区分AI风险-是“蛋糕总量”问题，还是“蛋糕份额”问题？

这份GS框架的真正价值，是把当下AI讨论里混在一起的「AI要完蛋了」和「AI赢家要换人了」这两类完全不同性质的风险拆开。 第一，关于核心前提的隐含假设：GS这个模型的支柱是「AI资本收入现值」可与美股市值对账，baseline$9T到US positive$28T的区间本身就坦白了——基本面模型和市场价格之间存在$20万亿量级的乐观溢价。这意味着任何推动折现率上行（如长端美债利率跳升）或capital share假设下修（如监管要求AI模型开源、竞争压缩利润）的信号，都会触发aggregate shock，传导链是「假设松动→市值杀估值→跨资产risk-off→美债利率下行（避险）」。读者真正该问的是：现在压在这$20万亿溢价上的是哪几个参数？GS列了5个，但没给权重，敏感性分析是这份报告最缺的一块。 第二，被回避的反方视角：①GS把distributional risk处理成「组合问题、不影响宏观」，但实务中如果半导体集体杀估值，指数照样跌，hyperscalers capex下调会反过来杀半导体订单，这是个闭环反馈，框架低估了二者的传染性；②GS默认美国AI公司能拿走相当比例的非美收益（international share假设），但欧盟AI Act、中国AI监管、DeepSeek类低成本开源模型的扩散都在挑战这一前提，而且这些属于aggregate还是distributional？报告没讲清；③「市场已超涨」这种判断本身在2024-2025已经被多次证伪，框架虽然严谨，但缺少一个market timing的trigger——读者需要自己加一个「估值分位数+持仓拥挤度」的过滤器。 第三，放在当前格局里：现在AI capex正处于「hyperscalers一年砸千亿、回报周期5-10年」的窗口期，资产负债表压力测试是真正的关键。如果某hyperscaler单季度capex增速从+60%掉到+30%，最先传导的就是半导体和电力（utility）板块，这是典型的distributional shock但会伪装成aggregate shock。读者应重点跟踪：①hyperscalers季度capex指引；②AI芯片实际出货量与定价；③美光/SK海力士等存储厂商订单可见度（这是distributional风险最敏感的proxy）；④美国10年期实际利率（aggregate风险的trigger）；⑤GIPS测算的生产力数据是否印证GS productivity growth假设。 第四，关键假设敏感性：模型里最危险的是capital share和discount rate这两个参数——前者改1-2个百分点、AI现值就能在$9T到$28T之间大幅摆动；后者只要长端实际利率上行50bp，AI久期长的资产估值就要重定价。distributional维度最敏感的是hyperscaler vs model builder的份额之争——一旦出现「开源模型性能追平闭源」的硬证据，model builders的估值溢价会快速塌缩，但hyperscaler反而因为推理需求暴增而受益，这是组合管理上必须对冲的cross-sector头寸转移。 第五，可比参照：2022年的crypto周期、2018-2019年的FAANG反垄断周期都是「aggregate shock带动distributional洗牌」的先例——先是整体估值压缩、再是赢家换人。本轮AI的特征是「capex前置、利润后置」，所以aggregate shock的触发器更可能是capex可持续性问题（资金链、债务市场反应），而不是收入端放缓，这一点GS的框架并未突出。