黑石 2026 AI 投资全景：万亿基建的真实回报

黑石 Jon Gray：万亿 AI CapEx 背后的真实回报、基础设施战争与资本新秩序

如果只看表面，今天的 AI 投资潮确实很像一场巨大泡沫。

芯片公司市值暴涨。

数据中心疯狂扩建。

科技巨头一年投入数千亿美元。

电力、天然气、光通信、核能、存储芯片全部被 AI 拉动。

一级市场又不断出现百亿美元、千亿美元估值。

于是市场开始问一个越来越重要的问题：

这些钱最后到底怎么赚回来？

这正是 Blackstone 总裁兼 COO Jon Gray 在 2026 年 9 月最新演讲里提出的核心问题：

Where’s the Beef?

“牛肉到底在哪里？”

这个说法来自 1984 年 Wendy’s 的经典广告。

汉堡面包看起来非常大。

但是打开以后：

肉在哪里？

Gray 借这个比喻问：

现在全球正在向 AI 投入数万亿美元。

数据中心是面包。

GPU 是面包。

电力系统是面包。

光纤和网络也是面包。

真正的“牛肉”，必须是这些资本最终产生的经济回报。

而 Blackstone 给出的答案非常明确：

他们认为，AI 的“牛肉”已经开始出现。

不是未来某一天。

而是已经在企业利润表、劳动生产率、软件开发效率、业务流程和现实世界基础设施需求中开始体现。Blackstone 官方将这场演讲的核心也概括为：企业部署 AI 已经带来可量化的生产力、营收与运营改善，而这些回报正在反过来推动算力需求。

但真正值得我们研究的，并不是“Blackstone 看多 AI”。

Blackstone 自己就是全球最大的 AI 基础设施资本提供者之一。

它当然有立场。

真正重要的问题是：

它看对了什么？又可能看错什么？

这才是投资人应该研究的。

一、AI 泡沫争论真正的问题，从来不是“投入是不是太大”

过去两年，市场讨论 AI 泡沫时，经常犯一个错误。

大家盯着一个数字：

CapEx。

今年花 5000 亿美元。

明年花 8000 亿美元。

以后可能万亿美元。

于是很多人直接得出：

投入这么大，一定是泡沫。

但资本开支规模本身不能判断泡沫。

真正应该看的，是三个变量：

需求；

资本成本；

资产最终产生的现金流。

铁路很贵。

电网很贵。

通信网络很贵。

高速公路很贵。

数据中心同样很贵。

但“贵”从来不等于“错误”。

真正危险的是：

供给建设速度，远远超过真实需求。

这才是绝大多数基础设施泡沫破裂的根源。

二、投资人真正应该问的不是“花了多少钱”，而是 Demand / Supply 到底哪边领先

这可能是理解今天 AI 基建周期最重要的框架之一。

基础设施投资大致会出现两种状态。

第一种：

Demand > Supply。

需求先出现。

基础设施跟不上。

这时候价格上涨；

租金上涨；

设备交付周期延长；

企业抢资源；

资本才开始进入。

这是典型的：

Shortage Cycle。

第二种：

Supply > Demand。

大家看到赚钱机会以后同时扩产。

然后：

产能大量上线；

需求没有预期那么高；

价格下跌；

利用率下降；

债务开始出问题。

这就是：

Overbuild Cycle。

所有大型基础设施周期，最终都围绕这两个阶段摆动。

三、Blackstone 今天最大的判断：AI 仍然处在 Shortage Cycle

Gray 为什么敢继续投数据中心？

因为 Blackstone 看到的不是媒体报道。

而是真实租赁。

Blackstone 官方披露，它的全球数据中心平台预计：

2024 年签约约 1GW；

2025 年约 2GW；

2026 年预计超过 6GW。

Gray 在 2026 年 5 月就表示，仅这约 6GW 数据中心就对应约 1000 亿美元的数据中心建设资本，而租户放进去的芯片可能还要再投入约 2000 亿美元。

这非常夸张。

6GW 是什么概念？

它不是办公室耗电。

而是一座中型城市甚至大型工业区级别的持续电力负荷。

所以 AI 已经从：

软件问题

正式进入：

工业基础设施问题。

四、真正的大变化：AI 已经从 Silicon Valley 走向电网

过去互联网创业最重要的生产资料是：

服务器。

今天 AI 最重要的生产资料已经变成：

GPU；

HBM；

光通信；

变压器；

数据中心；

天然气轮机；

输电线路；

土地；

水；

冷却设备。

这说明 AI 正在发生一个非常重要的阶段转换：

第一阶段

Model Revolution

模型革命。

谁能训练出最聪明的模型？

第二阶段

Compute Revolution

算力革命。

谁拥有足够 GPU？

第三阶段

正在发生：

Infrastructure Revolution。

谁能真正给这些 GPU：

供电；

散热；

联网；

建设数据中心；

获得土地；

获得许可？

所以 AI 最终撞到的最大问题不是数学。

而是：

物理世界。

五、这就是为什么 Blackstone 可能比很多科技 VC 更适合赚 AI 第二阶段的钱

理解 Blackstone 非常重要。

Blackstone 不是 Andreessen Horowitz。

也不是 Sequoia。

它最强大的能力不是：

押中下一个 App。

它真正擅长的是：

房地产；

基础设施；

信贷；

能源；

大型并购；

超大规模资本组织。

而 AI 到了今天这个阶段，恰好开始需要这些能力。

于是 AI 从一个：

VC Opportunity

慢慢变成：

Infrastructure Capital Opportunity。

这其实非常关键。

科技革命早期的钱：

通常被技术创业者和 VC 赚走。

科技革命进入基础设施阶段以后：

钱开始流向：

房地产；

Private Credit；

Infrastructure Funds；

能源公司；

工业设备；

大型资产管理公司。

所以 Blackstone 真正的优势不是：

它比 OpenAI 更懂模型。

而是：

当 AI 从代码变成钢筋、水泥、电力和债务时，这正是 Blackstone 的世界。

六、AI 资本周期真正的分水岭，是“Token 有没有产生收入”

Gray 在演讲里拿出了几个非常夸张的数据。

Google 每月 Token 使用量：

2024 年接近零起步；

此前约 480 万亿；

到 2026 年 5 月已经达到大约：

3.2 Quadrillion。

也就是：

3200 万亿 Token。

Gray 还称，截至 2026 年 7 月，OpenAI 与 Anthropic 的合计年化营收 Run Rate 已达到约：

1050 亿美元。

无论我们是否完全接受这些口径，

最重要的趋势已经非常清楚：

AI 使用量正在从实验变成消费。

这是投资意义上的重大区别。

七、互联网泡沫真正的问题，不是没有流量，而是流量没有充分货币化

2000 年互联网泡沫期间：

互联网用户是真的。

网页访问是真的。

流量增长也是真的。

所以“互联网是骗局吗？”

当然不是。

互联网后来改变了整个世界。

但问题在于：

当时很多企业的估值，提前透支了几十年的商业化。

这就是泡沫最难理解的地方：

一个伟大的技术革命，完全可以同时存在巨大的资产泡沫。

两件事并不矛盾。

铁路是真的。

铁路公司也可以破产。

互联网是真的。

Pets.com 也可以归零。

AI 也一样。

AI 改变世界，并不代表：

今天所有 AI 公司都值现在这个价格。

这是理解这一轮资本市场最重要的原则之一。

八、所以判断 AI 泡沫，必须把“技术正确”和“价格正确”分开

一个资产有四种可能。

第一种：

技术错。

价格也错。

最差。

第二种：

技术对。

价格错。

这是泡沫最常见的形态。

第三种：

技术对。

价格也对。

最理想。

第四种：

技术价值被市场低估。

这就是最大的投资机会。

所以专业投资者永远不应该只问：

“AI 是不是未来？”

答案大概率是：

是。

但这对投资没有太大帮助。

真正应该问：

我今天为这个未来支付了多少钱？

这才是资产定价。

九、Blackstone 最重要的数据，其实不是 OpenAI 的收入，而是自己的企业客户开始加钱

Blackstone拥有一个非常特别的观察窗口。

它横跨：

私募股权；

房地产；

信贷；

GP Stakes；

基础设施。

因此能够观察大量真实企业。

Gray 披露，在 Blackstone 观察到的大约 1400 家相关企业、GP 投资组合公司和借款企业中，与 Anthropic 相关的年化支出从 2025 年 9 月约：

2500 万美元

上升到：

5.25 亿美元。

一年左右增长：

21 倍。

这里必须注意一个细节：

这并不是说 Blackstone 1400 家公司“总 AI 支出只有 5.25 亿”。

Gray 展示的更具体是相关企业对 Anthropic 的年化支出视角。

但它仍然说明一件事情：

企业已经从试用进入部署。

十、企业软件历史上最重要的一道门槛：Pilot → Production

科技圈非常喜欢说：

Pilot。

试点。

但企业技术真正赚钱之前，都必须跨过一道坎：

Production Deployment。

因为：

试点预算很小。

真正进入生产环境以后：

才会接入数据；

改变工作流；

替代员工时间；

影响客户；

进入年度预算。

Blackstone 2026 年自己的调查显示：

接近 50% 的受访 Portfolio Company CEO 表示，AI 项目已经进入生产或全面部署阶段；

一年前还不到 30%。

同时约 80% CEO 表示未来 12 个月计划增加 AI 支出。

这比 ChatGPT 下载量更值得资本关注。

因为：

企业预算才是长期现金流。

十一、AI 真正的“牛肉”，最终只能有两种

任何企业购买 AI，都绕不开两个 ROI。

第一种：

Cost Reduction

降低成本。

少雇人；

更少工时；

更快完成流程；

减少错误；

降低客服费用。

第二种：

Revenue Enhancement

增加收入。

销售更多；

提高转化；

推出新产品；

提升客户价值；

增加价格。

如果两种都没有：

AI 就只是玩具。

企业最终一定会削减预算。

十二、Phoenix Tower 的案例为什么非常重要？

Blackstone 给出的 Phoenix Tower 案例非常简单。

它是一家移动通信铁塔业务公司。

公司投入约：

400 万美元

建设 AI 租赁审核流程。

结果：

处理租约速度提高约 5 倍；

一年产生约：

450 万美元经济收益。

也就是说：

一年左右就基本回本。

年化 ROI 超过 100%。

这是非常典型的企业 AI 应用。

注意：

它没有训练 AGI。

没有造机器人。

没有改变人类文明。

只是：

把一个昂贵、重复、慢的流程自动化。

但是企业最喜欢这种项目。

为什么？

因为 CFO 能算账。

十三、企业真正愿意持续花钱的 AI，不一定是最酷的 AI

这是创业者必须理解的一点。

消费者喜欢：

Wow Factor。

企业喜欢：

Payback Period。

一个 AI 产品如果告诉 CFO：

我们的模型 IQ 高了 20%。

意义不大。

但如果告诉 CFO：

原来 30 个人做；

现在 8 个人做。

或者：

原来流程 3 天；

现在 3 小时。

或者：

一年节约 500 万美元；

软件收费 100 万美元。

那就是：

5× ROI。

成交概率完全不同。

所以 B2B AI 真正的黄金公式不是：

AI Capability。

而是：

Economic Value Created / Price Charged。

十四、这也是为什么 Enverus 的 18× 非常值得研究

Blackstone 还提到能源数据公司 Enverus。

通过 AI 参与代码维护和软件工程流程后，其模型成本相对于效率收益形成了大约：

18 倍经济回报。

Gray 将软件工程列为其组合公司普遍获得 AI 收益的领域之一。

为什么 Coding 会这么快商业化？

因为代码天然满足 AI 最喜欢的几个条件：

输入数字化；

输出数字化；

结果可验证；

可以大量迭代；

错误可以重做；

数据丰富。

所以 Coding Agent 很可能只是一个开端。

以后 AI 会从：

Code

进入：

Accounting；

Legal；

Insurance；

Healthcare Admin；

Procurement；

Customer Support。

共同点都是：

大量规则 + 大量文本 + 可验证结果。

十五、真正的大机会，是把“人力成本”变成“计算成本”

这是 AI 经济学最重要的一句话之一。

过去一个工作流程：

成本主要来自：

Labor。

未来一部分工作流程：

成本开始变成：

Compute。

例如以前：

100 人 × $100,000 年薪

= $10M。

未来：

30 人 + $2M AI 成本

= $5M。

于是公司创造：

$5M 成本优势。

AI 公司就可以从其中抽取：

一部分 Value。

这解释了为什么 AI 市场可能远远大于传统 SaaS。

十六、SaaS 的市场是 IT Budget，AI 的终极市场可能是 Payroll

这是非常重要的数量级变化。

传统软件公司销售：

软件。

所以客户从：

IT Budget

付款。

AI Agent 如果真正能够完成工作，

客户实际上是在购买：

Digital Labor。

这意味着 AI 理论上可以进入：

工资预算。

全球企业每年的劳动力成本，

远大于软件预算。

因此 AI 最大的 TAM 可能不是：

Software Market。

而是：

Labor Market。

这也是资本为什么愿意投入如此恐怖金额。

十七、理解这一点以后，就能理解为什么算力需求可能持续非常久

如果 AI 只是：

写邮件；

总结文章；

生成图片。

那么今天的数据中心建设确实容易过剩。

但如果 AI 开始承担：

客服；

编程；

财务；

法律分析；

科研；

机器人；

自动驾驶；

制造；

医疗行政；

那么：

每一次“AI 工作”

背后都要消耗 Token。

Token 最终变成：

GPU 运算。

GPU 运算变成：

电。

所以未来的链条可能是：

更多 AI 劳动 → 更多 Token → 更多 Compute → 更多电力。

这就是数字经济与物理经济重新连接的方式。

十八、AI 最终可能成为一个新的“能源转换器”

这是一个非常高阶但非常重要的理解。

工业革命本质是什么？

把：

煤；

石油；

天然气；

电力

转化成：

机械劳动。

AI 革命可能增加一个新环节：

电力 → 计算 → 智能劳动。

过去：

1 MWh 电

驱动机器。

未来：

1 MWh 电还可以产生：

Token；

推理；

代码；

设计；

自动决策。

换句话说：

能源正在开始转化成人工智能。

这会彻底改变能源资产的战略价值。

十九、所以未来 AI 竞争最终可能演变成能源竞争

很多国家今天谈：

AI Sovereignty。

大家首先想到：

模型。

但真正的 AI 主权包括：

芯片；

晶圆厂；

HBM；

数据中心；

电力；

电网；

冷却；

人才；

资本。

尤其是：

Power。

如果你没有足够电，

买再多 GPU 也没用。

所以未来十年美国 AI 优势是否能够保持，很大程度取决于：

能不能快速增加：

天然气；

核能；

可再生能源；

储能；

输电；

变压器。

AI 已经从软件问题升级为：

国家工业能力问题。

二十、为什么 GE Vernova 之类公司突然成为 AI 链条？

这是很多普通投资者几年前根本想不到的事情。

大家买 AI：

买 NVIDIA。

但数据中心建设增加以后：

天然气轮机需求增加；

电网设备需求增加；

输变电设备需求增加。

于是第二阶受益者开始出现。

这就是投资里非常重要的概念：

Second-Order Effects。

第一层人人看得到：

GPU。

真正优秀的资本开始研究：

GPU 增长以后，谁必然受益？

电力。

然后：

电力增长以后谁受益？

燃气轮机；

核能；

变压器；

输电；

铜；

冷却。

投资机会就这样向外扩散。

二十一、AI 投资最赚钱的阶段之一，可能不是模型，而是 Bottleneck

产业投资有一个非常实用的方法：

不要追最热门的东西。

找：

瓶颈。

因为需求爆发以后：

价格权力通常流向最稀缺的环节。

AI 目前可能存在几个巨大瓶颈：

先进 GPU；

HBM；

先进封装；

高速光通信；

电力；

燃气轮机；

变压器；

数据中心土地；

Interconnection；

审批。

谁控制瓶颈，

谁拥有：

Pricing Power。

二十二、这就是为什么 1GW AI Factory 可以贵到数百亿美元

Gray 在演讲里讨论建设一座 1GW AI Factory。

如果把：

数据中心；

电力；

芯片；

网络；

配套基础设施

全部算进去，

资本需求可以达到大约：

550 亿美元级别。

这已经不是普通科技公司的 CapEx。

550 亿美元是什么概念？

已经接近：

一个大型能源项目；

大型机场；

甚至部分国家级基础设施。

这意味着 AI 已经进入：

Mega Project Economy。

二十三、Mega Project Economy 会改变资本市场结构

一个 $100M 项目：

VC 可以解决。

一个 $1B 项目：

Growth Equity + Debt 可以解决。

一个 $50B 项目：

已经需要：

Hyperscaler；

Infrastructure Fund；

Private Credit；

银行；

债券市场；

保险资金；

养老金；

主权财富基金。

所以 AI 越往下发展，

越不是创业公司的独角戏。

而变成：

全球资本市场工程。

这正是 Blackstone、Apollo、Brookfield、KKR 这些另类资产巨头真正进入 AI 的原因。

二十四、这也是为什么 Private Credit 会成为 AI 革命的重要金融基础设施

很多人以为：

AI = 股票市场。

其实大型数据中心最需要的是：

债。

因为数据中心通常：

CapEx 极高；

合同周期长；

现金流相对可预测。

这非常适合债务融资。

尤其在银行受到资本监管约束以后：

Private Credit 可以承担越来越多大型项目。

于是 AI 可能间接推动：

Private Credit

进一步扩张。

技术革命背后，

往往同时发生：

金融创新。

二十五、但这里必须提醒：这也是风险开始增加的地方

早期 AI CapEx：

Meta；

Microsoft；

Alphabet；

Amazon

自己掏钱。

这些公司：

现金非常多；

债务非常少；

信用极强。

风险不大。

但随着 CapEx 从几千亿继续向上：

越来越多融资会进入：

SPV；

项目融资；

Private Credit；

资产证券化；

设备融资；

担保结构。

到 2026 年，市场已经开始大量讨论 hyperscaler AI 投资中的表外承诺、担保与特殊融资结构。FT 报道称，大型科技公司正利用 residual-value guarantees 等结构为数据中心与芯片融资提供支持；另一项市场分析估算，五大 hyperscaler 2026 年 CapEx 约 $8200 亿，已经开始超过其约 $7500 亿经营现金流。

这意味着：

AI CapEx 周期已经开始从：

现金流融资

进入：

信用扩张。

历史上所有大型资本周期到了这一步，

风险都会开始上升。

二十六、所以“今天不像 2000 年”不代表“永远不会变成 2000 年”

Gray 一个重要论据是：

现在资本市场并没有全面失去理智。

例如：

Micron、SK Hynix 股价虽然暴涨，

SK Hynix 当时的 Forward P/E 甚至仍低于约 4 倍。

而 2000 年 Cisco 泡沫高峰时：

市盈率一度达到极端水平。

这说明至少部分 AI 基础设施股票，并不是靠无限估值扩张上涨。

这个判断有道理。

但需要加一句：

泡沫不一定首先出现在股票市盈率。

它也可以藏在：

Private Valuation；

数据中心土地价格；

债务；

长期租约；

GPU Residual Value；

电力合同；

一级市场。

所以判断泡沫不能只看：

Nasdaq P/E。

二十七、真正应该监控 AI 泡沫的，是六个指标

如果我是资本配置者，我不会每天问：

“NVIDIA 今天涨了吗？”

我会看这六件事情。

第一：Compute Utilization

GPU 真正在忙吗？

还是大量闲置？

第二：Inference Revenue / CapEx

每新增一美元基础设施，

最后能产生多少 AI 收入？

第三：AI Customer ROI

客户为什么继续付钱？

有真实成本节约，

还是只是 CEO 要求“必须 AI”？

第四：Debt / Cash Flow

CapEx 越来越依赖债务，

还是仍由现金流支持？

第五：Supply Lead Time

GPU、电力、数据中心仍然短缺，

还是开始出现库存？

第六：Price per Unit of Compute

如果算力价格暴跌，

意味着：

技术效率提高；

或者：

供给开始过剩。

必须区分。

这六个指标比任何“AI 是不是泡沫”的口号都更加重要。

二十八、1870 年铁路故事真正教我们的，不是“基础设施不会泡沫”

Gray 把今天 AI 类比到：

1870 年。

这个类比非常有意思。

1870 年美国与 1900 年美国几乎是两个世界。

1870：

木结构；

马车；

煤油灯；

农业人口很多。

1900：

钢铁；

铁路；

电气化；

现代城市；

大规模工业。

这 30 年美国生产能力发生巨大跃迁。

Gray 借此说明：

AI 可能类似第二次工业革命的起点。

但历史还有另一半。

二十九、铁路改变了美国，但铁路投资者照样可以破产

这是必须理解的。

铁路确实：

改变美国；

创造全国市场；

降低运输成本；

推动城市化；

带动钢铁；

扩大商业。

但 19 世纪美国铁路行业也经历过大量：

破产；

债务危机；

过度建设。

所以历史告诉我们的不是：

“大技术革命应该闭眼买。”

而是：

基础设施本身可能伟大，基础设施资本回报仍然可能很差。

这就是技术史和投资史最大的区别。

三十、投资者最容易犯的错误：把社会价值和股东回报混为一谈

铁路产生：

巨大社会价值。

航空产生：

巨大社会价值。

电信产生：

巨大社会价值。

互联网产生：

巨大社会价值。

但是很多行业长期：

资本回报并不好。

为什么？

因为竞争会把价格打下来。

这叫：

Consumer Surplus。

消费者拿走大量技术红利。

企业不一定拿得到全部利润。

所以判断 AI 公司必须问：

AI 创造了多少价值？

然后再问：

谁能够捕获这个价值？

这是两道完全不同的问题。

三十一、未来 AI 最大的财富争夺，其实就是 Value Capture

AI 创造价值以后，

谁拿走？

可能是：

模型公司；

芯片公司；

云计算公司；

能源公司；

数据中心；

软件应用；

企业客户；

消费者。

最终利润分配取决于：

谁最稀缺；

谁最难替代；

谁拥有定价权。

目前最强的 Value Capture：

明显集中在：

先进芯片；

HBM；

部分云基础设施；

领先模型。

但未来不一定永久如此。

三十二、模型很强，不意味着模型层永远赚最多钱

历史上：

互联网协议非常重要。

TCP/IP 没赚走互联网全部利润。

智能手机 OS 非常重要。

但真正财富分布在：

Apple；

Google；

Meta；

Uber；

Airbnb；

TikTok。

所以未来 AI 产业可能也会出现：

基础模型逐渐商品化。

真正利润转移到：

拥有客户关系；

专有数据；

工作流；

品牌；

分发

的应用公司。

这也是为什么企业的 System of Record 仍然非常重要。

三十三、软件行业真正危险的不是 AI 把软件消灭，而是 AI 把“Seat”消灭

过去 SaaS 的核心经济模型：

员工越多，

软件 Seat 越多。

于是收入上涨。

但 AI 的一个核心结果可能是：

客户员工减少。

那原来：

1000 Seats

以后只剩：

500 Seats。

传统 SaaS 模型会受到压力。

所以软件必须从：

Per Seat

走向：

Per Outcome。

客户最终不愿意为：

“使用软件”

支付越来越多钱。

客户愿意为：

“完成工作”

支付钱。

三十四、未来真正强的软件公司，会从 System of Record 进化成 System of Action

传统 Salesforce：

记录销售。

未来：

AI 直接找客户；

发送邮件；

安排会议；

更新 CRM；

追踪成交。

传统 ServiceNow：

记录工单。

未来：

AI 直接解决工单。

传统 ERP：

记录业务。

未来：

Agent 直接执行采购和财务流程。

所以未来软件最大的机会不是：

Store Information。

而是：

Act on Information。

三十五、为什么很多传统软件公司仍然拥有巨大优势？

因为 AI 最需要：

上下文。

而企业 Context 藏在哪里？

CRM；

ERP；

财务系统；

邮件；

Slack；

HR 系统；

客户数据库。

也就是说：

AI 是大脑。

System of Record 是：

企业记忆。

所以真正危险的并不是所有传统软件。

危险的是：

没有专有数据；

没有核心工作流；

没有高 Switching Cost；

只是提供一个 UI 的软件。

这种产品最容易被 Agent 吞掉。

三十六、Blackstone 为什么一边买 AI，一边买“AI 完全替代不了的东西”？

这是这场演讲背后非常高级的资本配置逻辑。

如果 Blackstone 真认为 AI 是未来，

为什么不把所有钱都投 AI？

因为真正的大型资产管理机构从来不会只有一个剧本。

一边买：

AI Infrastructure。

另一边买：

机场；

体育资产；

稀缺房地产；

消费体验。

为什么？

因为这些资产的价值来自：

Scarcity。

三十七、AI 最大的经济后果之一，是让“可复制东西”越来越便宜

AI 最擅长：

复制知识；

复制文字；

复制图片；

复制代码；

复制数字产品。

于是：

可数字化的东西

供给爆炸。

经济学非常简单：

供给爆炸 → 价格下降。

那么钱会去哪里？

去：

不能复制的东西。

三十八、AI 时代最贵的东西，可能反而是“现实世界的稀缺性”

例如：

Manhattan 土地；

海滩；

机场；

体育联盟；

独家牌照；

优质电网接入；

数据中心选址；

热门城市住房；

全球品牌。

AI 可以生成：

10 亿张海滩图片。

但它不能生成：

第二个 Malibu 海岸线。

AI 可以生成：

一万个板球比赛模拟。

但无法复制：

真实体育联盟的情绪和文化网络。

所以 AI 越强，

一些现实世界稀缺资产反而可能越来越贵。

这是非常重要的：

Digital Abundance → Physical Scarcity Premium。

数字世界无限供给。

物理世界稀缺性溢价提高。

三十九、这才解释了 Blackstone 的“双杠铃”策略

一端：

拥有 AI 必须依赖的：

数据中心；

能源；

算力；

基础设施。

另一端：

拥有 AI 难以复制的：

机场；

土地；

体验；

品牌；

体育。

中间最危险的是：

容易被 AI 商品化、

又没有物理稀缺性的普通业务。

这是一种非常成熟的资产配置思维。

四十、未来真正危险的资产，是“既不稀缺，也不拥有数据”

例如某些：

普通信息服务；

通用咨询；

低附加值软件；

中介；

基础内容生产。

过去这些行业靠：

信息不对称

赚钱。

AI 正在把信息成本降到接近零。

所以它们的经济租金会不断受到压力。

四十一、AI 对 Private Equity 的影响甚至可能比 VC 更大

VC 投资 AI 创业公司。

这是显性的。

PE 的变化更有意思。

PE 拥有成熟企业。

AI 可以直接作用于：

EBITDA。

举个简单例子。

一家企业：

Revenue = $1B。

EBITDA Margin = 20%。

EBITDA = $200M。

AI 让成本下降：

$30M。

那么 EBITDA 变成：

$230M。

如果市场估值：

10× EBITDA。

企业价值直接增加：

$300M。

这就是为什么 Blackstone 如此积极推动组合公司部署 AI。

四十二、PE 会越来越像一家“工业化 AI 转型公司”

过去 Private Equity 的经典 Playbook：

降成本；

换管理层；

并购；

优化资本结构；

改善销售。

未来还会增加：

AI Transformation。

如果一个 PE 平台有 100 家公司。

每家公司通过 AI 提升：

100—300bps Margin。

合起来就是非常巨大的 Value Creation。

所以 AI 不是 PE 投资的一个赛道。

它会变成：

PE Operating System。

四十三、这可能重新定义什么叫“最好的私募股权公司”

过去优秀 PE 的优势来自：

Deal Sourcing；

Financial Engineering；

Operational Expertise。

未来还可能包括：

AI Deployment Capability。

谁能够把同一套：

Agent；

数据平台；

采购能力；

技术团队

复制到几百家公司，

谁就拥有规模优势。

Blackstone 已经开始把 AI 作为组合公司共同能力来建设。官方称，其数据科学团队与组合公司合作产生的累计 bottom-line impact 已估计约 2 亿美元。

四十四、但 Blackstone 的数据必须带着一个重要偏差来看

这是专业投资者必须做的。

Blackstone 告诉你：

AI ROI 很高。

你不能直接接受。

因为 Blackstone：

拥有 AI 基础设施；

投资 AI 公司；

融资 AI 项目；

需要 LP 继续投资。

它天然拥有：

Bullish Incentive。

这并不意味着数据是假的。

而是意味着：

投资者必须主动寻找反证。

四十五、真正成熟的投资研究，永远问一句：“什么情况下我错？”

Blackstone AI Thesis 如果出问题，大概有五种路径。

第一：AI Revenue 增速下降

客户不再愿意持续增加支出。

第二：Model Efficiency 增长太快

同样任务需要的 Compute 大幅下降。

第三：供给突然大量释放

GPU；

HBM；

数据中心；

电力

全部大量上线。

价格下降。

第四：应用端 ROI 不够

公司发现：

AI 看起来很好，

但无法真正减少成本。

第五：金融杠杆太快扩张

资产本身没问题。

融资结构出了问题。

历史上很多危机其实都是第五种。

四十六、“模型越来越高效”为什么既是利好又是风险？

这是一个非常有意思的悖论。

模型效率提高：

每 Token 成本下降。

表面看：

数据中心需求应该下降。

但经济学有一个著名现象：

Jevons Paradox。

当资源使用效率提高，

因为价格下降，

总需求反而可能增加。

19 世纪：

蒸汽机越来越省煤。

结果：

煤炭总需求反而暴涨。

AI 也可能如此。

每个 Token 便宜 10 倍。

但人类使用：

100 倍 Token。

最终 Compute 需求：

仍然增长 10 倍。

所以：

模型效率提升

并不自动意味着算力需求下降。

关键是：

Price Elasticity of Demand。

四十七、这可能是未来 AI 基础设施最核心的经济变量

假设：

Inference Cost ↓ 90%。

如果 AI 使用量只增加：

2×，

算力需求下降。

但如果 AI 使用量增加：

100×，

总算力需求仍暴涨。

所以所有 AI 数据中心投资，

本质上都在赌：

AI 需求弹性足够高。

Blackstone 的整个 Thesis 很大程度建立在这一点上。

四十八、机器人和自动驾驶可能成为下一轮 Token Explosion

现在绝大多数 Token：

来自人。

人打字；

AI 回复。

未来：

机器会自己调用模型。

一个机器人：

可能每秒进行多次感知、判断。

一辆自动驾驶汽车：

持续读取摄像头；

雷达；

地图；

环境。

于是 Compute 用户不再只是：

50 亿人。

而可能包括：

汽车；

机器人；

无人机；

工厂设备；

摄像头；

智能系统。

所以 Physical AI 一旦爆发，

算力需求可能再次发生数量级变化。

四十九、AI 真正进入物理世界以后，市场规模会再次重新定义

现在：

AI 主要替代知识劳动的一部分。

未来：

AI + Robot

开始进入：

体力劳动。

全球 Labor Market：

规模巨大。

制造业；

仓储；

运输；

建筑；

护理；

农业。

任何一个行业只要有 10% 劳动被智能机器重新定价，

背后都可能产生数千亿美元市场。

所以真正的 AI 终局不只是：

聊天机器人。

而可能是：

机器获得经济行动能力。

五十、资本市场今天真正押注的是一条非常长的链

它不是简单地赌：

OpenAI 会成功。

而是在赌：

模型更强

→ 企业 ROI 提升

→ AI 使用量增长

→ Token 增长

→ Compute 增长

→ 数据中心增长

→ 电力增长

→ 基础设施 CapEx 增长

→ 投资回报兑现。

只要其中一环断掉，

整个估值链都会重新计算。

这就是为什么 AI 是巨大机会，

同时也是巨大系统风险。

五十一、未来几年投资者最重要的任务不是“看多还是看空 AI”

“AI Bull”

“AI Bear”

这种标签没有意义。

真正应该做的是：

寻找整个价值链上：

Risk / Reward 最好的位置。

可能不是最热门的模型。

可能是：

电力；

HBM；

网络；

Private Credit；

应用软件；

稀缺资产。

不同阶段答案不同。

五十二、Blackstone 真正教给我们的，是资本如何跟随瓶颈移动

一个优秀资本配置者永远不会爱上某个行业。

他爱的是：

Return。

2023 年：

GPU 是瓶颈。

2025 年：

数据中心成为瓶颈。

2026 年：

电力、设备、资本开始成为瓶颈。

未来：

可能是机器人数据；

许可；

物理劳动力部署。

钱永远向：

稀缺环节

移动。

这就是产业投资真正的核心。

五十三、理解“Where’s the Beef?”，最终要回到最基本的资本主义原则

所有伟大的故事最后都必须回到：

Cash Flow。

AI 可以改变世界。

但是：

如果企业没有现金流，

资本最终会离开。

数据中心可以非常抢手。

但如果：

租金回报低于融资成本，

仍然是坏投资。

OpenAI 可以拥有最好模型。

但如果：

计算成本长期高于客户支付意愿，

商业模式仍然存在问题。

所以真正专业的资本永远问：

收入在哪里？

利润在哪里？

现金在哪里？

回报在哪里？

五十四、这就是为什么“Where’s the Beef?”其实是整个 AI 时代最重要的问题之一

不是：

模型多聪明。

不是：

参数多少。

不是：

谁发布 Benchmark 第一。

而是：

AI 到底创造了多少经济价值，其中多少能够转化为真实现金流？

如果答案不断扩大，

今天看起来夸张的 CapEx，

十年以后可能显得非常便宜。

如果答案没有扩大，

今天的万亿投入，

最终就会变成：

铁路泡沫；

电信泡沫；

光纤泡沫

的另一个版本。

五十五、普通创业者真正应该学到什么？

第一：

不要卖 AI，卖 ROI。

客户不在乎你用了什么模型。

客户在乎：

节约多少钱。

第二：

寻找高成本、重复、可量化工作流。

这种场景最容易产生真实回报。

第三：

不要只做一个 AI Wrapper。

模型不断升级以后，

纯功能很容易消失。

真正壁垒来自：

客户；

工作流；

数据；

品牌；

分发。

第四：

产品必须进入 Production。

Demo 没价值。

进入客户核心系统，

才有价值。

第五：

让客户能够算账。

最好的销售语言不是：

“我们用了最新模型。”

而是：

投入 $1，

一年产生 $5。

这才叫商业。

五十六、投资者真正应该学什么？

不要只看：

NVIDIA。

顺着产业链往下看。

AI 使用量增长以后：

什么最缺？

谁拥有定价权？

谁拥有长期合同？

谁可以用债务安全融资？

谁的资产不可替代？

谁的回报依赖一个危险假设？

这才是真正的产业投资。

五十七、Blackstone 的最大智慧：同时下注“技术扩张”和“现实稀缺”

如果把 Jon Gray 的资本配置逻辑压缩成一句话，我认为是：

AI 会让数字世界越来越便宜，却会让支撑数字世界的物理稀缺资源越来越重要。

于是 Blackstone 两边都买。

一边：

Compute。

另一边：

Scarcity。

数据中心；

能源；

芯片；

网络。

同时还有：

机场；

体育；

土地；

体验；

品牌。

这不是矛盾。

而是同一个 AI 时代的两面。

五十八、真正的大钱最终都赚在“别人不得不经过的地方”

这是整个产业资本史最重要的规律之一。

铁路时代：

铁路节点。

石油时代：

管道和炼化。

互联网时代：

云计算和平台。

移动互联网：

App Store 和广告平台。

AI 时代最终最赚钱的资产，

很可能也是：

所有人不得不经过的收费站。

它可能是：

GPU；

HBM；

Cloud；

Power；

Data Center；

System of Record；

或者未来某种 AI Agent 平台。

投资者真正应该寻找的，

不是：

“什么东西最酷？”

而是：

如果整个产业继续扩大，谁拥有必经之路？

最值得记住的一句话

Jon Gray 问：

Where’s the Beef?

我的答案可以再向前推进一步：

AI 时代真正重要的问题，不是世界愿意为 AI 投多少钱。

而是：

AI 每消耗一美元资本，究竟能够创造多少美元可持续经济价值。

只要这个数字持续大于 1，

资本循环就能够继续：

企业赚到钱；

增加 AI 支出；

模型公司增加收入；

继续购买算力；

数据中心继续建设；

电力继续扩张。

这形成：

AI Economic Flywheel。

但当某一天：

资本投入增长速度

长期超过

经济价值创造速度，

这个飞轮就会反转。

那时候：

CapEx 变库存；

库存变折价资产；

债务变压力；

高估值变减记；

牛市变成资本清算。

所以真正成熟的 AI 投资观既不是：

“AI 一定是泡沫。”

也不是：

“AI 改变世界，所以价格都合理。”

而是永远盯住一个最古老、最简单，也是资本主义最终无法逃避的问题：

投入的钱，最后到底赚回来了没有？

这就是 Jon Gray 所说的：

Beef。

也是未来几年所有 AI 投资人都应该持续追踪的真正北极星。