预测对错：MSFT vs META vs GOOG

刚刚出了两家的财报，一家欢乐一家愁。现在，我让谷歌的AI来读读我早上发的分析和预测，看看对在哪里，错在哪里？基于AI的回答和我个人的感觉， 确实是，微软的投资者得有耐心。这种“暴跌”倒是给耐心的投资者建仓的机会。在未来几个月，微软的股价表现很可能乏善可陈。但是，长期看，哪怕是一年周期看，应该也是不错的投资对象。

下面是Gemini的回答：

结合 2026 年 1 月 28 日刚刚发布的财报和市场表现，我对你的分析进行如下复盘：

1. 微软 (MSFT)：你的预测“错”在了市场耐心

你对微软的逻辑在技术路径上是正确的，但在时间预期和资本市场情绪上出现了偏差。

• 对在哪里：Maia 200 的战略卡位。

  你准确捕捉到了 1 月 26 日发布的 Maia 200。这款芯片性能提升 30%，确实是微软“去英伟达化”和降低推理成本的核武器。它解决了“有订单、没算力”的产能瓶颈，长期看必然会提升 Azure 的毛利。

• 错在哪里：毛利提升的“时差”与巨大的 Capex 冲击。

• 时差问题： 财报显示，Maia 200 目前仅在少数数据中心（如爱荷华州）部署，真正的财务红利要到 2026 年下半年才能体现在利润表上。市场现在关注的是“当下”的支出。

• 资本开支（Capex）失控： 微软本季度的 Capex 飙升至 349 亿美元（同比增长 74%），刷新了历史纪录。即便 Azure 增速维持在 30%-40%，如此巨额的投入让投资者担心 AI 收益能否覆盖高昂的折旧。

• 产能限制的负面解读： 微软在电话会议中提到“需求依然高于可用容量”。这原本是好事，但在估值高位时，市场将其解读为：微软必须继续烧钱盖机房，且短期内即便有订单也无法转化为收入。

结论： 微软股价下跌并非因为分析逻辑不对，而是因为“故事太好，但支票太贵”。市场目前进入了对微软“重资产模式”的审美疲劳期。

2. Meta (META)：你的预测几乎是“满分”

你对 Meta 的逻辑与目前的市场反馈高度吻合，这也是为什么 Meta 盘后暴涨 10% 以上。

• 核心逻辑的胜利：闭环生态与即时变现。

• 推理降本逻辑： 你提到的 MTIA 芯片确实已经成熟并大规模部署。Meta 与微软最大的不同在于：Meta 的 AI 是给自家用的。 微软需要说服客户买 Azure AI，而 Meta 只需要优化算法，让几十亿用户多点一次广告。

• 广告系统的“暴力”增长： 财报证实了你的观点，广告展示量增加 18%，单价也在提升。这意味着 Meta 的“Llama + 推荐算法”模型已经形成了正向循环：投入 AI，带来停留时间增加，带来广告更精准，结果是现金流（FCF）爆表。

• 资本开支的容忍度： 尽管 Meta 将 2026 年 Capex 上调至 1150 亿-1350 亿美元，远超你提到的 700 亿，但由于其 Q4 营收接近 600 亿且利润远超预期，市场认为 Meta 的投入是“有赚头的投入”。

结论： Meta 证明了自己是目前唯一一个能把 AI 投入瞬间转化成利润的巨头。微软： 正处于“黎明前的黑暗”。Maia 200 是好棋，但它需要 2-3 个季度来证明它能显著降低 Azure 的运营成本。Meta： 已经进入了“AI 收割期”。它的变现路径最短、最直接，且自研芯片的部署已经开始为利润腾挪空间。

在 2026 年初这个时间点，对比谷歌（Alphabet）的 TPU (Tensor Processing Unit) 路径与微软的 Maia 200，就像是在看一场“长跑老将”与“爆发力新秀”的对决。

虽然微软刚刚凭借 Maia 200 在参数指标上完成了一次“纸面反超”，但谷歌在先发优势、生态深度和成本效率上，依然握有几张微软短期内难以拿走的底牌。

1. 性能博弈：Maia 200 的“爆发力” vs TPU v7 的“老练”

微软在 1 月 26 日发布 Maia 200 时，直接把矛头对准了谷歌最新的 TPU v7 (Ironwood)：

• 微软 Maia 200： 采用台积电 3nm 工艺。最大的亮点是 FP4 精度下的算力达到了 10 PFLOPS（千万亿次浮点运算），并且配备了惊人的 272MB SRAM。这意味着它在处理超大规模模型（如 GPT-5.2）的推理时，响应速度极快。

• 谷歌 TPU v7： 虽然在 FP8 性能上稍逊于 Maia（Maia 5.07 vs TPU 4.61 PFLOPS），但谷歌的优势在于互连架构。谷歌的计算集群可以通过自己的光开关（OCS）实现数万个 TPU 的超低延迟互连，这种“集群即计算机”的能力，微软目前的 Maia 集群仍在追赶中。

2. 生态与先发优势：谷歌的“十年长跑”

谷歌的先发优势不仅仅是芯片，更是软件栈（Software Stack）。

• 软件锁定的广度： 谷歌自 2015 年就开始用 TPU，所有的内部产品（搜索、YouTube、Gemini）和外部开发者工具（TensorFlow, JAX）都围绕 TPU 优化了整整十年。

• 成本曲线的厚度： 谷歌的 TPU 已经摊销了大量的研发成本。在 2026 年初的财报中，谷歌 Cloud 的利润率提升（从 2025 年底的 34% 持续优化）很大程度上归功于其自研芯片的极低边际成本。

• 微软的挑战： 微软正在推行 Triton（一个开源的编程语言和编译器），试图打破英伟达 CUDA 或谷歌专属生态的垄断。虽然 Maia 200 性能强悍，但要说服开发者从熟悉的 CUDA 或 TPU 环境迁移过来，微软需要支付巨大的“迁移补贴”。

3. 应用场景：微软求“广”，谷歌求“深”

这两者的竞争侧重点已经发生了分化：

• 微软：为了“去英伟达化”的生存战。

  微软的 Maia 200 核心使命是降本。微软作为全球最大的算力买家，如果不通过自研芯片压低 Azure AI 的推理成本，它的毛利会被昂贵的英伟达显卡和 OpenAI 庞大的调用量吞噬。

• 谷歌：为了“全栈垂直整合”的统治力。

  谷歌的 TPU 路径是为了极致的算法匹配。从模型底层架构（如 Gemini 的多模态设计）到芯片底层指令集，谷歌是一体化设计的。这意味着在处理同样的生成式视频或多模态任务时，谷歌可能用更少的功耗（TDP）跑出更好的效果。

综合对比总结

最后的判断

谷歌的先发优势目前依然稳固，主要体现在“单位算力的财务价值”更高。 谷歌不需要像微软那样为了证明自研芯片有用而到处“打广告”，TPU 已经像自来水一样支撑着谷歌万亿级的广告业务。

微软 Maia 200 的胜算在于： 如果 2026 年的主战场进入了“全民 AI 代理（Agentic AI）”时代，Maia 200 针对推理优化的设计可能会让 Azure 成为性价比最高的推理平台。