华尔街不再为赚钱鼓掌

marsbitPublicado a 2026-05-04Actualizado a 2026-05-04

就在这周,硅谷五家最大的科技巨头密集交卷。

谷歌(Alphabet)、微软(Microsoft)、Meta、亚马逊(Amazon)、苹果(Apple),这五家合计市值超过 14 万亿美元的庞然大物,单季净利润总和已经逼近 1500 亿美元。

从财务表现看,这是一次集体大捷,五家公司的业绩全部超出华尔街预期,没有任何一家出现业务崩盘。

但股价的反馈,却展现出一种近乎残酷的割裂。

谷歌 Alphabet 股价在财报发布后飙升了 10%,苹果上涨 4%;而另一边,亚马逊股价几乎横盘,微软下跌 4%,Meta 更是直接砸出了 7% 的跌幅。

最高与最低之间,整整拉开了 17 个百分点的鸿沟。讽刺的是,这五家公司都在做同一件事,赚钱,而且赚得都比分析师预期的多。

过去两年,硅谷财报季遵循着一条潜规则。只要你宣称自己正在 All in AI,只要你在疯狂砸钱买芯片、建中心,市场就愿意为你买单。这是一种基于 AGI的未来溢价。

但在 2026 年的这个春天,这条规则彻底失效了。

一、同样的烧钱,不同的命数

要理解这种割裂,必须把谷歌和 Meta 放在一起看。

谷歌母公司Alphabet,一季度营收1099亿美元,同比增长22%。净利润626亿美元,账面同比增长81%,其中包含约369亿美元的非上市股权投资未实现收益。剔除这部分非经营性因素,核心经营利润的增幅在18%左右。盘后股价拉了10%。

Meta,一季度营收563亿美元,同比增长33%。增速比谷歌快了11个百分点。盘后跌了7%。

增速更快的那个,反而被资本投了反对票。

谷歌赢在什么地方?赢在每一笔AI投入,都能指向一个正在兑现的收入。

谷歌云单季收入突破200亿美元,同比增长63%。利润率从一年前的17.8%跳到了32.9%,不只是在长,而且越长越赚钱。

搜索那边,查询量创历史新高,广告收入涨了19%,达到604亿美元。两年前所有人都在说AI会杀死搜索引擎,但事实正好相反,AI让搜索变得更好用了,用的人更多了,广告主也更愿意花钱了。付费订阅用户总数3.5亿。云业务积压订单从上一季度的约2400亿美元翻倍到4620亿美元。

华尔街看到的是一条闭合的回路:花钱建AI基础设施,云收入跟着涨,搜索收入跟着涨,利润率也在扩张。钱出去了,能看见钱回来。

Meta的数字本身其实很好。广告系统Advantage+把获客成本平均压低了14%,部分品类的广告投放回报率提升了三成以上。单季563亿美元营收,利润率41%,放在哪家公司都是顶级水准。

但市场盯住的是另一件事。Meta把2026全年资本开支上调到了1250亿至1450亿美元,比上个季度给的指引又高了100亿美元。

这笔钱花出去之后,对应的AI收入增量在哪里?广告效率确实在提升,但广告效率的提升能不能撑得住每年1400多亿美元的投入?电话会上没有给出让市场满意的答案。

游戏规则变了。过去是你敢花钱我就给你加估值。现在的问题只有一个:花出去的钱,回来了多少?

二、叙事的崩塌与越赚越穷的悖论

如果说 Meta 输在回报路径,那么微软则输在了故事的终结。

FY2026第三财季(截至3月31日)营收829亿美元,同比增长18%,全面超预期。Azure增速40%。AI业务年化收入超过370亿美元,同比增长123%。

盘后跌了约4%。

原因不在这些数字里,在财报发布前一天。4月28日,OpenAI的GPT-5.5正式上架了亚马逊AWS的Bedrock平台。

过去两年,微软的AI叙事建立在一个前提上,是OpenAI的独家云伙伴,全世界最强的AI模型只在Azure上跑。这给Azure带来了大量客户迁移,也支撑了微软在AI时代的估值溢价。

这个前提现在忽然变了。OpenAI跟AWS签下了380亿美元、期限七年的算力采购协议。GPT-5.5同时可以在Azure和AWS上调用。

微软CFO在电话会上提到一句:我们不再给OpenAI付分成。

表面上在止血,但华尔街听出来的意思是,最大的AI合作方正在走远。

横向一比就更明显,谷歌云63%的增速,AWS 28%还在加速,Azure的40%在三朵云里排了个中间。本身不差,但放在这个语境下,成了没有惊喜的那一个。

微软赚钱的能力没问题。问题在于托起它估值的那个故事出现了裂痕。利润表装不下叙事的损失。

而亚马逊(AWS)则展示了 AI 时代的另一个残酷真相:越赚钱,反而剩得越少。

亚马逊的云业务虽然在加速,AWS收入376亿美元,同比增长28%,15个季度以来最快。公司整体营业利润239亿美元。

但过去12个月的自由现金流只有12亿美元。一年前是259亿美元。跌了95%。

管理层说得坦诚:在产能开始商业化、收入增速跑过资本开支增速之前,自由现金流会承压。

这就是资产倒挂,为了接住那 3600 亿美元的算力订单,亚马逊每天要睁眼烧掉 5 亿美元去抢电力、建中心。

这种重资产消耗战让亚马逊陷入了一种高位平衡,市场选择不涨不跌,是在等它证明。

三、不战而胜的苹果

在这场杀红了眼的军备竞赛中,苹果反倒成了最有定力的那个。

2026财年第二季度(截至3月28日)财报显示,营收1112亿美元,同比增长17%,创三月季度历史新高。iPhone 17系列需求强劲,大中华区收入同比增长28%。服务收入310亿美元,历史最高。

盘后涨了约4%。业绩好、股价涨,看起来理所当然。

但多想一步就会发现不同,苹果这个季度宣布了1000亿美元股票回购,同时提高了派息。

在谷歌花1900亿美元、微软花1900亿美元、Meta花1450亿美元、亚马逊花2000亿美元搞AI基建的同一周,苹果拿出1000亿美元回购自己的股票。

苹果几乎不参与这场AI军备竞赛。不建数据中心,不训大模型,AI功能靠合作方和端侧小模型。

过去一年华尔街一直说苹果AI落后了。但这周的股价反应说了另一件事,当所有人都在往外掏钱的时候,手里有余粮的那个反而最让人安心。

苹果也没法完全置身事外。台积电3nm产能被AI芯片挤占,A19芯片供应紧张,iPhone造不够。全球内存涨价推高了硬件成本,苹果预计下季度毛利率从49.3%降到47.5%-48.5%之间。

库克在电话会上的原话是:第三财季过后,内存成本对业务的影响将持续加大。

这就是全球化时代的连带成本,即便你不直接参战,你也要为昂贵的炮弹买单。

四、7000亿美元的新规则

五份财报叠在一起看,能看到一个比任何一家公司的季度数字都更大的东西。

2026年,谷歌、微软、Meta、亚马逊四家公司的全年资本开支指引合计逼近7000亿美元。

以各家指引区间中高值估算:谷歌约1850亿美元,微软1900亿美元,Meta约1350亿美元,亚马逊超过2000亿美元。两年前四家合计约2450亿美元,涨了近两倍。

7000亿美元超过了以色列全年的GDP。四家公司一年花在AI基础设施上的钱,比大多数国家一年创造的全部财富还多。

但这一周的股价说明,花钱本身已经不算好消息了。

过去两年市场给的是信仰分,你在投AI,你看好未来,我就给你估值溢价。

这一周开始要看验证分,你投了多少不重要,投出去的钱变成了什么才重要。

谷歌涨了,因为1900亿美元的capex已经在变成云收入、广告收入和利润率的扩张,能算、能看、能量化。

Meta跌了,因为1450亿美元的投入指向的回报路径还不够清楚。微软跌了,因为撑住AI估值的叙事出了裂缝。

亚马逊原地不动,市场在等它证明越赚越穷只是阶段性的。苹果涨了,因为在所有人都在掏钱的时候,还有余力给股东分红的那个看起来最像一家正常运转的公司。

AI投资从信仰阶段跨进了验证阶段。这道坎,在这一周被正式踩过。

五、比财报更大的事

这一周的五份财报,讲的不只是五家公司的季度成绩。

2024年初全世界在问AI会不会是泡沫。2025年,问题变成了AI能不能赚钱。

到了2026年春天,问题又换了一层:AI当然能赚钱,但钱被谁赚走了?

同一周,OpenAI发布了GPT-5.5,API定价翻了三倍。DeepSeek发布了V4,全线降到原价的十分之一。Anthropic的Claude Mythos被内部评估为能力过强,暂不对外发布。

三家AI原生公司,三条完全不同的路。

但有一件事是共通的。三家都跑在别人的基础设施上。OpenAI跑在Azure和AWS上,Anthropic跑在AWS上,DeepSeek靠英伟达和华为的芯片。模型公司做创新,基础设施公司收账单。

一百五十年前淘金热的逻辑在重演,挖到金子的人未必赚钱,卖水和牛仔裤的一定赚。今天的水是算力合同,牛仔裤是数据中心。

区别在于代价。这一轮的铲子,远比一百五十年前昂贵得多。7000亿美元一年,而且在加速。

摩根士丹利估算,2026到2028年间仅美国数据中心就将面临约55GW的电力缺口。2026年一季度,全球大模型的周token消耗量从年初的6.4万亿暴涨到22.7万亿,单季涨了250%。

Meta规划中的两座数据中心容量目标合计6GW,OpenAI的星门计划四年内目标10GW。这些公司下单的时候,用的单位已经从美元换成了吉瓦。

AI竞赛的壁垒正在转移。算法可以开源,芯片可以采购,但电力容量、数据中心选址、冷却系统、长期供电合同,这些东西不能下载,不能复制,建一座最快也要两到三年。

硅谷过去二十年靠代码改变世界。但AI时代的竞争门槛,正在从代码转向混凝土和铜线。

科技行业正在经历一轮底层逻辑的翻转:从轻到重,从软到硬,从写出来到建出来。

谁先铺好基础设施,谁就拿到下一个十年的定价权。一百五十年前铁路是这个逻辑,今天算力也是。

【版面之外】的话:

五家公司都在赚钱,也都超了预期。但市场只奖励了一家半,谷歌和苹果。一个拿出了花钱有回报的证据,一个拿出了不花钱也能活得好的证据。

剩下三家并没做错什么。Meta的广告强劲,微软的Azure在涨,亚马逊的AWS提速。可是“还在涨”这三个字,两年前值一个涨停,今天只值一个不跌。

这大概是这个财报季最值得记住的一件事。当所有人都在增长的时候,增长就不再稀缺了。稀缺的变成了另一样东西:证据。

证明你花出去的每一分钱,都正在以可预期、可验证的方式,回到你的口袋里。

本文来自微信公众号“版面之外”,作者:画画

Lecturas Relacionadas

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

Resumen del informe del primer trimestre de 2026 sobre Ethereum, por Token Terminal. El reporte destaca una tendencia clave: la cantidad de usuarios activos mensuales (13.2 millones, +53.5%), las transacciones (200.4 millones, +38%) y el rendimiento de la red (25.78 TPS) alcanzaron máximos históricos, mientras que las tarifas de transacción en la capa principal cayeron un 47.9% intertrimestral. Este fenómeno, denominado la "Paradoja de Jevons", sugiere que Ethereum está priorizando deliberadamente la expansión a corto plazo sobre la captura de ingresos inmediatos. La actualización Fusaka, que aumenta la capacidad de datos y reduce el costo del espacio de bloque, es un factor clave. La narrativa central de Ethereum se está desplazando de una cadena de bloques DeFi a una capa de liquidación financiera global. Ethereum mantiene una posición dominante en activos tokenizados, con una capitalización total de $2 billones (-0.7% intertrimestral). Destacan el crecimiento de los fondos tokenizados ($194 mil millones, +4.9%) y las materias primas tokenizadas ($47 mil millones, +60%), reflejando una mayor adopción institucional por parte de entidades como BlackRock y JPMorgan. A pesar de una caída del 30.3% en su capitalización de mercado totalmente diluida, la base de titulares de ETH creció a 292.8 millones. En resumen, Ethereum está sacrificando ingresos a corto plazo para impulsar la adopción, consolidándose como la infraestructura de liquidación preferida para las finanzas tokenizadas, con el objetivo de que una mayor demanda de red compense las tarifas más bajas a largo plazo.

marsbitHace 1 hora(s)

Informe de Ethereum del primer trimestre de 2026: caen las tarifas, usuarios y volumen de transacciones alcanzan máximos históricos

marsbitHace 1 hora(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

El CEO de Intel, Chen Lifu, expresó en una entrevista en un podcast su objetivo de multiplicar por diez el valor de la empresa en un plazo de 5 a 10 años. Para lograrlo, está centrando la estrategia en la superación de los límites físicos de la miniaturización de los semiconductores, invirtiendo en tres áreas clave: tecnologías avanzadas de empaquetado como EMIB, nuevos materiales como el nitruro de galio (GaN), carburo de silicio (SiC), fosfuro de indio (InP) y diamante sintético, y sustratos innovadores como el de vidrio. Destacó que la explosión de la IA, especialmente los agentes autónomos y la inferencia, está impulsando una fuerte demanda de CPUs, cambiando la proporción CPU/GPU en servidores. Chen Lifu también defendió la apuesta de Intel por el negocio de fundición (foundry), subrayando que es crucial para la seguridad de la cadena de suministro en EE.UU. y que se basa en generar confianza a través de altos rendimientos y fiabilidad. Reveló detalles de la colaboración Terafab con Elon Musk para construir fábricas de chips y abordar la escasez de capacidad. Reconoció que Intel aún está en una fase de transformación ("gatear"), reconstruyendo equipos y capacidades fundamentales, pero proyecta que su verdadero potencial en mercados como la informática de borde, la IA física y la de agentes comenzará a materializarse hacia 2030-2032. Con una mentalidad de capitalista de riesgo, su meta clara es entregar un retorno de 10x a los accionistas en la próxima década.

marsbitHace 1 hora(s)

Entrevista inaugural en podcast del CEO de Intel, Tan Lip Bu: Nuestro objetivo es '10 veces en 5-10 años', apostamos por empaquetado avanzado, sustratos de vidrio y diamantes artificiales

marsbitHace 1 hora(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

En la actualidad, el mercado de inversión está obsesionado con los "Modelos del Mundo". Sin embargo, Pete Florence, ex científico de DeepMind y co-creador de la arquitectura Vision-Language-Action (VLA), fundó Generalist AI y rechaza esta etiqueta. Para él, el objetivo concreto es más importante: crear robots que realicen cualquier tarea con alta tasa de éxito sin datos específicos. Recientemente, Generalist AI recaudó 400 millones de dólares (unos 2.700 millones de RMB) en una ronda de financiación, alcanzando una valoración de 2.000 millones de dólares. Inversores incluyen NVentures de Nvidia, Bezos Expeditions, NFDG, y figuras como el cofundador de Xiaomi Lin Bin, el fundador de Zoom Eric Yuan, y la renombrada científica Fei-Fei Li. Florence, influenciado por su mentor en el MIT Russ Tedrake, prioriza comprender el mundo físico. Su enfoque comienza estableciendo una meta clara, luego diseña la ruta técnica. Tras dejar Google, lanzó Generalist AI en 2025. La compañía presentó su primer modelo de IA incorporada, GEN-0, en noviembre de 2025, demostrando que las leyes de escalado de los LLMs también se aplican al movimiento físico. En abril de 2026, presentaron GEN-1, entrenado con más de 50.000 horas de datos de interacción física recogidos por un dispositivo portátil. GEN-1 logra un 99% de éxito en tareas como plegar cajas y empaquetar teléfonos, siendo tres veces más rápido que GEN-0. Este avance acerca el modelo a un punto de inflexión similar al GPT-3, mostrando un rendimiento apto para despliegues comerciales en ciertas tareas. La inversión récord respalda la visión de Florence: robots universales que sean lo suficientemente expertos en tareas reales como para ser útiles, avanzando hacia la reducción del coste marginal del trabajo físico a cero. La etiqueta "Modelo del Mundo" queda así en segundo plano frente a los resultados tangibles.

marsbitHace 1 hora(s)

Acaba de recaudar 2.700 millones, y Li Feifei también invirtió

marsbitHace 1 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

En solo tres días, Google ha perdido a dos leyendas de la IA. El 18 de junio, Noam Shazeer, coautor del seminal trabajo "Attention is All You Need" y copresponsable de Gemini, anunció su salida para unirse a OpenAI. Dos días después, John Jumper, ganador del Nobel de Química 2024 y líder de AlphaFold, dejó Google DeepMind para incorporarse a Anthropic. Estas partidas no son incidentes aislados, sino parte de una tendencia clara de fuga de talento de Google hacia OpenAI y Anthropic, como lo confirma también la reciente incorporación a Anthropic del exmiembro fundador de OpenAI, Andrej Karpathy. El trasfondo de este éxodo es fundamentalmente una cuestión de misión y enfoque. El modelo de negocio central de Google, basado en la publicidad, impone una lógica orientada a productos y métricas comerciales que, en última instancia, restringe la investigación pura. En contraste, tanto OpenAI (con su misión de AGI) como Anthropic (centrada en la seguridad y la ciencia) ofrecen un entorno de trabajo enfocado únicamente en empujar los límites de las capacidades de los modelos. A esto se suma la fuerte atracción financiera: OpenAI y Anthropic están en camino a una OPI, lo que promete una recompensa económica masiva a través de capital para sus empleados, algo que la ya gigantesca Google difícilmente puede igualar. La fusión de Google Brain y DeepMind en 2023, destinada a consolidar esfuerzos, ha generado en cambio tensiones culturales y ha hecho más evidente la presión por alinear la investigación con los objetivos de los equipos de productos. El resultado es una reorganización estructural del mapa del talento en IA. Google, a pesar de sus vastos recursos en computación y datos, está perdiendo a las personas que definen el futuro del campo. La verdadera ventaja competitiva en IA reside en retener a las mentes más brillantes, y Google está descubriendo que esa es quizás su batalla más difícil.

marsbitHace 3 hora(s)

Perdiendo a dos leyendas en tres días: ¿Se está resquebrajando el dique de talento de IA de Google?

marsbitHace 3 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

Cada vez que se lanza un modelo de IA de vanguardia, la comunidad fija su atención en ciertas "hojas de resultados" familiares: MMLU-Pro, MMMU, MMMU-Pro. Estos puntos de referencia se han convertido en exámenes estándar para evaluar y comparar modelos como GPT, Claude, Gemini, Llama, Qwen y DeepSeek. Detrás de estas influyentes evaluaciones está el investigador chino Wenhu Chen, profesor asistente en la Universidad de Waterloo y fundador del TIGERLab (apodado "虎头帮"). Su trabajo surge de una necesidad crítica: a medida que los modelos avanzaban, las pruebas antiguas como MMLU se saturaban con puntuaciones casi perfectas, dejando de ser útiles para discernir diferencias reales. En 2024, Chen y su equipo presentaron MMLU-Pro, una renovación exhaustiva del original. Con 12,032 preguntas de 14 disciplinas, aumenta las opciones de respuesta de 4 a 10 para reducir las conjeturas e incorpora problemas más complejos que requieren razonamiento. El resultado fue una caída del 16% al 33% en la precisión de los modelos y una evaluación más estable y discriminatoria, rápidamente adoptada por la industria. Su contribución se extiende al ámbito multimodal con MMMU, un conjunto de 11,500 preguntas que combinan imágenes (gráficos, mapas, fórmulas) con conocimientos académicos para probar una comprensión integrada. Incluso los mejores modelos como GPT-4V inicialmente solo alcanzaron un 56% de precisión, revelando un largo camino por recorrer. Su sucesor, MMMU-Pro, cierra aún más las brechas, obligando a los modelos a utilizar la información visual y no solo el texto. La experiencia de Chen, que incluye investigación doctoral en preguntas complejas y una etapa en Google DeepMind trabajando en Gemini, le permite anticipar cómo los modelos pueden "aparentar" competencia. Su laboratorio no solo diseña evaluaciones, sino que también desarrolla modelos (como UniVideo para video o MoCha para avatares), asegurando que sus "exámenes" reflejen desafíos reales y los límites actuales de la tecnología. Actualmente, Chen continúa este trabajo en el laboratorio de superinteligencia de Meta, enfocado en datos y evaluación multimodal. Su historia destaca el papel fundamental, aunque a menudo menos visible, de los investigadores que construyen las herramientas para medir el verdadero progreso de la IA.

marsbitHace 3 hora(s)

Tras las notas de la IA, se esconde un "creador de exámenes" chino

marsbitHace 3 hora(s)

Trading

Spot
Futuros
活动图片