大型科技公司看起来仍然是现代商业中最强大的赚钱机器之一。
大型科技公司的人工智能资本支出不仅仅是另一个支出周期。它正在改变投资者解读 Meta、Alphabet、微软和亚马逊等公司现金流的方式。这些公司仍然拥有强大的核心业务，但人工智能基础设施需要芯片、数据中心、能源、人才、债务融资和未来折旧。真正的问题不是人工智能是否有用，而是大型科技公司能否将大量人工智能支出转化为可持续的自由现金流。
Meta 在全球范围内销售广告。 Alphabet 控制着搜索、YouTube 和云基础设施。微软拥有企业软件、云和人工智能分发。亚马逊有电子商务、物流和AWS。这些公司仍然盈利，仍然强大，并且仍然深深植根于日常生活中。
但人工智能时代正在改变我们阅读财务报表的方式。
关键问题不在于大型科技公司是否盈利。问题在于传统的现金流量指标是否完全反映了人工智能建设的实际成本。
人工智能不仅仅是软件。它需要芯片、数据中心、能源、冷却、网络设备、专业人才和长期基础设施承诺。这使得人工智能与旧的互联网模型截然不同，在旧的互联网模型中，软件通常可以以更轻的资本密集度进行扩展。
这就是人工智能资本支出很重要的原因。
它正在将大型科技公司从轻资产软件平台转变为重资本基础设施公司。一旦发生这种情况，投资者、创始人和企业主就需要超越总体利润并提出更深层次的问题：
扣除人工智能支出、人才成本和未来基础设施折旧后，真正剩下多少自由现金流？
大型科技公司人工智能资本支出的真正含义是什么
资本支出是指资本支出。
这是公司花在建筑物、服务器、芯片、网络设备和数据中心等长期资产上的资金。在人工智能时代，资本支出已成为技术领域最重要的数字之一。
对于大型科技公司来说，人工智能资本支出不是可选的。
如果Meta想要构建更先进的AI系统，就需要数据中心和计算能力。如果 Alphabet 希望 Gemini、谷歌云和人工智能搜索保持竞争力，它需要更多的技术基础设施。如果微软想要跨Azure、Copilot和企业软件支持AI，就需要大规模的云容量。如果亚马逊希望AWS继续成为主要的人工智能基础设施提供商，它需要持续的投资。
这就是为什么人工智能资本支出不仅仅是另一个项目。
它是人工智能战略的物理基础。
问题是人工智能基础设施非常昂贵。今天它需要巨额的前期支出，而回报可能会比预期更晚、缓慢或难以预测。
这就产生了一个时间问题。
大型科技公司现在必须花钱才能留在人工智能竞赛中，但投资者可能要等到几年后才能知道这些支出是否创造了足够的回报。
自由现金流仍然很重要，但需要更多背景信息
自由现金流是企业最重要的财务指标之一。
简单来说，自由现金流是公司在资本支出后从运营中产生的现金。这很重要，因为这是可以支持股票回购、股息、债务偿还、收购或未来投资的资金。
多年来，大型科技公司都拥有出色的自由现金流。
这就是这些公司变得如此有价值的原因之一。他们的数字业务可以产生大量现金，而不需要与传统工业公司相同的物理基础设施强度。
人工智能改变了这个方程式。
当资本支出大幅上升时，即使收入和营业收入看起来继续强劲，自由现金流也可能会收缩。一家公司仍然可以报告强劲的盈利，但如果它在数据中心和人工智能硬件上投入大量资金，投资后留下的现金可能会更低。
这并不意味着业务疲软。
这意味着业务正在发生变化。
投资者不仅应该问大型科技公司是否正在增长。他们应该问，增长是否需要比以前更多的资本。
这才是人工智能背后真正的现金流问题。
为什么基于股票的薪酬在人工智能时代很重要
基于股票的薪酬（SBC）是人工智能现金流故事的另一个重要组成部分。
大型科技公司在人工智能研究人员、工程师、基础设施专家和产品领导者方面展开了激烈的竞争。为了吸引和留住这些人才，公司经常使用股票授予和限制性股票单位作为薪酬的一部分。
这在技术上是正常的。
会计问题更为微妙。
根据会计规则，股票薪酬被记录为费用，但由于其在确认时为非现金，因此将其添加回经营现金流量表中。这意味着报告的经营现金流量看起来可能比股东经历的经济成本要强。
真正的成本有两种表现形式。
首先，向员工发行新股时，股东可能会被稀释。其次，公司可以使用现金回购股票，以抵消股权稀释。
当一家公司使用大量现金进行回购主要是为了抵消员工股票薪酬时，这些现金就不是真正可选的。从经济角度来看，它更像是人才成本的一部分。
这在人工智能时代更为重要，因为人工智能人才极其昂贵。
如果人工智能人才的竞争不断推高薪酬，投资者需要明白，仅通过总体自由现金流可能无法完全看到成本。
回购如何掩盖人才的现金成本
股票回购通常以股东回报的形式呈现。
在很多情况下，确实如此。公司可以使用多余的现金回购股票、减少股票数量并向投资者返还价值。
但回购还可以达到另一个目的：抵消股票薪酬的稀释。
这种区别很重要。
如果一家公司向员工发放股票，然后用现金回购股票以防止稀释，那么回购并不纯粹是自愿返还多余资本。这部分是与员工薪酬相关的现金成本。
对于像 Meta 这样的公司来说，这个问题变得尤为明显，因为分析师指出，其自由现金流的很大一部分实际上被与员工股票奖励和稀释管理相关的现金成本消耗了。
这并不意味着 Meta 无法盈利。
这意味着正常的自由现金流数字可能无法全面反映在维持业务背后的人才结构后真正可用的现金量。
同样的想法可以适用于各个科技公司，尽管规模可能有所不同。
这个教训很简单：并非所有回购都意味着同样的事情。
一些回购会返还剩余现金。其他人则帮助修复股票薪酬造成的稀释。投资者需要知道他们正在寻找哪一个。
人工智能资本支出正在将大型科技公司转变为基础设施公司
旧的软件商业模式很有吸引力，因为它的资产相对较轻。
一家公司可以构建一次软件并为数百万用户提供高利润。扩展仍然需要服务器、工程师和基础设施，但经济性往往比实体产业轻得多。
人工智能则不同。
前沿人工智能需要海量的计算能力。训练和运行大型模型需要昂贵的芯片、专用服务器、电力、冷却和数据中心空间。这意味着人工智能让科技公司更接近基础设施的经济性。
这并不意味着大型科技公司正在成为一家公用事业公司。
但这确实意味着资本密集度正在上升。
这是一个重要的变化。当企业变得更加资本密集时，投资者应该要求不同类型的分析。问题不再仅仅是关于用户增长、收入增长或产品创新。
问题变成：
投资资本的回报率是多少？
如果大型科技公司在人工智能基础设施上花费数千亿美元，市场最终需要看看这些支出是否能创造足够的收入、利润率改善、生产力提升或战略保护。
人工智能基础设施可能是必要的。
But necessary spending is not always high-return spending.
为什么英伟达的利润先于大型科技公司贬值
人工智能周期中最有趣的部分之一是供应商和买家之间的时间差异。
英伟达等公司销售为人工智能基础设施提供动力的芯片和硬件。当需求旺盛时，他们的收入和利润就能很快出现。
但对于购买硬件的大型科技公司来说，会计工作有所不同。
人工智能服务器、GPU 和数据中心资产通常都是资本化的。这意味着成本不会立即全部计入损益表。相反，它成为资产负债表上的一项资产，并随着时间的推移通过折旧逐渐支出。
这会产生短期效应。
市场可以看到供应商今天的利润，而买方的全部成本则在未来的时期逐渐显现。
这并不意味着会计是错误的。
这意味着投资者需要了解时机。一段时期的大量人工智能基础设施支出可以使更广泛的市场在短期内看起来更强劲，因为供应商可以快速确认收入，而买家则需要多年才能吸收成本。
关键风险是以后发生的事情。
当更多的人工智能数据中心投入使用时，折旧费用可能会上升。如果人工智能收入和生产力收益增长足够快，那么这是可以管理的。但如果回报慢于预期，未来的利润率和自由现金流可能会面临压力。
人工智能建设背后的债务融资
大型科技公司仍然产生大量现金。
但人工智能基础设施非常昂贵，即使是高利润的公司也在更积极地使用资产负债表工具。
这包括债务发行、融资结构、合作伙伴关系、租赁以及在某些情况下与股权挂钩的融资。这一转变很重要，因为硅谷最大的公司历来享有现金充裕、杠杆率低和高度灵活的声誉。
人工智能资本支出改变金融节奏。
当支出增长快于内部产生的现金时，公司可以放慢投资、减少回购、发行债务、筹集股本、使用租赁、与基础设施投资者合作或结合多种方法。
使用债务并不一定是坏事。
如果人工智能基础设施的回报丰厚，借贷就有意义。风险在于债务会产生固定义务。即使人工智能的回报令人失望，也必须支付利息。这降低了灵活性。
这就是为什么投资者不仅应该关注损益表，还应该关注资产负债表。
人工智能竞赛不仅仅关乎谁构建了最好的模型。它还涉及谁可以在不削弱企业长期现金流状况的情况下为基础设施提供资金。
为什么调整后的利润指标看起来过于干净
科技公司经常报告非公认会计准则指标。
这些调整后的数字可能很有用，因为它们删除了某些非现金或不寻常的物品。但它们也能让公司看起来比经济现实更干净。
股票薪酬就是最好的例子。
如果一家公司将 SBC 排除在调整后的利润指标之外，结果可能会显示出更强劲的利润状况。但股东仍然会因稀释或用于抵消稀释的现金回购而承受经济成本。
同样的谨慎也适用于折旧。
在建设阶段，资本化的人工智能基础设施可能不会立即完全体现在收益中。随后，随着资产投入使用，折旧会变得更加明显。
This is why investors should avoid relying on one metric.
净利润、运营现金流、自由现金流、资本支出、SBC、回购、债务、租赁义务和折旧都很重要。每个都讲述了故事的一部分。
AI时代，现金流的质量比头条数字更重要。
一家公司可能看起来盈利，但真正的问题是在保持人才、基础设施和竞争地位后还剩下多少现金。
假设自由现金流将会反弹的风险
许多乐观模型假设人工智能资本支出将上升几年，然后稳定下来。
根据这种观点，大型科技公司现在投入巨资，建设基础设施，随后随着人工智能产品大规模产生收入，自由现金流强劲反弹。
这种情况是可能的。
但这并不能保证。
有几个风险。人工智能基础设施可能需要不断升级。芯片可能会比预期更快地过时。能源成本可能会上升。竞争可能会压低人工智能的定价。企业采用可能比预计的要慢。消费者人工智能可能会在没有足够货币化的情况下吸引使用。监管机构可能会增加成本。新的模型架构可能会改变现有基础设施的价值。
这并不意味着人工智能投资是错误的。
这意味着投资回收期是不确定的。
企业的资本越密集，假设现金流会自动反弹就越危险。投资者应该问一下，要实现反弹，必须采取什么措施。
如果答案取决于完美的执行、完美的需求增长和完美的定价能力，那么安全边际比看起来要薄。
投资者可以从大型科技公司人工智能资本支出中学到什么
第一个教训是人工智能不是免费的。
即使用户将人工智能体验为软件，其背后的业务也需要物理基础设施。芯片、数据中心和能源产生了实际成本。
第二个教训是自由现金流需要背景。
一家公司可以报告强劲的自由现金流，同时仍然面临来自资本支出、股票补偿、回购、偿债和未来折旧的大量现金需求。
第三个教训是大型科技公司正在发生变化。
这些公司仍然很强大，但它们的经济模式正变得更加依赖基础设施。这可能会降低旧软件利润故事的简单性。
第四个教训是，人工智能的赢家不仅仅取决于产品质量。
它们也是由资本纪律决定的。最好的人工智能公司不仅仅是那些支出最多的公司。他们将把支出转化为持久的收入、利润扩张和战略优势。
第五个教训是投资者应该将技术信念与财务分析分开。
你可以相信人工智能很重要，但仍然质疑每一美元的人工智能资本支出是否会产生良好的回报。
这是成熟的观点。
我对人工智能支出和现金流的个人看法
我个人的观点是，人工智能是真实的，但人工智能经济学很重要。
我在自己的工作中使用人工智能工具来进行内容、搜索引擎优化、研究、编码支持和工作流程改进。我可以清楚地看到人工智能可以提高生产力。它可以帮助个人和企业更快地行动。
但使用人工智能也让我知道工具并不神奇。
人工智能仍然需要方向、判断、修正、背景和商业目的。同样的原则也适用于大型科技企业。
一家公司可以建立庞大的人工智能基础设施，但基础设施本身并不是业务。它最终创造的价值必须大于构建和维护它的成本。
这就是为什么我认为人工智能资本支出周期是技术领域最重要的商业故事之一。
仅仅问哪家公司拥有最强的模型是不够的。我们还需要问哪家公司的经济实力最强。谁能将AI基础设施转化为现金流？谁能控制成本？谁能为人工智能服务合理定价？谁能避免过度建设？
对于小企业主和企业家来说，教训是相似的。
不要将工具与业务混淆。不要将支出与进步混为一谈。不要将活动与回报混淆。
无论是支付人工智能订阅费用的独立创始人，还是建设数据中心的万亿美元公司，问题都是一样的：
这项投资创造的价值是否大于其消耗的价值？
结论
人工智能资本支出正在重塑大型科技公司的现金流，因为人工智能时代比之前的软件时代更加资本密集。
Meta、Alphabet、微软、亚马逊等主要科技公司仍然拥有强大的核心业务。但人工智能基础设施改变了这些企业背后的财务结构。它需要在芯片、数据中心、能源、人才和长期产能方面投入大量资金。
这并不意味着大型科技公司很弱。
这意味着分析必须变得更加严肃。
报告的自由现金流、净利润和调整后利润指标很有用，但它们本身还不够。投资者还需要关注基于股票的薪酬、回购、债务、资本支出、折旧和人工智能基础设施的实际回报。
AI的未来可能还是很大的。
但支出越大，现金流就越重要。
人工智能不仅需要更好的模型。
它需要一个足够强大的商业模式来支付其背后的基础设施费用。