鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

OpenAI有花不完的钱?AI泡沫让人想起了当年的网络股

编程导航
编程导航
2025-10-15 12:30
阅读 185
编程导航
2025-10-15 12:30
阅读 185

OpenAI又造就了一波大涨。这已经是过去一个多月的第四次。站上OpenAI的风口,股价就能上天。一个月时间,OpenAI已经从英伟达、AMD以及博通敲定了26吉瓦的算力。

 博通两次股价大涨

 半导体巨头博通周一收盘大涨10%,市值已经接近1.7万亿美元,一举超过台积电,成为市值仅次于英伟达的第二大半导体公司。在这波AI热潮中,陈福阳领导的博通同样受益匪浅,今年以来股价已经增长了一倍。

 此次推动博通股价攀升的,又是造富神话OpenAI。这家生成式AI巨头不仅自己估值突破5000亿美元,成为全球估值最高的创业公司,而且还有着“金手指”的美誉。谁和他们达成合作交易,随后就会股价飙升。

 博通大涨是因为他们宣布与OpenAI达成战略合作,两家公司将共同部署定制的10吉瓦(GW)级AI芯片。OpenAI将负责AI芯片设计,并与博通共同开发和部署。与此前英伟达和AMD的交易不同,OpenAI与博通的合作不涉及投资与补贴。

 根据两家公司的新闻稿,OpenAI将通过这些自研芯片和系统,将其前沿模型和产品开发经验直接融入到硬件产品中,释放全新的计算能力和智能水平项目预计将在2026年下半年开始部署并完善网络系统,在2029年年底前完成工作。

实际上,这已经是博通第二次因为OpenAI股价大涨了。上个月博通发布财报之后,陈福阳宣布有一家神秘新客户承诺了高达100亿美元的新订单。当时市场就猜测这个新客户是OpenAI,推动博通股价大涨16%。

 现在两家公司正式宣布合作。尽管这是已知消息,但依然让投资者感到兴奋,推动博通股价又迎来第二波涨势。陈福阳算是把OpenAI这个股价推动剂用到了极致,真正做到“一鱼两吃”。

 谁跟着OpenAI都能涨

 过去一个月,OpenAI持续宣布了数千亿美元的几项重磅新交易,从英伟达、AMD和博通敲定了高达26吉瓦的算力。奥特曼在持续推动云服务商与芯片巨头们股价大涨的同时,也为自己争取到了最好的合作条件。

 上个月,OpenAI宣布与甲骨文达成未来五年3000亿美元的云服务大单。甲骨文股价一日飙升36%,创下三十多年的最大涨幅,市值暴涨2500亿美元,一度超过9000亿美元。

 几周前,OpenAI又与英伟达宣布达成战略投资协议。英伟达计划向OpenAI投资至多1000亿美元,支持OpenAI购置英伟达AI处理器打造耗资数千亿美元的数据中心集群。交易宣布当天,英伟达市值猛增了2000多亿美元,总市值突破4.5万亿美元。

 一周前,OpenAI和AMD宣布达成战略合作:OpenAI将在未来几年部署总计6吉瓦(GW)的AMD处理器,预计从2026年下半年开始首批1吉瓦的部署,使用AMD即将推出的MI450系列。受此消息刺激,AMD股价上周攀升了35%,市值一路飙升突破3500亿美元。

 短短一个多月时间,OpenAI已经连续达成了云基础设施,AI处理器采购以及合作研发自有芯片的四笔重磅合作交易,不仅确保了自己未来的算力,实现了处理器供应商多元化,更计划构建自有AI基础设施。

 奥特曼的野心还不仅于此。今年8月接受媒体采访时,他还畅想了OpenAI向消费硬件、脑机接口和社交媒体的扩展空间。当时他就表示,OpenAI在“不远的未来”将花费数万亿美元用于数据中心建设,并暗示如果美国政府迫使谷歌出售Chrome浏览器,该公司将有兴趣收购。

 奥特曼是想把OpenAI打造成一个类似谷歌这样的全栈AI巨头,成为横跨大模型、消费硬件、处理器、社交平台以及数据中心的巨无霸企业。如果这些规划得以落实,OpenAI的估值或许将增长数倍,达到数万亿美元的级别,与谷歌、微软、苹果平起平坐。

 马斯克都酸溜溜

 然而,在这股AI大跃进的背后,却隐隐浮现另一个风险:OpenAI这已经签下了数千亿美元的大单子,作为一个创业公司,他们真的有钱支付落实吗?如果没有足够资金,还在不断签下无法兑现的天价大单,在资本市场推高自己估值与AI公司股价,那么目前这股AI热潮的背后是否存在巨大的泡沫?

 花旗集团分析师估算,OpenAI每新增1吉瓦计算能力,需在基础设施上投入约500亿美元。因此,OpenAI与芯片制造商的最新合作,预计到2030年将累计带来约1.3万亿美元的资本支出。

 OpenAI绝对是史上融资能力最强的创业公司,他们的融资与估值不断打破创投圈的记录。就在今年4月,他们又完成了400亿美元的创纪录融资,估值达到3000亿美元,孙正义的软银负责300亿美元,微软也有继续跟投。其中100亿美元在已经4月中旬到位,其余300亿美元将在年底到位。

 不过,软银的总投资额将与OpenAI的营利性转型挂钩,如果OpenAI母公司无法顺利转型为营利性公司,软银的投资额将降至200亿美元。这也是马斯克持续通过诉讼以及收购等手段,阻止OpenAI母公司转型的主要原因,他想为自己的xAI创造追赶时间。

 不到半年时间,OpenAI最近的估值继续增长到惊人的5000亿美元,超过马斯克的SpaceX,成为史上估值最高的创业公司。马斯克只能略有些酸溜溜地在X上评论说,OpenAI的估值过高了。

 马斯克或许是存在敌意,但OpenAI的疯狂也面临着诸多质疑。短短一个多月时间,OpenAI、英伟达、AMD、甲骨文与博通之间的巨额投资与合作掀起了AI时代最大的资本风暴。

 如此大规模的算力投资,OpenAI能否产生相应的商业回报,这依然是个疑问。当一家尚未盈利的创业公司以数千亿美元估值撬动全球资本市场,并与芯片巨头、云服务商编织起资本与技术深度绑定的交易网络时。业界自然会讨论是在见证一场技术革命的必要基建,还是在目睹一场危险的资本循环游戏。

 融资营收扛不住烧钱

 的确,OpenAI的营收增长相当惊人。他们的营收主要来自于ChatGPT的订阅营收,企业用户的API付费以及向微软等企业出售定制AI解决方案。虽然目前OpenAI主要营收还是来自用户订阅,他们周活跃用户已经高达8亿级别,但正在积极转向企业AI基础设施为主的营收模式。

 继去年营收增长150%之后,今年上半年OpenAI的年化营收已经超过了100亿美元,预计今年全年营收将增长超过两倍,达到127亿美元。按照目前的规划,OpenAI预计2030年营收达到2000亿美元。

 只是,这么夸张的融资额度,如此迅猛的营收增长,都满足不了OpenAI的烧钱胃口。去年OpenAI净亏损高达40亿美元,他们预计今年增长一倍达到80亿美元。为了在AI军备竞赛中继续保持优势,OpenAI豪言未来五年将投入超过1150亿美元,主要用于自建数据中心等算力投资。

 这个烧钱速度远远超过了OpenAI的营收和融资步伐。奥特曼不得不边谈合作边融资。为了尽可能降低资金需求,奥特曼在英伟达和AMD两笔处理器采购协议上,采用了创新的“投资-采购”模式。

 英伟达向OpenAI进行至多1000亿美元的股权投资,OpenAI则用这些资金采购英伟达的处理器。而OpenAI采购AMD足够的处理器,推动AMD销售和股价增长达到目标后,AMD将向OpenAI提供至多10%的认股权证,相当于是向OpenAI提供业绩奖励。据媒体报道,奥特曼还去找了台积电寻求投资,但台积电并没有接受。

 英伟达GPU可以用股权投资来抵消,但AMD的GPU采购和博通的自研芯片都需要前期巨额资金投入。而且,OpenAI与甲骨文签下的云基础设施服务,每年的账单就高达600亿美元。OpenAI哪来的这么多钱支付?

 看起来,甲骨文并不担心。甲骨文联席CEO克莱·马古伊克(Clay Magouyrk)本周信心十足地表示,OpenAI“当然”能支付每年600亿美元的云资源费用。他提到,OpenAI的用户增长速度是前所未有的,AI技术将对各行各业、各种类型的企业产生巨大影响。

 黄仁勋也就“供应商融资”的外界质疑进行了澄清。他表示,OpenAI暂时没有钱,他们需要用未来指数级增长的前景来筹集这些资金。所以他们给了我们机会,与其他投资者一起投资。黄仁勋甚至表示,自己只遗憾没有更多的钱可以投资OpenAI。他相信,OpenAI会成为一家价值数万亿美元的公司,而英伟达会成为首个市值超过十万亿美元的企业。

 有趣的是,在外界担忧OpenAI疯狂扩张存在资本泡沫之际,作为当事人的奥特曼也在警告AI行业的泡沫风险。他在一个多月前公开表示,自己也认为AI市场正处于泡沫期,但AI仍然是长期以来最为重要的创新。

 让人想到网络股泡沫

 目前的AI投资热潮,也让很多人想到了二十多年前的网络股泡沫。在世纪之交之际,投资者疯狂涌入新兴的互联网公司,相信互联网会改变所有的商业模式,盲目推动尚无盈利能力和缺乏商业模式的互联网公司市值与估值。

 在随后的几十年时间里,互联网的确改变了此前几乎所有的行业,但是这并没有阻止泡沫破灭与股市崩盘。2000年3月至2002年10月,纳斯达克指数损失了近80%的价值,许多互联网公司都没有存活下来。

 实际上,很多行业人士都提到了目前AI领域的投资存在泡沫风险。阿里巴巴联合创始人蔡崇信今年3月份就表示,很多大型科技公司、投资基金和其他机构纷纷竞相建立AI训练服务器基地,这种趋势开始显得有些盲目。许多项目在建设时并没有明确的客户。

 虽然蔡崇信相信AI市场规模可能至少达到10万亿美元,但也强调AI并非赢家通吃的领域,真正的胜利不在于开发出最强大的AI模型,而在于能否更快地实现技术落地和应用。蔡崇信和马云一道亲身经历过网络股泡沫破灭。

 Apollo Global Management 首席经济学家托斯滕·斯洛克(Torsten Slok)甚至认为,当今的AI泡沫事实上比互联网泡沫更大,标普500指数前十大公司今天的远期市盈率(P/E)高于1990年代中期科技泡沫时期的前十大公司。

 在他看来,目前的AI泡沫与与互联网泡沫有一个重要区别:当年的众多互联网创业公司分散了泡沫风险,而目前市场风险高度集中在极少数科技巨头上,估值甚至比当年更为夸张。

 但乐观者总是存在。Constellation Research首席分析师Ray Wang认为,“从更广泛的AI和半导体投资角度来看¼¼我不认为这是泡沫。供应链的基本面依然强劲,AI趋势的长期轨迹支持持续投资。”

 美银证券董事总经理维韦克·阿利亚(Vivek Arya)看来,虽然AI公司正陷入一场竞赛,以保护主导地位或寻找新的创收方式。现在的科技巨头比起当年的网络股公司有着更为雄厚的财务实力。

 顶级云服务提供商现在有足够的运营现金流来支持其资本支出。相比网络股时代的互联网公司总是依赖债务融资,现在顶级云服务提供商的资本支出强度约为25%,而预期运营现金流平均超过30%。

 英伟达目前市盈率是51倍,而2026年预期市盈率仅为29倍,这“远低于”其盈利增长率。分析师们表示,这与二十多年前思科、北电网络和雅虎等股票100倍估值时“截然不同”。

 更重要的是,美国联邦储备委员会目前正处在降息周期,这与此前2000年和2008年市场崩盘时美联储持续加息的状况截然不同。

 

原文链接: OpenAI有花不完的钱?AI泡沫让人想起了当年的网络股
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手