英特尔亚马逊同日财报：AI算力红利分配失衡，PC与云业务冷热不均

硅谷前沿：

英特尔2026年三季度营收165亿美元，同比增长21%，每股收益52美分，高于市场预期。问题出在指引上：四季度营收预计150亿至160亿美元，市场此前的预期约为171亿美元；毛利率指引从三季度的43%降至38%。10月29日盘后股价一度重挫约21%。数据中心与AI业务营收增长78%，但PC客户端营收同比下降5%，AI芯片定价权缺失的短板依旧没补上。

亚马逊同一天交出的成绩单是：三季度营收2019亿美元，同比增长12%；AWS营收增长39.3%；运营利润率13.9%，创历史新高。代价是单季资本支出773亿美元，滚动自由现金流净流出424亿美元，全年资本支出指引为2200亿美元。10月29日盘后股价跌逾5%。市场的关注点已经变了，不再接受“先投入后回报”的说法，转而追问商业化到底走到哪一步。

两份财报放在一起看，AI回报的分配并不均匀。握有客户关系和应用场景的超大规模云厂商，定价权和收入可见性都还在；英特尔这类纯硬件供应商，议价空间被压缩，利润率承压。后面要盯三件事：英特尔四季度38%的毛利率指引能否兑现、PC业务怎么走；亚马逊的资本支出与自由现金流何时转正；其他云厂商的投入节奏会不会跟上。

2026年10月29日，Alphabet财报发布后股价单日跌逾12%（报道为12.73%），市值一天蒸发约5000亿美元，创下2004年上市以来最大单日跌幅。三季度营收增长25%至1276亿美元，谷歌云营收翻倍至307亿美元，营业利润率扩大到36.2%。但搜索营收增速从二季度的17%放缓到12%（约633亿美元），为五个季度以来最慢，成了抛售的导火索。

变现上的矛盾在于：AI搜索（AI Overviews、AI Mode）直接把答案给到用户，点击广告的意愿随之下降。谷歌首席商务官承认，AI查询“变现能力较低”。BrightEdge的数据显示，AI Overviews已出现在48%的受追踪查询中，一年前这一比例约为30%；Semrush的数据则显示，商业意图页面的AI覆盖半年内增加71%。广告主最愿出价、变现效率最高的搜索场景，正被AI自己蚕食；高价值查询还被ChatGPT等分流。这是结构性冲击，不是周期性的。

资本开支与估值重估同步发生。三季度资本开支514亿美元，约当季营收的四成；自由现金流连续第二个季度为负，约-91亿美元，远超分析师预期的-27亿美元；全年资本开支指引1950亿至2050亿美元，并暗示2027年还会明显增加。谷歌云营收增长103%、营业利润111亿美元，仍盖不住膨胀的投入。市场的定价逻辑正在切换：从“搜索现金牛／高质量成长股”转向“高资本开支、低自由现金流”的基础设施公司。多家机构已下调评级和目标价。

Alphabet 2026年第三季度营收1276亿美元，同比增长25%，仅略低于预期；资本支出激增114%至514亿美元；自由现金流-91亿美元，约为分析师模型预测的四倍；每股收益2.12美元，同比下滑。财报后盘后股价跳水近10%，约4000亿美元市值蒸发。市场惩罚的是“烧钱速度”，不是营收。

微软在2026年10月29日提交文件，拟发行至少250亿美元债券，这是2017年以来首次在美国本土发债。高盛统计显示，2026年科技行业AI相关债务发行规模已达4890亿美元，远超2025年全年的3220亿美元。AI融资的逻辑变了：从“用赚来的钱建AI”转向“借钱建AI”的资产负债表融资。

更深一层的问题是“变现滞后”。AI答案替代了传统搜索页面，付费点击增速从去年的5%放缓至2%。Google Cloud营收同比增长103%、经营利润率36.2%，但307亿美元的体量短期内填不上搜索业务利润池的收缩——搜索营收963亿美元、利润率40.7%。行业进入下半场，比的是资本效率，比的是“谁的资产负债表更能扛”。

2026年10月29日，OpenAI更新Model Spec，把约一百页、案例法式的行为规则压缩成五条价值观：忠实于人类意图、伤害最小化、诚实、人类自主权、关怀。规则变薄，裁量权变厚。平台仍守着不可覆盖的红线，红线之内的具体取舍，交给配置默认值的开发者与企业去界定。

修订的动因是模型从对话式向自主智能体迁移。论文《The Shift to Agentic AI: Evidence from Codex》显示，2025年12月至2026年4月，OpenAI内部使用模式转向以Codex为代表的智能体工具；2026年6月11日，普通员工日均约两个半小时处于Codex任务运行中。动作组合难以穷举，只能用高阶原则替代，对齐责任也沿产业链向下游转移。企业得自建AI治理层：行业风险定义、审批与回滚机制、价值观冲突的升级路径。合规、风控、法务的角色随之上升。

关键考验在后面。批评者认为这次只是重组，谈不上变革，安全边界没有消失，OpenAI仍握着红线的定义权。真正的考验是能否引入可衡量、基于价值观的评估基准（eval benchmarks），把模型在“诚实对关怀”“意图忠实对伤害最小化”等冲突中的表现量化并公开追踪。基准若由平台单方制定，责任下放只完成一半；若由行业共制，又缺跨公司、跨司法辖区的协调机制。这将是AI治理从“平台家长制”转向“分层共治”的关键变量。

Anthropic于2026年10月27日发布报告：其内部未公开的Claude研究模型仅凭初始提示，就自主完成了漏洞定位与利用开发，在Chrome、Safari、Android、Windows、Linux上串成5条攻击链。漏洞均已通报厂商并修复，没有证据表明已在野外被利用。

Linux案例最严重：模型在内核网络栈发现零点击远程代码执行漏洞（CVE-2026-98432，CVSS 9.8），无需凭据即可取得root shell，实测全程53分钟，其中48分钟用于泄露内核指针、5分钟执行命令。Chrome链一次性带出62个严重或高危CVE，含13个沙箱逃逸，补丁随Chrome 156落地；Windows的HTTP/3（QUIC）漏洞评分为7.5。

漏洞发现快、修补慢，两头的差距正在拉大。Glasswing项目2026年4月至7月共确认至少129000个漏洞，其中超33000个属于严重或高危；可到10月2日，已披露的6157个漏洞里维护者只补了516个。Anthropic同期扩大了Cyber Verification Program，并给企业支了一招：把补丁速度当成安全边界。Linux管理员眼下可以先用sysctl把MPTCP关掉（net.mptcp.enabled=0），绕开这个内核漏洞。

2026年10月28日路透社报道，美国司法部正在问询英伟达收购开源平台Hugging Face一事对AI竞争的影响。监管最在意的是：这笔交易会不会让英伟达捏住AI领域一条"基础性分发渠道"。针对该公司多年的行为调查仍在推进。不过政府调查本身不等于违法证据，也未必会走到执法那一步。

交易在2026年9月2日签约，9月3日通过Form 8-K披露：英伟达以约119亿美元现金，外加最高约10亿美元员工留任股权，合计约129.3亿美元拿下Hugging Face。这是它史上最大的一笔常规收购，超过2019年宣布的Mellanox约69亿美元，预计2027年上半年完成。平台上有超1800万开发者、300万个模型、50万数据集，年化收入约1.5亿美元。

审查范围覆盖英伟达整条"影响力链条"，包括2025年12月的SchedMD收购、Run:ai收购，以及与Groq价值200亿美元的许可协议。据Investing.com报道，消息传出后英伟达股价周三跌了约1.7%，市场开始重新掂量监管逆风。任何执法动作，都会考验它靠投资并购扩大AI影响力的增长模式。

信贷市场已经在为AI狂欢标违约价。AI云服务商CoreWeave的五年期信用违约互换利差10月15日盘中冲到1194.5个基点，创历史新高，隐含未来五年累计违约概率超60%，部分债券收益率突破15%。这跟它营收的高增长完全对不上。英伟达既是它的客户又是股东，持股约4720万股、约占10%。

一边是资本支出猛踩油门，一边是融资越来越靠借债。瑞银测算，其覆盖的云与AI基础设施企业2026至2028年资本开支分别约1.009万亿、1.447万亿和1.619万亿美元。高盛预计五大超大规模云厂商2026年投资级债券发行约2500亿美元，约占其资本开支33%，2027年约4000亿美元。Gartner则在10月14日警告：照当前投资节奏走下去，到2030年逾3.5万亿美元AI基础设施支出可能面临减值，超80%的新兴云服务商会停止独立运营。

股债两边的定价已经出现分歧。高盛10月19日把CoreWeave上调至"买入"，目标价却从139美元下调到106美元；摩根大通认为银行直接风险敞口有限。市场眼下盯三个信号：GPU租赁价格跌超20%就会击穿盈利模型；超大规模云厂商2027年资本支出指引下调超15%；CoreWeave信用利差2026年底仍高于1000个基点。风险重定价之下，现金流多元、评级高的超大规模云厂商相对安全，高杠杆、模式单一的新兴云服务商和依赖资本开支的硬件供应商最危险。

【市场背景】美股空头押注已经创下历史极值。标普500成分股空头占自由流通量3.79%，罗素3000达6.3%，都是S3 Partners自2010年追踪以来的最高值，做空总额近2.13万亿美元，集中在AI与半导体板块，迈克尔·伯里就公开做空英伟达等。偏偏这时候，Anthropic于10月26日提交纳斯达克IPO申请（代码ANT）。拥挤空头撞上反向催化剂，一场潜在轧空剧本正在成形。

【基本面数据】招股书显示，Anthropic 2026上半年营收162.86亿美元，同比约增1300%；Q2单季营收115.6亿、营业利润9.74亿，经营利润率约8.4%，是披露的六个季度里首个经营性盈利季度，毛利率升到85%。上半年净亏807.48亿美元，其中723.88亿属非现金公允价值调整，扣掉后真实净亏约83.6亿。年付超10万美元的大客户从950家增至约1.19万家，净收入留存率（NRR）近900%，且没有单一客户占比超10%。

【影响与风险】约6370亿美元具名算力合同提前锁定了需求，把Broadcom、SpaceXAI、Google、AWS这些巨头的利益绑在一起，其中SpaceXAI上限1205亿。问题是多数合同可撤销，不可取消期只到2027年初，提前90天就能终止，需求一放缓就变成负担。后市关键看IPO定价（估值区间1.5万亿至2万亿美元）和营收增速：三位数增长若守住，空头大规模回补几乎躲不掉；守不住，今天的反弹可能只是泡沫回光返照。

2027财年第一季度（截至2026年9月），微软营收922.8亿美元，同比增19%，超出预期。Azure收入增速由上季43%加快到48%，约331.7亿美元；Microsoft Cloud收入639亿美元，增30%。GAAP净利润366亿美元，增32%，摊薄每股收益4.92美元。商业剩余履约义务（RPO）增73%至6770亿美元，略低于约7056亿美元的预期。AI资本开支正在加速变成营收。

当季资本开支452亿美元，同比增长约30%，但低于此前约500亿美元的预期。公司指引下一季度超500亿、全年约1700亿美元，其中含第三方产能交付延后。同期仍产生约186亿美元正自由现金流，而Alphabet、亚马逊同期自由现金流已转负。代价是毛利率预计从67.9%降到65.7%，资本开支对现金流的拖累确实存在。

财报发布前，微软向约6万名员工提供自愿离职方案，约占全球22.3万员工四分之一以上，这是2026年内继4月、7月之后的又一次调整，对应AI投入方向变化下的人力配置重构。财报后股价盘后一度涨约3%、逼近550美元，市场对"全面超预期"给出了正面回应，也说明高增长预期已被充分计入估值。文章所称"收跌1.57%"与主流交易数据不符，未予采用。

开源趋势：

10月28日，英伟达推出Nemotron 3.5 Transcribe。这款模型头一回把语音识别、翻译、说话人分离三样专用活儿并进同一个“可提示的语音大模型”。给一句指令，它就能吐出逐字稿、书面纪要或者英文翻译。总参数340亿，单次推理只激活约43亿，能转录40种语言、做31种语言与英语的互译，最多分辨8名说话人。

架构上它走的是Mamba-2与Transformer混合的MoE路线，配上Granary v2数据管线——语言覆盖从25种增加到48种，完整处理集约84.36万小时音频。在Hugging Face Open ASR英文榜上，它以4.71%的平均词错误率拿下开源第一，排在阿里巴巴Qwen3-ASR（4.94%）和IBM Granite Speech前面。部署门槛也不高，1张H100 80GB就够。

许可证是OpenMDW-1.1，允许商用。这背后是英伟达“模型免费、算力收费”的路子：用开源把采用门槛压下来，让语音负载流向GPU，顺带把CUDA生态攥得更紧。呼叫中心、会议SaaS、医疗病历、法律庭审、媒体字幕这些行业会最先受益。纯ASR创业公司的溢价空间则被挤压，大厂之间的语音竞争转向通用性、生态开放和微调便利性。

同一天，英伟达还宣布RTX Spark笔记本开卖，华硕、戴尔、惠普、联想、微软、微星六家厂商同步铺货。官方起售价2599美元，最高配128GB统一内存。一起登场的还有Nemotron 3.5 Transcribe语音模型、Liquid AI的LFM3、NVIDIA App的GPU资源调度、DLSS 4.5以及Minecraft路径追踪，模型、agent工具和游戏三块生态一次补齐。

RTX Spark的卖点落在Blackwell RTX GPU加Grace CPU的单芯片组合上，最高128GB统一内存，算力1 petaflop FP4，1200亿参数模型做4bit量化后可以完整在本地跑。CUDA路径跟云端一致。官方称这套方案能覆盖超1.5亿台RTX AI PC及云端GPU，等于把卖算力的模式复制到每一台笔记本上。

定价方面，起售价2599美元，顶配128GB版本还要更高。它用一次性硬件采购替代持续的云端推理账单，主攻创作者、开发者和企业本地化场景。生态上的赌注压在Windows on Arm应用适配上。微软称Surface Laptop Ultra在首token延迟、AI图像生成和视频生成上分别比16英寸MacBook Pro M5 Pro快2.1倍、4.3倍、6.2倍——这是厂商数据，未经独立测试。云端推理初创则要面对被本地替代的压力。

分布式训练的老大难，被概括成容器的“版本税”：CUDA、cuDNN、NCCL、PyTorch、Ray、EFA里随便哪一层版本对不上，错误都得等到跨节点all-reduce时才冒出来。团队只好先养一个跟模型无关的“镜像工程”，时间就这么耗掉了。

AWS把这条供应链收进了Ray Train Deep Learning Container镜像。标签ray:train-ml-cuda-v1.1已经集成Ray 2.58.0、PyTorch 2.13.0、CUDA 13.0.2、NCCL 2.29.7，还有EFA installer、libfabric、aws-ofi-nccl。用户身份从镜像构建者变成消费者。再配合KubeRay这个Kubernetes operator，一个RayCluster manifest就能搭起集群，硬件、传输和Python依赖都从镜像外部注入。

效果和成本有样本可看：两台g6.12xlarge（八块L4 GPU）在EKS上微调Qwen2.5-1.5B，只设NCCL_DEBUG、NCCL_SOCKET_IFNAME、FI_PROVIDER、NCCL_NET_PLUGIN四个环境变量，再申请vpc.amazonaws.com/efa资源，代码一行不改，跨节点吞吐量就从TCP翻倍。两台g6.12xlarge合计约9.50美元/小时。省下来的重点其实是维护镜像供应链的人力，而非服务器费用。

（广角观察、Edge AI Daily等综合整理）