作者：137Labs

引言：

過去兩年，市場圍繞人工智慧的討論主要集中在模型能力能否持續提升、生成式AI是否會成為類似網際網路和智慧型手機的通用技術，以及大模型將如何改變搜尋、軟體、廣告和企業服務等行業，而隨著模型能力不斷增強、用戶規模快速擴大、全球算力基礎設施進入密集建設階段，市場關注的重點已經明顯轉向商業回報，即大型科技企業為AI投入的巨額資本，最終能否轉化為穩定的收入、利潤和自由現金流。

高盛在《Why AI Companies May Invest More than $500 Billion in 2026》中指出，華爾街對主要AI超大規模雲端運算企業2026年資本開支的一致預期，已經從4650億美元上調至5270億美元，而更廣義的測算顯示，全球AI基礎設施投資規模可能在未來數年繼續快速擴大。隨著資金從晶片和伺服器進一步流向資料中心、電力、冷卻和網路設施，AI已經不再只是一輪軟體和晶片創新，而正在演變為一場覆蓋能源、工業、金融和基礎設施體系的全球性資本重構。

一 . 為什麼AI資本開支仍在持續上調

大型科技企業之所以在自由現金流承壓、估值受到質疑甚至股價階段性表現不佳的情況下，依然選擇繼續提高AI投資，根本原因在於這些企業對AI的判斷並不是普通產品投資，而是將其視為可能決定未來十年技術平台主導權的戰略性投入，因此它們最擔心的並不是某一年多花了幾十億美元，而是在下一代運算平台、雲端服務體系和軟體生態形成的過程中失去競爭位置。

微軟、亞馬遜、Alphabet和Meta等企業面臨的不是單純的成本收益選擇，而是一種典型的戰略競爭，如果任何一家企業率先放慢投資，其雲端運算客戶就可能轉向算力更充足的競爭對手，開發者生態可能向其他平台遷移，而企業自身在模型訓練、推理能力和產品迭代方面也可能逐步落後。

因此，當前相當一部分AI資本開支具有明顯的防禦性特徵。科技企業即使尚未證明每一美元投資都能獲得理想回報，也普遍認為不投資所帶來的長期損失可能更大。當所有頭部企業都形成類似判斷時，整個行業便會陷入一種類似「囚徒困境」的競爭狀態，即每家公司都希望對手降低投入，卻沒有任何一家領先企業願意率先退出。

與此同時，市場對算力需求的理解也在發生變化，因為AI基礎設施投資最初主要服務於大模型訓練，而隨著AI代理逐漸興起，推理需求正在成為更重要的增長來源，傳統聊天機器人通常只需要圍繞用戶問題完成一次或幾次模型調用，但AI代理要完成一項真正複雜的任務，往往需要拆解目標、搜尋資訊、比較方案、調用工具、修改計劃並反覆驗證結果，因此它所消耗的Token和算力，可能是普通問答場景的數倍甚至數十倍。

高盛預計，在消費者和企業採用AI代理的推動下，全球Token使用量到2030年可能較2026年增長24倍，達到每月120 quadrillion，即12京個Token，而這一預測背後的核心邏輯是，AI未來可能不再只是一個由用戶偶爾打開的聊天工具，而會逐步成為嵌入辦公軟體、客戶服務、廣告投放、金融分析、電子商務、軟體開發和工業流程中的常駐執行系統。

如果這一變化真正發生，那麼未來算力需求的主要驅動力，就會從少數企業週期性訓練大型模型，轉向數以億計的用戶和企業持續執行智慧型代理，而推理運算也會逐漸表現出類似雲端運算、電力和通訊流量的持續性消費特徵，因此即便模型訓練效率提高，或者單個模型的訓練頻率下降，整個社會對運算資源的總需求仍可能保持快速增長。

高盛的另一項研究顯示，隨著晶片性能提升、模型壓縮技術進步和資料中心架構不斷優化，AI推理的單位Token運算成本每年可能下降60%至70%，但單位成本下降並不意味著行業總支出一定減少，因為技術發展史上經常出現一種現象，即某種資源的價格越便宜，其使用範圍和總消費量反而越大，而AI很可能同樣遵循這一規律。

隨著推理成本持續下降，自動客服、即時影片生成、個人化教育、軟體開發代理和企業流程自動化等過去缺乏經濟可行性的應用將更容易進入大規模部署階段，因此，未來決定AI資本開支規模的關鍵變數並不是單個Token的價格，而是使用量增長能否持續超過單位成本下降的速度。

二 . 5270億美元與7650億美元，代表的是兩種不同統計口徑

理解高盛關於AI投資規模的判斷，需要區分5270億美元和7650億美元這兩個數字的統計口徑。前者主要指微軟、亞馬遜、Alphabet、Meta等頭部AI雲端運算企業在2026年的資本開支一致預期，涵蓋伺服器、資料中心、網路設備及其他資本項目；後者則來自高盛更廣義的AI基礎設施模型，在科技企業直接投資之外，還計入了支撐運算系統所需要的資料中心建築、電力供應、冷卻設施和其他配套基礎設施。因此，5270億美元更接近頭部企業的年度預算，而7650億美元更接近整個AI基礎設施體系的年度建設規模，7.6兆美元則反映了2026年至2031年可能形成的累計投入。

晶片雖然是AI基礎設施中最受市場關注的部分，但它實際上只是整套系統的起點，因為一套大規模AI運算叢集除了需要GPU和其他加速器，還需要伺服器機架、高速網路、光模組、液冷設備、不斷電系統、變壓器、輸電線路、備用發電設備以及能夠承載這些系統的資料中心建築，因此每新增一批AI晶片，背後往往都對應著數倍於晶片本身的系統性投資。

高盛在相關模型中使用的部分基準假設包括，AI加速器封裝功率約為3000瓦，資料中心PUE約為1.2，資料中心建設成本約為每兆瓦1500萬美元，而新增電力基礎設施成本約為每千瓦2500美元，這些參數說明，AI產業的競爭已經不再只是晶片設計能力和模型演算法能力的競爭，而是逐漸演變為土地、電力、融資、供應鏈、工程建設和長期運營能力的綜合競爭。

三 . 為什麼晶片企業已經賺錢，而整個AI產業仍未證明回報

截至目前，AI產業中最明確、最集中的經濟價值，主要出現在半導體公司和相關設備供應商，因為大型科技企業需要在AI業務真正形成穩定收入之前，提前採購晶片、建設資料中心並完成網路和電力配套，而晶片供應商只要完成交付，就可以在較短時間內確認收入和利潤，相比之下，採購這些晶片的雲端運算企業和模型公司，則需要在未來多年透過雲端服務、軟體訂閱、廣告效率提升或企業AI產品逐步收回成本。

由此形成的結果是，當前AI產業鏈的利潤主要集中在上游晶片和設備供應商，而雲端平台、模型公司和企業客戶仍處於投入與商業驗證階段，整個產業尚未形成廣泛而穩定的現金流閉環。

高盛指出，雖然半導體企業正在獲得創紀錄的收入和利潤，但AI生態中的許多其他公司尚未獲得與投入相匹配的回報，而這種由上游供應商率先賺錢、下游客戶持續投入的結構難以長期維持。一個健康的產業鏈必須建立在最終客戶能夠透過AI提高收入、降低成本或改善效率的基礎上，只有當利潤逐步從晶片製造商擴散至雲端平台、軟體企業和最終應用端，客戶才有能力持續增加採購，並推動整個產業進入穩定的正向循環。

消費者市場雖然為AI提供了極快的用戶增長，但用戶數量並不能直接等同於商業價值，高盛援引的相關研究顯示，生成式AI在首個廣泛可用產品推出後的三年內，採用率已經達到約53%，這一速度明顯快於個人電腦和網際網路早期的普及路徑，但大量用戶使用的是免費產品，而即使部分消費者願意支付訂閱費用，個人訂閱收入也未必足以覆蓋模型訓練、推理、電力、資料中心和研發成本。

真正可能支撐數兆美元AI基礎設施投資的，仍然是企業客戶，因為企業擁有更高的付費能力，也擁有規模龐大的客服、銷售、研發、財務和供應鏈流程，但企業AI部署的難度遠高於普通用戶使用聊天機器人。很多企業最初認為，只要採購最先進的大模型，就能自然獲得生產率提升，現實卻是內部資料往往分散在不同系統中，存在格式不統一、權限不清晰和品質參差不齊等問題，如果庫存、會員、訂單和推薦演算法資料彼此割裂，即使模型能力足夠強，也很難穩定產生可靠的商業結果。

因此，制約企業AI落地的關鍵問題已經不再只是模型能力，而是企業能否完成數據治理、模型編排和業務流程重構。企業未來很可能會根據任務複雜度、成本、數據安全和風險水準調用不同模型，同時建立權限控制、人工審核和結果追蹤機制，這意味著企業AI並不是簡單採購一個軟體帳號，而是一項涉及系統改造、合規審查和組織變革的長期工程。高盛預計，到2030年可能只有約12%的知識工作者使用AI Agent，到2040年這一比例才可能升至37%，這也說明基礎設施投資的速度很可能快於企業商業化回報的兌現速度。

四 . AI投資是否正在演變為新一輪泡沫

將今天的AI熱潮與20世紀90年代末的網路泡沫進行比較，是市場上最常見的分析框架之一，因為兩者都伴隨著資本開支快速擴張、投資者對未來需求高度樂觀、企業擔心錯過技術革命而提前建設基礎設施，以及大量公司估值依賴多年後的收入和利潤，但如果僅憑這些相似性就判斷AI必然重演網路泡沫，也同樣過於簡單。

今天承擔主要AI投資的是擁有龐大經營現金流、成熟商業模式和較強資產負債表的全球科技巨頭，而網路泡沫時期大量電信和網路企業依賴高槓桿融資，許多公司甚至尚未形成穩定收入和利潤，因此當前AI投資週期未必會以全面崩潰的方式結束，但這並不意味著資本錯配和結構性過剩不會出現。

第一類風險在於投資速度可能快於商業化速度。數據中心、晶片和電力設施可以在數年內集中建設，但企業AI收入、流程改造和組織變革往往需要更長時間才能成熟，一旦供給提前大量形成，而有效付費需求未能同步增長，資本回報率就可能長期承壓。

第二類風險來自晶片經濟壽命的不確定性，高盛指出，AI晶片的經濟使用壽命可能是決定累計AI投資規模最重要的變量之一，因為AI加速器通常預計使用四至六年，而新一代晶片往往能夠以更高性能和更低單位成本迅速替代舊產品，相比之下，數據中心建築的折舊期通常約為20年，電力基礎設施的使用週期則可能達到25年甚至更長，因此，如果晶片需要頻繁更新，科技企業不僅要承擔持續的新增投資，還要面對更高的折舊壓力和設備淘汰風險。

第三類風險來自電力和工程瓶頸，因為即使企業已經採購了大量晶片，如果數據中心無法按時獲得電力接入，或者變壓器、輸電線路、發電設備和冷卻系統不能同步建設，這些晶片也無法充分運行，因此未來限制AI發展的關鍵因素，可能逐漸從晶片供應不足轉向電力、土地、審批和工程能力不足。

除了產業層面的投資風險之外，資本市場還面臨估值擴張過快的問題。高盛研究顯示，其AI基礎設施股票籃子一度實現約44%的年內平均回報，而相關公司未來兩年的每股收益一致預期僅上升約9%，這意味著相當一部分股價上漲來自估值倍數擴張，而不是盈利預測同步提高。未來股價若要繼續上漲，就必須依賴盈利顯著超預期、估值進一步提升，或者企業證明自身擁有更強的壟斷地位和定價能力，而一旦資本開支增速放緩或下游客戶削減訂單，那些股價上漲明顯快於盈利預期的公司就可能面臨更大的估值收縮壓力。

五 . AI投資正在從主題交易進入基本面分化階段

高盛發現，主要上市AI超大規模企業之間的平均股價相關性曾從約80%下降至20%，這說明市場已經不再把所有AI企業視為一個整體交易主題，而是開始區分不同公司在資本開支、融資結構、收入兌現能力和現金流質量方面的差異。在AI行情初期，投資者更關心一家公司是否屬於AI產業鏈，而隨著估值和投資規模不斷上升，市場開始進一步追問資本開支是否已經帶來收入、企業是否依賴債務融資、客戶需求是否穩定，以及商業模式是否具備清晰的利潤兌現路徑，AI投資也因此從主題交易逐步進入更嚴格的基本面篩選階段。

未來市場可能重點關注資本開支與AI收入的匹配程度，因為投資增長本身並不可怕，真正重要的是AI收入和利潤能否以相近甚至更快的速度增長；市場還會持續觀察自由現金流，因為一家企業即使利潤仍然增長，只要資本開支增速更快，自由現金流依然可能下降；融資結構也會成為重要變量，因為使用經營現金流投資，與依靠債務融資建設數據中心，所對應的財務風險完全不同。

此外，算力利用率將直接決定數據中心投資能否獲得合理回報，因為伺服器數量並不等於有效需求，只有當算力能夠長期保持較高使用率時，企業才有可能覆蓋折舊、電力和維護成本，而擁有雲端平台、開發者生態、專有數據和穩定企業客戶關係的公司，則更有機會將基礎設施優勢轉化為長期收入和客戶鎖定。

六 . 下一階段的贏家，可能不再侷限於晶片公司

高盛認為，在半導體企業率先獲得大部分AI利潤之後，下一階段的價值可能逐步向超大規模雲端運算企業、AI平台和生產率受益企業擴散，因為市場已經充分認識到科技巨頭面臨的資本開支壓力，卻可能低估未來AI雲端服務收入增長和單位成本下降所帶來的利潤空間。

隨著推論效率持續提升、使用量不斷增長，雲端運算平台有機會同時實現收入擴張和單位成本下降，並逐步形成類似傳統雲端運算業務的規模經濟，這也意味著，真正具備算力資源、客戶基礎和軟體生態的平台型企業，可能在AI商業化進入成熟階段後獲得更穩定的收益。

與此同時，連接企業數據、業務流程和不同模型的AI編排層也可能成為新的價值中心。能夠提供數據接入、模型路由、成本控制、權限管理與合規審計的平台，有機會形成類似雲端運算時代資料庫與中介軟體的基礎性地位，並憑藉較高的客戶遷移成本獲得穩定收入。

AI帶來的最終利潤也不一定全部歸屬於AI供應商，因為當廣告公司利用AI提高投放轉化率、物流企業通過AI降低運輸成本、軟體企業借助AI縮短研發週期時，AI所創造的經濟價值可能直接體現在這些使用者的利潤表中，因此下一階段投資者需要關注的，不只是哪些公司在銷售AI，而是哪些企業能夠通過AI重新分配行業利潤、擴大市場份額或改善成本結構。

AI基礎設施投資還將為大量非傳統科技行業創造機會。高盛預計，大型科技企業在2025年至2030年間的相關資本開支可能累計達到5.3萬億美元，高於此前預測的4.5萬億美元，而如此龐大的建設規模不可能完全依靠科技企業自身現金完成，數據中心開發商、電力公司、設備供應商、基礎設施基金、房地產資本和信貸市場都將成為重要參與者。截至2025年9月，全球基礎設施基金管理資產已經超過1.7萬億美元，待投資資金約為4000億美元，到2030年相關管理資產規模可能超過3萬億美元，這意味著AI也可能成為未來幾年私人市場、基礎設施金融和企業債券發行的重要增長動力。

七 ． 如何判斷AI資本開支最終能否成功

判斷這輪AI資本開支是否可持續，不能只看晶片銷量、伺服器訂單或數據中心數量，而應當從需求、收入、單位經濟模型、資本回報和產業鏈利潤分配等多個層面進行觀察。

投資者首先需要觀察AI用戶數量、企業採用率和Token使用量是否持續增長，並進一步判斷雲端運算平台、模型公司和軟體企業能否把使用量轉化為付費收入，同時還要衡量每次推論或每項AI任務所產生的收入，是否足以覆蓋晶片折舊、電力、網路、維護和研發成本，因為只有真實需求、商業收入和合理單位經濟模型同時成立，基礎設施投資才具備長期支撐。

在此基礎上，投資者還需要衡量AI業務新增營業利潤能否超過建設基礎設施所需要的資本成本，因為收入增長並不一定等於價值創造，如果企業為了獲得一美元AI收入，需要投入更多資本，那麼相關業務仍然可能破壞股東價值。

歸根結底，判斷AI產業是否成熟，需要觀察整個價值鏈是否已經形成穩定的商業閉環，而不能只看晶片供應商是否繼續獲得高額利潤。如果模型公司、雲端平台和企業客戶能夠通過AI創造可持續收入並改善現金流，那麼當前資本開支就可能轉化為長期經濟價值；反之，如果下游企業長期依賴持續投入卻無法形成回報，整個投資週期的可持續性就會受到質疑。

八.結語

高盛關於5000億美元AI資本開支的判斷，真正揭示的並不只是科技企業還會投入多少錢，而是全球經濟正在進入一個由算力、數據中心和電力基礎設施共同驅動的新投資週期。歷史經驗表明，重大技術革命往往會同時帶來真實的生產率提升與階段性的資本錯配，鐵路、網際網路和光纖網路都曾在改變世界的同時，讓大量缺乏商業回報的投資者付出代價，因此，AI未來最大的懸念並不是技術能否繼續進步，而是哪些企業能夠把技術優勢轉化為持續的收入、利潤和現金流。

從這個意義上看，5000億美元既可能是新週期的起點，也可能成為檢驗AI產業商業兌現能力的第一道分水嶺，而最終決定這輪投資浪潮成敗的，不是資本開支規模本身，而是這些投入能否真正創造出足以覆蓋資本成本的長期經濟價值。