出和大模型API调用倾斜,成为科技企业营收。后者是深度参与AI发展的软件算法研发人员、建设算力基础设施的蓝领工人的收入增长较快。传统中产阶层的收入增长,并未受益于AI资本开支。上述两个路径是否真实发生,可以从零售电价、名义经济增速、企业IT支出和工资增速差异四个维度分析。
首先,数据中心的用电需求,推高零售电价的讨论甚多,但是现实情况并非如此简单线性。(1)数据中心的用电需求,对于零售电价的影响是双向的。如果数据中心接入的电网还有可用余量(Spare Capacity),或者新增供给的成本较低,等于电力基础设施的固定成本被更大的用电负荷分担,大概率不会推高零售电价,甚至可能拉低零售电价。
(2)数据中心的用电需求,不是推高零售电价的主要原因。Kay, O., Reaser, R., & Taylor, R. (2026)的测算显示,2021年至2025年,按照满负荷运转计算,现有数据中心的用电需求,对于全美的发电成本上涨的贡献为10%-15%,对于批发电价上涨的贡献为2美元/兆瓦时,只有2022年下半年短暂升至4-5美元/兆瓦时。整体而言,数据中心的用电需求,让全美批发电价平均上涨了2%-6%。按照50%的传导力度计算,批发电价上涨对于零售电价的贡献更小。
(3)数据中心的地理分布和电价涨幅较大的地区不匹配。劳伦斯伯克利国家实验室(LBNL)分析2019年至2025年,各州零售电价的变动情况,发现零售电价涨幅最大是加利福尼亚州,涨幅超过6%,但是其整体电力负荷出现下降,零售电价涨幅居前的纽约州也是类似情况,这两个州的数据中心分布并不密集。数据中心分布最密集的弗吉尼亚州和德克萨斯州,其整体电力负荷大幅增长,零售电价基本没有上涨。
其次,美国名义经济增速走高,不能完全归于AI资本开支,利率水平上行亦然。(1)AI资本支出的相对规模较小。2022年至2026年,四家云厂商的AI资本支出占美国GDP比例,从0.5%升至2.4%,联邦财政赤字占美国GDP的比例一直高于5%,2024年一度升至6.7%。即便考虑乘数效应,私人部门支出也不可能相当于政府部门的2-3倍,所以,若论过去5年助推名义经济增长,居高不下的财政赤字的贡献,远远大于AI资本开支。
(2)AI资本开支对于美国通胀水平的贡献不显著。2023年和2024年,美国核心PCE同比从4.9%,一路下降至3%。2025年美国通胀水平反弹,源自特朗普政府的对等关税措施,推高了美国耐用品价格同比,服务消费价格同比下降速度放缓。2025年核心PCE耐用品消费分项价格同比,从-1.2%升至2.1%。服务消费价格同比从3.6%降至3.4%。
AI资本开支推高美国通胀水平,到了2026年才变得十分清晰——在HBM价格大涨的带动下,常规内存(DRAM) 和闪存(NAND)的价格上涨,个人电脑、智能手机和固态硬盘(SSD)也跟着涨价,这直接推高核心PCE。2026年前8个月,核心PCE同比从2.9%升至3%,计算机软件和外设设备价格指数(Computer Software and Accessories Price Index)的贡献度从0升至0.2%。相比较之下,医疗保健服务价格指数(Health Care Services Price Index)的贡献度从0.7%升至0.8%。
(3)AI资本开支不是推高利率的主要原因。美债利率曲线扁平化,表明短期利率和长期利率上行是加息预期所致,加息预期是高关税和高油价叠加的结果,所以利率上行的核心原因不是AI资本支出。短期利率上行是多重供给冲击导致,而非需求向好,因为美国工资增速持续下行。2026年前8个月,10年期与2年期美债利差从71个基点降至41个基点,名义工资同比从3.8%降至3.3%,实际工资同比从1.2%降至0。
长期利率上行的确有AI资本开支的贡献,因为云厂商发债融资的久期比较长,和美国政府发债融资形成竞争关系,可以间接推高长期利率。美国证券业与金融市场协会(SIFMA)的数据显示,投资级公司债和长期美债的供给量都在增加。今年前8个月,投资级公司债的发行量升至1.5万亿美元,比去年同期增加30.7%。10年期、20年期和30年期美债的发行量合计为7160亿美元,比去年同期增加1%。包含通胀保值债券(TIPS)在内,长期美债的发行量比去年同期增加4.1%。竞争性发债融资,直接推高期限溢价(Term Premium)。截至9月底,10年期美债期限溢价,从年内低点的涨幅只有37个基点,30年期美债期限溢价,从年内低点的涨幅只有40个基点。显然不足以推动长期利率的飙升。
再次,IT支出向AI倾斜,难以放大传统行业和科技行业的营收增速差异。(1)IT支出的增量太小。美国非农就业总数为1.6亿,剔除大约3000万体力劳动者,剩下的1.3亿就是企业IT支出的主体。按照人均IT支出9000美元-14000美元计算,美国企业IT支出规模为1.2万亿美元至1.8万亿美元。
根据Run-Grow-Transform (RGT) 模型,企业IT支出可以分为三个部分:日常运营(Run)、推动增长(Grow)和业务转型(Transform)。基于此模型,今年3月份,麦肯锡(McKinsey & Company)的测算结果是,如果把Grow和Transform两个部分合并成为技术创新(Change),后者在不同类型企业IT支出的占比为13%-37%,其中AI的份额又占到技术创新(Change)的三分之一,那么传统行业IT支出向AI方向转移比例约为5%-10%。按照企业IT支出规模1.8万亿美元计算,大约为900亿美元至1800亿美元,占美国GDP的比例最高只有0.6%。(2)IT支出并非无利可图,其中最关键的部分就是信息技术现代化(IT Modernization),这可以让企业获得更快的决策与执行效率。咨询公司West Monroe的研究显示,缓慢的决策和执行的效率,所产生的损失,相当于每年美国大中型企业营收的1%-5%。单单依靠AI提取大量老旧的COBOL代码,自动解析其逻辑,进而把陈旧的主机系统升级成为Java、Python架构,就可以挽回可观的营收。此外,AI自动化 ETL(提取、转换、加载)工具,可以直接从陈旧的主机系统数据库中,梳理出复杂的数据图谱,实现业务创新和底层架构的解耦。整体而言,IT支出向AI倾斜并非无利可图。波士顿咨询公司(BCG)的调查显示,2026年中,生成式AI和AI智能代理(AI agents)的加权投资回报(ROI)升至13.8%,比2025年中上升2.6%。
最后,AI资本开支对于跨行业收入的影响,存在结构性的认知偏差。(1)科技行业和建筑业的工资增速趋于收敛,不符合“K”型分化的特征。AI软件算法研发人员属于广义的信息行业,算法基础设施建设者属于广义的建筑行业。2025年以来,两个行业的名义工资增速都高于整体私人部门。截至今年8月份,信息行业名义工资同比要高1.2%,建筑行业名义工资同比要高1.3%。回溯过去5年,信息行业更多的是恢复常态,因为2021年7月份至2024年12月份,信息行业的名义工资同比大多低于整体私人部门,2022年4月份,二者倒挂6.8%,2024年9月份的倒挂幅度也有2.3%。
建筑行业的表现则是持续向好,因为2022年6月份至2024年12月份,建筑行业的名义工资同比大多高于整体私人部门,2023年7月份,前者比后者要高1.4%。剔除通胀以后,2025年至2026年8月份,信息行业和整体私人部门的实际工资同比之差,从0升至1.2%,建筑行业和整体私人部门的实际工资同比之差,从-0.2%升至1.3%,建筑行业仍然占优。在如此高的工资增速差异下,建筑行业的空缺职位也高于信息行业。2025年至2026年8月份,信息行业的空缺职位数,从10.5万升至12.8万,建筑行业的空缺职位数,从23.2万升至25.1万。
(2)不同工资分位数的工资增速没有出现明显的分化。如果AI资本开支,引发不利于中产阶层的收入再分配,那么不同分位数工资的增速应该分化,中间部分的增速明显低于两端,但是现实恰恰相反。亚特兰大联储的工资增长追踪数据(Wage Growth Tracker),把微观层面的绝对工资收入,划分成四个四分位数(Quartiles)。高收入阶层对应第76至100百分位数,低收入阶层对应第1至25百分位数,中低收入阶层对应第26至50百分位数,中等收入阶层对应第51至75百分位数。在此基础上,计算四个部分工资增速的中位数,最后取这些中位数的12个月移动平均值。
截至今年8月份,高收入阶层的工资增长3.8%,低于中低收入阶层的4%,也低于中等收入阶层的3.9%。高于低收入阶层的3.7%。长期来看,最显著的趋势是,低收入阶层的工资增长高于其他阶层。2014年7月份至2024年8月份,低收入阶层的工资增长一直快于高收入阶层。2014年7月份至2022年8月份,二者的工资增长差异从0一路飙升至3.7%,2022年8月份至2024年8月份,这个差异才慢慢抹平。同时,疫后经济复苏阶段,2020年3月份至2024年10月份,中低收入阶层的工资增长也曾经持续快于高收入阶层。2020年3月份至2022年7月份,二者的工资增长差异从0.5%升至2.5%,2022年8月份至2024年10月份,这个差异才慢慢抹平。最后,过去2年,各个阶层的工资增长持续放缓,但是中等收入阶层的放缓幅度是最小的。今年8月份,中等收入阶层的工资增长,相较于2024年10月份下降0.9%,高收入阶层下降1.2%,中低收入阶层下降1%,低收入阶层下降1.1%。
综上所述,AI资本开支加剧“K”型分化,可能已经体现在金融市场的定价中,但是尚未体现在美国实体经济中,甚至建筑行业的工资增长持续快于整体私人部门,说明AI资本支出,可能还抑制“K”型分化。“K”型分化的收敛方向是向上,还是向下,无法在AI资本支出高峰期做出预判,可能要到AI技术红利兑现期才能得到更明确的结论。
4
AI如何冲击就业市场:蒸汽时代的历史经验
技术进步过程的一条核心主线是自动化,AI亦是如此,由此而来的一个推论是,AI是否大批量替代人,或系统性冲击劳动力市场需求。这个推论的隐含前提是“技术决定论”,也就是技术拥有自己的演进逻辑,朝着特定方向发展,其施加给人和社会的影响是强制的,这意味着AI带来的自动化,对于就业市场的冲击几乎是确定的,没有外部因素可以施加趋势性或者方向性的影响。现实中,云厂商不断增加AI资本开支,又不断裁员的场景,更是让投资者审视恩格斯暂停(Engels' Pause),在AI时代再现的可能性。不过,任何技术都内嵌于特定自然禀赋和要素禀赋中,所以评估AI如何冲击就业市场,不仅要分析这项技术的演进逻辑,还要剖析禀赋差异和要素价格,共同形成的技术诱导机制。
以投资者热议的恩格斯暂停为例,这个概念描述的是1790年以后,蒸汽动力的资本开支高峰期,人均实际产出高速增长,但是实际工资增长却处于长期停滞,导致国民收入分配中,资本份额不断走高,劳动份额持续走低的不平等现象。直到1850年以后,蒸汽动力的技术红利兑现期,实际工资增速加速走高,人均实际产出和实际工资增长的增速差异逐步收敛,劳动份额触底反弹。恩格斯暂停的出现和消失,基本就是生产率-J曲线在蒸汽时代的预演,而且其出现的时段恰好也是蒸汽动力的资本开支高峰期,这不得不让处于AI资本开支高峰期的投资者,担心类似场景再度出现。现实是,不是所有进入蒸汽时代的经济体,都经历了恩格斯暂停。最典型的例外就是美国。大致比英国要晚30-40年,1820年至1860年,美国也进入蒸汽动力的资本开支高峰期,人均实际产出和实际工资保持同步增长,国民收入分配中,劳动份额大体保持稳定,没有出现资本份额走高,劳动份额下行的不平等现象。
Allen, R. C. (2009)的研究表明,1790年至1850年,英国国民收入中,劳动份额大致从59%降至49%,资本份额大致从22%升至39%,地租份额大致从19%降至12%。这个时期,蒸汽动力驱动的实体经济投资十分旺盛。基于Feinstein, C. H. (1978)的图表6和图表28的数据测算,蒸汽动力相关资本开支(工商投资+交通运输投资)占GDP比例,大约从4.7%升至7.6%。美国的同类数据测算比较困难,因为诸多宏观数据和产业数据直到1840年才开始系统性收集。最早的国民收入分配数据来自Budd, E. C. (1960),其测算结果是1850年至1860年,美国私人部门收入中,私人部门的工资份额为40%-41%,非农私人部门的工资份额为45%-46%。Margo, R. A. (2000)分析1820-1860 年工资数据以后,认为这个时期,实际工资增速约为1%,基本和人均实际产出增速一致。综合二者的研究结论,至少说明,1820年至1860年美国实际工资和人均实际产出,大概率处于同步增长,没有出现显著的劳动份额下降。这一时期,以蒸汽动力为驱动的实体经济投资也十分旺盛,但是聚焦于交通网络扩张,尤其是铁路投资,而非驱动工业机械。选取Gallman, R. E. (1966) 基准数据构造的名义产出序列为分母,选取Fishlow, A. (1965)测算的铁路投资为分子。采用十年累计口径测算,可以得到1830年代至1850年代,蒸汽动力相关资本开支占GDP比例,大约从0.6%升至2.2%。
受限于数据可得性,美国的铁路投资,无法像英国的工商投资和交通运输投资一样,准确描述美国蒸汽动力的资本开支规模,但是给出了可信的趋势性信号,也就是1820年至1860年的美国,类似于1790年至1840年的英国,处于蒸汽动力的资本开支高峰期。同样引入蒸汽动力,同样处于蒸汽动力的资本开支高峰期,为什么美国没有出现“恩格斯暂停”?
最简单的答案是工资议价能力不同,造成这种结果的主要原因是两个国家的土地供给。劳动者可以出售劳动力,从事工业生产,或者回归农业生产。理论上,农业生产的预期净收入就是出售劳动力的工资水平下限。一旦企业试图持续压低工资水平,充足的土地供给可以作为劳动者的替代选择,和企业争夺劳动力供给,这个逻辑正是哈巴库克假说(Habakkuk thesis)的核心内容。这个假说认为,美国没有出现“恩格斯暂停”源自西部领土的不断扩大,导致美国土地
供给十分充足,这些土地为劳动者提供了很高的保留工资(Reservation Wage)。Wooten, H. H., & Purcell, M. R. (1949)和United States Census Office. (1864)的数据显示,1790年美国耕地面积为2500万英亩,1850年升至1.1亿英亩,1860年激增至1.6亿英亩。同期,英格兰和威尔士的耕地面积维持在1500万-1700万英亩,几乎没有增长。如果以耕地和放牧用地合计来衡量,1790至1860年,美国农业用地从2370万公顷升至1亿公顷,英国农业用地从1380万公顷降至1140万公顷,这造成了巨大的人均耕地面积差异。同期,美国人均耕地面积从1.7公顷升至1.9公顷,英国人均耕地面积从0.7公顷降至0.3公顷。除了自然禀赋差异,美国和英国的土地政策也完全不同——美国出台《哈里森土地法》、《先买权法》和《等级法案》,不断降低迁往西部的普通劳动者获得土地所有权的制度门槛。英国出台超过4000项法令,大搞圈地运动,压缩土地作为劳动者的替代选择的迂回空间,变相压低了保留工资。
那么,工资议价能力不同的程度有多大? 这里要用到一个经典的跨国对比指标:工资与地租之比(Wage-to-Rental Ratio),这个比值越高,说明劳动力价格越贵,或者说明工资议价能力越强,反之亦然。同样受限于数据的可得性,无法获取不同国家同等质量土地的租金数据,所以用土地价格代替地租,进而得到工资与土地价格之比(Wage-to-Land Prices Ratio)作为替代指标。根据Christensen, P. P. (1981)的测算,1790年英国的工资与土地价格之比为0.0175,1850年降至0.0165,整个蒸汽动力的资本开支高峰期,劳动力的价格不足土地价格的2%。1790年美国的工资与土地价格之比为0.92,1850年降至0.34。在蒸汽动力的资本开支高峰期,由于美国政府人为压低土地价格,劳动力的价格一度等价于土地价格,劳动力的价格处于绝对昂贵的水平。即使西进运动开始以后,土地价格上涨快于工资,劳动力的价格还是高于土地价格的30%,劳动力的价格处于相对昂贵的水平。更重要的是,无论是1790年,还是1850年,两国的工资与土地价格之比差了1-2个数量级,相当于两国的工资议价能力差了至少10倍。
除了工资议价能力不同,还有一个重要原因:蒸汽动力的资本开支高峰期的资金来源不同。英国全部依靠企业内部融资。Crouzet, F. (1972)认为工业革命时期,英国工业企业规模扩张,主要依靠将丰厚的利润进行持续的“内部回炉”(Ploughing Back)。留存利润被视作长期资本的最主要的单一来源。企业如此依赖内部融资,一方面是英国国内资本短缺,1793年至1815年,战争融资导致英国国债余额激增4.4亿英镑,同时荷兰投资者又大幅减持英国国债,其持有规模从2700万-3000万英镑逐步归零,战争融资抽走了原本可能供给工业企业的私人储蓄。另一方面是法律风险和抵押品质量,驱动过剩资本投向海外市场。1720年的《泡沫法案》严厉限制设置股份公司,以合伙人投资于工业企业,需要承担无限连带责任,但是投资于海外债券,具有制度性的风险隔离,如果投资于美国铁路债券,还有沿线土地作为抵押品和各州政府的隐性担保。Imlah, A. H. (1958)的测算结果是,1815年英国海外资产只有1000万英镑,1850年升至2.2亿-2.3亿英镑。
美国则是不断从欧洲获得外部融资。欧洲资本流入美国,支持蒸汽动力的资本开支,大致分为两个阶段:第一阶段是间接支持,欧洲投资者购买美国各州政府债券,州政府以此补贴铁路建设。各州政府债券规模,1820年至1830年,从1280万美元升至2650万美元,1830年至1841年进一步升至2亿美元。外资持有的比例大致为50%,大约1亿美元,其中补贴铁路建设的比例为20%-25%,也就是20年间从不足500万美元,升至4000万美元以上,外资贡献的规模大致为2000万美元。第二阶段是直接支持,欧洲投资者直接购买铁路债券。经过1842年的债务危机以后,欧洲资本流入陷入低谷。1850年以后,拥有固定资产和沿线土地作为抵押品的抵押债券出现,欧洲资本流入再度加速,1853年至1860年,欧洲投资者持有的铁路债券从4400万美元升至1.5亿美元,大致相当于1850年代铁路投资规模的20%。
把视野延伸至蒸汽动力的技术红利兑现期。1850年,恩格斯暂停趋于结束,实际工资增长追赶人均实际产出增长。到了1900年,英国国民收入中,劳动份额从1847年的低点49%,升至58%,历史峰值为1894年的61%。同期,美国私人部门收入中,私人部门的工资份额从41%升至45%,非农私人部门的工资份额从46%升至52%,历史峰值为1890年的49%和57%。反映到微观层面,两国实际工资都大幅上涨,并且英国的实际工资增幅高于美国。Williamson, J. G. (1995) 以1905年英国实际工资为基期100,编制不同国家非熟练工人的实际工资指数,并且进行国别对比。为了避免《谷物法》废除前后的扰动,以1853年为起点进行对比。1853年至1900年,英国实际工资指数从58升至101,美国实际工资指数从106升至156,47年涨幅分别为74%和47%。但是英国更高的实际工资涨幅是弥补之前实际工资增长的停滞。1830年至1853年,英国实际工资指数从53升至58,涨幅9%,美国实际工资指数从74升至106,涨幅43%。更重要的是,1830年美国实际工资指数为74,英国实际工资指数为53,这意味着美国实际工资的起点,比英国要高出40%。
从长期趋势上看,作为自动化新技术的蒸汽动力,引入两国经济的过程中,英国的劳动份额呈现明显的“U”型轨迹,美国的工资份额则是稳定上行的轨迹,并且1840年代美国非熟练工人的实际工资水平,已经和1905年英国非熟练工人的实际工资水平相当。为什么实际工资的增长轨迹和绝对水平出现如此大的差异?答案是蒸汽动力,对于英国劳动力市场的冲击,以替代效应为主,对于美国劳动力市场的冲击,以增强效应为主。同样的技术,迥异的劳动力市场冲击,指向蒸汽动力驱动的自动化,朝着不同的方向发展。英国的自动化是高技能化+低标准化的组合,替代的是非熟练工人的体力劳动,熟练工人的技能溢价(Skill Premium),随着蒸汽动力的扩张和升级,得以持续走高。美国的自动化是低技能化+高标准化的组合,替代的是熟练工人的劳动技能,非熟练工人加上自动化可以变成高技能劳动力,技能溢价受到压制。
衡量技能溢价的核心指标是,熟练工人与非熟练工人的工资之比。Williamson, J. G. (1985)的测算数据显示,在可变权重下,1815年至1901年,非农部门的技能溢价,从2升至2.2,85年的时间里,熟练工人维持着2倍于非熟练工人的工资水平。尤其是1827年至1871年,技能溢价从2.2升至2.9,熟练工人的工资水平,从相当于非熟练工人的2倍升至3倍。Lindert, P. H. (1974)提供了长周期的美国技能溢价数据。1820年至1900年,制造业和建筑业的技能溢价,从1.2升至1.8,80年时间里,熟练工人维持着1.5倍于非熟练工人的工资水平。其中1830年至1870年,技能溢价从1.3升至1.8,熟练工人的工资水平,从相当于非熟练工人的1.3倍升至2倍。在蒸汽动力驱动的自动化发展的关键时期,美国没有出现技能溢价一路上行的现象,而是存在明显的天花板,这意味着自动化带来的技术红利,没有像英国一样,流向少数熟练工人,反而惠及大多数非熟练工人。
系统性压制技能溢价的力量是什么?站在当时美国企业的角度,美国领土不断向西扩张,充足的耕地供给,给普通人提供了从事农业生产,脱离工业生产的替代选择,直接推高了非熟练工人的实际工资。还是引用Williamson, J. G. (1995)的数据,以1905年英国实际工资为基期100,1830年至1900年,美国非熟练工人的实际工资,基本是英国的1.5倍。作为后发追赶型经济体,如果采用类似英国依靠熟练工人的高技能,支撑蒸汽动力驱动的自动化扩散,那么熟练工人的实际工资,可能不只是非熟练工人的3倍。因而,美国企业采取和英国相反的思路——以蒸汽动力驱动的自动化+非熟练工人,取代熟练工人,这正是哈巴库克假说(Habakkuk thesis)提到的劳动力节约型创新(Labor-saving inventions)。通过把熟练工人的高技能,内化到蒸汽动力驱动的机器的“资本深化”,实现去技能化。具体实现路径就是高度标准化(Standardization)与可互换零件(Interchangeable Parts),搭配流水化作业,从而使得生产规模可以快速扩大,雇佣非熟练工人就能达到熟练工人的生产效率,这种模式的自动化扩散的直接结果是资本-劳动力比率大幅走高。Broadberry, S. N. (1993)直接给出了对比数据,以英国的资本-劳动力比率为100,1869年至1909年,美国制造业的资本-劳动力比率从94升至183,尤其是1879年至1889年,从92飙升至159。10年的巨额资本投资,美国资本-劳动力比率,实现了相对英国的大幅度超越。次要结果是重塑就业市场的结构,熟练工人占比和非熟练工人占比此消彼长,白领管理岗位大幅增加。Katz, L. F., & Margo, R. A. (2013)的数据显示,1850年至1900年,美国制造业就业中,普通蓝领岗位占比从57.5%升至64.5%,熟练蓝领岗位占比从39.4%降至28.7%,白领岗位占比从3.1%升至6.8%。整个美国经济就业中,非农就业岗位的占比从47.2%升至64.5%,普通蓝领岗位占比从28.7%升至36.4%,熟练蓝领岗位占比从11.6%降至11%,白领岗位占比从6.9%升至17.1%。
以上讨论的19世纪蒸汽动力引入英美两国经济的过程说明,新技术驱动的自动化,对于就业市场产生替代效应,还是增强效应,不完全取决于新技术自身,更取决于新技术所处经济体的自然禀赋和要素禀赋,甚至是制度环境。在新技术的资本开支高峰期,完全不同的地理条件和制度环境,产生不同的劳动力议价能力,进而影响资本开支的融资来源,还有实际工资跟随实际产出增长的幅度。在新技术的技术红利兑现期,还是不同的劳动力议价能力,诱导新技术驱动的自动化朝着不同的方向发展,最后影响技术红利在就业市场的分配结构。简言之,无论是蒸汽动力,还是AI,不能将其对于就业市场产生替代效应,视作一种技术决定的必然,而是要看到相同新技术引入不同经济体,对于就业市场产生的影响,也可能存在显著的差异。
风险提示
美国通胀超预期上行,新兴市场出现系统性金融风险,美联储独立性被削弱
具体内容详见华创证券研究所2026年10月16日发布的报告《浅析人工智能对于美股和美国就业市场的潜在影响》
大类资产配置系列报告
凯文·沃什、人工智能(AI)与避险资产的潜在关联是什么
美元资产定价模式的变与不变
价值链视角:中美贸易新变局
通胀动能切换——2025年海外大类资产配置展望
中国制造业占比见顶回落的谜题与出路(下篇):中国及典型发达国家 1990 年代以来的产业升级
中国制造业占比见顶回落的谜题与出路(中篇):发达国家制造业占比见顶回落后的产业升级
低利率之下,海外固定收益绝对回报策略如何实现收益增厚——“固收+”系列报告专题三
更多投研报告
股票
板块
用户
资讯
评论 (0)