AI循环交易：智能商品化背后的繁荣与泡沫风险

智能正在被商品化

随着大模型能力的快速演进，一个此前少有人预料到的趋势正在成型：智能正在变成一种可以像电力、算力那样被批量买卖的商品。当推理能力、代码生成、文本理解这些曾经稀缺的高价值能力，被封装成按 token 计费的 API 服务时，它们的本质就发生了转变——从"独门技术"变成了"标准化商品"。

这种商品化过程遵循了经济学中经典的"商品化陷阱"（Commoditization Trap）规律。当一项技术从差异化阶段进入标准化阶段，其定价权将从供给方转移至需求方。按 token 计费的 API 模式本质上是将智能能力拆解为可量化、可比价的最小交易单元——Token 是大语言模型处理文本的基本单位，通常一个英文单词对应 1-2 个 token，一个中文汉字对应 1-3 个 token。这种计量方式使得不同供应商的产品具备了直接可比性，类似于电力按千瓦时计费、云计算按 vCPU 小时计费。目前主流的计费方式区分输入 token（prompt）和输出 token（completion），后者通常价格更高，因为生成过程需要更多计算资源。OpenAI、Anthropic、Google 等厂商的 API 定价在过去一年内持续下降，部分模型的推理成本下降超过 90%，印证了商品化趋势的加速。

这种商品化带来的直接后果是竞争的白热化。当多家厂商都能提供性能相近的模型服务时，价格便成为主要竞争维度，利润空间被不断压缩。同时，围绕这些商品化能力，产业内部形成了一系列错综复杂的循环交易（Circular Deals），成为科技行业热议的焦点。

什么是AI循环交易

所谓AI循环交易，指的是产业链上下游企业之间相互投资、相互采购，从而在账面上形成资金与业务的闭环。在当前的AI热潮中，这种模式尤为典型：

• 芯片厂商投资AI公司：AI公司再用融资来的钱购买该厂商的芯片；
• 云服务商绑定模型公司：提供算力资源折扣或股权投资，模型公司再将大量算力开销回流给云厂商；
• 科技巨头投资初创公司：同时又成为其付费API的重量级客户。

当前最具代表性的案例包括：微软向 OpenAI 投资超过 130 亿美元，同时 OpenAI 大量使用 Azure 云服务消耗算力，微软又将 OpenAI 的模型集成到自家产品中获取收入；亚马逊向 Anthropic 投资高达 40 亿美元，Anthropic 则承诺在 AWS 上消耗大量算力；英伟达通过其风险投资部门投资多家 AI 初创公司，这些公司随后大量采购英伟达的 GPU。这些交易单独来看都有商业合理性，但当整个行业普遍采用这种模式时，就需要审视行业总体营收中有多少比例来自这种内循环。

这种"我投资你、你再来买我的产品"的结构，在短期内极大地推高了整个行业的营收数字与估值预期。资金在生态内高速流转，账面繁荣一片。

循环交易的积极作用

循环交易并非全然负面。从积极角度看，它加速了资本与技术资源的高效配置。芯片厂商通过投资绑定核心客户，确保了先进制程产能的销路；模型公司则获得了持续研发所需的算力与资金保障。在一个技术迭代以月为单位的领域，这种深度绑定能够降低不确定性，让参与各方围绕同一目标快速推进。

此外，产业内的资金循环也在客观上推动了基础设施的大规模建设。数据中心、高性能芯片、网络带宽等硬性投入需要巨额资本，而循环交易为这些投入提供了持续的动力来源。

AI循环交易隐藏的风险

然而，循环交易的风险同样不容忽视。核心问题在于：它可能制造出虚假的需求信号与营收泡沫。

当A公司投资B公司、B公司再用这笔钱向A公司采购时，A公司账面上增加的营收，本质上来源于自己投出去的资金。这种自我循环放大了行业的表面景气度，却可能掩盖了真实终端需求的疲软。一旦外部资本停止注入，或者终端应用无法产生足够的商业回报，整个循环链条就可能断裂。

泡沫化的历史教训

历史上，类似的循环融资结构曾在互联网泡沫时期出现。当时电信设备商向初创公司提供厂商融资（vendor financing）以促进设备销售，最终在需求崩塌时引发连锁反应。

具体而言，2000 年前后，思科（Cisco）、朗讯（Lucent）、北电网络（Nortel）等电信设备商大量采用厂商融资模式。它们向现金流薄弱的新兴电信运营商提供贷款或信用额度，用于购买自家的路由器和交换机。这在短期内推高了设备商的营收增长率，但当大量借款方在泡沫破裂后违约时，设备商不得不计提巨额坏账。朗讯在 2001 年计提了超过 70 亿美元的坏账准备，北电网络最终于 2009 年申请破产保护。这段历史表明，当卖方同时充当买方的融资来源时，表面繁荣的营收数字可能缺乏真实经济活动的支撑。

今天的AI循环交易虽然规模更大、参与者更强，但底层逻辑存在相似的脆弱性。值得警惕的是，当估值高度依赖于生态内部的资金流动而非外部真实盈利时，任何一个关键节点的动摇都可能引发系统性风险。投资者需要更加审慎地区分：一家AI公司的营收增长，究竟来自广泛的市场采用，还是来自少数几家关联方的循环采购。

如何判断AI生态是否健康

对于产业观察者而言，AI循环交易折射出的是技术热潮中理性与狂热的交织。智能商品化本身是技术进步的必然结果，它降低了AI能力的使用门槛，让更多应用得以落地。但围绕它形成的资本运作模式，则需要用更冷静的眼光来审视。

判断一个AI生态是否健康，关键在于看它能否形成"真实需求驱动"的正向循环：

1. 终端用户为AI创造的价值付费；
2. 这些收入支撑起模型与基础设施的持续投入；
3. 而非单纯依靠资本在生态内部空转。

评估 AI 公司营收质量的关键指标包括：客户集中度（前五大客户占比是否过高）、关联方交易占比（来自投资方或被投方的收入比例）、净收入留存率（Net Dollar Retention Rate，反映客户持续付费意愿）、以及终端用户的使用频率和留存率。健康的商业模式应当展现出"漏斗式"的收入结构——大量分散的终端客户各自为获得的价值付费，而非"管道式"结构——少数关联方之间进行大额资金流转。此外，关注 AI 产品为客户创造的可量化 ROI（投资回报率）比关注总营收数字更能反映真实的市场需求状况。

对于从业者和投资者来说，既要看到智能商品化带来的历史性机遇，也要保持对循环交易潜在泡沫的清醒认知。在这场关于智能未来的博弈中，真正能够穿越周期的，将是那些建立在坚实商业价值之上的企业，而非仅靠账面数字堆砌起来的估值幻象。

核心要点