阿波羅經濟學家：2026 年，七大巨頭的利潤率上升，而標普 500 指數其餘成分股則停滯不前

2026/10/28 16:11:00

人工智慧已成為2026年最大的投資主題之一，吸引了數千億美元用於晶片、資料中心、雲端運算和人工智慧模型的支出。然而，金融市場上逐漸出現一個日益重要的問題：這些投資是否在供應技術的公司之外，產生了可衡量的經濟回報？Apollo Global Management 的首席經濟學家 Torsten Slok 在10月24日的研究報告中提出這一問題，指出「七巨頭」的每名員工收入和利潤率有所提升，而標普500指數中其餘493家公司的這些指標則基本持平。他還發現，並無明確證據顯示人工智慧推動了生產力增長的加速。

其影響範圍超越傳統股票。如果人工智慧基礎設施的支出持續以快於企業客戶所獲得財務收益的速度上升，投資者可能會重新評估科技股的估值、企業盈利預期以及對人工智慧服務的需求。同樣的問題對加密貨幣市場至關重要，在此市場中，與人工智慧相關的代幣、去中心化計算網絡和基於區塊鏈的人工智慧項目正日益爭奪投資者的關注。核心問題不在於人工智慧技術是否在進步，而在於其商業價值能否擴散至相對少數的主導科技公司之外。

重點摘要

AI 利潤仍集中於少數企業：Apollo 的 2026 年 10 月分析顯示，七大巨頭的每人收入和利潤率持續上升，而標普 493 指數中其他公司的類似指標則大致持平。
企業採用人工智慧面臨財務考驗：模型訂閱、代幣消耗、整合成本與人力監督，可能在企業無法將人工智慧能力轉化為可衡量的財務成果時，抵消效率提升。
基礎設施支出帶來機遇與風險：主要科技公司持續大力投資於計算能力，但這些投資的可持續性取決於客戶需求和未來的現金生成。
股票市場的表現可能掩蓋經濟差異：大型科技公司的市值即使在各行業的收益增長不均的情況下，仍可支撐指數的整體表現。
與加密貨幣相關的 AI 項目面臨類似的挑戰：投資者對 AI 基礎設施和數碼資產的興趣，並不能保證對基於區塊鏈的服務或其相關代幣的持續需求。

阿波羅對 S&P 493 的分析揭示了人工智慧的財務回報

Apollo 於 10 月 24 日發布的研究報告，由 Torsten Slok 撰寫，指出 AI 的財務收益仍集中於大型科技公司，而非廣泛分散至美國企業。該分析將 Alphabet、Amazon、Apple、Meta、Microsoft、Nvidia 和 Tesla 與 S&P 500 分離，並將其餘公司稱為 S&P 493。根據 Slok 的觀點，這七家巨頭的每名員工收入和利潤率有所上升，但指數其餘公司的數據則基本持平。他的分析還指出，尚未發現 AI 導致生產力增長明顯加速的跡象。

這種區別至關重要，因為七大巨頭在 AI 價值鏈中佔據多個不同位置。Nvidia 提供計算硬體，Microsoft 和 Alphabet 運營雲端與軟體生態，Amazon 結合雲端基礎設施與電商，Meta 和 Apple 則受益於龐大的消費者平台。Tesla 的業務組合不同，但仍屬於同一市場分類。這些公司可透過晶片、雲端服務、廣告、訂閱、軟體及其他既定的收入渠道實現 AI 商業化。相比之下，許多此群體之外的公司則需購買 AI 能力，並證明由此產生的效率提升超過其成本。

人均收入與利潤率顯示出日益擴大的差距

Apollo 的分析強調了財務表現與技術採用之間的差異。一家公司可以引入 AI 工具、自動化部分任務，或提升員工對先進模型的存取權限，但這並不一定立即提升整體盈利能力。這些效益可能體現在更快的服務、更少的錯誤、更好的客戶留存率或更低的單位成本，但這些收益可能被實施成本、工資增長、能源成本和額外的軟體支出所抵消。每位員工的收入和利潤率是實用的綜合指標，但兩者都無法完全捕捉 AI 採用的所有潛在效益。

指標	Magnificent Seven	S&P 493
每位員工的收入	在 Apollo 的分析中上漲	大致持平
利潤率	在報告的比較中上漲至約 30%	大致持平於約 10%
與人工智能相關的生產力提升	更強的財務表現，但僅靠此比較並未建立因果關係	Apollo 未識別出明確的總體加速
在 AI 經濟中的持倉	包含主要的 AI 基礎設施和平台供應商	涵蓋廣泛的 AI 客戶及其他企業

這些數字為 Apollo 分析報導中所報告的近似值，並非每家公司的精確測量結果。它們描述的是群體層面的差異，並未證明僅由 AI 導致了這一差距。

這些發現不應被解釋為證明所有科技以外的公司都未能從人工智能中受益。綜合保證金可能掩蓋了個別的成功，而生產力的提升也可能需要時間才會反映在財務報表中。然而，Apollo 的分析為投資者提出了一個重要的問題：如果預期人工智能將轉變整體經濟，那麼這種轉變應在何時體現在採用人工智能的公司的財務表現中？

為何人工智慧支出尚未轉化為更廣泛的企業利潤

AI 投資與可衡量的財務回報之間的差距，反映了將新技術整合到現有業務中的複雜性。購買先進模型的存取權相對簡單；但重新設計公司的工作流程、數據基礎設施、職責和決策過程則困難得多。AI 可能縮短完成任務所需的時間，但並未消除為驗證其輸出、保持合規性或向客戶傳達結果而所需的周邊工作。因此，個別任務層面的改善，並不一定會轉化為公司整體保證金的提升。

代幣成本正成為一項重要的企業開支

許多 AI 服務根據模型使用情況收費，包括處理的輸入和輸出 token 數量。隨著員工和自動化代理通過 AI 系統執行更多任務，消耗量可能大幅增加。對於運營規模龐大的公司而言，總成本可能包括模型存取、雲端基礎設施、數據準備、安全控制、軟體整合和人工審核。更強大的模型可能提升複雜任務的準確性，但當較便宜的模型已能產生足夠好的結果時，其額外費用難以合理化。

Slok 認為，主流企業因財務收益未能持續體現在利潤表上，正變得更加謹慎於為最新模型支付費用。同時，風險投資支持的公司仍持續在 AI 能力上大舉投入，形成追求快速技術擴張的企業與要求明確經濟回報的成熟企業之間的差異。這一區別在 AI 提供商試圖將日益增長的使用量轉化為重複性收入的同時，仍維持具吸引力的單位經濟效益時尤為相關。

商業判斷限制了自動化所能達成的成果

AI 可以總結資訊、生成代碼、分析文件並協助進行計算。然而，許多商業決策取決於情境、責任、客戶信任、組織文化與道德考量。例如，金融機構可能使用 AI 審核申請，但仍需設置合規、公平性及影響客戶決策的管控措施。醫療提供者可能自動化文件記錄，但仍保留人類對臨床判斷的責任。在這兩種情況下，技術雖能提升特定任務的效率，卻無法消除提供服務所伴隨的整體運營成本。

這有助於解釋為何僅以採用率來衡量商業成功是不充分的。企業必須判斷人工智能是否能改善可衡量的成果，例如轉化率、處理時間、客戶留存率或每筆交易成本。如果這些改善未能超過實施和運營成本，額外使用人工智能可能會增加開支，卻未提升盈利能力。因此，阿波羅的論點並非在於技術進步的缺失，而在於將這種進步轉化為廣泛且可衡量的財務收益的困難。

生產力提升可能需要時間才會顯現

此外，還存在時間點問題。企業在充分實現新技術的全部效益之前，通常已產生相關支出。員工需要接受培訓，內部系統需進行調整，管理層必須確定哪些任務應自動化，哪些需人工審核。在此過渡期間，生產力的提升可能有限，或被工作重組的成本所抵消。

高盛首席經濟學家 Jan Hatzius 對人工智慧的長期經濟潛力提出了更樂觀的解讀，認為投資最終可能推動生產力提升和企業利潤廣泛增長。然而，高盛也認為，當前人工智慧投資週期對增長的貢獻可能在 2026 年底或 2027 年初達到頂峰。這兩位經濟學家的差異不僅在於人工智慧是否有用，而在於其效益將以多快的速度和多廣的範圍出現。

對於投資者而言，適當的檢驗標準是，未來的財務成果是否能驗證已經發生的支出。延遲的回報仍有可能，但企業仍需證明其 AI 計畫能創造持久價值，而非僅依賴價值最終會出現的預期。

3. 6500 億美元的 AI 基礎設施熱潮帶來金融考驗

AI 基礎設施支出的規模，使投資回報的問題日趨重要。《印度快報》於 10 月 28 日發表的報告引述估計，主要科技公司計劃於 2026 年在 AI 基礎設施上投入約 6500 億美元。該報告同樣引述 Gartner 的警告，若 AI 產生的收入無法證明支出的合理性，到 2030 年可能有超過 3.5 萬億美元的 AI 基礎設施投資面臨減值風險。這些是前瞻性估計與條件性風險評估，並非已確認的損失。

基礎設施的繁榮支撐了技術經濟的多個層面，包括半導體製造商、雲端服務提供商、數據中心運營商、網絡供應商和電力基礎設施。這些公司可以在設備交付、計算能力租用或雲端服務使用時產生收入。然而，企業客戶必須透過未來的生產力提升、銷售增長或其他經濟效益來回收其與AI相關的支出。這造成了時間差：基礎設施供應商可以在購買其服務的公司證明投資回報為正之前就記錄收入。

資本支出、折舊和現金流量至關重要

路透社 Breakingviews 於 10 月 23 日發表的分析探討了 AI 基礎設施投資如何影響企業收益與財務風險。分析指出，設備供應商可在產品售出時確認收入，而買方則通常透過折舊在一段時間內認列資本支出。對於仍在建設中的資料中心，折舊可能要到設施投入運營後才開始。這種會計時點差異，可能使投資週期的短期財務效益看起來強於最終的經濟回報。

相同的分析指出，主要科技公司發行的債務和與設備相關的承諾正在上升。這些義務並不一定代表財務困境，特別是對於擁有穩定收入來源和強勁資產負債表的公司而言。然而，這提高了未來利用率、定價能力與客戶需求的重要性。如果計算能力的擴張速度快於客戶的支付意願，即使基礎技術持續進步，供應商仍可能面臨保證金和現金流的壓力。

如果人工智慧的需求與基礎設施供應不匹配會怎樣？

主要風險不僅在於人工智慧的採用速度放緩，更在於支撐基礎設施擴張的財務假設過於樂觀。資料中心需要大量的前期投資、長期電力安排、硬體採購以及持續的維護。如果使用率低於預期，或模型價格下降速度快於營運成本，部分投資的回報可能低於原先預期。現金儲備有限的小型基礎設施運營商，可能比成熟的科技平台更易受到融資條件的影響。

對於市場而言，關鍵指標因此不僅僅是支出總額。投資者應監控資本支出與收入的比率、自由現金流、債務承諾、折舊費用，以及重複性客戶需求的證據。持續的支出可以支持短期供應商收入，但可持續的長期增長需要客戶從 AI 服務中獲得足夠的經濟價值，以證明重複性支出的合理性。

AI 利潤差距對標普 500 與科技股的意義

七大科技股的強勁表現可能影響整體股市，因為 the S&P 500 是按市值加權的。當最大成分股上漲時，即使許多較小公司出現較弱的盈利增長或有限的保證金擴張，它們仍能支撐指數表現。這使得指數層面的表現無法完整反映經濟利益在企業部門中的廣泛傳播情況。

Apollo 的發現表明，投資者應區分 AI 供應商的表現與採用 AI 的公司的財務成果。半導體公司可從基礎設施支出增加中受益，而使用 AI 進行庫存預測的零售商則可能需要多個報告期才能展現可衡量的節省。這兩家公司可能都與同一技術趨勢相關，但其收入模式、成本結構和對 AI 需求的敞口本質上截然不同。

AI 的估值取決於未來收益

AI相關股票的投資理由部分取決於市場預期，即當前的支出將推動未來的收益增長。如果對計算服務的需求持續擴張，且供應商能保持定價能力，基礎設施投資可能帶來具吸引力的回報。但如果客戶減少使用、轉向較便宜的模型或延遲項目，即使 AI 的採用持續增長，收益預期也可能放緩。

路透社十月的分析亦強調，與人工智慧相關的投資對企業盈利增長的貢獻不成比例，同時引發了對融資成本和未來現金生成的疑問。這並未證明人工智慧股票必然被高估，反而突顯了投資者需要將估值與可持續的盈利和現金流進行比較，而非僅依賴預期增長。

市場廣度可能成為更重要的訊號

投資者還可以檢視收益增長是否已擴散至最大的科技公司之外。等權重指數與市值加權指數的表現、報告保證金擴張的公司數量，以及各行業的收益調整，都有助於揭示市場強勢是否正在擴大。如果人工智能驅動的生產力提升開始出現在醫療保健、金融、製造和消費服務等行業，則將支持更廣泛的經濟回報。

相反，如果與 AI 相關的收入和利潤仍集中於基礎設施供應商，而企業客戶繼續承擔不斷上升的成本，市場可能會對資本支出指引和支出效率更加敏感。在這種環境下，即使擁有強大 AI 投注的公司，也可能因投資者區分銷售 AI 能力的企業與透過使用 AI 產生可持續回報的企業，而出現更大的業績差異。

阿波羅的 AI 警告對加密貨幣和區塊鏈專案的意義

對於加密貨幣市場而言，同樣的辯論引發了關於 AI 代幣、去中心化運算和基於區塊鏈的 AI 服務的疑問。將運算供應商與 AI 開發者連接、協調去中心化基礎設施，或使用代幣獎勵網絡參與者的項目，可能從對 AI 資源的需求中受益。然而，Apollo 的分析所帶來的更廣泛教訓是，技術採用與財務價值創造是兩個不同的問題。對 AI 的興趣上升，並不會自動為每一個與該主題相關的項目創造可持續的需求。

AI 代幣需要真正的實用價值和可衡量的需求

與人工智慧專案相關的代幣可用於支付計算資源、獎勵服務提供者、協調網路參與或存取特定平台功能。關鍵問題在於，用戶是否需要該代幣才能獲得有價值的服務，以及這種需求是否超越了投機交易而持續存在。一個專案可能報告錢包活動或社群參與度上升，但卻未能產生足夠的付費使用量來支持其運營成本。

因此，投資者應區分項目的技術能力、實際客戶採用情況以及其代幣的經濟角色。有用的指標可能包括付費計算需求、重複客戶、網絡利用率、服務收入、代幣發行量，以及代幣供應與真實網絡活動之間的關係。這些指標有助於判斷一項與人工智能相關的加密貨幣項目是在開發可行的服務，還是主要受益於更廣泛的市場熱情。

去中心化計算面臨自身的成本與利用率挑戰

去中心化 GPU 網絡及其他分散式計算項目致力於連接需要計算資源的用戶與擁有可用硬體的供應商。其潛在優勢可能包括靈活的存取、替代的供應渠道，以及協調基礎設施的新方式。然而，這些網絡仍面臨涉及硬體品質、正常運行時間、延遲、數據隱私、驗證和定價的實際問題。

一個去中心化網絡必須為客戶提供一個有力的理由，使其選擇使用該網絡而非傳統的雲端供應商。如果它無法以具競爭力的總成本提供可預測的性能，即使人工智慧計算需求增加，需求仍可能受限。此外，代幣激勵可能在足夠的客戶需求出現之前就吸引供應商，從而導致可用容量與付費工作負載之間出現不匹配。Apollo 對人工智慧投資與商業回報之間差距的更廣泛警告在此處相關，儘管其 S&P 493 分析並未直接衡量去中心化人工智慧網絡。

穩定幣和區塊鏈支付可能支援人工智慧商業

穩定幣和基於區塊鏈的支付系統可能在自動化數位服務中發揮作用，包括軟體代理之間的付款、國際結算和機器對機器交易。然而，AI活動的擴展並不會自動增加穩定幣的使用、交易費用或對原生區塊鏈代幣的需求。經濟結果取決於企業是否採用這些系統、付款是否在鏈上結算，以及由此產生的活動是否能為網路創造可持續的收入。

對於加密貨幣投資者而言，實際的教訓是應根據客戶需求、交易經濟學和代幣用途的證據來評估與 AI 相關的項目，而非僅憑主題曝光度。AI 行業可能持續擴張，但個別項目卻難以建立可持續的商業模式。正如「七巨頭」的財務表現並不能證明每一項 AI 投資都盈利，整個 AI 經濟的增長也無法保證每一個與 AI 相關的加密資產都會受益。

投資者接下來應關注的重點

下一階段的 AI 投資辯論將取決於企業是否開始展現可衡量的財務回報。季度收益報告、管理層指引和資本支出公告將提供重要證據。投資者應尋找能夠說明 AI 如何影響營運費用、客戶獲取、人均產出、服務品質和收入增長的企業。關於 AI 採用的泛泛之談，不如與特定業務流程相關的可衡量結果具有參考價值。

指標	需監控的內容	為何這很重要
利潤率與每人營收	改善是否擴展至七大科技股之外	測試 AI 優勢是否正在擴大
AI 資本支出	支出增長相對於收入和現金流	有助於評估基礎設施擴展的可持續性
企業模型支出	客戶留存、使用率與付費意願	表示 AI 服務是否提供足夠的價值
折舊與融資成本	隨著基礎設施投入運營，成本上升	揭示投資熱潮的延遲成本
與 AI 相關的加密貨幣活動	付費使用、網路利用率、代幣發行與持續需求	有助於區分實際用途與投機興趣

一個特別重要的信號是，最大科技平台以外的企業盈利能力出現持續改善。此類發展將強化這樣一個論點，即人工智慧正在產生遍及整個經濟的效益，而非主要支持基礎設施供應商和現有平台。另一方面，若企業支出持續增長，但財務表現未見相應改善，投資者可能會更仔細審視其投資預算。

投資者也應比較不同的經濟解讀，而非將阿波羅的評估視為確定的預測。Slok 強調科技以外的可見財務回報匱乏，而高盛的 Jan Hatzius 對人工智慧長期的生產力潛力仍持較樂觀態度。最終結果將取決於採用率、實施品質、定價、融資條件，以及企業將技術能力轉化為盈利產品與服務的能力。

結論

阿波羅經濟學家托爾斯坦·斯洛克（Torsten Slok）2026年10月的分析指出，提供人工智慧技術的公司與預期將從中受益的廣泛企業部門之間的差距正在擴大。七大巨頭的每名員工營收和利潤率仍持續表現更強，而標普493指數尚未展現類似的整體改善。同時，大量的基礎設施支出正提升客戶需求、現金流和可持續回報的重要性。

對於股權和加密貨幣投資者而言，核心問題在於，AI 日益增強的技術能力是否能轉化為持續的經濟價值。投資週期的下一階段，將不再以支出公告和採用聲稱來評判，而是取決於生產力、盈利能力以及客戶付費意願的可衡量提升。AI 最終可能帶來廣泛的經濟效益，但投資者需要證據證明，這些效益不僅限於相對少數的領先科技公司。

常見問題

什麼是 S&P 493 這個術語？

S&P 493 指的是從 S&P 500 中排除七大科技巨頭（Alphabet、Amazon、Apple、Meta、Microsoft、Nvidia 和 Tesla）後剩餘的 493 家公司。分析師使用這一組合來比較最大型科技相關公司與更廣泛指數的表現。

員工人均收入是否直接衡量生產力？

人均收入衡量每位員工所產生的收入金額，但可能受到定價、收購、外包、業務組合和人員變動的影響。生產力指標通常檢視產出與投入的相對關係，並需要額外的背景資訊來判斷營運效率是否有所提升。

為何在企業保證金保持不變的情況下，AI 的採用率可能上升？

與 AI 相關的成本可能隨採用率上升而增加，包括模型費用、基礎設施、訓練、整合和人工審核。效率提升也可能透過降低價格傳遞給客戶，或被業務其他方面的成本所抵消。因此，AI 使用量增加並不必然帶來即時的保證金擴張。

較小的 AI 模型是否比最先進的模型更能為企業帶來好處？

是的，取決於任務。較小或成本較低的模型可能足以應對常規分類、文件提取、客戶支援或其他範圍明確的工作流程。選擇合適的模型應根據任務的複雜性、可靠性要求、延遲時間和總成本，而非僅僅依賴模型的能力。

投資者如何區分與人工智慧相關的業務和以人工智慧為驅動的業務？

與 AI 相關的企業可能銷售與 AI 相關的產品或服務，而 AI 驅動的企業則能證明 AI 显著改善了其營運模式或收入產生。證據可能包括每筆交易成本降低、每位員工產出提高、客戶留存率提升、重複性 AI 收入，或可衡量的生產力提升。

AI 基礎設施支出能否保證 GPU 持續需求？

需求取決於 AI 服務的經濟性、模型效率、利用率、客戶預算以及替代計算能力的可用性。更高效的模型可能在總體 AI 使用量擴大的同時，減少某些任務所需的計算量，因此長期硬體需求取決於多個相互競爭的因素。

免責聲明：此為一般市場資訊，可能來自第三方、商業或贊助來源，僅供參考及教育用途，不構成財務或投資建議、要約、招攬或保證。我們對其準確性、完整性、可靠性及任何由此產生的損失不承擔責任。投資/交易存在風險；過往表現不保證未來結果。用戶應自行研究、謹慎判斷，並承擔全部責任。如需更多詳情，請參閱 KuCoin 的 Terms of Use 和 Risk Disclosure。

免責聲明: 本頁面經由 AI 技術翻譯，旨在方便您的閱讀。欲獲取最準確資訊，請以原始英文版本為準。