引言：过去两年，市场围绕人工智能的讨论主要集中在模型能力能否持续提升、生成式AI是否会成为类似互联网和智能手机的通用技术

137Labs

引言：过去两年，市场围绕人工智能的讨论主要集中在模型能力能否持续提升、生成式AI是否会成为类似互联网和智能手机的通用技术，以及大模型将如何改变搜索、软件、广告和企业服务等行业，而随着模型能力不断增强、用户规模快速扩大、全球算力基础设施进入密集建设阶段，市场关注的重点已经明显转向商业回报，即大型科技企业为AI投入的巨额资本，最终能否转化为稳定的收入、利润和自由现金流。
高盛在《Why AI Companies May Invest More than $500 Billion in 2026》中指出，华尔街对主要AI超大规模云计算企业2026年资本开支的一致预期，已经从4650亿美元上调至5270亿美元，而更广义的测算显示，全球AI基础设施投资规模可能在未来数年继续快速扩大。随着资金从芯片和服务器进一步流向数据中心、电力、冷却和网络设施，AI已经不再只是一轮软件和芯片创新，而正在演变为一场覆盖能源、工业、金融和基础设施体系的全球性资本重构。
一.为什么AI资本开支仍在持续上调大型科技企业之所以在自由现金流承压、估值受到质疑甚至股价阶段性表现不佳的情况下，依然选择继续提高AI投资，根本原因在于这些企业对AI的判断并不是普通产品投资，而是将其视为可能决定未来十年技术平台主导权的战略性投入，因此它们最担心的并不是某一年多花了几十亿美元，而是在下一代计算平台、云服务体系和软件生态形成的过程中失去竞争位置。
微软、亚马逊、Alphabet和Meta等企业面临的不是单纯的成本收益选择，而是一种典型的战略竞争，如果任何一家企业率先放慢投资，其云计算客户就可能转向算力更充足的竞争对手，开发者生态可能向其他平台迁移，而企业自身在模型训练、推理能力和产品迭代方面也可能逐步落后。
因此，当前相当一部分AI资本开支具有明显的防御性特征。科技企业即使尚未证明每一美元投资都能获得理想回报，也普遍认为不投资所带来的长期损失可能更大。当所有头部企业都形成类似判断时，整个行业便会陷入一种类似“囚徒困境”的竞争状态，即每家公司都希望对手降低投入，却没有任何一家领先企业愿意率先退出。
与此同时，市场对算力需求的理解也在发生变化，因为AI基础设施投资最初主要服务于大模型训练，而随着AI Agent逐渐兴起，推理需求正在成为更重要的增长来源，传统聊天机器人通常只需要围绕用户问题完成一次或几次模型调用，但AI Agent要完成一项真正复杂的任务，往往需要拆解目标、搜索信息、比较方案、调用工具、修改计划并反复验证结果，因此它所消耗的Token和算力，可能是普通问答场景的数倍甚至数十倍。
高盛预计，在消费者和企业采用AI Agent的推动下，全球Token使用量到2030年可能较2026年增长24倍，达到每月120 quadrillion，即12京个Token，而这一预测背后的核心逻辑是，AI未来可能不再只是一个由用户偶尔打开的聊天工具，而会逐步成为嵌入办公软件、客户服务、广告投放、金融分析、电子商务、软件开发和工业流程中的常驻执行系统。
如果这一变化真正发生，那么未来算力需求的主要驱动力，就会从少数企业周期性训练大型模型，转向数以亿计的用户和企业持续运行智能体，而推理计算也会逐渐表现出类似云计算、电力和通信流量的持续性消费特征，因此即便模型训练效率提高，或者单个模型的训练频率下降，整个社会对计算资源的总需求仍可能保持快速增长。
高盛的另一项研究显示，随着芯片性能提升、模型压缩技术进步和数据中心架构不断优化，AI推理的单位Token计算成本每年可能下降60%至70%，但单位成本下降并不意味着行业总支出一定减少，因为技术发展史上经常出现一种现象，即某种资源的价格越便宜，其使用范围和总消费量反而越大，而AI很可能同样遵循这一规律。
随着推理成本持续下降，自动客服、实时视频生成、个性化教育、软件开发代理和企业流程自动化等过去缺乏经济可行性的应用将更容易进入大规模部署阶段，因此，未来决定AI资本开支规模的关键变量并不是单个Token的价格，而是使用量增长能否持续超过单位成本下降的速度。

二.5270亿美元与7650亿美元，代表的是两种不同统计口径理解高盛关于AI投资规模的判断，需要区分5270亿美元和7650亿美元这两个数字的统计口径。前者主要指微软、亚马逊、Alphabet、Meta等头部AI云计算企业在2026年的资本开支一致预期，涵盖服务器、数据中心、网络设备及其他资本项目；后者则来自高盛更广义的AI基础设施模型，在科技企业直接投资之外，还计入了支撑计算系统所需要的数据中心建筑、电力供应、冷却设施和其他配套基础设施。因此，5270亿美元更接近头部企业的年度预算，而7650亿美元更接近整个AI基础设施体系的年度建设规模，7.6万亿美元则反映了2026年至2031年可能形成的累计投入。
芯片虽然是AI基础设施中最受市场关注的部分，但它实际上只是整套系统的起点，因为一套大规模AI计算集群除了需要GPU和其他加速器，还需要服务器机架、高速网络、光模块、液冷设备、不间断电源、变压器、输电线路、备用发电设备以及能够承载这些系统的数据中心建筑，因此每新增一批AI芯片，背后往往都对应着数倍于芯片本身的系统性投资。
高盛在相关模型中使用的部分基准假设包括，AI加速器封装功率约为3000瓦，数据中心PUE约为1.2，数据中心建设成本约为每兆瓦1500万美元，而新增电力基础设施成本约为每千瓦2500美元，这些参数说明，AI产业的竞争已经不再只是芯片设计能力和模型算法能力的竞争，而是逐渐演变为土地、电力、融资、供应链、工程建设和长期运营能力的综合竞争。
三.为什么芯片企业已经赚钱，而整个AI产业仍未证明回报截至目前，AI产业中最明确、最集中的经济价值，主要出现在半导体公司和相关设备供应商，因为大型科技企业需要在AI业务真正形成稳定收入之前，提前采购芯片、建设数据中心并完成网络和电力配套，而芯片供应商只要完成交付，就可以在较短时间内确认收入和利润，相比之下，采购这些芯片的云计算企业和模型公司，则需要在未来多年通过云服务、软件订阅、广告效率提升或企业AI产品逐步收回成本。
由此形成的结果是，当前AI产业链的利润主要集中在上游芯片和设备供应商，而云平台、模型公司和企业客户仍处于投入与商业化验证阶段，整个产业尚未形成广泛而稳定的现金流闭环
高盛指出，虽然半导体企业正在获得创纪录的收入和利润，但AI生态中的许多其他公司尚未获得与投入相匹配的回报，而这种由上游供应商率先赚钱、下游客户持续投入的结构难以长期维持。一个健康的产业链必须建立在最终客户能够通过AI提高收入、降低成本或改善效率的基础上，只有当利润逐步从芯片制造商扩散至云平台、软件企业和最终应用端，客户才有能力持续增加采购，并推动整个产业进入稳定的正向循环。
消费者市场虽然为AI提供了极快的用户增长，但用户数量并不能直接等同于商业价值，高盛援引的相关研究显示，生成式AI在首个广泛可用产品推出后的三年内，采用率已经达到约53%，这一速度明显快于个人电脑和互联网早期的普及路径，但大量用户使用的是免费产品，而即使部分消费者愿意支付订阅费用，个人订阅收入也未必足以覆盖模型训练、推理、电力、数据中心和研发成本。
真正可能支撑数万亿美元AI基础设施投资的，仍然是企业客户，因为企业拥有更高的付费能力，也拥有规模庞大的客服、销售、研发、财务和供应链流程，但企业AI部署的难度远高于普通用户使用聊天机器人。很多企业最初认为，只要采购最先进的大模型，就能自然获得生产率提升，现实却是内部数据往往分散在不同系统中，存在格式不统一、权限不清晰和质量参差不齐等问题，如果库存、会员、订单和推荐算法数据彼此割裂，即使模型能力足够强，也很难稳定产生可靠的商业结果。
因此，制约企业AI落地的关键问题已经不再只是模型能力，而是企业能否完成数据治理、模型编排和业务流程重构。企业未来很可能会根据任务复杂度、成本、数据安全和风险水平调用不同模型，同时建立权限控制、人工审核和结果追踪机制，这意味着企业AI并不是简单采购一个软件账号，而是一项涉及系统改造、合规审查和组织变革的长期工程。高盛预计，到2030年可能只有约12%的知识工作者使用AI Agent，到2040年这一比例才可能升至37%，这也说明基础设施投资的速度很可能快于企业商业化回报的兑现速度。
四.AI投资是否正在演变成新一轮泡沫将今天的AI热潮与20世纪90年代末的互联网泡沫进行比较，是市场上最常见的分析框架之一，因为两者都伴随着资本开支快速扩张、投资者对未来需求高度乐观、企业担心错过技术革命而提前建设基础设施，以及大量公司估值依赖多年后的收入和利润，但如果仅凭这些相似性就判断AI必然重演互联网泡沫，也同样过于简单。
今天承担主要AI投资的是拥有庞大经营现金流、成熟商业模式和较强资产负债表的全球科技巨头，而互联网泡沫时期大量电信和网络企业依赖高杠杆融资，许多公司甚至尚未形成稳定收入和利润，因此当前AI投资周期未必会以全面崩溃的方式结束，但这并不意味着资本错配和结构性过剩不会出现。
第一类风险在于投资速度可能快于商业化速度。数据中心、芯片和电力设施可以在数年内集中建设，但企业AI收入、流程改造和组织变革往往需要更长时间才能成熟，一旦供给提前大量形成，而有效付费需求未能同步增长，资本回报率就可能长期承压。
第二类风险来自芯片经济寿命的不确定性，高盛指出，AI芯片的经济使用寿命可能是决定累计AI投资规模最重要的变量之一，因为AI加速器通常预计使用四至六年，而新一代芯片往往能够以更高性能和更低单位成本迅速替代旧产品，相比之下，数据中心建筑的折旧期通常约为20年，电力基础设施的使用周期则可能达到25年甚至更长，因此，如果芯片需要频繁更新，科技企业不仅要承担持续的新增投资，还要面对更高的折旧压力和设备淘汰风险。
第三类风险来自电力和工程瓶颈，因为即使企业已经采购了大量芯片，如果数据中心无法按时获得电力接入，或者变压器、输电线路、发电设备和冷却系统不能同步建设，这些芯片也无法充分运行，因此未来限制AI发展的关键因素，可能逐渐从芯片供应不足转向电力、土地、审批和工程能力不足。
除了产业层面的投资风险之外，资本市场还面临估值扩张过快的问题。高盛研究显示，其AI基础设施股票篮子一度实现约44%的年内平均回报，而相关公司未来两年的每股收益一致预期仅上升约9%，这意味着相当一部分股价上涨来自估值倍数扩张，而不是盈利预测同步提高。未来股价若要继续上涨，就必须依赖盈利显著超预期、估值进一步提升，或者企业证明自身拥有更强的垄断地位和定价能力，而一旦资本开支增速放缓或下游客户削减订单，那些股价上涨明显快于盈利预期的公司就可能面临更大的估值收缩压力。
五.AI投资正在从主题交易进入基本面分化阶段高盛发现，主要上市AI超大规模企业之间的平均股价相关性曾从约80%下降至20%，这说明市场已经不再把所有AI企业视为一个整体交易主题，而是开始区分不同公司在资本开支、融资结构、收入兑现能力和现金流质量方面的差异。在AI行情初期，投资者更关心一家公司是否属于AI产业链，而随着估值和投资规模不断上升，市场开始进一步追问资本开支是否已经带来收入、企业是否依赖债务融资、客户需求是否稳定，以及商业模式是否具备清晰的利润兑现路径，AI投资也因此从主题交易逐步进入更严格的基本面筛选阶段。
未来市场可能重点关注资本开支与AI收入的匹配程度，因为投资增长本身并不可怕，真正重要的是AI收入和利润能否以相近甚至更快的速度增长；市场还会持续观察自由现金流，因为一家企业即使利润仍然增长，只要资本开支增速更快，自由现金流依然可能下降；融资结构也会成为重要变量，因为使用经营现金流投资，与依靠债务融资建设数据中心，所对应的财务风险完全不同。
此外，算力利用率将直接决定数据中心投资能否获得合理回报，因为服务器数量并不等于有效需求，只有当算力能够长期保持较高使用率时，企业才有可能覆盖折旧、电力和维护成本，而拥有云平台、开发者生态、专有数据和稳定企业客户关系的公司，则更有机会将基础设施优势转化为长期收入和客户锁定。
六.下一阶段的赢家，可能不再局限于芯片公司高盛认为，在半导体企业率先获得大部分AI利润之后，下一阶段的价值可能逐步向超大规模云计算企业、AI平台和生产率受益企业扩散，因为市场已经充分认识到科技巨头面临的资本开支压力，却可能低估未来AI云服务收入增长和单位成本下降所带来的利润空间。
随着推理效率持续提升、使用量不断增长，云计算平台有机会同时实现收入扩张和单位成本下降，并逐步形成类似传统云计算业务的规模经济，这也意味着，真正具备算力资源、客户基础和软件生态的平台型企业，可能在AI商业化进入成熟阶段后获得更加稳定的收益。
与此同时，连接企业数据、业务流程和不同模型的AI编排层也可能成为新的价值中心。能够提供数据接入、模型路由、成本控制、权限管理和合规审计的平台，有机会形成类似云计算时代数据库和中间件的基础性地位，并凭借较高的客户迁移成本获得稳定收入。
AI带来的最终利润也不一定全部归属于AI供应商，因为当广告公司利用AI提高投放转化率、物流企业通过AI降低运输成本、软件企业借助AI缩短研发周期时，AI所创造的经济价值可能直接体现在这些使用者的利润表中，因此下一阶段投资者需要关注的，不只是哪些公司在销售AI，而是哪些企业能够通过AI重新分配行业利润、扩大市场份额或改善成本结构。
AI基础设施投资还将为大量非传统科技行业创造机会。高盛预计，大型科技企业在2025年至2030年间的相关资本开支可能累计达到5.3万亿美元，高于此前预测的4.5万亿美元，而如此庞大的建设规模不可能完全依靠科技企业自身现金完成，数据中心开发商、电力公司、设备供应商、基础设施基金、房地产资本和信贷市场都将成为重要参与者。截至2025年9月，全球基础设施基金管理资产已经超过1.7万亿美元，待投资资金约为4000亿美元，到2030年相关管理资产规模可能超过3万亿美元，这意味着AI也可能成为未来几年私人市场、基础设施金融和企业债券发行的重要增长动力。
七．如何判断AI资本开支最终能否成功判断这轮AI资本开支是否可持续，不能只看芯片销量、服务器订单或数据中心数量，而应当从需求、收入、单位经济模型、资本回报和产业链利润分配等多个层面进行观察。
投资者首先需要观察AI用户数量、企业采用率和Token使用量是否持续增长，并进一步判断云计算平台、模型公司和软件企业能否把使用量转化为付费收入，同时还要衡量每次推理或每项AI任务所产生的收入，是否足以覆盖芯片折旧、电力、网络、维护和研发成本，因为只有真实需求、商业收入和合理单位经济模型同时成立，基础设施投资才具备长期支撑。
在此基础上，投资者还需要衡量AI业务新增营业利润能否超过建设基础设施所需要的资本成本，因为收入增长并不必然等于价值创造，如果企业为了获得一美元AI收入，需要投入更多资本，那么相关业务仍然可能破坏股东价值。
归根结底，判断AI产业是否成熟，需要观察整个价值链是否已经形成稳定的商业闭环，而不能只看芯片供应商是否继续获得高额利润。如果模型公司、云平台和企业客户能够通过AI创造可持续收入并改善现金流，那么当前资本开支就可能转化为长期经济价值；反之，如果下游企业长期依赖持续投入却无法形成回报，整个投资周期的可持续性就会受到质疑。
八．结语高盛关于5000亿美元AI资本开支的判断，真正揭示的并不只是科技企业还会投入多少钱，而是全球经济正在进入一个由算力、数据中心和电力基础设施共同驱动的新投资周期。历史经验表明，重大技术革命往往会同时带来真实的生产率提升与阶段性的资本错配，铁路、互联网和光纤网络都曾在改变世界的同时，让大量缺乏商业回报的投资者付出代价，因此，AI未来最大的悬念并不是技术能否继续进步，而是哪些企业能够把技术优势转化为持续的收入、利润和现金流。

从这个意义上看，5000亿美元既可能是新周期的起点，也可能成为检验AI产业商业兑现能力的第一道分水岭，而最终决定这轮投资浪潮成败的，不是资本开支规模本身，而是这些投入能否真正创造出足以覆盖资本成本的长期经济价值。