站在 2025 年 12 月的时间节点，距离 ChatGPT 发布仅过去三年，市场对于 "AI 泡沫 " 的讨论已至沸点。德意志银行认为，当前 AI 热潮既不是完全的泡沫，也不是毫无风险，关键在于区分不同类型的 " 泡沫 "。

12 月 12 日，据硬 AI 消息，德银在最新研报中创新性地将 AI 泡沫分为估值泡沫、投资泡沫和技术泡沫三个维度进行分析。报告称，公开市场大型科技公司的估值有盈利支撑，投资增长符合趋势且由现金流推动，技术进步仍在持续。真正的风险集中在估值过高的私营公司、可能失控的循环融资结构，以及潜在的技术瓶颈和供应限制。

估值泡沫：估值分化揭示真实风险所在

德银的核心观点是当前 AI 热潮并非单一泡沫，而是由三种不同性质的泡沫构成。

在估值维度，报告显示希勒周期调整市盈率（Shiller Cyclically Adjusted Price/Earnings ratio）已超过 40，接近 2000 年互联网泡沫顶峰的 44 倍水平。这一指标衡量经通胀调整后的长期盈利能力，当前水平确实令人警惕。从历史数据看，如此高的估值倍数通常预示着市场过热。

然而，德银认为，这一估值主要由盈利增长驱动，而非纯粹的投机。该行称，虽然整体估值较高，但自 2022 年 10 月以来，标普 500 指数一直在 22.7% 的年化增长趋势通道内运行，目前处于该通道的低端。

更关键的是，大型科技股的估值溢价是由盈利增长驱动的：大型科技股的估值溢价约 60%，但这一溢价得到了 20% 以上的盈利增长差异支撑。

德银指出，当前科技股估值并未达到互联网泡沫时期的极端水平，且盈利增长正在向更广泛的行业扩散。

相比之下，真正估值过高的是私营公司：OpenAI 基于 2025 年 130 亿美元预测收入计算的市销率达 38 倍，Anthropic 更是高达 44 倍。而公开市场的科技巨头估值相对合理——英伟达仅为 22 倍，微软 12 倍，谷歌 9.9 倍，亚马逊 3.5 倍。这种公私分化表明，公开市场的定价相对理性。

投资泡沫：现金流支撑 vs 债务风险

报告称，在投资维度，德银数据显示超大规模云服务商的资本支出预计到 2026 年将达到 5000 亿美元，累计到 2030 年可能达到 4 万亿美元，超过阿波罗计划通胀调整后成本的 10 倍。这一规模确实史无前例，但德银认为当前投资仍在合理范围内。

尽管增速惊人，但是德银表示，自 2013 年以来，全球科技资本支出年增长率为 12.3%，当前增长仍在这一趋势通道内。

更重要的是，大型科技公司的投资回报率自 AI 周期开始以来持续上升，通过云客户需求、AI 工具和编程成本节约产生实际回报。

该行还在研报中强调，与互联网泡沫时期的债务驱动不同，当前 AI 投资主要由自由现金流支撑。谷歌第三季度运营现金流达 480 亿美元，超大规模云服务商的资本支出与运营现金流比率普遍低于 1，显示出健康的财务状况。

技术泡沫：可用性、可扩展性存疑 vs 技术进步、需求增长

在技术维度，德银认为生成式 AI 仍容易出错和产生幻觉，难以大规模应用。更重要的是，研究人员指出，AI 的快速扩展可能很快遭遇物理瓶颈，例如芯片间数据传输速度的限制。这些技术障碍可能成为发展的天花板。

不过，德银称，2025 年 11 月谷歌推出的 Gemini 3 证明 AI 尚未触及天花板，在多模态能力方面取得重大进展。Gemini 3 在 " 人类最后的考试 "（测试推理和知识）中超越所有先前模型，在视觉推理方面的得分是 GPT-5 Pro 在 ARC-AGI-2 测试中的三倍。这表明 AI 扩展定律仍在发挥作用，技术能力持续提升。

而且，需求端数据更加令人印象深刻。谷歌 10 月透露其每月处理 1300 万亿个令牌，较 2024 年 4 月的 9.7 万亿大幅增长。据美国商业趋势和前景调查，目前仍不到 10% 的美国企业在使用 AI，显示巨大的增长空间。

成本下降是需求激增的重要驱动力。在 MMLU 基准测试中得分至少 42 分的最便宜大语言模型成本已下降 1000 倍，遵循杰文斯悖论——效率提升和成本降低推动消费增长，确保没有芯片闲置。

泡沫破裂的潜在触发点

尽管基本面强劲，德银仍在报告中指出五大可能导致泡沫破裂的风险因素。

循环融资引发估值不透明

报告首先指出，最近的复杂协议可能带来系统性风险。例如，OpenAI 在八年内承诺 1.4 万亿美元的计算购买，涉及英伟达、AMD、甲骨文、微软、亚马逊等多方交叉投资和购买协议。这种循环融资结构可能导致估值不透明，一旦某个环节断裂，可能引发连锁反应。

债务激增成本失控

德银称，即使是现金充裕的超大规模云服务商也开始发行更多债务。2025 年美元投资级债券发行量已超过 350 亿美元，微软、谷歌、Meta、亚马逊和甲骨文的净债务与 EBITDA 比率正在上升。如果成本继续螺旋上升，公司可能被迫大量举债。

技术障碍：规模效应递减

报告指出，随着扩展显示出递减回报，每增加一单位的智能都需要指数级增长的成本。从 Llama 2 到 Grok 4，训练计算成本从 1000 万美元飙升至 10 亿美元以上。更令人担忧的是，尽管数据中心支出不断上升，但基于数据中心支出在 5 年内开发 AGI（通用人工智能）的概率反而在下降，从 2022 年的接近 100% 降至 2025 年的约 20%。

社会政治反弹

报告称，对 AI 的怀疑情绪正在上升。在英国和欧盟，20% 以上的受访者非常担心 AI 会在未来几年抢走他们的工作。发达市场（美国、英国、德国）的人们更多抵制更大规模的 AI 使用，而巴西等国则更接受 AI。这可能导致客户抵制、员工抵抗和限制性监管。

供应瓶颈：能源和芯片

最后，德银认为，2030 年电力需求预计将是 2020 年的四倍。美国家庭今年已经支付创纪录的电价，每千瓦时达到约 17 美分。由于电力容量建设需要数年时间，能源供应可能成为 AI 采用和变现的最大障碍。