海外研选 | 高盛：AI 投资重心迈向实体产业 未来 6 年资本开支或达 7.6 万亿美元

财联社 7 月 6 日讯（编辑 夏军雄）高盛在最新报告中称，人工智能（AI）投资的重心已开始向更广阔的实体经济延伸，算力、电力和数据中心仍在高速建设之际，AI 已同步进入制造、能源、物流、国防、生命科学和机器人等现实场景。

该行指出，过去技术革命往往遵循 " 基础设施先行、应用随后、融资配套 " 的顺序，而 AI 正在打破这一节奏，基础设施建设与产业改造并行推进，资本市场也被迫同步重构。

高盛预计，2026 年至 2031 年，全球围绕计算、数据中心和电力的 AI 资本开支将达到约 7.6 万亿美元，年度投入将从 2026 年的 7650 亿美元升至 2031 年的 1.64 万亿美元。超大规模云厂商到 2030 年的 AI 投资或超过 6 万亿美元。

（高盛对 2026 年至 2031 年全球 AI 资本开支的预测）

未来竞争的关键不只是模型或芯片，而是资本结构、能源供给、产业数据、工程能力和部署能力。

AI 基建仍在上半场

AI 基础设施的扩张仍是整个产业链的起点。2026 年，全球超大规模云厂商资本开支预计超过 7600 亿美元，相当于每天投入约 20 亿美元；全球数据中心供给则已从 2019 年的 30 吉瓦增至 2024 年的 57 吉瓦，预计 2030 年前还将新增约 65 吉瓦。

高盛认为，AI 需求增长速度正在快于基础设施建设。一个标志性案例是，谷歌在 2026 年 6 月同意向 SpaceX 每月支付约 9.2 亿美元（到 2029 年中累计约 300 亿美元），以获取大约 11 万颗英伟达 GPU 的使用权。

这反映出，即使是拥有大规模自建数据中心的科技巨头，也难以完全依靠自身建设节奏满足算力需求。

此外，电力逐渐成为新的约束条件。传统电网原本面向相对稳定的居民和商业负荷设计，而 AI 训练和推理带来的用电需求高度集中，且增长速度极快。

高盛指出，数据中心并网排队期在部分核心市场已长达 8 至 12 年，远长于 GPU 更新周期。电网、变压器、配电设备和施工人员的短缺，可能令 AI 扩张从 " 缺芯 " 转向 " 缺电、缺设备、缺工人 "。

AI 正改写企业软件的定价逻辑

在 AI 冲击实体经济之前，软件行业已经率先感受到压力。

高盛预计，随着智能体能够承担更多过去由人完成的任务，未来十年自动化和企业软件的潜在市场规模将扩大约 2.5 倍。但市场并未因此给予传统软件公司更高估值，反而担忧 AI 会压低软件定价、侵蚀订阅收入，并重构利润率。

今年上半年，iShares 扩展科技软件 ETF（其主要持仓包括微软和 Salesforce 等公司）下跌约 17%，较 2025 年 10 月高点下跌约 26%。同期，软件板块远期市盈率从 2025 年末约 35 倍压缩至约 22 倍，为 2014 年以来低位。

背后的原因在于，SaaS（软件即服务）时代依赖席位订阅、功能模块和客户关系获取溢价的商业模式，正在被 " 按结果付费 " 的新模式挑战。

未来 AI 软件的价值，可能更多集中于三层：一是直接完成任务、交付结果的应用层；二是调度模型、工具和工作流的智能体编排层；三是沉淀企业专有数据、业务流程和机构知识的数据与上下文层。

中国低成本模型正改变推理价格体系

模型本身则可能更快商品化。尤其在推理环节，中国模型正在以更低成本改变市场定价。

高盛指出，中国模型在 OpenRouter 平台 Token 消费中的占比，已从 2024 年末的低个位数升至 2026 年初约 50%。

报告称，部分中国模型提供商可在政策与成本支持下接近成本定价，而私营资本支持的美国模型公司必须考虑资本回报。

随着推理价格下降，企业未来的竞争重点将不只是 " 接入哪个模型 "，而是能否把模型嵌入独有的数据、流程和业务结果之中。

工业 AI 软件与数字孪生

高盛认为，工业 AI 软件的影响可能比传统企业软件更大，因为其覆盖制造、能源、汽车、生命科学和航空航天等多个行业。

其核心是数字孪生，即对工厂、设备、产品或流程进行高保真虚拟映射。企业可以在现实改造前，先在虚拟环境中模拟成本、产能、材料表现和投资回报，再将结果反馈至生产环节。

具体而言，制造企业可由定期维护转向预测性维护；汽车企业可通过数字孪生生成自动驾驶训练数据；药企可缩短药物发现和临床设计周期；电力公司则可预测负荷并优化调度。

高盛在报告中列出了几个关键并购案例。西门子德国安贝格工厂借助 AI 预测性维护，已将生产停机时间降低 40%。在产业并购层面，西门子 2025 年以 51 亿美元收购 Dotmatics，意在从制药设备制造延伸至药物研发模拟。

Synopsys（新思科技）以 350 亿美元收购 Ansys，整合芯片设计、仿真和物理建模能力；Emerson（艾默生电气）则以约 170 亿美元完成对 AspenTech 剩余股权的收购，强化流程仿真和工业 AI 能力。

高盛指出，自 2020 年以来，大型工业公司已斥资超过 1100 亿美元收购这一领域的软件资产。其逻辑并非简单扩大规模，而是企业希望控制从研发、仿真、设计到制造和运营的完整工具链。

物理 AI 与机器人

AI 进入现实世界的另一条路径，是机器人、自动驾驶设备、无人机和智能工业装备。高盛将其称为 " 物理 AI"，其难点远高于文本生成模型，原因是机器不仅要理解语言和图像，还要处理重力、摩擦、材料、温度、运动轨迹和安全约束。

因此，工业 AI 的竞争并不完全遵循大模型的商品化逻辑。

高盛认为，未来赢家将具备五项能力：物理规律驱动的算法架构、专有数据、边缘部署能力、通过安全认证的能力，以及与现有工作流深度整合的能力。尤其在航空、能源和汽车领域，模型一次错误就可能造成严重后果，可靠性和可认证性是商业化前提。

人形机器人是市场最受关注的方向。高盛预计，全球人形机器人市场将从 2025 年的约 2 万台增长至 2035 年的 140 万台。其需求基础在于劳动力短缺：美国制造业约有 1300 万从业者，物料搬运岗位缺口超过 100 万个。

但高盛也提示，人形机器人距离大规模盈利仍有距离。资本和硬件进展较快，真正滞后的是工厂部署、员工培训、任务流程设计和单位经济性验证。现阶段，商业价值最明确的并非人形机器人，而是仓储机器人、自动化物流设备和无人化工业装备。

高盛预计，人型机器人广泛商业部署可能要到 2027 年至 2029 年才会出现。

世界模型或成未来 AI 基建的新引擎

高盛特别强调，" 世界模型 " 可能成为未来 AI 基础设施需求的第二引擎。

与主要处理文本和图像的大语言模型不同，世界模型试图理解物理和社会系统中的因果关系，例如模拟摩擦、材料行为、供应链反应、政策冲击或企业竞争策略。

物理世界模型将支撑机器人、物流、自动驾驶和工业设计；社会世界模型则可能被用于战略推演、投资决策、治理压力测试和政策情景分析。

高盛认为，世界模型并非替代大语言模型，而是叠加新的计算需求。若其发展速度超预期，当前围绕算力和电力的投资预测仍可能偏低。

国防与太空是实体 AI 最具战略价值的应用场景

高盛认为，国防集中了实体 AI、政府资本、供应链安全和战略竞争等多个因素，是 AI 工业化逻辑最尖锐的试验场。

AI 不会取代人类作战决策，而是在开火前的侦察、通信、导航、识别、后勤和任务执行中充当力量倍增器。

其中，无人机和自主飞行器是较早落地的类别，因为人类仍可控制任务目标，AI 负责飞行、导航和目标识别。

全球军用无人机市场 2026 年约为 200 亿美元，未来十年预计大致翻倍。

国防与太空的技术要求高度一致：都需要在信号受干扰、GPS 受限、低延迟和边缘计算环境下运行。

报告以 SpaceX 为例：其在收购 xAI 后，已同时具备国防、连接服务和 AI 算力属性，并计划从 2028 年起部署可在太阳同步轨道进行大规模 AI 推理的卫星。

高盛认为，未来 " 国防公司上市 " 和 " 太空公司上市 " 的边界将越来越模糊。

融资鸿沟

报告最后的落点是：AI 技术扩散速度快于资本体系适配速度。

数据中心、服务器和电力资产已逐步形成较成熟的融资路径：投资级债券、项目融资、私募信贷、ABS、CMBS、基础设施基金和售后回租均可参与。

但机器人、人形机器人、自动化设备和实体 AI 的融资仍不成熟。它们既不像软件公司那样轻资产，也不像数据中心那样具备稳定现金流和可抵押资产。

GPU 更新快、残值不确定，机器人则需要长时间部署、验证和维护，传统债务工具难以直接覆盖这些风险。

因此，未来 AI 产业真正的融资难点，不在于科技巨头能否继续购买 GPU，而在于如何将早期技术风险、硬件折旧风险、长期部署风险和客户收入风险，转化为保险资金、私募信贷、项目融资和长期机构资本能够接受的资产。

阅 1.04W+ 特别声明：文章内容仅供参考，不构成投资建议。投资者据此操作风险自担。