AI 应用持续扩张，但支撑这轮热潮的超大规模数据中心投资，正面临新的需求端挑战。

杰富瑞报告指出，随着小型语言模型性能提升、成本下降，企业 AI 部署可能从集中式云端转向本地化，由此对云端算力需求以及巨额数据中心资本开支形成压力。

这一判断的一个重要依据，是近期对 AI 服务器实际使用情况的观察。2026 年 9 月，Swerve Research Technologies 通过追踪 Anthropic 服务器请求队列的等待时间构建 " 拥堵指数 "，发现相关服务器利用率较 2026 年 1 月至 2 月的峰值下降 26%。这一指标并不能直接对应公司收入，但如果利用率持续走低，可能意味着部分算力供给开始出现闲置。

与此同时，AI 基础设施投资仍在快速扩张。市场目前预计，Meta、Alphabet、亚马逊和微软四家美国科技巨头 2027 年资本支出合计可能达到 9900 亿美元。报告认为，如果 AI 算力需求增速最终无法匹配如此庞大的投资规模，部分数据中心可能面临回报不足甚至成为 " 搁置资产 " 的风险。

服务器利用率下降，AI 算力供给面临考验

Meta 旗下个人 AI 产品 Muse 于 9 月 8 日上线后，推动 Meta 股价在数周内上涨 21%，成为近期 AI 消费应用的亮点。但报告认为，单个应用的成功并不足以证明整个 AI 基础设施投资周期能够持续。

更值得关注的是，AI 企业自身也释放出一些不同于市场乐观预期的信号。Anthropic CEO、OpenAI CEO Sam Altman 以及 Elon Musk 近期均曾公开讨论放缓 AI 发展的必要性；Anthropic 原计划中的 IPO 则推迟至 11 月。

与此同时，Anthropic 此前已与 SpaceX 签署价值 450 亿美元、为期三年的算力合同，并与亚马逊、谷歌云达成数十亿美元级别的算力合作。如果 AI 收入增速放缓，而此前签订的大规模算力合同仍需持续兑现，企业的成本压力可能进一步上升。

据报道，Meta 还在 7 月与 Anthropic 谈判，拟在两年内向其出租最高 100 亿美元的数据中心算力。报告认为，大型科技公司开始积极寻找外部客户消化算力，也反映出随着基础设施供给快速扩张，如何提高资产利用率正成为新的问题。

小模型性能追赶，本地部署或分流云端需求

相比服务器利用率的短期变化，报告更加关注 AI 模型架构正在发生的变化。

斯坦福大学与 Together AI 联合发布的《Intelligence per Watt》研究显示，小型语言模型的性能正快速追赶大型语言模型，同时能耗和算力成本低 50% 至 85%。如果这一趋势延续，企业部署 AI 所需的算力规模和成本结构都可能随之改变。

过去，企业更多依赖集中式云端大模型完成 AI 任务；随着小模型能力提升，部分场景可能转向本地部署。对于银行等对数据安全要求较高的行业，本地化部署本身已有较强需求；当小模型进一步降低部署成本后，这一模式的适用范围可能继续扩大。

这意味着，AI 应用增长并不必然对应云端算力需求同比例增长。企业可能一边扩大 AI 应用，一边减少对超大模型 API 和集中式云端算力的依赖。

这也是报告质疑近万亿美元资本开支的重要原因：如果未来更多 AI 应用由低成本、小规模、本地化模型承载，那么当前围绕超大规模数据中心形成的投资规模，可能与实际算力需求出现错配。

在这一情景下，真正需要重新评估的并非 AI 需求是否存在，而是 AI 需求究竟需要多少集中式算力，以及这些数据中心能否获得与其投资规模相匹配的回报。