财联社 4 月 8 日讯（编辑 夏军雄）高盛在最新研报中预测称，随着企业加速采用人工智能（AI），将带动企业服务器与网络收入大增。

以 Katherine Murphy 为首的高盛分析师团队 4 月 7 日发布报告，深入探讨了企业对本地（On-premise）及混合 AI 硬件解决方案的需求趋势。

高盛表示，企业正从 AI 的 " 概念验证（PoC）" 阶段转向未来 12-24 个月的正式系统部署，这主要由两项新技术推动，分别是以 OpenClaw 为代表的自主 AI 代理（Autonomous AI agents），以及谷歌 TurboQuant 内存压缩算法。

作为能够提高 AI 推理效率的数据压缩技术，TurboQuant 降低了使用门槛并可能增加使用频率。

这将带来两大需求：传统数据中心升级和新增 AI 算力投资。尽管短期内将导致成本上升和 IT 支出前置，但在 AI 需求的支撑下，企业服务器、存储、网络收入将在 2026 至 2027 年持续增长。

企业采用 AI 现状

报告称，截至 2026 年 3 月，约 18.9% 的美国企业已采用 AI。预计在自动化潜力大的行业（如信息技术、专业科学、教育、金融）普及率更高。研究表明，采用 AI 可使生产力平均提高 23%。

（美国企业 AI 采用情况）

企业采用 AI 主要有两大动机，即降本增效和创造新增收入。现阶段的发展趋势是向 Agentic AI（自主智能体）演进，并使复杂业务流程自动化。

企业通常倾向于混合多云（Hybrid Multi-Cloud），即结合云端的灵活性与本地的受控性。2025 年已有约 70% 企业采用该模式。

云端（IaaS/API 服务）适合快速原型设计、实验及应对波峰负载，其优势在于灵活和无前期投入，缺点是数据安全和成本长期较高。

本地（On-premise）适用于稳定、高频任务，以及受严格法规监管的行业（如金融、医疗）。其优点是长期成本更低、数据完全控制且更易合规，但不足之处在于前期投入高、扩展性差。

与云服务（按 2080 亿 Token 的 API 调用量计算）相比，本地化部署在 27 个月后更具成本效益。本地 LLM 推理成本仅为云端的 1/2，这一成本拐点是决定基础设施投资时机的关键。

分析师得出结论称，企业综合对灵活性和成本的考虑，最终会倾向于选择云端结合本地的混合模式。

80% 的企业认为数据限制是 AI 扩展最大障碍。

许多 AI 项目失败是因为数据架构未统一组织，无法支持 Agentic AI 所需的实时决策。

此外，企业对 AI 能带来的实际价值和数据安全仍存疑虑。

截至 2025 年，仅 7% 的企业完成了全公司范围的 AI 整合。这表明企业 AI 仍处于早期阶段，2026 年重点仍是数据准备。

硬件需求与市场预测

本地 AI 推理需要对整个 IT 栈进行升级。在硬件层面，企业需要采购 GPU/CPU 服务器、扩展型 NAS 存储、高带宽低延迟网络、AI PC 及边缘设备；在软件层，则需要 PyTorch、NeMo 等框架，以及 NVIDIA AI Enterprise 等管理平台。

根据高盛的预测，预计 2026 年企业服务器收入增长 20%，2027 年增长 26%，到 2030 年将达到 1100 亿美元，相较于 2025 年的 530 亿美元翻倍。

（高盛对企业服务器收入的预测）

数据中心网络收入预计在 2026 和 2027 年分别增长 47% 和 26%，其中 AI 网络增长将超过 100%。

非结构化数据存储（AI 首选）在 2020-25 年间的年复合增长率为 10%，2026 至 2027 年将延续温和增长势头，营收增加约 6%。

竞争格局与受益供应商

高盛认为，企业会更倾向于继续采购 " 传统 IT 供应商 "，主要原因包括长期信任（可靠性）、完整产品组合和渠道能力。

分析师对比了两种销售方式，分别是单独卖服务器 / 交换机，和提供整套方案，即所谓 "AI 工厂 "（AI Factory）模式。

"AI 工厂 " 是一种将原始数据持续转化为智能产出的运营模型。在这一模式下，硬件供应商不仅卖单台服务器，还提供预先验证的全栈解决方案。

销售完整的 "AI 工厂 " 解决方案利润率高达约 20%，远高于单台 GPU 服务器的 8-10%。

高盛给予以下硬件厂商 " 买入 " 评级，认为它们凭借强大的销售渠道和可靠性记录在 AI 浪潮中占据先机。

戴尔：拥有庞大的直销团队（约是超微 SMCI 的 70 倍）及完整的 AI 工厂方案。

惠与科技：拥有强劲的渠道伙伴关系，通过 GreenLake 提供灵活的消费模式。

NetApp：在 AI 所需的非结构化数据存储领域表现强劲。

Penguin Solutions：其 OriginAI 方案在工厂内完成预配置，部署速度快。

报告也列出了一些核心风险，包括传统 IT 支出疲软、组件成本上涨压低毛利、白牌厂商竞争、宏观经济波动以及 AI 需求不及预期。