U.S. Stocks in the AI Capex Cycle: Earnings Quality, Margins, and Infrastructure Reality

Executive Summary

美股 AI 主线正在从估值重估进入现金流证明阶段，市场会奖励能把 AI capex 转化为收入、毛利和留存的公司。

2026 年的美股 AI 交易不再是简单的“买所有 AI 概念”。NVIDIA、Microsoft、Alphabet、Meta 等公司的财报开始让市场比较三件事：资本开支是否继续扩大，AI 收入是否能抵消折旧和推理成本，核心业务是否因为 AI 获得真实增量。这个阶段最怕的是 capex 先行太快，而收入和毛利验证滞后。

本周资料来源

1. NVIDIA FY27 Q1 Results - record AI infrastructure revenue, data center demand and China outlook constraints
2. Microsoft FY26 Q3 Earnings - cloud, AI demand, capital expenditure and margin context
3. Alphabet Q1 2026 Results - Google Cloud, search, YouTube and AI capital expenditure signals
4. Meta Q1 2026 Results - AI capex, family of apps, reality labs and advertising resilience

为什么现在重要

2026 年的美股 AI 交易不再是简单的“买所有 AI 概念”。NVIDIA、Microsoft、Alphabet、Meta 等公司的财报开始让市场比较三件事：资本开支是否继续扩大，AI 收入是否能抵消折旧和推理成本，核心业务是否因为 AI 获得真实增量。这个阶段最怕的是 capex 先行太快，而收入和毛利验证滞后。

本周这篇文章采用的是研究框架，而不是新闻复述。判断一个主题是否真的进入新阶段，至少要看三层证据：第一，公开资料是否出现方向一致的信号；第二，组织、用户或资本是否开始改变行为；第三，这些变化是否能被持续复盘，而不是只在标题里存在。

核心机制

AI capex 正在重塑利润表

资本支出会先进入资产负债表，再通过折旧进入利润表。如果 AI 收入增长无法覆盖折旧和能源成本，市场会下修估值。

云平台拥有分发优势

Microsoft、Google、Amazon 等云厂商不只是买 GPU，它们把 AI 嵌入现有企业客户、数据、身份和安全体系。

半导体仍是上游控制点

NVIDIA 和先进封装供应链决定算力交付速度，但市场会逐步比较增长率、毛利率和客户集中风险。

市场结构变化

这个变化的本质，是控制点从“谁更会讲故事”转向“谁能把复杂问题做成可重复系统”。无论主题属于 AI、Web3、能源、健康、职业还是生活方式，只要进入深水区，最终都会被同一组问题检验：成本是否下降，风险是否可控，用户是否复用，组织是否愿意把预算和流程迁过去。

风险框架

1. AI 基础设施供给过快导致价格压力。
2. 企业 AI 采用停在试点，无法进入核心 workflow。
3. 利率上行压缩长久期成长股估值。

90 天行动计划

1. 按财报拆分 AI 收入、capex、折旧和自由现金流。
2. 对半导体、云、应用、电力分别设定估值框架。
3. 避免把所有 AI 相关股票当同一个 beta。

12-36 月观察指标

• Hyperscaler capex
• Data-center revenue
• AI gross margin
• Free cash flow
• Power infrastructure backlog

深度变量拆解

这篇文章的研究对象不是一个孤立新闻，而是一组正在互相影响的变量。最重要的变量包括：AI capex 正在重塑利润表、云平台拥有分发优势、半导体仍是上游控制点。如果只看其中一个变量，很容易得到过度乐观或过度悲观的结论；只有把它们放在同一张图里，才能看清楚这个主题到底处在概念期、验证期、扩张期，还是已经进入再定价阶段。

第一层变量是 能力边界。任何新技术、新市场或新生活方式，都会先通过某个显眼的能力信号进入公众视野：模型能力提升、数据中心扩建、量子处理器路线图、聚变点火、游戏生产效率、稳定币支付增长，或者数字游民社区的低成本样本。但能力信号本身不是终点。真正要问的是：这个能力是否稳定，是否可复现，是否能被普通组织使用，是否能在成本、合规、风险和用户体验上形成闭环。很多主题的问题不是“有没有突破”，而是“突破离可持续系统还差几层工程”。

第二层变量是 成本结构。技术叙事经常忽略成本，因为突破本身更适合传播。但长期价值捕获最终会回到成本：算力成本、电力成本、融资成本、运维成本、迁移成本、审核成本、用户教育成本、监管成本。AI 资本开支周期中的美股：盈利质量、利润率与基础设施现实 这个主题也一样，如果成本下降速度慢于采用速度，早期热度会被现实消化；如果成本下降并且体验改善，叙事才可能进入长期复利。

第三层变量是 行为变化。真正的趋势不会只停留在媒体标题里，而会改变人的行为、公司的预算、开发者的路线图、投资者的配置方式和用户的日常选择。这里最应该跟踪的是 Hyperscaler capex、Data-center revenue、AI gross margin、Free cash flow、Power infrastructure backlog。这些指标不是为了制造仪式感，而是为了避免研究变成观点文学。只要行为没有变化，叙事再热也只是注意力波动；一旦行为开始变化，即使市场暂时没有定价，趋势也已经在底层生长。

情景推演

Base case： 未来 90 天，这个主题继续获得讨论和小规模验证，但不会立刻进入全面爆发。更可能出现的是：头部团队、头部城市、头部公司或头部协议先把能力做成可复用流程，尾部参与者继续用旧框架追热点。这个情景下，最合理的策略是保持研究权重，但不急于把所有资源押在单一路径上。

Upside case： 如果 按财报拆分 AI 收入、capex、折旧和自由现金流。，并且后续数据连续改善，那么本主题会从“值得关注”升级为“值得配置时间、预算和资本”。上涨或扩张的真正信号，不是标题更密集，而是客户愿意续费、用户愿意留下、开发者愿意迁移、监管开始给出清晰边界，或者基础设施开始围绕它重新建设。

Downside case： 如果 AI 基础设施供给过快导致价格压力。，短期热度可能先退潮，然后进入更长的消化期。这个阶段最危险的不是承认看错，而是不愿意更新模型。好的研究应该允许 thesis 被证伪：当关键指标没有跟上，或者成本、风险、监管、体验明显恶化，就应该主动降低置信度，而不是继续为原判断找理由。

如何避免误判

第一，不要把 单点突破 当成 系统成熟。量子芯片、聚变点火、AI benchmark、游戏 demo、美股财报、社区体验、链上数据，都可能是真信号，但它们代表的是不同层级。研究者要先判断它是科学信号、工程信号、商业信号、金融信号，还是文化信号。层级不分清，就会把“能做到”误读成“马上能赚钱”，或者把“短期还不能赚钱”误读成“长期没有价值”。

第二，不要把 增长速度 和 质量 混为一谈。用户增长、收入增长、算力增长、内容增长、城市热度增长，都需要继续追问质量：留存如何、毛利如何、失败率如何、监管如何、真实复用如何。越是前沿主题，越容易出现速度很快但质量不稳的阶段。这个阶段适合观察，不适合盲目确定。

第三，不要忽视 组织摩擦。很多趋势在技术上成立，却卡在组织采用上。企业需要采购流程，医院需要责任边界，游戏团队需要创意控制，数字游民需要签证和现金流，公链需要钱包体验，美股公司需要资本开支回报。组织摩擦不是噪音，而是决定趋势是否进入主流的关键路径。

第四，不要让 个人偏好 冒充研究结论。我们可能天然喜欢 AGI、量子、聚变、游戏、数字游民或加密世界，但偏好不能替代证据。更好的方法是写清楚：我希望它成立的理由是什么，我担心它失败的变量是什么，未来什么证据会改变我的看法。这个自我校验动作，会让研究更像研究，而不是立场输出。

研究笔记

本篇主要参考 NVIDIA FY27 Q1 Results、Microsoft FY26 Q3 Earnings、Alphabet Q1 2026 Results、Meta Q1 2026 Results，但资料来源不是为了堆砌权威，而是为了建立交叉验证。官方路线图通常更适合确认目标和时间表，财报更适合确认资本开支和收入质量，行业报告更适合观察中长期变量，市场数据更适合观察短期情绪。不同来源各有盲区，组合起来才更接近真实世界。

如果下周继续跟踪，我会优先更新三类信息：第一，是否出现新的硬指标，例如收入、能耗、任务成功率、逻辑量子比特、聚变增益、用户留存、预算变化；第二，是否出现失败案例，因为失败往往比成功宣传更能暴露系统边界；第三，是否出现监管或基础设施变化，因为它们经常决定趋势的上限和速度。

最终，这篇文章不是为了给出一个不能修改的结论，而是给出一个能继续工作的研究框架。前沿领域最有趣也最危险的地方，在于它们经常一边进步、一边暴露新问题。我们要做的不是在乐观和悲观之间摇摆，而是在每一次新信号出现时，更新变量、修正权重、保持判断的弹性。

下周复盘问题

1. 本周最强的信号，下周是否还有后续证据。
2. 这个主题是否已经改变真实用户、开发者、机构或资本的行为。
3. 是否出现预算、招聘、产品路线、监管或基础设施层面的跟进。
4. 如果风险框架中的任一项开始出现，是否应该降低研究置信度。

研究者备忘录

深度文章最容易犯的错误，是把观点写得很完整，却没有留下更新入口。本文的重点不是给出最终答案，而是建立一个可以继续迭代的判断框架。未来几周，如果出现更多硬指标，我会提高权重；如果只有更多讨论但没有行为变化，我会主动下修。

结论

美股 AI 主线没有结束，但它变难了。接下来市场不会只奖励讲 AI 故事的公司，而会奖励能证明 AI 产生现金流、降低成本或提升留存的公司。