AI模型以远低于预期的算力投入实现前沿性能，正在动摇“唯规模论”的产业共识 过去数月，新一代大模型在训练效率上的突破性进展，正悄然改写AI基础设施的投资逻辑。无需堆砌更多GPU、不依赖指数级扩张的数据中心，仅靠算法优化、架构迭代与混合专家（MoE）机制的精细化设计，模型便能在同等甚至更少算力下达成更高性能。这并非理论推演，而是已在Kimi K3等实际模型中验证的工程现实：2.8万亿参数规模下，单次推理仅激活16个专家模块，计算资源利用率显著提升，训练成本实质性下降。 动量交易尚未出清，但系统性风险并未浮现 当前美股动量策略正处于深度调整阶段。监测数据显示，相对波动率仍处高位，模型信号尚未释放明确见底信号，预计回调周期还将持续数周，最终跌幅大概率趋近历史中位水平——但也存在因前期涨幅过陡而略超均值的可能性。值得注意的是，这一调整并未演变为全面抛压：板块间相关性持续偏低，资金呈现清晰轮动特征——部分AI硬件股已进入技术性超卖区间，而部分此前滞涨板块却出现无基本面驱动的反弹。指数层面整体保持韧性，市场结构未发生根本性松动。 训练端逻辑承压，推理端需求依然坚实 效率提升对投资逻辑的冲击，主要集中在模型训练环节。当算法创新能持续压缩单位性能所需的算力投入，“必须建更大集群”的刚性叙事便自然松动。但这并不意味着AI基础设施逻辑崩塌。恰恰相反，随着模型走向实用化，推理调用量呈指数级增长，边缘部署、实时响应、多模态交互等场景持续催生分布式、低延迟、高并发的算力需求。训练端或迎来理性收敛，推理侧的基础设施建设才刚刚进入加速期。 财报季将成为AI主线的真正压力测试 宏观层面，美联储静默期下，市场将短暂关注欧央行议息、英国通胀及全球PMI等数据，但真正决定AI投资逻辑能否延续的关键，在于即将密集披露的Q2财报。Alphabet、特斯拉、德州仪器、英特尔的业绩表现，叠加AMD“Advancing AI”技术活动所释放的生态信号，将共同构成对万亿美元级AI资本开支叙事的实证检验。投资者不再只看“投了多少”，而更关注“投出了什么”——模型落地进度、客户采用深度、单位算力产出的实际商业回报，正成为新的定价锚点。