方向对了，理由错了：一份"做空 AI 芯片"报告的逐条体检

11 月 5 日（美东时间），美国芯片股经历了六年来最惨烈的一天。费城半导体指数单日下跌 12.25%，是 2020 年 3 月疫情恐慌以来的最大跌幅。英伟达跌 9%，AMD 和美光跌幅都超过 17%，纳斯达克综合指数跌 5.5%。

就在一周前，一家券商的策略团队在内部复盘里提出，美股存在“系统性错误定价”的风险，并开始每天推荐做空半导体的三倍杠杆 ETF，也就是 SOXS。10 月 29 日到 11 月 5 日，SOXS 的收盘价从 41.68 美元涨到 81.22 美元，一周涨了 95%。

这看上去是一次教科书级别的精准判断。但预测对了，不代表理由也对。我们把这份报告的核心论据逐条拿出来，和公司财报、行业数据、第三方研究做了对照。结论可以浓缩成一句话：方向看对了，择时也漂亮，但撑起结论的几根主要柱子大多经不起检验；报告给出的“赔率”，在暴跌之后已经不成立了。

下面分几部分展开。涉及 AI 技术的地方，我们尽量用打比方的方式讲清楚。

先认识两个代码

SOXX：跟踪美国半导体指数的 ETF，可以把它看作“美国芯片股整体”。

SOXS：提供半导体指数每天 −3 倍收益的反向杠杆 ETF。指数当天跌 1%，它大约涨 3%；指数涨 1%，它大约跌 3%。

文中 SOXX 的价格均为复权后价格。

核心要点

看对的部分：AI 芯片股估值偏高、交易拥挤，AI 基建的融资链条开始出现裂缝，头部 AI 公司的收入增速在放缓。这些判断有扎实的证据。
站不住的部分：报告最核心的推理是“AI 效率提升 3 倍，所以云厂商会砍单”，但这和过去一年的事实正好相反。它列出的六类风险里，两类有苗头，两类方向相反，剩下的眼下没有证据。
暴跌的导火索不在报告的逻辑里：11 月 5 日的主因是美国中期选举后，市场担心数据中心建设受到限制。
最影响决策的一点：杠杆 ETF 有“磨损”。按近期的波动水平，从 11 月 5 日收盘价开始持有 SOXS 一个季度，即使芯片股真的跌到报告的目标位，SOXS 的收益也可能接近零。

一、这份报告说了什么

报告看空北美 AI 硬件，逻辑可以拆成五步。

未来两个月没有利好。 报告认为，北美 AI 硬件产业在这段时间里几乎不会出现新的利好信号，反而可能密集出现利空：云厂商下调资本开支、GPU 降价、AI 公司收入负增长、砍单或推迟提货、供应链金融爆雷、云厂商压价。
效率提升会让硬件需求下降。 报告认为，推理软件的优化能让同样的硬件多产出约 2 倍的内容；再加上模型架构的改进，2027 年的算力需求比年初预期低约 40%。两者合计，现有硬件的产出效率可以提升 3 倍以上。报告把这看作云厂商会砍单的“理论基础”。
半年内不会有技术惊喜。 报告认为，只有全新训练的基础模型才能带来颠覆性的能力突破。北美训练一代基础模型大约需要 10 到 13 个月，按 Claude 5 和 GPT-6 的发布时间往后推，超预期的突破不会早于明年下半年。
历史上，基建过度超前的行业跌起来都很狠。 报告举的例子是：亚马逊在 1999 到 2001 年最大回撤约 95%，康宁在 2000 到 2002 年最大回撤约 99%。
给出目标和赔率。 报告预计 SOXX 一个季度内先回到今年 1 到 2 月的中枢位置，空间约 20%，对应 SOXS 的潜在收益在 60% 以上；长期看，SOXX 还有腰斩的风险。

二、先说它看对了什么

客观地讲，这份报告有不少值得肯定的地方。

第一，方向和时机抓得很准。 报告 10 月 29 日开始推荐做空，一周之内就迎来了芯片股六年来最大的单日跌幅。不管理由如何，这个择时是成功的。

第二，对估值和拥挤程度的担忧有充分依据。 费城半导体指数 2026 年上半年涨了 80% 以上，6 月底创下历史新高时，过去 12 个月的涨幅接近 180%。这样的上涨速度，上一次出现还是 1999 到 2000 年的互联网泡沫时期。涨得这么快、这么集中，任何风吹草动都可能引发踩踏，报告对这一点的警惕是对的。

第三，它点到的“供应链金融”风险，确实正在发生。 这是报告最有先见之明的地方，可惜它没有展开。

专门出租 GPU 算力的新兴云公司，业内称为 neocloud，大量依靠借债来买芯片。其中的代表 CoreWeave，2032 年到期的债券价格已经跌到面值的 79.5% 左右。
它的 5 年期信用违约互换（CDS）报价创下 1194 个基点的纪录，6 月时还只有 452 个基点。
据《金融时报》报道，多个数据中心项目的债券也跌到面值的 87% 到 92%。
欧洲 neocloud 公司 Nscale 的上市估值被投资者大幅压低。

小知识：CDS 是什么？ CDS 可以理解为给一笔债券买的“违约保险”。保费越贵，说明市场越担心借款人还不上钱。CoreWeave 的 CDS 半年里涨了一倍多，说明市场对 AI 基建的融资链条明显紧张起来了。

第四，AI 公司收入增速放缓也有实证。

据 Anthropic 上市文件的公开转述，它第三季度收入环比增长约 47%，二季度是 144%；单季新增收入的规模第一次比上一季少。
10 月初，《金融时报》报道 OpenAI 按净额口径计算的年化收入约 500 亿美元，低于此前流传的 700 亿美元。
增速放缓不等于负增长，但这是一个值得跟踪的信号。

第五，不少事实细节是准确的。

亚马逊和康宁的历史回撤数据准确：亚马逊最大回撤约 94.7%，历时约 450 个交易日；康宁最大回撤约 99%，历时 500 多个交易日。
Claude 5 和 GPT-6 的发布时间基本准确。
报告说 7 到 8 月芯片股会“宽幅震荡、多空双杀”，也和实际走势吻合。

三、暴跌的导火索，不是报告说的那根

报告看空，靠的是“产业逻辑”：效率提升导致需求下降，进而导致砍单。但 11 月 5 日市场实际交易的，是另一件事。

多家媒体对当天暴跌原因的报道高度一致：

主因是政治因素。 民主党在 11 月 3 日的中期选举中同时拿下参众两院，市场担心数据中心建设会因此放慢。俄亥俄州和得克萨斯州的新当选州长，都在竞选时支持暂停或有条件暂停新建数据中心。
另一个因素是高通的业绩指引。 高通给出的下季度每股收益指引低于分析师预期，股价跌了 10.5%，还提到晶圆制造、封装、存储等环节成本普遍上涨。

当天的报道里，没有人提到云厂商削减开支、砍单，或者效率提升压低了需求。

这一点为什么重要？因为看对结果、看错原因，意味着你不知道什么时候该离场。如果下跌是政治冲击带来的，那么后续走势取决于政策落地的速度，以及英伟达 11 月 17 日的财报这类事件，而不是报告描绘的产业逻辑。一旦政治担忧消退、财报超预期，反弹可能同样猛烈，而按照报告的框架，你识别不出这种转向。

四、核心论据的漏洞：效率提升不等于少买芯片

这是整份报告最关键、也最值得仔细讨论的一部分。

先搞懂几个概念

Token：AI 模型处理文字的基本单位，可以粗略理解为“一个字或半个词”。模型读进来的问题、写出去的回答，都按 Token 计算。
推理：模型训练好之后，回答用户问题的过程。日常用 ChatGPT、Claude，背后进行的就是推理。
吞吐量：同一台机器每秒能处理多少 Token，相当于一家工厂的产能。

报告的说法是：软件优化能让同样的机器产能翻倍，所以云厂商不需要买那么多新机器。

三项“提速技术”到底是什么

报告提到的技术确实存在，效果也确实显著。用餐厅打个比方：

PD 分离（预填充与解码分离）。 模型回答问题分两步：先把整个问题读一遍（预填充），再一个字一个字地写答案（解码）。这两步对硬件的要求很不一样，放在同一台机器上会互相拖累。PD 分离就是把两步分给不同的机器，好比餐厅把“备菜”和“炒菜”分给两组厨师，各干各的，效率更高。
前缀缓存（RadixAttention 是其中一种实现）。 很多请求的开头是一样的，比如同一个应用给模型的固定说明。前缀缓存会把算过的部分记住，下次遇到相同的开头就不再重算，好比把常用的开场白提前印好，不用每次手写。
大规模专家并行（Wide EP）。 现在主流的大模型采用“混合专家”结构，像一家有上百位专科医生的医院，每个问题只需要其中几位来看。把这些“专家”分散到更多芯片上，就能减少排队，提高整体接诊速度。

开源推理框架 SGLang 的团队在 2025 年 5 月公布过测试结果：PD 分离加大规模专家并行，输出吞吐最高能达到传统方式的 5 倍。所以报告说“约 2 倍”，在数量级上并不夸张。

问题出在后面的推理上。

漏洞一：这不是今年的新增量

技术公开的时间都不晚。 前缀缓存和 PD 分离的代表性成果，在 2024 年初就已公开。DeepSeek 2025 年 3 月公布了自己的生产系统，里面已经用上了这些技术。英伟达推理框架 Dynamo 同月发布。
头部云厂商早已部署。 2025 年 11 月，Dynamo 已接入亚马逊 AWS、谷歌云、微软 Azure 和甲骨文云；2026 年 3 月，Dynamo 1.0 宣布可用于大规模生产。前缀缓存更早，Anthropic 和 OpenAI 在 2024 年就把它做成了面向客户的产品功能。
厂商下单时已经算过这笔账。 云厂商采购新一代芯片时参考的性能测试，用的就是这些优化之后的数据。

打个比方：你家去年就换上了 LED 灯，今年就不能再把这笔省电量算一遍，来证明今年会少交电费。对头部云厂商来说，这 2 倍的提升早已计入现有产能，只有那些还在用老办法部署的长尾用户，才有这么大的增量空间。

漏洞二：便宜了，反而用得更多

这是更根本的问题。经济学里有个经典现象叫“杰文斯悖论”：19 世纪蒸汽机效率提高后，英国的煤炭消耗不降反升，因为用煤变便宜了，用煤的地方多了。手机流量也是一样，流量越来越便宜，每个人用的流量却越来越多。

AI 行业过去一年的数据，几乎完美地复现了这个现象：

用量暴涨。 谷歌每月处理的 Token 数，从 2025 年 5 月的约 480 万亿涨到 2026 年 5 月的约 3200 万亿，一年增长约 7 倍。谷歌对外 API 每分钟处理的 Token，三季度接近 320 亿，环比增长 40%。
最好的模型反而在涨价。 OpenAI 前沿模型的价格（每百万 Token 输入/输出）：GPT-5.4 为 2.5/15 美元，GPT-5.5 涨到 5/30 美元，GPT-6 Astra 又涨到 10/50 美元。
云厂商普遍说算力不够用。 微软财务长在 10 月下旬的财报会上明确说“需求仍然超过供给”，谷歌说云业务需求“巨大”，亚马逊说 AWS 产能需求“异常强劲”。
老一代 GPU 的租金不降反涨。 如果效率提升真的在挤占硬件需求，最先降价的应该是老芯片的租金，事实正好相反。SemiAnalysis 统计的 H100 一年期租约价格，从 2025 年 10 月的每卡时 1.70 美元涨到 2026 年 3 月的 2.35 美元；Silicon Data 的 H100 租金指数，11 月 5 日为 2.97 美元。

效率提升省出来的算力，被快速扩张的用量吃掉了，并没有变成砍单。

漏洞三：“3 倍”是怎么算出来的

报告的算法是：推理优化带来 2 倍提升，再除以（1 − 40%），得到约 3.3 倍。

这里的问题在于，相乘的两个数说的不是同一件事：

2 倍是“现有机器的产能提升”；
**40%**是“对 2027 年需求预测的下修幅度”，其中还包括开源模型抢占市场份额的部分。份额从一家公司转到另一家，并不会让硬件本身变快。

这有点像把“汽车油耗降低了一半”，和“明年汽车销量预测下调了 40%”乘在一起，算出“汽油需求会下降 3 倍”。两个数各有各的含义，直接相乘没有意义，还可能重复计算。

一个耐人寻味的自相矛盾

这份报告在讨论 A 股时，用“Token 通缩”的逻辑看好 AI 应用方向。意思是 AI 用起来越来越便宜，应用会越来越多、越来越赚钱。

而这恰恰就是 AI 硬件需求能维持的原因：Token 越便宜，用的人越多，需要的算力也越多。同一份报告里，同一个逻辑在 A 股部分被用来看多，在美股部分却被反过来用于看空。

五、风险清单：多数没发生，两项方向相反

我们把报告列出的六类“中短期下行风险”，和截至 11 月初的公开信息逐一对照：

风险	实际情况	判断
云厂商密集削减资本开支	三季度财报季，四大云厂商中谷歌、亚马逊维持全年指引，Meta 上调下限，微软小幅下调约 50 亿美元（原因是第三方算力交付延迟）。谷歌和亚马逊都表示 2027 年会“显著增加”投入。甲骨文、CoreWeave、xAI、Anthropic 在 9 到 11 月都在加码	近期没有证据
GPU 降价	H100、B200 租金都在上涨；据报道，英伟达计划对 2027 年初出货的服务器提价 15% 以上	证据相反
AI 公司收入负增长	没有出现负增长，但 Anthropic 增速放缓、OpenAI 收入口径下修	有苗头
砍单或推迟提货	推迟确有发生，但原因都在电力和供给端：微软因英国电网要到 2030 年代才能供电，退出了 Nscale 的一个站点；甲骨文在新墨西哥的园区因供气管道推迟，宣布不可抗力。台积电全年增长指引年内多次上调	需求端砍单没有证据
供应链金融爆雷	CoreWeave 债券和 CDS 显著恶化，数据中心项目债跌破面值，但尚无违约	有明显苗头
云厂商压价	存储芯片合约价二季度环比涨约 80%、三季度涨约 40%、四季度预计再涨约 20%；台积电先进封装（CoWoS）也在提价	证据相反

还要补充一点背景：OpenAI 确实大幅收缩过算力计划，今年 2 月把“2033 年前投入 1.4 万亿美元”调整为“2030 年前约 6000 亿美元”。但这是上半年的旧闻，不是报告所说的“未来两个月”会发生的新变化。

“2027 年算力需求比年初预期低约 40%”？

这个判断出自该团队此前的一份测算，我们无法复核它的模型，但可以对照市场的一致预期。结果是方向相反：

英伟达：分析师对它 2028 财年（大致对应 2027 年）收入的一致预期，从 6 月底的约 5540 亿美元上调到 11 月 2 日的约 6920 亿美元，涨了约 25%。英伟达 8 月首次给出跨年指引，预计该财年收入增长 70%，并称增长受供给约束。
台积电：2026 年全年增长指引，从 4 月的“超过 30%”上调到 7 月的“超过 40%”，10 月又上调到约 44%。

“芯片厂商会成为违约的受害者”？

报告认为，硬件厂商盲目相信长期协议（LTA），将来会成为云厂商违约的受害者。至少在存储芯片这个环节，这个说法不成立：

美光：已签 26 份长期协议，客户的财务承诺约 320 亿美元，大部分以现金押金形式支付。截至 9 月初，它资产负债表上的长期合同负债已有 129 亿美元，一年前只有 1.42 亿美元。
SK 海力士和三星：据韩国媒体报道，两家与大客户签的协议通常要求 20% 到 25% 的押金，并附带“照付不议”条款，即客户不提货也得付钱。

真正需要担心的对手方风险，集中在高杠杆的 neocloud 公司和部分 AI 实验室身上，而不在四大云厂商对芯片供应商这一侧。

六、“半年内模型不会有惊喜”？前提太绝对

先打个比方：打基础与刷题

训练一个大模型大致分两个阶段：

预训练：让模型通读海量的书籍、网页和代码，打下知识基础。这一步最贵、最慢，要动用数万张芯片，耗时数月。
后训练：在打好的基础上做针对性训练，比如教它一步步推理、使用工具、写代码。这一步便宜得多，也快得多。

报告的前提是：真正颠覆性的能力突破，只能来自全新的预训练。

反例并不少

OpenAI 的 o1 模型（2024 年 9 月）。 它是在已有的基础模型上，靠强化学习教会模型“先思考再回答”。结果在美国数学邀请赛（AIME）上，正确率从前代模型的 12% 提到 74%。这是近年最大的能力跃升之一，靠的不是新的预训练。
点版本的进步有时比换代还大。 第三方研究机构 Epoch AI 有一个综合能力指数。按这个指数：
- Claude Opus 4 到 Opus 4.8 的一年里，同一代内部的升级提升了约 17 分；
- 从 Opus 4.8 换代到 Claude Fable 5，只提升了约 4 分；
- GPT-5 到 GPT-5.4 Pro，同一代内部提升了约 10 分。
模型的能力是一路平滑往上走的，不是只在换代时跳一下。

被漏掉的谷歌

报告只盯着 Claude 和 GPT，却漏掉了另一家北美头部实验室：

谷歌 7 月 21 日开始预训练 Gemini 4；
10 月 1 日发布 Gemini 4 Argon，分阶段开放；
10 月 28 日又发布 Gemini 4 Carbon。

也就是说，新一代基础模型已经在报告所说的“窗口期”里出现了。另据二手转引，OpenAI 9 月披露正在训练一个“明显强于 GPT-6 Astra”的内部模型。

时间推算也有问题

中国的训练周期并非 6 到 8 个月。 报告称中国训练一代基础模型大约需要 6 到 8 个月，但实际间隔是：DeepSeek 从 V3 到 V4 约 16 个月，Kimi 从 K2 到 K3 约 12 个月，通义千问约 9.5 个月，只有智谱的约 7 个月符合。
按报告自己的算法也推不出结论。 Claude 5 系列 6 月发布，加上 10 到 13 个月，下一代应该在 2027 年 4 到 7 月出现，推不出“不会早于明年下半年”。

公平地说

报告背后的直觉，也有一部分得到了印证。Gemini 4 发布之后，芯片股在 10 月照样下跌，说明新模型发布并不一定马上转化为硬件股的利好。“模型突破不是短期硬件催化剂”这个判断或许没错，只是“新模型半年内不会出现”这条理由站不住。

七、最影响钱包的一点：赔率算术

前面讨论的是逻辑，这一部分讨论的是钱。

杠杆 ETF 的“磨损”

SOXS 这类产品每天都会重新调整，保证当天的收益是指数的 −3 倍。这个设计带来一个反直觉的后果：指数来回震荡，即使最后回到原点，SOXS 也会亏钱。

举个例子：

	半导体指数	SOXS
起点	100	100
第一天：指数跌 10%	90	130（涨 30%）
第二天：指数涨 11.1%	100（回到原点）	86.7（跌 33.3%）

指数两天下来原地不动，SOXS 却亏了 13.3%。市场波动越大、持有时间越长，这种磨损越严重。

今年的真实数据很好地说明了这一点。6 月 30 日到 9 月 30 日，SOXX 跌了 11.3%。如果简单乘以 3，SOXS 应该涨 34%，实际只涨了 2.1%。这段时间正是报告自己描述的“宽幅震荡”期。

报告的赔率已经过时

报告说“SOXX 一个季度内下跌约 20%，对应 SOXS 收益 60% 以上”。我们根据杠杆 ETF 的定价规律做了测算（这套方法用今年的实际数据回测过，误差在几个百分点以内）：

第一目标位：报告说的“1 到 2 月中枢”，按复权价约为 116。
近期波动水平：SOXX 过去 60 个交易日的年化波动率约 50%，过去 120 个交易日约 59%。

起点	到目标位还需下跌	SOXS 季度收益（波动率 45%）	SOXS 季度收益（波动率 55%）
11 月 4 日收盘，约 150	约 23%	约 +60%	约 +38%
11 月 5 日收盘，131.9	约 12%	约 +9%	约 −7%

可以看到两点：

从暴跌前的价格算，60% 也只有在波动率较低时才成立。 今年以来 SOXX 的实际波动率约 52%，对应的收益约 45%。
从暴跌后的价格算，赔率已经大幅缩水。 一半以上的空间在一天之内兑现了。按 55% 的波动率，SOXX 一个季度要跌 14% 以上，SOXS 才能保本，这比到目标位剩下的空间还大。换句话说，即使报告的方向完全正确，现在才买入 SOXS 并持有一个季度，也很可能白忙一场。

历史类比也要选对参照物

报告用亚马逊回撤 95%、康宁回撤 99% 来说明下跌空间。这两个数据本身没错，但有两个问题：

个股和指数不是一回事。 单只股票可以跌 99%，一篮子股票组成的指数很难。更合适的参照是费城半导体指数本身：互联网泡沫破裂时，它从约 1362 点跌到约 209 点，跌幅约 85%；2022 年的熊市，跌幅约 45%。
亚马逊当年的下跌和“基建过度超前”关系不大。 它主要是电商泡沫和现金流问题，和光纤过度建设的康宁不是同一类故事。

另外，SOXX 已经从 6 月 22 日的高点下跌了约 40%。如果从现在再腰斩，相当于从高点累计下跌 70%，这在历史上属于极端情形，不宜当作基准预期。

八、结语：如何读一份“看对了”的报告

把这份报告放在一起看，它的价值和局限都很清楚。

它对的地方：AI 芯片股估值偏高、交易拥挤；AI 基建的融资链条出现裂缝；头部 AI 公司增速放缓；加上选举后新的政策不确定性。这些足以支撑“芯片股未来一个季度波动剧烈、下行风险偏大”的判断。

它错的地方：最核心的定量论据，包括效率提升导致砍单、2027 年需求下修 40%、模型半年内没有惊喜、GPU 降价、云厂商压价，都和已知事实不符，有的方向正好相反。

结论对、理由错，对投资者来说其实是一种危险的组合。如果你接受了报告的理由，就可能在基本面并未恶化时继续加码做空，也可能在真正的利空信号出现时认不出来。

接下来几周，有几个节点值得关注，它们会比任何一份报告更清楚地告诉我们 AI 硬件的真实处境：

11 月 11 日，CoreWeave 三季报。 看 neocloud 的融资压力是否继续恶化。
11 月 17 日，英伟达三季报。 看需求和供给约束的最新表述。
12 月中旬（日期待公司确认），博通和美光财报。 看定制芯片和存储的景气度。
信用市场。 数据中心相关债券和 CDS 的走势，可能比股价更早反映真实风险。
四季度财报季。 四大云厂商会给出 2027 年资本开支的第一个具体数字。

市场会奖励看对方向的人，但只有看对理由，才知道什么时候该改变主意。

说明：本文数据截至 2026 年 11 月 5 日美股收盘。部分数据来自媒体对公司文件或研究报告的转述，包括 Anthropic 上市文件、英伟达一致预期、数据中心项目债价格、OpenAI 内部模型的相关表述。文中杠杆 ETF 收益为模型测算，不代表实际结果。本文不构成任何投资建议。

参考资料

11 月 5 日市场与暴跌原因

云厂商资本开支与一致预期

GPU 租金与芯片价格

长期协议

美光 FY2026 财报（SEC）

融资压力与收入增速

推理优化技术

Token 用量

Alphabet 2026 年三季度 CEO 致辞

模型发布与能力

历史回撤

半导体指数历次熊市（SimianX）

行情数据：TradingView、长桥（SOXX、SOXS 日线，复权价）