财联社11月24日讯（编辑 黄君芝）早在英伟达发布第三财季业绩报告之前，有关人工智能（AI）泡沫的警告声就已经此起彼伏，投资者一直期待着这份“成绩单”能浇灭市场的担忧。然而事与愿违，哪怕这份业绩报告无可挑剔，也不足以扭转市场情绪。

事实上，困扰AI交易的问题有很多——从影响降息前景的宏观经济问题，到OpenAI等关键参与者所发表的评论。资管公司Mahoney Asset Management首席执行官Ken Mahoney表示，市场现在正面临一场“完美风暴”。

证券投资公司Neuberger Berman的高级研究分析师Jamie Zakalik则表示：“如果如此强劲的英伟达业绩和积极的基调都没有将该集团（AI股）推至新高……到今年年底，没有什么其他因素会成为积极的催化剂。”

那么，究竟为何就连向来强势的“AI龙头”都拯救不了当前牛市呢？可能有以下几方面原因：

1.业绩报告本身并非完美不缺

Swissquote Bank高级分析师Ipek Ozkardeskaya表示，投资者可能对这家芯片巨头“不断膨胀的库存和不寻常的递延收入模式”感到不满。

她解释称，英伟达“一直在从客户那里收取巨额预付款，然后在芯片交付之前就将这些款项确认为收入”。她在电子邮件中写道：“这并不违法。但如果未来订单放缓，可能会留下空白。”

投资者正密切关注这些因素，这一事实或许表明，华尔街的态度已从乐观转为警惕。

“当你挖得足够深时，你肯定会挖到泥土，”Ozkardeskaya写道：“人们只有在感到不舒服的时候才会开始挖掘，而且这种不舒服的程度正在上升。”

2.美联储降息前景变化

华尔街对盈利的反应还与围绕美联储将于12月公布的下一次利率决定的预期变化有关。

Zakalik表示，市场似乎认为降息的可能性“极低”，此前周四公布的9月份失业率数据“并不完全准确”。由于此前政府停摆，美联储要等到降息决定公布后才能获得10月和11月的失业率数据。

Siebert Financial首席投资官Mark Malek评论称，美联储的不确定性是“过去几周最大的单一情绪驱动因素”。

“12月或明年1月降息25个基点，真的与英伟达或Meta未来5年的表现有任何关系吗？”Malek问道：“请告诉我你的回答是‘不’！”

“但是，唉，投资者已经把他们的注意力完全集中在（美联储的）政策上，以至于扭曲了许多投资者做出合理的、基于事实的决策的能力。”

不过需要注意的是，利率环境对借贷成本敏感的高增长科技公司有着重要影响。

3.OpenAI相关问题

Zakalik指出，人工智能交易存在英伟达无法控制的问题，包括甲骨文公司（Oracle Corp.）等主要客户的债务融资，以及对人工智能基础设施过度建设的长期担忧。一切都越来越多地回到OpenAI身上，该公司近期与一众科技公司都达成了巨额交易，大大超过了其目前的收入。

他补充称，市场对任何与OpenAI相关的事情以及它在未来几年兑现承诺的能力都很“敏感”。

DA Davidson科技研究主管吉Gil Luria则称，投资者越来越担心OpenAI可能会做出无法兑现的承诺，因为它试图筹集大量资金。他提到了CoreWeave，该公司正在借钱为OpenAI建设数据中心。但ChatGPT的创建者OpenAI实际上并没有足够的资金来支付这些费用。

Luria指出：“人们对这种行为产生了泡沫性创伤后应激障碍，这对过去几周的股市产生了影响。”

而且，OpenAI似乎无法打消投资者的疑虑。该公司首席财务官Sarah Friar在本月早些时候出席一场活动时表示，曾考虑过政府的“支持”，尽管后来作出了澄清，是自己“表述不当”。

4.竞争者后来居上

虽然ChatGPT曾经是聊天机器人的代表，但谷歌母公司Alphabet也一直在通过自己的努力取得进展，这既让人怀疑OpenAI未来的主导地位，也突显了Alphabet凭借其内部硬件取得的成功。

彭博行业研究技术分析师Mandeep Singh认为，谷歌上周发布的Gemini 3可能是导致市场负面走势的原因之一。

Alphabet表示，该人工智能模型在科学推理和代理任务等领域的表现优于OpenAI的ChatGPT 5.1和Claude Sonnet 4.5。在Singh看来，这表明谷歌的资本支出可能比其他更依赖英伟达芯片的超大规模企业走得更远。

虽然Singh预计谷歌将继续成为英伟达的客户，但后者很可能不得不更多地依赖微软和Meta Platforms Inc.等其他大客户，以及OpenAI，才能获得明年3300亿美元的营收。

他在一份报告中写道：“我认为现在，随着英伟达的资金规模越来越大，这个问题再次浮出水面，即有多少钱花在了训练上，有多少钱花在了推理上，因为推理支出体现在了OpenAI和Anthropic等超大规模计算的收入中。”

推理是指运行AI模型的过程，而训练是一项沉没成本。Singh补充称，因为尽管训练模型以改进它们很重要，但推理与人工智能模型的货币化（商业化）有关。