CLOUD / EXPOSURE04 SEP 2026
半导体与AI投资 07｜三朵云，
不是同一门生意
前几篇建立了一套判断结构的方法。这一篇把它用在最具体的地方：当我们说"投资云厂商"时，实际上在投资什么。
它们被放在同一个板块、用同一套指标比较、被同一个叙事驱动。但它们的 AI 敞口，性质完全不同。
BUILDER 01 自建者双向敞口 |
PROXY 02 代理关系被稀释 |
LANDLORD 03 出租者最像光纤 |
中心判断：
主要云厂商的 AI 敞口在性质上分属三类——自建者、代理者、防守者。它们面临的风险来源不同，兑现路径不同，失败方式也不同。用同一套逻辑比较它们，是这一层最常见的分析错误。
CLOUD / 01
一、先说清楚为什么不能合并同类项
"云厂商"是一个按收入形式划分的类别——都是把算力按使用量出租。但投资要看的是风险来源，而按风险来源划分，它们不在一类。
一个简单的检验：如果 AI 的终端需求不及预期，这三家受伤的部位一样吗？
答案是否定的。而这就说明它们不该被合并。
CLOUD / 02
二、第一类：自建者
特征：同时拥有自研模型、自研芯片、云平台和终端应用入口。垂直整合程度最高。
优势是真实的：
—自研芯片意味着不必为别人的毛利率买单，单位推理成本结构上更优；—模型、芯片、云、应用在同一屋檐下，迭代反馈链最短；
但它有一个别人没有的问题：AI 敞口是双向的。
这类公司的核心利润通常来自某个成熟的、依赖既有交互方式的现金牛业务。而AI 可能改变的正是那个交互方式。
于是形成一个罕见的结构：
AI 成功，威胁它的主业；AI 失败，它的巨额投入打水漂。
两个方向都有代价。这不是说它一定吃亏——它可能成功地用新业务替换掉旧业务，历史上有过成功案例——但这个替换过程本身，是有摩擦成本的：新业务的单位经济效益能否达到旧业务的水平，是一个必须单独验证的问题，不能假设。
这是三类里唯一一类，需要同时做正向和反向压力测试的。
CLOUD / 03
三、第二类：代理者
特征：不拥有最前沿的自研模型，而是通过投资与独家合作，获得某家头部模型公司的敞口。
优势：
—把外部最强能力接入自己的成熟分发渠道（办公软件、企业客户关系）；—分发是它的强项，而分发可能是这一层最硬的护城河之一。
核心风险不在竞争，在关系本身。
代理关系的强度取决于协议条款，而协议会到期、会重谈。更重要的是：被代理方有强烈的动机降低对单一渠道的依赖——推进独立融资、走向多渠道、自研芯片、直接触达终端用户。
代理敞口的本质，是持有一份别人有动机稀释的权利。
这不是道德问题，是结构问题：被代理方越成功，它就越有能力和动机独立。于是出现一个悖论——代理者押注的对象越成功，代理关系本身反而越脆弱。
这一类要跟踪的不是技术指标，而是关系条款的边际变化：独家性是在加强还是在松动，被代理方是否在建立自己的直接渠道。
CLOUD / 04
四、第三类：防守者/纯出租者
特征：AI 敞口主要体现为算力出租与对外部模型公司的投资，自身的核心业务与 AI 的交互方式关联较弱。
优势：
—敞口最"干净"——AI 是加法，不是对主业的替换；
核心风险是最经典的那一个：它最接近"铺光纤的人"。
承担资本开支、承担折旧、承担产能利用率风险，而收入取决于租户能否持续付得起租金。如果模型公司融资环境收紧，它的应收账款和产能利用率会同时承压。
但它也有当年铺光纤者没有的东西：成熟的存量业务提供现金流，AI 投入是从利润里拿的，不是靠债务堆的。这把"破产风险"降级成了"回报稀释风险"。
CLOUD / 05
五、三类的对照
| 自建者 | 代理者 | 纯出租者 |
| 最大优势 | 成本结构、迭代速度 | 分发渠道 | 敞口干净 |
| 主要风险来源 | 主业被自己推动的技术颠覆 | 代理关系被稀释 | 资本开支回报不及预期 |
| AI 失败时 | 投入打水漂，主业还在 | 投入有限，分发还在 | 折旧拖累回报，主业还在 |
| AI 大成功时 | 主业可能被侵蚀 | 代理关系可能失效 | 受益最直接 |
| 该跟踪什么 | 新旧业务的单位经济效益对比 | 协议条款的边际变化 | 资本开支占经营现金流比重 |
注意倒数第二行：这是最反直觉的一格。在 AI 大获成功的情景下，垂直整合最完整的那一类，反而可能不是最大受益者。
CLOUD / 06
六、这个分类可能错在哪
反证一：三类会互相转化。
代理者可以自研模型转为自建者，出租者可以往上做模型。这个分类是当下的切片，不是永久标签。用静态分类去分析动态主体，本身就有失效风险。
反证二：垂直整合未必是优势。
自建者的优势建立在"内部协同顺畅"这个假设上。现实中，大组织的内部协调成本可能高于外部采购——内部客户没有议价权，反而可能让自研部门缺乏改进压力。历史上垂直整合失败的案例，不少于成功的。
反证三：所谓"双向敞口"可能被高估。
技术改变交互方式的速度，通常比预期慢得多。旧的现金牛业务往往比技术乐观者预计的更有韧性——用户习惯、商业生态、供给侧的路径依赖，都会拖慢替代过程。用"颠覆"来预测时间表，历史上错得比对得多。
反证四：这三类的差异，可能小于宏观因素的影响。
如果整个 AI 资本开支周期转向，三类会同向下跌，分类的意义在那种情景下会被压缩——这正是前面某一篇讨论过的相关性问题。
CLOUD / 07
七、这一篇能落到什么
它不能告诉你买哪个。它能做的是让"云厂商"这个词失去解释力。
当你听到（或自己说出）"我看好云厂商"时，可以追问三个问题：
—我押的是 AI 成功，还是 AI 不失败？——这两者对应完全不同的选择；
第三个问题最重要，因为它不需要预测。它只要求你确认：在你看好的那个故事之外，还剩下什么。
CLOUD / 08
八、本文的置信度分层
| 层级 | 内容 | 可靠性 |
| 事实 | 各厂商的业务构成与自研进展 | 公开披露可查 |
| 结构分类 | 自建/代理/出租三类划分 | 本文提出，是分析工具而非客观事实 |
| 结构推断 | 代理关系有被稀释的内在动机 | 逻辑清晰，已有迹象 |
| 弱判断 | 自建者的 AI 敞口是双向的 | 依赖"主业会被改变"这个未验证前提 |
| 反证 | 垂直整合可能是劣势 | 与正方份量相当 |
| 不涉及 | 具体标的的估值、比较与买卖判断 | 本文不提供 |
第二行需要强调：这个三分法是我为了看清差异而构造的工具，不是行业的客观分类。它的价值在于提出问题，不在于给出标签。如果它让你停止思考而不是开始思考，那它就用错了。
方法说明：本文提出的分类是分析工具，不代表行业客观划分。不评价任何公司的经营能力，不预测具体事件与时间，不涉及估值、比较或买卖判断。不构成投资建议。