本文来自微信公众号： 硅谷宇宙 ，作者：硅谷宇宙

前七大超大规模云厂商资本开支合计预计 2025 年同比增长 65%2026 年同比增长 16%, 规模由 2024 年约 220 亿美元升至 2026 年逾 420 亿美元 ; 资本开支占营收比重同步升至约 26%, 处于历史高位。数据来源 :Company data DellOro UBS estimates

支撑这一判断的并不是单纯的估值扩张，而是一场正在改变企业成本结构、基础设施融资方式和全球能源竞争格局的技术革命。

芬克认为，市场当前最值得关注的问题不是 AI 需求会不会突然消失，而是美国能否以足够低的成本提供算力、存储和电力。

主要加速器平台年度部署功率测算图。全球 AI 加速器年新增装机容量预计从 2025 年约 17 吉瓦提升至 2030 年约 60 吉瓦，2025 年至 2030 年累计新增装机达 233 吉瓦，英伟达与 AMD 合计占据主要份额。数据来源：美银全球研究英伟达 AMD 英特尔亚马逊谷歌。

如果供给建设持续落后，AI 仍会增长，但红利可能集中在少数资金实力雄厚的大型科技公司，普通企业反而会因为计算成本过高而被排除在外。

芬克首先将 AI 基础设施融资定义为金融行业的下一轮重要变革。过去科技行业的融资重点主要是软件公司股权、风险投资和公开市场股票；

但现在资金需求正在转向数据中心、芯片采购、电力系统、网络设备和长期能源合同。这种变化的根本原因，是 AI 基础设施的资本密集度远高于传统互联网业务。

美国数据中心容量预计以约 20% 的复合增速扩张 , 从当前约 46 吉瓦升至 2026 年 61 吉瓦 2027 年 75 吉瓦 2028 年 91 吉瓦 2029 年 99 吉瓦 , 到 2030 年达 106 吉瓦 ,2031 年及以后进一步升至 116 吉瓦。数据来源 :451 Research Morgan Stanley Research

黄仁勋：1GW 工厂成本约 1000 亿美元，AI 成本持续抬升

建设一座 1GW 级别的数据中心，投资规模可能达到 500 亿至 600 亿美元，其中包括计算设备、存储系统、建筑工程、冷却设施、变电系统和能源接入。

数据中心用电需求分地区测算图。全球数据中心累计用电功率预计从当前约 100 吉瓦增长至 2030 年近 300 吉瓦，中国地区新增规模最大，成熟亚太与新兴亚太地区同步扩张。数据来源：美银全球研究 Gartner。

单靠科技公司的资产负债表，难以长期承担全球范围内持续扩张所需的全部资本。

AI 产业需要依赖项目融资、基础设施基金、私人信贷、资产证券化和设备融资等工具。

数据中心运营商可以通过长期租赁合同锁定现金流，云服务商可以通过融资租赁采购芯片，能源企业则可以凭借长期购电协议建设新的发电和输电设施。

前三大云服务商云收入同比增速预计从 2024 年的 22% 升至 2026 年的 24%。数据来源：彭博新能源财经及公司数据

这也凸显了全球资本在 AI 基础设施建设中的核心驱动作用。

芬克认为下一阶段算力供给的控制权，本质上取决于谁能更高效地将长期资金导入数据中心、能源网络和半导体供应链中。

芬克对 AI 泡沫的担忧相对有限。他更关注的是算力和存储供不应求，以及由此形成的高成本问题。

在他的判断中，当前服务器、存储和计算资源需求增长速度仍然快于供给扩张，这也是存储芯片及相关基础设施资产持续获得市场重估的重要原因。

在 2025 至 2027 年营收复合增速预测上 , 美光以 160% 居首 ,CBRS 为 131%SNDK 为 85%IONQ 为 76% 英伟达为 74%; 多数个股集中在 10% 至 40% 区间 ,QRVO 为负 2%SWKS 为负 1% 位列末端。数据来源 :FactSet Morgan Stanley estimates

不过供不应求并不完全是利好。算力价格越高，越有利于芯片公司、云服务商和数据中心运营商，却会压缩应用层企业的利润空间。

大型科技公司能够采购数十万颗加速器、自建数据中心，并通过内部规模摊薄成本；

按芯片类型划分的超大规模云新增算力中 , 英伟达 GPU 的占比预计从 2025 年的 73% 降至 2026 年的 54% 后 , 于 2027 年回升至 62%; 新增算力总量从 2025 年的 6.7 吉瓦升至 2026 年的 13.7 吉瓦 , 再到 2027 年的 19.5 吉瓦 , 其中 2027 年英伟达 GPU 贡献 12.1 吉瓦、谷歌 TPU 贡献 4.2 吉瓦、亚马逊 Trainium 贡献 2.1 吉瓦。数据来源 :Company data Morgan Stanley Research Estimates

中小企业只能通过云平台按需购买算力，实际支付的单位成本通常更高。这可能使 AI 产业形成明显的双层结构。

上层是拥有资本、模型、芯片和数据中心的少数平台公司，下层则是大量依赖外部 API 和云计算的应用企业。

当推理调用量快速上升时，计算支出可能吞噬应用收入，使许多企业即使拥有产品需求，也难以建立可持续商业模式。

芬克因此敦促大型云服务商继续降低算力成本。真正具有普惠意义的 AI 革命，不只是模型能力不断提高，还必须让更多企业能够承担部署成本。

该图按厂商颜色区分展示各 AI 编码智能体单任务总 token 消耗的分布区间，涵盖第 5 至第 95 百分位数据。Anthropic 旗下 ClaudeCodeOpus4.8 高配中位消耗最高达 1520 万，SpaceXAI 旗下 GrokBuild 模型中位消耗仅 290 万最低。数据来源：ArtificialAnalysis

只有当中小企业也可以使用智能客服、自动编程、供应链优化和数据分析工具，AI 带来的生产率提升才会从科技行业扩散至制造、金融、零售和专业服务领域。

算力供给增加不一定削弱 AI 产业，反而可能通过降低使用门槛，扩大整体需求规模。

芬克认为，美国 AI 发展的主要约束正在从计算设备转向电力供应。

建设数据中心并不只是购买 GPU，还需要获得稳定的电力接入、变电容量和长期能源来源。1GW 数据中心的负荷已经接近大型工业园区甚至中型城市。

以总投资 350 亿美元的 1 吉瓦智算中心为例 ,GPU 占比最高达 38.8%, 其后依次为网络设备、机械与电气设备、土地与建筑、CPU、散热管理与存储 ; 该拆分基于 Bernstein 对 GB200 数据中心的成本模型估算。数据来源 :Bernstein

随着单个园区规划容量从数百兆瓦提升至数吉瓦，传统电网的审批、建设和输电能力越来越难以满足需求。

将数据中心投资统一折算到每吉瓦口径后 , 支出主要由 IT 类设备、供电设备、冷却设备与工程建设四大部分构成 , 覆盖从算力硬件到基础设施的完整成本链条。数据来源 :Bernstein

芯片交付可能只需要数个季度，但输电线路和大型发电设施通常需要数年才能完成。

芬克提出「能源来源中立」的立场，即不应预先排斥任何能够提供稳定电力的能源形式。太阳能和风电可以降低边际发电成本，但受天气和储能条件影响；

天然气具有较强的调峰能力；核电则能够提供长期、稳定的基荷电力。对于需要全年连续运行的数据中心而言，真正重要的是可靠性、成本和建设速度。

在智算中心供电设备中 , 不间断电源每吉瓦约 9.85 亿美元 , 开关设备每吉瓦约 6.15 亿美元 , 配电设备每吉瓦约 3 亿美元 ; 供电设备厂商格局上 , 施耐德占 21% 维谛占 17% 伊顿占 16% 位列前三 ,ABB 占 9% 西门子占 7% 罗格朗占 8% 其余合计占 22%。数据来源 :Bernstein

他还将美国与中国的能源建设节奏进行对比，指出中国正在扩大核电和太阳能等能源投资，而美国部分地区对新增电力项目仍持谨慎态度。

其担忧在于，如果美国拥有最先进的芯片和模型，却无法快速建设发电与输电系统，算力部署最终仍会受到限制。

芬克对未来 12 个月市场保持乐观，核心依据是 AI 和自动化已经开始改善企业利润率，而不仅停留在资本开支阶段。

2026 年以来全球信用市场 AI 相关债务发行已达约 3360 亿美元 , 高于 2025 年全年的 2170 亿美元 , 全年预计升至 5800 亿美元 ; 其中投资级超大规模云厂商与甲骨文一类发行量最大 , 全年预测达 3000 亿美元。数据来源 :Bloomberg Trepp CreditFlow PitchBook Morgan Stanley Research estimates

贝莱德自身提供了一个案例：在过去 12 个月中，公司员工总数基本保持不变，但管理资产规模增加约 1 万亿美元，利润率提高 260 个基点。

这种经营杠杆来自多个环节。AI 辅助编程可以缩短软件开发周期，自动化交易与运营系统可以降低人工处理成本，数据分析工具则能提高风险管理、客户服务和产品销售效率。

在生成式 AI 的部门落地上 ,IT 运维采用比例达 47% 软件开发达 44% 客户服务达 33% 供应链与库存管理达 15%, 为当下采用最广的领域 ; 从对成本的影响看 , 客户服务成本下降 1.8% 人力与薪酬下降 1.5% 企业财务与战略下降 0.8%, 而供应链与库存管理因投资回报可观推动预算增加 1.2% 软件开发推动预算增加 0.8%。数据来源 :Morgan Stanley

当收入继续增长而人员规模保持稳定时，新增收入中的更大比例可以转化为利润。

如果这种模式扩散到更多行业，AI 对市场的影响将从「科技公司资本开支增加」转向「全行业利润率上升」

金融机构可以减少后台处理成本，制造企业可以提高设备利用率，零售企业可以优化库存，专业服务公司则可以提升单个员工的产出。

最新调查显示，提升员工整体生产力位居企业 AI 投入目标首位占比 30%, 面向客户以驱动增收的应用占 21%, 专业岗位降本增效占 17%, 而暂不评估 AI 创新的比例已降至 6%。数据来源 AlphaWise 及摩根士丹利研究部，样本量 100 涵盖美国与欧洲

盈利改善并不会平均分布。具备数据基础、技术人才和资本投入能力的企业，更容易率先获得生产率红利；

无法承担算力成本或缺乏数字化基础的企业，可能进一步落后。这意味着未来 12 个月的市场机会仍可能高度分化。

芬克的判断可以归纳为一条完整链条：

资本市场为数据中心和芯片提供融资，能源系统决定算力扩张速度，算力成本决定 AI 能否向中小企业普及，最终由企业利润率验证这轮投资是否合理。

当前金融系统的整体杠杆水平并未呈现类似 2008 年的明显失衡，因此他更关注基础设施供给不足，而非系统性金融危机。

标普成分股之间的已实现相关性接近历史最低水平 , 正是这种低相关使得指数波动率在个股波动率大幅走高之际仍被控制在较低区间。数据来源 :BofA Global Research

市场很快就会从「大模型狂热」中冷静下来。衡量 AI 行情延续性的标尺，正在从技术端的「芯片销量」转移到应用端的「商业闭环」

截至 2026 年 7 月 10 日 , 所覆盖半导体个股的空头持仓占流通股比例平均为 5.6% 中位数为 4.8%, 较一个月前的平均 6.4% 小幅回落 ; 个股中 SWKS 升至 19.2% 处于高位 ,NVTS 为 14.6%IONQ 为 11.8%, 而 NVDA 与 AVGO 等大市值龙头维持在 1.5% 以下的低位。数据来源 :FactSet Morgan Stanley Research

这需要电网的支撑、云端算力降本的配合，以及企业应用落地后的变现能力。

脱离了生产率提升的牛市注定难以持久，唯有当技术投入开始转化为源源不断的现金流时，这轮 AI 革命的黄金时代才算真正开启。

本文信息主要整理自拉里 · 芬克（Larry Fink）近期 CNBC 公开访谈及贝莱德（BlackRock）对外披露的公开资料。文中所引述的观点、数据与预测均来自上述公开渠道。仅供参考，不构成任何投资建议。市场有风险，投资需谨慎。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。

本文来自虎嗅，原文链接：https://www.huxiu.com/article/4876082.html?f=wyxwapp

疑似使用 AI 生成，请谨慎甄别