ChatGPT�年底把生成式AI推到大众视野后，投资端的变化更快：企业在AI硬件、数据中心上的投入力度，已经接近美国历史上几次最大的投资浪潮。市场随之抛出一堆漂亮的收入曲线，但问题也变得尖锐——这些预测到底有多大概率能实现，值不值得为此付出资本和时间成本？
据追风交易台消息，摩根士丹利投资管理旗下Counterpoint Global的Michael J. Mauboussin�日的报告中直截了当地给出方法论：评估这类前瞻判断，应该“starting with an initial belief and updating that belief as new results appear”，也就是“贝叶斯公式”：“新结论 = 初始判断（先验概率） × 新证据带来的调整系数（似然比）”。
沿着这套框架，报告把两个最受关注的预测放回历史分布里：OpenAI��亿美元收入��亿美元（对�%复合增速），以及甲骨文云业务�财�亿美元�财�亿美元（5�%复合增速）。结论相当不客气：�-2024年的美国上市公司样本里，这种体量起步的公司，没人做到过。
更麻烦的是，AI基础设施不是“多买几台服务器”这么简单。数据中心建设本质是大工程，而大工程有自己的基准失败率：预算超支、工期延误、收益不达预期几乎是常态。报告还顺手把这轮密集的交易与“扩产宣言”放进竞争策略里解释：它们可能不只是为满足需求，也是在向对手发信号、试图威慑潜在进入者——但这种先发式押注本身就带着高风险。
先把OpenAI的预测放进历史分布：108%复合增速在样本里是“空白”
报告用的参照系很具体：挑�-2024年美国上市公司中，起始收入�亿-50亿美元（�年美元口径）的一组公司，样本接�个“公司-期间”观察值。这个组别年收入复合增速均值只.0%，标准�.6%。
OpenAI的预测意味着：��亿美元��亿美元，5年复合增�%。报告的说法很硬——在过去四分之三个世纪里，没有上市公司做到过这种速度。即便用正态近似去描述，这也是接.5个标准差的结果，概率极低；而且历史增速分布本身并不服从正态，尾部更“肥”，但依旧改变不了“几乎不可见”的结论。
一个细节很值得玩味：因为样本里“从未发生”，基准概率会变，贝叶斯公式本身就没法直接用。报告采取了常见的启发式处理（例/N、Laplace smoothing），得到的初始概率也仍然低于千分之一。
证据确实在“抬概率”，但抬到哪一步，报告没有替你乐观
报告也承认，基准概率不是铁律，世界会变。它给了两条能把OpenAI成功概率从“接”往上推的证据：
扩散速度：ChatGPT个月达亿用户；对比之下，TikTok个月、Instagram�个月、Facebook.5年；互联网达亿用户用𱅃年，手�年，电�年。即便考虑人口变化，这个速度仍属历史罕见。报告同时提醒：用户不等于收入，很多人并不付费。短期收入增速：OpenAI预�年收入�亿美元，同比增速�%。这远高于贯穿五年的平均复合增速。
但报告紧接着把“乐观边界”钉住了：公司越大，增速的波动往往越小，想持续维持高增速会越来越难。并且，OpenAI还给出��亿美元的收入预测——把窗口往后滚动，2025-2030年年复合增速仍�.7%。
报告再用起始收�亿-150亿美元的参照类（�个观察值）去对照，结论仍是：没人做到过；就算把起始收入门槛放宽到至�亿美元、样本扩大�多个观察值，还是没人做到过。
增长不等于价值：现金流缺口与股权激励会把“高增长故事”拉回融资现实
报告在这里换了一个更现实的提醒：增长本身不创造价值。它对“总可服务市场（TAM）”的定义也带了约束——不是“能卖多少”，而是“在创造股东价值的前提下，如果占�%份额能有多少收入”；核心门槛是投资回报是否超过资本成本。
在OpenAI案例里，报告直接把约束摆到台面上：
2025年自由现金流据称为-90亿美元，并预�年为-170亿美元。在这种情况下，要维持“高速扩张+重投入”，几乎必然需要持续向外部投资者融资。员工薪酬中很大一部分是股权激励（SBC）：估�年SBC超过收入�%，折算到员工层面约为每人每�万美元的速度，而且是大型科技公司IPO前SBC发行强度倍
这些信息并不直接否定收入预测，但它把一个常被忽略的问题推到台前：就算收入增长兑现了，资本结构、融资条件和稀释成本，也可能决定“股东到底拿到什么”。
甲骨文云�亿目标：签了单是优势，但交付与融资是硬约束
甲骨文的叙事来自另一类证据：公司�年宣布了多笔数十亿美元级别的云基础设施合同，显著推高“Remaining Performance Obligations”（已签客户协议对应的未来收入）。管理层据此预测云业务收入�财�亿美元增长�财�亿美元，对�%复合增速。该云业务�财年约占甲骨文总收�亿美元�%。
报告仍然先拿基准概率去压一遍：在过�年里，起始收入达�亿美元以上的公司，没有一家能在五年里跑出这种增速；哪怕把起始收入阈值降�亿美元以上，仍然没有。
它还给出一个更贴近甲骨文云体量的参照类：起始收�亿-120亿美元，样本�个观察值，平年复合增.7%，标准.6%。报告也提醒，这是拿“公司业务部门”去对比“公司整体”，并非完全同口径。
甲骨文的不同点在于：RPO规模确实可以让你在基准概率上做修正，但报告强调，修正不能只看订单，还得同时权衡——为增长配套的融资需求、对手方风险，以及基础设施落地可能出现的延迟。
AI数据中心是典型“大工程”，而大工程的基准成功率并不站在你这边
AI投入的“主战场”落在硬件和数据中心。报告提到，OpenAI与甲骨文同为“Stargate Project”的合作方，该项目预计�年在AI基础设施上投入最高可�亿美元。
关键在于：AI数据中心和传统数据中心不同，硬件更贵，用电需求显著更高，也更依赖冷却系统。瓶颈很现实——电力接入、专用硬件供给。
报告用Bent Flyvbjerg收集�个大型项目数据库做参照，结果几乎是“劝退级别”：
47.9%的项目能在预算内完成；预算内且按时完成的只.5%预算内、按时且实现预期收益的𱎲.5%
它给出的启示很直接：别把“按计划落地”当默认选项。需要盯住电力、芯片和设备等关键瓶颈；同时，模块化设计相对更容易成功，但在AI需求快速增长、竞争者争抢领先身位的环境里，“慢想快干”并不容易执行。
密集交易与扩产宣言，可能是一次“先发威慑”的竞争实验
报告统计，OpenAI�年大约宣布�笔与基础设施建设相关的交易。与此同时，Alphabet、Amazon、Microsoft等超大规模云厂商上调了资本开支预期，Anthropic、CoreWeave等也做出大额投入承诺。
作者把这股热潮放回历史里对照：90年代末�年代初的电信投资潮，最后留下的是产能过剩和破产案例。今天当然也有“需求还远没到天花板”的一面——报告引用的数据是，2025年下半年全球AI扩散率（使用过GenAI产品的人群占比）只�%。
真正有意思的是它对动机的猜测：这波动作可能部分源于一种战略信号——用大规模的产能承诺去锁定市场、威慑竞争者和潜在进入者。报告援引波特的“先发式扩产（preemptive strategy）”概念，同时也把风险写明白：这是在市场结局尚未明朗前，提前承诺巨额资源；如果没能吓退对手，可能引发更激烈的消耗战。更现实的分化是融资能力：初创AI公司需要不断外部输血，亚马逊、谷歌、Meta这类巨头则拥有更充裕的现金流，耐受度完全不同。通�年，资本还在供给，但报告明确说了：这件事会变。
这份报告真正想让你做的事：把故事拆成概率，随数据改口
报告反复强调的不是“看空AI”，而是把判断流程改成可更新的概率问题：先用基准概率给狂热设门槛，再用扩散速度、真实收入、工程进度、融资条件去一点点修正。它也强调自己不提供投资建议——但它提供了一个更难自欺的起点：当预测落在历史样本从未出现的区域，乐观本身就需要证据，而且需要持续的证据。
