黑石 2026 AI 投資全景：萬億基建的真實回報

黑石 Jon Gray：萬億 AI CapEx 背後的真實回報、基礎設施戰爭與資本新秩序

如果只看表面，今天的 AI 投資潮確實很像一場巨大泡沫。

芯片公司市值暴漲。

數據中心瘋狂擴建。

科技巨頭一年投入數千億美元。

電力、天然氣、光通信、核能、存儲芯片全部被 AI 拉動。

一級市場又不斷出現百億美元、千億美元估值。

於是市場開始問一個越來越重要的問題：

這些錢最後到底怎麼賺回來？

這正是 Blackstone 總裁兼 COO Jon Gray 在 2026 年 9 月最新演講裏提出的核心問題：

Where’s the Beef?

“牛肉到底在哪裏？”

這個說法來自 1984 年 Wendy’s 的經典廣告。

漢堡麪包看起來非常大。

但是打開以後：

肉在哪裏？

Gray 借這個比喻問：

現在全球正在向 AI 投入數萬億美元。

數據中心是麪包。

GPU 是麪包。

電力系統是麪包。

光纖和網絡也是麪包。

真正的“牛肉”，必須是這些資本最終產生的經濟回報。

而 Blackstone 給出的答案非常明確：

他們認爲，AI 的“牛肉”已經開始出現。

不是未來某一天。

而是已經在企業利潤表、勞動生產率、軟件開發效率、業務流程和現實世界基礎設施需求中開始體現。Blackstone 官方將這場演講的核心也概括爲：企業部署 AI 已經帶來可量化的生產力、營收與運營改善，而這些回報正在反過來推動算力需求。

但真正值得我們研究的，並不是“Blackstone 看多 AI”。

Blackstone 自己就是全球最大的 AI 基礎設施資本提供者之一。

它當然有立場。

真正重要的問題是：

它看對了什麼？又可能看錯什麼？

這纔是投資人應該研究的。

一、AI 泡沫爭論真正的問題，從來不是“投入是不是太大”

過去兩年，市場討論 AI 泡沫時，經常犯一個錯誤。

大家盯着一個數字：

CapEx。

今年花 5000 億美元。

明年花 8000 億美元。

以後可能萬億美元。

於是很多人直接得出：

投入這麼大，一定是泡沫。

但資本開支規模本身不能判斷泡沫。

真正應該看的，是三個變量：

需求；

資本成本；

資產最終產生的現金流。

鐵路很貴。

電網很貴。

通信網絡很貴。

高速公路很貴。

數據中心同樣很貴。

但“貴”從來不等於“錯誤”。

真正危險的是：

供給建設速度，遠遠超過真實需求。

這纔是絕大多數基礎設施泡沫破裂的根源。

二、投資人真正應該問的不是“花了多少錢”，而是 Demand / Supply 到底哪邊領先

這可能是理解今天 AI 基建週期最重要的框架之一。

基礎設施投資大致會出現兩種狀態。

第一種：

Demand > Supply。

需求先出現。

基礎設施跟不上。

這時候價格上漲；

租金上漲；

設備交付週期延長；

企業搶資源；

資本纔開始進入。

這是典型的：

Shortage Cycle。

第二種：

Supply > Demand。

大家看到賺錢機會以後同時擴產。

然後：

產能大量上線；

需求沒有預期那麼高；

價格下跌；

利用率下降；

債務開始出問題。

這就是：

Overbuild Cycle。

所有大型基礎設施週期，最終都圍繞這兩個階段擺動。

三、Blackstone 今天最大的判斷：AI 仍然處在 Shortage Cycle

Gray 爲什麼敢繼續投數據中心？

因爲 Blackstone 看到的不是媒體報道。

而是真實租賃。

Blackstone 官方披露，它的全球數據中心平臺預計：

2024 年簽約約 1GW；

2025 年約 2GW；

2026 年預計超過 6GW。

Gray 在 2026 年 5 月就表示，僅這約 6GW 數據中心就對應約 1000 億美元的數據中心建設資本，而租戶放進去的芯片可能還要再投入約 2000 億美元。

這非常誇張。

6GW 是什麼概念？

它不是辦公室耗電。

而是一座中型城市甚至大型工業區級別的持續電力負荷。

所以 AI 已經從：

軟件問題

正式進入：

工業基礎設施問題。

四、真正的大變化：AI 已經從 Silicon Valley 走向電網

過去互聯網創業最重要的生產資料是：

服務器。

今天 AI 最重要的生產資料已經變成：

GPU；

HBM；

光通信；

變壓器；

數據中心；

天然氣輪機；

輸電線路；

土地；

水；

冷卻設備。

這說明 AI 正在發生一個非常重要的階段轉換：

第一階段

Model Revolution

模型革命。

誰能訓練出最聰明的模型？

第二階段

Compute Revolution

算力革命。

誰擁有足夠 GPU？

第三階段

正在發生：

Infrastructure Revolution。

誰能真正給這些 GPU：

供電；

散熱；

聯網；

建設數據中心；

獲得土地；

獲得許可？

所以 AI 最終撞到的最大問題不是數學。

而是：

物理世界。

五、這就是爲什麼 Blackstone 可能比很多科技 VC 更適合賺 AI 第二階段的錢

理解 Blackstone 非常重要。

Blackstone 不是 Andreessen Horowitz。

也不是 Sequoia。

它最強大的能力不是：

押中下一個 App。

它真正擅長的是：

房地產；

基礎設施；

信貸；

能源；

大型併購；

超大規模資本組織。

而 AI 到了今天這個階段，恰好開始需要這些能力。

於是 AI 從一個：

VC Opportunity

慢慢變成：

Infrastructure Capital Opportunity。

這其實非常關鍵。

科技革命早期的錢：

通常被技術創業者和 VC 賺走。

科技革命進入基礎設施階段以後：

錢開始流向：

房地產；

Private Credit；

Infrastructure Funds；

能源公司；

工業設備；

大型資產管理公司。

所以 Blackstone 真正的優勢不是：

它比 OpenAI 更懂模型。

而是：

當 AI 從代碼變成鋼筋、水泥、電力和債務時，這正是 Blackstone 的世界。

六、AI 資本週期真正的分水嶺，是“Token 有沒有產生收入”

Gray 在演講裏拿出了幾個非常誇張的數據。

Google 每月 Token 使用量：

2024 年接近零起步；

此前約 480 萬億；

到 2026 年 5 月已經達到大約：

3.2 Quadrillion。

也就是：

3200 萬億 Token。

Gray 還稱，截至 2026 年 7 月，OpenAI 與 Anthropic 的合計年化營收 Run Rate 已達到約：

1050 億美元。

無論我們是否完全接受這些口徑，

最重要的趨勢已經非常清楚：

AI 使用量正在從實驗變成消費。

這是投資意義上的重大區別。

七、互聯網泡沫真正的問題，不是沒有流量，而是流量沒有充分貨幣化

2000 年互聯網泡沫期間：

互聯網用戶是真的。

網頁訪問是真的。

流量增長也是真的。

所以“互聯網是騙局嗎？”

當然不是。

互聯網後來改變了整個世界。

但問題在於：

當時很多企業的估值，提前透支了幾十年的商業化。

這就是泡沫最難理解的地方：

一個偉大的技術革命，完全可以同時存在巨大的資產泡沫。

兩件事並不矛盾。

鐵路是真的。

鐵路公司也可以破產。

互聯網是真的。

Pets.com 也可以歸零。

AI 也一樣。

AI 改變世界，並不代表：

今天所有 AI 公司都值現在這個價格。

這是理解這一輪資本市場最重要的原則之一。

八、所以判斷 AI 泡沫，必須把“技術正確”和“價格正確”分開

一個資產有四種可能。

第一種：

技術錯。

價格也錯。

最差。

第二種：

技術對。

價格錯。

這是泡沫最常見的形態。

第三種：

技術對。

價格也對。

最理想。

第四種：

技術價值被市場低估。

這就是最大的投資機會。

所以專業投資者永遠不應該只問：

“AI 是不是未來？”

答案大概率是：

是。

但這對投資沒有太大幫助。

真正應該問：

我今天爲這個未來支付了多少錢？

這纔是資產定價。

九、Blackstone 最重要的數據，其實不是 OpenAI 的收入，而是自己的企業客戶開始加錢

Blackstone擁有一個非常特別的觀察窗口。

它橫跨：

私募股權；

房地產；

信貸；

GP Stakes；

基礎設施。

因此能夠觀察大量真實企業。

Gray 披露，在 Blackstone 觀察到的大約 1400 家相關企業、GP 投資組合公司和借款企業中，與 Anthropic 相關的年化支出從 2025 年 9 月約：

2500 萬美元

上升到：

5.25 億美元。

一年左右增長：

21 倍。

這裏必須注意一個細節：

這並不是說 Blackstone 1400 家公司“總 AI 支出只有 5.25 億”。

Gray 展示的更具體是相關企業對 Anthropic 的年化支出視角。

但它仍然說明一件事情：

企業已經從試用進入部署。

十、企業軟件歷史上最重要的一道門檻：Pilot → Production

科技圈非常喜歡說：

Pilot。

試點。

但企業技術真正賺錢之前，都必須跨過一道坎：

Production Deployment。

因爲：

試點預算很小。

真正進入生產環境以後：

纔會接入數據；

改變工作流；

替代員工時間；

影響客戶；

進入年度預算。

Blackstone 2026 年自己的調查顯示：

接近 50% 的受訪 Portfolio Company CEO 表示，AI 項目已經進入生產或全面部署階段；

一年前還不到 30%。

同時約 80% CEO 表示未來 12 個月計劃增加 AI 支出。

這比 ChatGPT 下載量更值得資本關注。

因爲：

企業預算纔是長期現金流。

十一、AI 真正的“牛肉”，最終只能有兩種

任何企業購買 AI，都繞不開兩個 ROI。

第一種：

Cost Reduction

降低成本。

少僱人；

更少工時；

更快完成流程；

減少錯誤；

降低客服費用。

第二種：

Revenue Enhancement

增加收入。

銷售更多；

提高轉化；

推出新產品；

提升客戶價值；

增加價格。

如果兩種都沒有：

AI 就只是玩具。

企業最終一定會削減預算。

十二、Phoenix Tower 的案例爲什麼非常重要？

Blackstone 給出的 Phoenix Tower 案例非常簡單。

它是一家移動通信鐵塔業務公司。

公司投入約：

400 萬美元

建設 AI 租賃審覈流程。

結果：

處理租約速度提高約 5 倍；

一年產生約：

450 萬美元經濟收益。

也就是說：

一年左右就基本回本。

年化 ROI 超過 100%。

這是非常典型的企業 AI 應用。

注意：

它沒有訓練 AGI。

沒有造機器人。

沒有改變人類文明。

只是：

把一個昂貴、重複、慢的流程自動化。

但是企業最喜歡這種項目。

爲什麼？

因爲 CFO 能算賬。

十三、企業真正願意持續花錢的 AI，不一定是最酷的 AI

這是創業者必須理解的一點。

消費者喜歡：

Wow Factor。

企業喜歡：

Payback Period。

一個 AI 產品如果告訴 CFO：

我們的模型 IQ 高了 20%。

意義不大。

但如果告訴 CFO：

原來 30 個人做；

現在 8 個人做。

或者：

原來流程 3 天；

現在 3 小時。

或者：

一年節約 500 萬美元；

軟件收費 100 萬美元。

那就是：

5× ROI。

成交概率完全不同。

所以 B2B AI 真正的黃金公式不是：

AI Capability。

而是：

Economic Value Created / Price Charged。

十四、這也是爲什麼 Enverus 的 18× 非常值得研究

Blackstone 還提到能源數據公司 Enverus。

通過 AI 參與代碼維護和軟件工程流程後，其模型成本相對於效率收益形成了大約：

18 倍經濟回報。

Gray 將軟件工程列爲其組合公司普遍獲得 AI 收益的領域之一。

爲什麼 Coding 會這麼快商業化？

因爲代碼天然滿足 AI 最喜歡的幾個條件：

輸入數字化；

輸出數字化；

結果可驗證；

可以大量迭代；

錯誤可以重做；

數據豐富。

所以 Coding Agent 很可能只是一個開端。

以後 AI 會從：

Code

進入：

Accounting；

Legal；

Insurance；

Healthcare Admin；

Procurement；

Customer Support。

共同點都是：

大量規則 + 大量文本 + 可驗證結果。

十五、真正的大機會，是把“人力成本”變成“計算成本”

這是 AI 經濟學最重要的一句話之一。

過去一個工作流程：

成本主要來自：

Labor。

未來一部分工作流程：

成本開始變成：

Compute。

例如以前：

100 人 × $100,000 年薪

= $10M。

未來：

30 人 + $2M AI 成本

= $5M。

於是公司創造：

$5M 成本優勢。

AI 公司就可以從其中抽取：

一部分 Value。

這解釋了爲什麼 AI 市場可能遠遠大於傳統 SaaS。

十六、SaaS 的市場是 IT Budget，AI 的終極市場可能是 Payroll

這是非常重要的數量級變化。

傳統軟件公司銷售：

軟件。

所以客戶從：

IT Budget

付款。

AI Agent 如果真正能夠完成工作，

客戶實際上是在購買：

Digital Labor。

這意味着 AI 理論上可以進入：

工資預算。

全球企業每年的勞動力成本，

遠大於軟件預算。

因此 AI 最大的 TAM 可能不是：

Software Market。

而是：

Labor Market。

這也是資本爲什麼願意投入如此恐怖金額。

十七、理解這一點以後，就能理解爲什麼算力需求可能持續非常久

如果 AI 只是：

寫郵件；

總結文章；

生成圖片。

那麼今天的數據中心建設確實容易過剩。

但如果 AI 開始承擔：

客服；

編程；

財務；

法律分析；

科研；

機器人；

自動駕駛；

製造；

醫療行政；

那麼：

每一次“AI 工作”

背後都要消耗 Token。

Token 最終變成：

GPU 運算。

GPU 運算變成：

電。

所以未來的鏈條可能是：

更多 AI 勞動 → 更多 Token → 更多 Compute → 更多電力。

這就是數字經濟與物理經濟重新連接的方式。

十八、AI 最終可能成爲一個新的“能源轉換器”

這是一個非常高階但非常重要的理解。

工業革命本質是什麼？

把：

煤；

石油；

天然氣；

電力

轉化成：

機械勞動。

AI 革命可能增加一個新環節：

電力 → 計算 → 智能勞動。

過去：

1 MWh 電

驅動機器。

未來：

1 MWh 電還可以產生：

Token；

推理；

代碼；

設計；

自動決策。

換句話說：

能源正在開始轉化成人工智能。

這會徹底改變能源資產的戰略價值。

十九、所以未來 AI 競爭最終可能演變成能源競爭

很多國家今天談：

AI Sovereignty。

大家首先想到：

模型。

但真正的 AI 主權包括：

芯片；

晶圓廠；

HBM；

數據中心；

電力；

電網；

冷卻；

人才；

資本。

尤其是：

Power。

如果你沒有足夠電，

買再多 GPU 也沒用。

所以未來十年美國 AI 優勢是否能夠保持，很大程度取決於：

能不能快速增加：

天然氣；

核能；

可再生能源；

儲能；

輸電；

變壓器。

AI 已經從軟件問題升級爲：

國家工業能力問題。

二十、爲什麼 GE Vernova 之類公司突然成爲 AI 鏈條？

這是很多普通投資者幾年前根本想不到的事情。

大家買 AI：

買 NVIDIA。

但數據中心建設增加以後：

天然氣輪機需求增加；

電網設備需求增加；

輸變電設備需求增加。

於是第二階受益者開始出現。

這就是投資裏非常重要的概念：

Second-Order Effects。

第一層人人看得到：

GPU。

真正優秀的資本開始研究：

GPU 增長以後，誰必然受益？

電力。

然後：

電力增長以後誰受益？

燃氣輪機；

核能；

變壓器；

輸電；

銅；

冷卻。

投資機會就這樣向外擴散。

二十一、AI 投資最賺錢的階段之一，可能不是模型，而是 Bottleneck

產業投資有一個非常實用的方法：

不要追最熱門的東西。

找：

瓶頸。

因爲需求爆發以後：

價格權力通常流向最稀缺的環節。

AI 目前可能存在幾個巨大瓶頸：

先進 GPU；

HBM；

先進封裝；

高速光通信；

電力；

燃氣輪機；

變壓器；

數據中心土地；

Interconnection；

審批。

誰控制瓶頸，

誰擁有：

Pricing Power。

二十二、這就是爲什麼 1GW AI Factory 可以貴到數百億美元

Gray 在演講裏討論建設一座 1GW AI Factory。

如果把：

數據中心；

電力；

芯片；

網絡；

配套基礎設施

全部算進去，

資本需求可以達到大約：

550 億美元級別。

這已經不是普通科技公司的 CapEx。

550 億美元是什麼概念？

已經接近：

一個大型能源項目；

大型機場；

甚至部分國家級基礎設施。

這意味着 AI 已經進入：

Mega Project Economy。

二十三、Mega Project Economy 會改變資本市場結構

一個 $100M 項目：

VC 可以解決。

一個 $1B 項目：

Growth Equity + Debt 可以解決。

一個 $50B 項目：

已經需要：

Hyperscaler；

Infrastructure Fund；

Private Credit；

銀行；

債券市場；

保險資金；

養老金；

主權財富基金。

所以 AI 越往下發展，

越不是創業公司的獨角戲。

而變成：

全球資本市場工程。

這正是 Blackstone、Apollo、Brookfield、KKR 這些另類資產巨頭真正進入 AI 的原因。

二十四、這也是爲什麼 Private Credit 會成爲 AI 革命的重要金融基礎設施

很多人以爲：

AI = 股票市場。

其實大型數據中心最需要的是：

債。

因爲數據中心通常：

CapEx 極高；

合同週期長；

現金流相對可預測。

這非常適合債務融資。

尤其在銀行受到資本監管約束以後：

Private Credit 可以承擔越來越多大型項目。

於是 AI 可能間接推動：

Private Credit

進一步擴張。

技術革命背後，

往往同時發生：

金融創新。

二十五、但這裏必須提醒：這也是風險開始增加的地方

早期 AI CapEx：

Meta；

Microsoft；

Alphabet；

Amazon

自己掏錢。

這些公司：

現金非常多；

債務非常少；

信用極強。

風險不大。

但隨着 CapEx 從幾千億繼續向上：

越來越多融資會進入：

SPV；

項目融資；

Private Credit；

資產證券化；

設備融資；

擔保結構。

到 2026 年，市場已經開始大量討論 hyperscaler AI 投資中的表外承諾、擔保與特殊融資結構。FT 報道稱，大型科技公司正利用 residual-value guarantees 等結構爲數據中心與芯片融資提供支持；另一項市場分析估算，五大 hyperscaler 2026 年 CapEx 約 $8200 億，已經開始超過其約 $7500 億經營現金流。

這意味着：

AI CapEx 週期已經開始從：

現金流融資

進入：

信用擴張。

歷史上所有大型資本週期到了這一步，

風險都會開始上升。

二十六、所以“今天不像 2000 年”不代表“永遠不會變成 2000 年”

Gray 一個重要論據是：

現在資本市場並沒有全面失去理智。

例如：

Micron、SK Hynix 股價雖然暴漲，

SK Hynix 當時的 Forward P/E 甚至仍低於約 4 倍。

而 2000 年 Cisco 泡沫高峯時：

市盈率一度達到極端水平。

這說明至少部分 AI 基礎設施股票，並不是靠無限估值擴張上漲。

這個判斷有道理。

但需要加一句：

泡沫不一定首先出現在股票市盈率。

它也可以藏在：

Private Valuation；

數據中心土地價格；

債務；

長期租約；

GPU Residual Value；

電力合同；

一級市場。

所以判斷泡沫不能只看：

Nasdaq P/E。

二十七、真正應該監控 AI 泡沫的，是六個指標

如果我是資本配置者，我不會每天問：

“NVIDIA 今天漲了嗎？”

我會看這六件事情。

第一：Compute Utilization

GPU 真正在忙嗎？

還是大量閒置？

第二：Inference Revenue / CapEx

每新增一美元基礎設施，

最後能產生多少 AI 收入？

第三：AI Customer ROI

客戶爲什麼繼續付錢？

有真實成本節約，

還是隻是 CEO 要求“必須 AI”？

第四：Debt / Cash Flow

CapEx 越來越依賴債務，

還是仍由現金流支持？

第五：Supply Lead Time

GPU、電力、數據中心仍然短缺，

還是開始出現庫存？

第六：Price per Unit of Compute

如果算力價格暴跌，

意味着：

技術效率提高；

或者：

供給開始過剩。

必須區分。

這六個指標比任何“AI 是不是泡沫”的口號都更加重要。

二十八、1870 年鐵路故事真正教我們的，不是“基礎設施不會泡沫”

Gray 把今天 AI 類比到：

1870 年。

這個類比非常有意思。

1870 年美國與 1900 年美國幾乎是兩個世界。

1870：

木結構；

馬車；

煤油燈；

農業人口很多。

1900：

鋼鐵；

鐵路；

電氣化；

現代城市；

大規模工業。

這 30 年美國生產能力發生巨大躍遷。

Gray 藉此說明：

AI 可能類似第二次工業革命的起點。

但歷史還有另一半。

二十九、鐵路改變了美國，但鐵路投資者照樣可以破產

這是必須理解的。

鐵路確實：

改變美國；

創造全國市場；

降低運輸成本；

推動城市化；

帶動鋼鐵；

擴大商業。

但 19 世紀美國鐵路行業也經歷過大量：

破產；

債務危機；

過度建設。

所以歷史告訴我們的不是：

“大技術革命應該閉眼買。”

而是：

基礎設施本身可能偉大，基礎設施資本回報仍然可能很差。

這就是技術史和投資史最大的區別。

三十、投資者最容易犯的錯誤：把社會價值和股東回報混爲一談

鐵路產生：

巨大社會價值。

航空產生：

巨大社會價值。

電信產生：

巨大社會價值。

互聯網產生：

巨大社會價值。

但是很多行業長期：

資本回報並不好。

爲什麼？

因爲競爭會把價格打下來。

這叫：

Consumer Surplus。

消費者拿走大量技術紅利。

企業不一定拿得到全部利潤。

所以判斷 AI 公司必須問：

AI 創造了多少價值？

然後再問：

誰能夠捕獲這個價值？

這是兩道完全不同的問題。

三十一、未來 AI 最大的財富爭奪，其實就是 Value Capture

AI 創造價值以後，

誰拿走？

可能是：

模型公司；

芯片公司；

雲計算公司；

能源公司；

數據中心；

軟件應用；

企業客戶；

消費者。

最終利潤分配取決於：

誰最稀缺；

誰最難替代；

誰擁有定價權。

目前最強的 Value Capture：

明顯集中在：

先進芯片；

HBM；

部分雲基礎設施；

領先模型。

但未來不一定永久如此。

三十二、模型很強，不意味着模型層永遠賺最多錢

歷史上：

互聯網協議非常重要。

TCP/IP 沒賺走互聯網全部利潤。

智能手機 OS 非常重要。

但真正財富分佈在：

Apple；

Google；

Meta；

Uber；

Airbnb；

TikTok。

所以未來 AI 產業可能也會出現：

基礎模型逐漸商品化。

真正利潤轉移到：

擁有客戶關係；

專有數據；

工作流；

品牌；

分發

的應用公司。

這也是爲什麼企業的 System of Record 仍然非常重要。

三十三、軟件行業真正危險的不是 AI 把軟件消滅，而是 AI 把“Seat”消滅

過去 SaaS 的核心經濟模型：

員工越多，

軟件 Seat 越多。

於是收入上漲。

但 AI 的一個核心結果可能是：

客戶員工減少。

那原來：

1000 Seats

以後只剩：

500 Seats。

傳統 SaaS 模型會受到壓力。

所以軟件必須從：

Per Seat

走向：

Per Outcome。

客戶最終不願意爲：

“使用軟件”

支付越來越多錢。

客戶願意爲：

“完成工作”

支付錢。

三十四、未來真正強的軟件公司，會從 System of Record 進化成 System of Action

傳統 Salesforce：

記錄銷售。

未來：

AI 直接找客戶；

發送郵件；

安排會議；

更新 CRM；

追蹤成交。

傳統 ServiceNow：

記錄工單。

未來：

AI 直接解決工單。

傳統 ERP：

記錄業務。

未來：

Agent 直接執行採購和財務流程。

所以未來軟件最大的機會不是：

Store Information。

而是：

Act on Information。

三十五、爲什麼很多傳統軟件公司仍然擁有巨大優勢？

因爲 AI 最需要：

上下文。

而企業 Context 藏在哪裏？

CRM；

ERP；

財務系統；

郵件；

Slack；

HR 系統；

客戶數據庫。

也就是說：

AI 是大腦。

System of Record 是：

企業記憶。

所以真正危險的並不是所有傳統軟件。

危險的是：

沒有專有數據；

沒有核心工作流；

沒有高 Switching Cost；

只是提供一個 UI 的軟件。

這種產品最容易被 Agent 吞掉。

三十六、Blackstone 爲什麼一邊買 AI，一邊買“AI 完全替代不了的東西”？

這是這場演講背後非常高級的資本配置邏輯。

如果 Blackstone 真認爲 AI 是未來，

爲什麼不把所有錢都投 AI？

因爲真正的大型資產管理機構從來不會只有一個劇本。

一邊買：

AI Infrastructure。

另一邊買：

機場；

體育資產；

稀缺房地產；

消費體驗。

爲什麼？

因爲這些資產的價值來自：

Scarcity。

三十七、AI 最大的經濟後果之一，是讓“可複製東西”越來越便宜

AI 最擅長：

複製知識；

複製文字；

複製圖片；

複製代碼；

複製數字產品。

於是：

可數字化的東西

供給爆炸。

經濟學非常簡單：

供給爆炸 → 價格下降。

那麼錢會去哪裏？

去：

不能複製的東西。

三十八、AI 時代最貴的東西，可能反而是“現實世界的稀缺性”

例如：

Manhattan 土地；

海灘；

機場；

體育聯盟；

獨家牌照；

優質電網接入；

數據中心選址；

熱門城市住房；

全球品牌。

AI 可以生成：

10 億張海灘圖片。

但它不能生成：

第二個 Malibu 海岸線。

AI 可以生成：

一萬個板球比賽模擬。

但無法複製：

真實體育聯盟的情緒和文化網絡。

所以 AI 越強，

一些現實世界稀缺資產反而可能越來越貴。

這是非常重要的：

Digital Abundance → Physical Scarcity Premium。

數字世界無限供給。

物理世界稀缺性溢價提高。

三十九、這才解釋了 Blackstone 的“雙槓鈴”策略

一端：

擁有 AI 必須依賴的：

數據中心；

能源；

算力；

基礎設施。

另一端：

擁有 AI 難以複製的：

機場；

土地；

體驗；

品牌；

體育。

中間最危險的是：

容易被 AI 商品化、

又沒有物理稀缺性的普通業務。

這是一種非常成熟的資產配置思維。

四十、未來真正危險的資產，是“既不稀缺，也不擁有數據”

例如某些：

普通信息服務；

通用諮詢；

低附加值軟件；

中介；

基礎內容生產。

過去這些行業靠：

信息不對稱

賺錢。

AI 正在把信息成本降到接近零。

所以它們的經濟租金會不斷受到壓力。

四十一、AI 對 Private Equity 的影響甚至可能比 VC 更大

VC 投資 AI 創業公司。

這是顯性的。

PE 的變化更有意思。

PE 擁有成熟企業。

AI 可以直接作用於：

EBITDA。

舉個簡單例子。

一家企業：

Revenue = $1B。

EBITDA Margin = 20%。

EBITDA = $200M。

AI 讓成本下降：

$30M。

那麼 EBITDA 變成：

$230M。

如果市場估值：

10× EBITDA。

企業價值直接增加：

$300M。

這就是爲什麼 Blackstone 如此積極推動組合公司部署 AI。

四十二、PE 會越來越像一家“工業化 AI 轉型公司”

過去 Private Equity 的經典 Playbook：

降成本；

換管理層；

併購；

優化資本結構；

改善銷售。

未來還會增加：

AI Transformation。

如果一個 PE 平臺有 100 家公司。

每家公司通過 AI 提升：

100—300bps Margin。

合起來就是非常巨大的 Value Creation。

所以 AI 不是 PE 投資的一個賽道。

它會變成：

PE Operating System。

四十三、這可能重新定義什麼叫“最好的私募股權公司”

過去優秀 PE 的優勢來自：

Deal Sourcing；

Financial Engineering；

Operational Expertise。

未來還可能包括：

AI Deployment Capability。

誰能夠把同一套：

Agent；

數據平臺；

採購能力；

技術團隊

複製到幾百家公司，

誰就擁有規模優勢。

Blackstone 已經開始把 AI 作爲組合公司共同能力來建設。官方稱，其數據科學團隊與組合公司合作產生的累計 bottom-line impact 已估計約 2 億美元。

四十四、但 Blackstone 的數據必須帶着一個重要偏差來看

這是專業投資者必須做的。

Blackstone 告訴你：

AI ROI 很高。

你不能直接接受。

因爲 Blackstone：

擁有 AI 基礎設施；

投資 AI 公司；

融資 AI 項目；

需要 LP 繼續投資。

它天然擁有：

Bullish Incentive。

這並不意味着數據是假的。

而是意味着：

投資者必須主動尋找反證。

四十五、真正成熟的投資研究，永遠問一句：“什麼情況下我錯？”

Blackstone AI Thesis 如果出問題，大概有五種路徑。

第一：AI Revenue 增速下降

客戶不再願意持續增加支出。

第二：Model Efficiency 增長太快

同樣任務需要的 Compute 大幅下降。

第三：供給突然大量釋放

GPU；

HBM；

數據中心；

電力

全部大量上線。

價格下降。

第四：應用端 ROI 不夠

公司發現：

AI 看起來很好，

但無法真正減少成本。

第五：金融槓桿太快擴張

資產本身沒問題。

融資結構出了問題。

歷史上很多危機其實都是第五種。

四十六、“模型越來越高效”爲什麼既是利好又是風險？

這是一個非常有意思的悖論。

模型效率提高：

每 Token 成本下降。

表面看：

數據中心需求應該下降。

但經濟學有一個著名現象：

Jevons Paradox。

當資源使用效率提高，

因爲價格下降，

總需求反而可能增加。

19 世紀：

蒸汽機越來越省煤。

結果：

煤炭總需求反而暴漲。

AI 也可能如此。

每個 Token 便宜 10 倍。

但人類使用：

100 倍 Token。

最終 Compute 需求：

仍然增長 10 倍。

所以：

模型效率提升

並不自動意味着算力需求下降。

關鍵是：

Price Elasticity of Demand。

四十七、這可能是未來 AI 基礎設施最核心的經濟變量

假設：

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×，

總算力需求仍暴漲。

所以所有 AI 數據中心投資，

本質上都在賭：

AI 需求彈性足夠高。

Blackstone 的整個 Thesis 很大程度建立在這一點上。

四十八、機器人和自動駕駛可能成爲下一輪 Token Explosion

現在絕大多數 Token：

來自人。

人打字；

AI 回覆。

未來：

機器會自己調用模型。

一個機器人：

可能每秒進行多次感知、判斷。

一輛自動駕駛汽車：

持續讀取攝像頭；

雷達；

地圖；

環境。

於是 Compute 用戶不再只是：

50 億人。

而可能包括：

汽車；

機器人；

無人機；

工廠設備；

攝像頭；

智能系統。

所以 Physical AI 一旦爆發，

算力需求可能再次發生數量級變化。

四十九、AI 真正進入物理世界以後，市場規模會再次重新定義

現在：

AI 主要替代知識勞動的一部分。

未來：

AI + Robot

開始進入：

體力勞動。

全球 Labor Market：

規模巨大。

製造業；

倉儲；

運輸；

建築；

護理；

農業。

任何一個行業只要有 10% 勞動被智能機器重新定價，

背後都可能產生數千億美元市場。

所以真正的 AI 終局不只是：

聊天機器人。

而可能是：

機器獲得經濟行動能力。

五十、資本市場今天真正押注的是一條非常長的鏈

它不是簡單地賭：

OpenAI 會成功。

而是在賭：

模型更強

→ 企業 ROI 提升

→ AI 使用量增長

→ Token 增長

→ Compute 增長

→ 數據中心增長

→ 電力增長

→ 基礎設施 CapEx 增長

→ 投資回報兌現。

只要其中一環斷掉，

整個估值鏈都會重新計算。

這就是爲什麼 AI 是巨大機會，

同時也是巨大系統風險。

五十一、未來幾年投資者最重要的任務不是“看多還是看空 AI”

“AI Bull”

“AI Bear”

這種標籤沒有意義。

真正應該做的是：

尋找整個價值鏈上：

Risk / Reward 最好的位置。

可能不是最熱門的模型。

可能是：

電力；

HBM；

網絡；

Private Credit；

應用軟件；

稀缺資產。

不同階段答案不同。

五十二、Blackstone 真正教給我們的，是資本如何跟隨瓶頸移動

一個優秀資本配置者永遠不會愛上某個行業。

他愛的是：

Return。

2023 年：

GPU 是瓶頸。

2025 年：

數據中心成爲瓶頸。

2026 年：

電力、設備、資本開始成爲瓶頸。

未來：

可能是機器人數據；

許可；

物理勞動力部署。

錢永遠向：

稀缺環節

移動。

這就是產業投資真正的核心。

五十三、理解“Where’s the Beef?”，最終要回到最基本的資本主義原則

所有偉大的故事最後都必須回到：

Cash Flow。

AI 可以改變世界。

但是：

如果企業沒有現金流，

資本最終會離開。

數據中心可以非常搶手。

但如果：

租金回報低於融資成本，

仍然是壞投資。

OpenAI 可以擁有最好模型。

但如果：

計算成本長期高於客戶支付意願，

商業模式仍然存在問題。

所以真正專業的資本永遠問：

收入在哪裏？

利潤在哪裏？

現金在哪裏？

回報在哪裏？

五十四、這就是爲什麼“Where’s the Beef?”其實是整個 AI 時代最重要的問題之一

不是：

模型多聰明。

不是：

參數多少。

不是：

誰發佈 Benchmark 第一。

而是：

AI 到底創造了多少經濟價值，其中多少能夠轉化爲真實現金流？

如果答案不斷擴大，

今天看起來誇張的 CapEx，

十年以後可能顯得非常便宜。

如果答案沒有擴大，

今天的萬億投入，

最終就會變成：

鐵路泡沫；

電信泡沫；

光纖泡沫

的另一個版本。

五十五、普通創業者真正應該學到什麼？

第一：

不要賣 AI，賣 ROI。

客戶不在乎你用了什麼模型。

客戶在乎：

節約多少錢。

第二：

尋找高成本、重複、可量化工作流。

這種場景最容易產生真實回報。

第三：

不要只做一個 AI Wrapper。

模型不斷升級以後，

純功能很容易消失。

真正壁壘來自：

客戶；

工作流；

數據；

品牌；

分發。

第四：

產品必須進入 Production。

Demo 沒價值。

進入客戶核心系統，

纔有價值。

第五：

讓客戶能夠算賬。

最好的銷售語言不是：

“我們用了最新模型。”

而是：

投入 $1，

一年產生 $5。

這才叫商業。

五十六、投資者真正應該學什麼？

不要只看：

NVIDIA。

順着產業鏈往下看。

AI 使用量增長以後：

什麼最缺？

誰擁有定價權？

誰擁有長期合同？

誰可以用債務安全融資？

誰的資產不可替代？

誰的回報依賴一個危險假設？

這纔是真正的產業投資。

五十七、Blackstone 的最大智慧：同時下注“技術擴張”和“現實稀缺”

如果把 Jon Gray 的資本配置邏輯壓縮成一句話，我認爲是：

AI 會讓數字世界越來越便宜，卻會讓支撐數字世界的物理稀缺資源越來越重要。

於是 Blackstone 兩邊都買。

一邊：

Compute。

另一邊：

Scarcity。

數據中心；

能源；

芯片；

網絡。

同時還有：

機場；

體育；

土地；

體驗；

品牌。

這不是矛盾。

而是同一個 AI 時代的兩面。

五十八、真正的大錢最終都賺在“別人不得不經過的地方”

這是整個產業資本史最重要的規律之一。

鐵路時代：

鐵路節點。

石油時代：

管道和煉化。

互聯網時代：

雲計算和平臺。

移動互聯網：

App Store 和廣告平臺。

AI 時代最終最賺錢的資產，

很可能也是：

所有人不得不經過的收費站。

它可能是：

GPU；

HBM；

Cloud；

Power；

Data Center；

System of Record；

或者未來某種 AI Agent 平臺。

投資者真正應該尋找的，

不是：

“什麼東西最酷？”

而是：

如果整個產業繼續擴大，誰擁有必經之路？

最值得記住的一句話

Jon Gray 問：

Where’s the Beef?

我的答案可以再向前推進一步：

AI 時代真正重要的問題，不是世界願意爲 AI 投多少錢。

而是：

AI 每消耗一美元資本，究竟能夠創造多少美元可持續經濟價值。

只要這個數字持續大於 1，

資本循環就能夠繼續：

企業賺到錢；

增加 AI 支出；

模型公司增加收入；

繼續購買算力；

數據中心繼續建設；

電力繼續擴張。

這形成：

AI Economic Flywheel。

但當某一天：

資本投入增長速度

長期超過

經濟價值創造速度，

這個飛輪就會反轉。

那時候：

CapEx 變庫存；

庫存變折價資產；

債務變壓力；

高估值變減記；

牛市變成資本清算。

所以真正成熟的 AI 投資觀既不是：

“AI 一定是泡沫。”

也不是：

“AI 改變世界，所以價格都合理。”

而是永遠盯住一個最古老、最簡單，也是資本主義最終無法逃避的問題：

投入的錢，最後到底賺回來了沒有？

這就是 Jon Gray 所說的：

Beef。

也是未來幾年所有 AI 投資人都應該持續追蹤的真正北極星。