2026年，全球AI投资热潮依旧不减，仅四大科技巨头的年度资本支出预计就将突破6000亿美元。然而，在表面繁荣之下，一个日益凸显的结构性矛盾正在浮出水面：大量资金集中在电力、芯片和数据中心等硬件环节，应用端却迟迟未能带来可观的商业回报。更令人担忧的是，估值杠杆持续攀升、循环交易若隐若现、劳动力替代效应初露端倪——这些风险因素正沿着同一产业链条同步累积。接下来，我们将沿用英伟达经典的“五层蛋糕”分析框架，逐层拆解全球AI投资格局，剖析潜在风险，并立足中国视角，探讨差异化优势与政策应对路径。
从结构层面来看，我国AI投资具备一些不同于全球的独特优势。例如，我们的电力成本不足美国的五分之一，DeepSeek已证明低成本模型路线切实可行，国产芯片也在加速追赶。面向未来，要真正推动AI产业蓬勃发展、构建智能经济新形态，建议从以下方面发力：一是强化算力与电力的协同，避免电力瓶颈制约算力扩张；二是牢牢把握低成本模型这一比较优势；三是推动AI应用落地走深走实，避免表面繁荣；四是有效遏制AI裁员可能引发的负向循环，让技术红利惠及更广泛人群。
全球AI投资集中涌入硬件与大模型
2026年初，英伟达CEO黄仁勋再次提及“五层蛋糕”框架：能源、芯片、基础设施、模型、应用。本文以此为标尺，衡量全球AI投资的资金流向。结果一目了然：绝大多数资金沉淀在底层的硬件环节，应用层的产出与投入严重失衡。
（一）电力瓶颈倒逼科技巨头向重资产转型
电力短缺已成为制约全球AI产业发展的关键瓶颈。美国劳伦斯伯克利国家实验室测算显示，到2028年，美国数据中心用电量可能占到全国总用电量的6.7%至12%。问题在于，电网基础设施老旧，已备案的装机缺口仍有约一半未填补，叠加社区频繁反对，上千亿美元的项目因此搁置。被逼无奈的科技巨头开始加速向重资产模式转型：先是签订购电协议，继而自建电厂，近期更直接瞄准核电——整个产业正从轻盈的云端模式，一头扎进重资产的深水区。
购电协议领域，核电竞争最为激烈。核电站兼具稳定与零碳优势，科技巨头争相锁定。然而，美国过去二十多年仅建成一座大型核电站。截至2026年初，AI数据中心签订的核电购电协议总量仅为7400兆瓦，合同期限长达20年，新增签约难度极大。
政策因素也在推波助澜。2026年1月，白宫联合电网运营商PJM推出“可靠性紧急拍卖”，迫使科技巨头自行竞标或出资建设电厂，并签署15年期电力购买协议，总规模超过150亿美元。同年3月，又召集七家巨头签署《电力用户保护誓言》，要求其自行负责发电和输电设施升级。至此，科技巨头从“轻资产”的云服务商彻底转变为“重资产”的能源运营商。
放眼长远，这些巨头还在押注小型模块化核反应堆。到2025年年中，已签署20多笔大额订单，这一领域正从概念验证步入资本密集阶段。但审批周期长、成本超支、需求高度集中三大障碍依然存在，大规模商用预计要等到2030年之后。
此外，从2025年下半年开始，部分国外科技巨头开始探索太空数据中心方案——利用太空的太阳光和真空散热条件，规避地面电力限制。太空方案不受天气影响，真空环境天然利于散热，且不占用土地、不依赖电网。但挑战同样显著：发射成本高昂，在轨维护和硬件更换极为困难，通信延迟在20至40毫秒之间。目前技术验证仍停留在单颗卫星运行单张GPU的水平，距离大规模商用尚远。
（二）AI芯片产业重心从训练转向推理
推理正取代训练，成为AI芯片需求的新增长引擎。黄仁勋在GTC 2026上指出，推理的拐点已经到来。训练是一次性投入，推理则是持续性运营支出——每次用户调用都需要大量实时算力，需求随使用量线性增长。德勤的预测也印证了这一趋势：推理在AI算力中的占比，从2024年的三分之一升至2026年的三分之二，长期来看有望超过80%。
推理市场的竞争格局与训练市场截然不同。训练高度依赖GPU的全栈能力，替换成本较高。推理则更看重每词元的成本与效率，专用芯片在此具备明显优势，综合成本比GPU低30%至50%以上。当前，国外科技巨头均已推出或正在部署自研推理芯片。推理芯片取代训练芯片成为增长主引擎的趋势，将在2027至2028年进一步加速。花旗预测，到2028年AI加速芯片市场规模将达到3800亿美元，其中ASIC将占据25%的份额。
这一趋势在中国同样明显。IDC预测，中国GenAI IaaS市场中，训练工作负载的占比将从2024年的76%降至2029年的23%，推理需求年复合增长率高达103%，远超训练需求的26%。中金公司研报显示，2024年中国AI芯片总出货量超过270万张，本土品牌同比增长310%至82万张，国产芯片在国内AI服务器市占率从17%提升至约42%。
（三）数据中心投资高速增长
数据中心作为AI硬件投资的终极容器，其投资规模正以前所未有的速度膨胀。Gartner数据显示，2025年数据中心系统支出约4895亿美元，同比增长46.8%。微软、谷歌、亚马逊和Meta这四家超大规模运营商，2025年合计支出3575亿美元，同比增长65%（图1）。华尔街预测，2026年资本支出将继续增长70%，达到6082亿美元。与此同时，一批超百亿美元的数据中心大项目密集落地，例如OpenAI/Oracle/软银联合发起的“星际之门计划”投资高达5000亿美元，AWS在佐治亚州扩张投资350亿美元，微软在英国承诺投资300亿美元。
图1 四家超大规模运营商的资本支出 数据来源：2017-2025年数据根据财报整理得到，2026-2027年数据来自彭博社，为华尔街的平均预测值。其中，微软为财年数据。
投资虽然加速，但短期算力仍然紧张。高盛数据显示，2026年数据中心峰值占用率将达94%，到2028年仍高达90%，预计2030年才逐步回落至87%。伯恩斯坦估计，到2028年底约23GW自建数据中心产能将上线，在此之前，托管和租赁仍是关键的补充手段。
电力限制正在重塑数据中心选址逻辑。AI训练负载功率极高（200MW至1GW以上），但对延迟不敏感，正加速向电力充裕的偏远地区迁移；推理负载（20至100MW）对延迟高度敏感，必须部署在靠近终端用户的中心城市。这种差异正在重构全球数据中心的布局版图，形成“训练进山、推理留城”的分化格局。
（四）大模型企业融资规模空前
全球AI投资热潮中，头部模型公司的估值不断刷新纪录。2026年2月，Anthropic以3800亿美元估值完成300亿美元融资；3月，OpenAI则以8520亿美元估值获得1220亿美元，两家公司均计划年内上市（表1）。
数据来源：OpenAI、Anthropic正式、Reuters
其他知名模型企业同样活跃。xAI在2026年1月完成200亿美元E轮融资；Mistral AI在2025年9月完成20亿美元C轮融资，估值接近140亿美元。月之暗面在2026年3月启动新一轮10亿美元融资，估值达到180亿美元，是去年底的四倍多。
多重投资风险正在同步积累放大
（一）硬件投入与应用回报失衡，商业化进展缓慢
应用层是整条AI投资链条的最终检验环节，但当前的商业化进展明显滞后于投资节奏。红杉资本测算模型显示：AI基础设施每投入1美元GPU，应用端需产生约4美元收入，整条投资链条的商业逻辑才算成立。按此标准，仅英伟达2025年1937亿美元的数据中心收入，就意味着市场需要贡献约7750亿美元的应用端营收。而现实是，应用端营收仅约1500至2000亿美元，缺口超过6000亿美元。
这一缺口最直接的体现是，头部模型企业的亏损速度超过了收入增长速度。The Information数据显示，2026年2月，OpenAI和Anthropic的年化收入分别约为250亿美元和140亿美元，但Anthropic在4月份公布的年化收入已涨至300亿美元（图2），反超OpenAI，收入增长确实迅猛。
然而，根据华尔街日报数据，Anthropic最早在2028年才可能扭亏为盈，OpenAI则要等到2030年。关键在于训练和推理成本的大幅扩张。华尔街日报预计，到2029年，Anthropic仍可将训练和推理成本控制在640亿美元，而OpenAI同期成本预计将达到1846亿美元，约为Anthropic的三倍。The Information还报道称，OpenAI内部文件预计公司2026年亏损140亿美元，是2025年早期预测的三倍。这意味着OpenAI要在2030年前扭亏为盈，必须在四年内将收入再扩大三倍。以其目前的经营水平来看，这一目标挑战巨大。
图2 美国AI企业近三年年化收入 数据来源：The AI Corner
模型企业持续亏损的根本原因，在于应用端商业化进展过于缓慢。B端方面，即便2026年初开源AI智能体框架OpenClaw火爆一时，整体商业化进程依然缓慢。微软Copilot的企业付费用户仅占全部企业客户的3.3%；麦肯锡调查也显示，39%的受访者认为AI对企业息税前利润有影响，但绝大多数人表示影响不足5%。C端同样如此，商业模式尚未跑通。以OpenAI为例，2025年12月至2026年2月，周活用户增加2亿，但付费渗透率仅提高0.8个百分点——新用户绝大多数为免费用户，付费意愿持续走低。资本市场对AI商业化的耐心正在消退，这一问题需高度重视，尤其是其对国内市场可能产生的传导效应。
（二）美国股市整体高估，产业链杠杆快速攀升
当前美股总体估值已处于高位，AI板块压力尤为突出。今年以来，纳斯达克和道琼斯指数上冲历史高位后开始回落。对这两大指数十年来的六项核心估值指标（市盈率、市净率、市销率、市现率、股息率、风险溢价）进行分析后发现，道琼斯有四项指标已突破十年危险值，纳斯达克的市净率和市销率也双双突破危险值——市场正在为科技企业增长支付前所未有的高溢价。更值得注意的是，两大指数的风险溢价从2024年前后降至负值，至今未能回升。这意味着持有股票的风险补偿已无法覆盖系统性风险，安全边际几乎为零。一旦海外AI板块估值回调甚至泡沫破裂，很可能通过港股通、中概股联动以及市场情绪等渠道向国内传导。
图3 AI产业链上企业间的循环交易情况 数据来源：Bloomberg。数据截至2026年3月10日
关联交易使真实需求变得更加模糊。彭博社追踪了芯片厂商、云厂商和AI独角兽之间的循环交易（图3），归纳出三种主要路径：一是微软、亚马逊、谷歌等平台企业与OpenAI、Anthropic之间的资金循环；二是英伟达与OpenAI、xAI、Mistral等公司之间的投资关系；三是英伟达与CoreWea ve、Nscale、Nebius等新云厂商之间的投资关系。循环交易推高了账面收入，但也将风险串联在一起，一旦链条上的某家企业收入不及预期，就可能触发连锁反应。
产业链上相关企业发债规模激增，进一步放大了循环交易的杠杆风险。对英伟达、AMD两家硬件厂商，谷歌、Meta、亚马逊、微软、甲骨文五家超大云厂商，以及CoreWea ve、Nebius两家新云厂商的梳理显示，2025年全年债务发行总额达到1218亿美元，同比增长531%。2026年一季度（截至3月19日）已发行1051亿美元，接近去年全年总额，超过以往任何一个完整年度。一旦产业链上某个环节出现债务违约，杠杆风险将沿着产业链和循环链加倍放大，并存在向国内传导的可能性。
（三）AI对劳动力市场的结构性冲击初步显现
当前AI的替代效应正在频繁地单点爆发。2025年以来，Salesforce将客户支持人员从9000人压缩至5000人；亚马逊三个月内裁员3万人，约占全球员工总数的近10%；Meta计划裁员20%，涉及超过1.6万人。美国Challenger公司2026年4月2日发布的报告指出，AI在2026年3月首次成为美国裁员的首要原因，当月AI相关裁员1.5万人，占月度裁员总量的25%。2026年一季度AI相关裁员占比达到13%，而2025年全年仅为5%，占比急剧攀升。
尤其值得警惕的是，资本市场对“AI裁员”给出了积极回应。Block宣布裁员近一半的当天，股价暴涨24.8%，单日市值增加120亿美元。这说明AI眼下最被资本认可的商业价值，并非开辟新市场，而是替代人力、压缩成本——所谓效率红利，本质上就是“裁员红利”。若这一趋势持续，AI对就业和消费端的抑制效应将越积越重。2026年2月，海外机构Citrini Research发布报告，提出了“智能替代螺旋”的恶性循环链条：企业用AI替代人力换取利润改善→资本正反馈推动更大规模裁员→中产购买力塌陷→企业进一步依赖AI裁员→催生出“幽灵GDP”（经济增长未转化为国民收入和消费力），最终引发信贷违约和系统性风险。
目前这一螺旋尚处于起步阶段，政策窗口仍在。但若缺乏前瞻性的制度安排，劳动力市场的结构性失衡就可能从局部风险演变为系统性压力。
中国AI投资的差异化优势
（一）电力成本低廉，算电协同优势突出
电力成本是中国AI算力的核心竞争力之一。信通院测算显示，电力成本占数据中心运营总成本的60%至70%，直接决定词元的全球定价。中西部地区清洁能源潜力巨大，仅内蒙古、宁夏、甘肃三省，到2025年底的太阳能装机就已达到142GW，风电装机165GW。西部绿电用电成本可低至每度0.3元以下。由此，中国模型每百万Token的输入成本仅为0.5至1.5美元，而美国模型为2.5至10美元，差距超过5倍。同时，与美国面临的电力瓶颈不同，中国电力供给相对充裕，2024年数据中心用电量仅占全国用电量的1.7%。2026年政府工作报告首次明确提出“算电协同”，将其提升至国家战略层面。
（二）国产芯片加速发展，投融资密集推进
市场需求的扩张吸引了大量资本持续涌入，带动国产AI芯片快速发展。一方面，“国产芯片四小龙”在2025年末至2026年初密集推进资本化——摩尔线程和沐曦股份登陆科创板，壁仞科技在港交所上市，燧原科技的科创板IPO也获得受理。另一方面，国产芯片企业经营状况大幅改善。2025年，寒武纪全年营收64.97亿元，归母净利润20.59亿元，实现扭亏为盈，也是上市以来首次全年盈利。摩尔线程和沐曦股份营收分别达到15.06亿元和16.44亿元，同比增长243.4%和121.3%，归母净利润亏损大幅收窄。
除投融资进展外，中国在芯片领域还具备几项结构性优势。一是在成熟制程方面拥有规模优势。在28nm及以上成熟制程制造领域，中国已占据重要位置。TrendForce集邦咨询预计，到2027年，中国成熟制程产能的全球占比将增至33%；SEMI甚至预测2028年该比例可能达到42%。二是供货周期稳定，交付确定性强。在全球AI芯片供不应求的背景下，供货确定性对行业发展的影响更加突出。目前，海外高端AI芯片的交付周期和配额面临诸多不确定性，而国产芯片供货稳定，为国内AI行业提供了重要保障。三是与国产大模型的软硬件深度协同。国产芯片与头部大模型之间的适配正在加速成熟，例如2025年9月DeepSeek发布V3.2-Exp时，多家头部芯片企业均实现了“Day 0”首日适配。软硬件生态协同的不断完善，正推动国产芯片加速前进。
（三）数据中心同步扩张，结构性优势逐步形成
中国数据中心投资与全球同步扩张，但发展路径具有明显的结构性差异。中商产业研究院数据显示，2025年中国数据中心市场规模约为3180亿元，预计2026年达到3621亿元，同比增长14%。国家数据局也披露，2024年至2024年6月，全国八个国家大数据中心的政府投资规模已超过435亿元，并吸引超过2000亿元的私人投资。目前，已部署195万个服务器机架，使用率约63%。财报数据也显示，2025年主要云服务商百度、阿里、腾讯的资本支出达到1772亿元，同比增长51%。
与美国面临电网老化、社区反对等制约不同，中国正依托三方面优势构建差异化竞争力。一是清洁能源装机持续扩大，为数据中心提供低成本用能保障；二是“东数西算”工程实现算力资源跨区域调度，形成制度性配置优势；三是液冷技术和先进计算架构推动集约化发展，提升单位能耗下的算力产出。这些优势叠加低电价，使中国数据中心在全球算力竞争中具备长期成本优势。
（四）低成本模型路线验证成功，重塑全球竞争逻辑
DeepSeek用事实证明：以极低成本实现顶级模型性能是完全可行的。其V3模型训练成本仅约600万美元，不到OpenAI训练GPT-4的十分之一；API定价仅为GPT-5的五分之一，但性能基本一致。这一成本差距意味着，中国模型企业可以用远低于美国同行的投入，达到相近的技术水平。
低成本路线的成功，正在动摇全球AI产业“高投入换高性能”的基本假设。摩根士丹利在DeepSeek发布后，随即下调英伟达GB200出货量预测三分之一。如今，英伟达、亚马逊、微软均已接入DeepSeek-R1，说明即便是高投入路线的主导者，也不得不拥抱低成本替代方案。对中国而言，这条路线不仅降低了AI创业的资金门槛，也提供了在全球市场以价格优势争取更多份额的机会。
（五）应用生态规模庞大，商业化跨过价格战阶段
中国AI应用的用户规模和渗透率已位居全球前列。Questmobile数据显示，国内AI原生应用月活突破7.22亿，这一用户基础为商业化提供了广阔空间。经历激烈价格竞争之后，商业化正迎来拐点。智谱2025年全年营收超过7.24亿元，同比增长132%，成为国内收入规模最大的大模型公司。2026年一季度，智谱API定价提升83%，调用量反而增长400%，MaaS平台年度经常性收入达到17亿元，较12个月前增长约60倍。月之暗面旗下Kimi K2.5发布不到一个月，近20天累计收入已超过2025年全年总收入。
中国加快AI投资的政策建议
当前全球AI投资高度集中于硬件，应用端回报远未兑现。而中国在电力成本、模型效率和国产芯片替代等方面已形成差异化优势。为加快推动我国AI发展、打造智能经济新形态，建议从以下几个方面着手。
（一）加强算电协同，巩固电力成本优势
2026年政府工作报告首次明确提出“算电协同”，将其提升至国家战略层面，并与“东数西算”形成良好的政策协同。基于此，应从供给和市场侧同步发力。
一是大力推进绿电直连模式，降低智算中心用能成本。在西部算力枢纽节点，鼓励新建智算中心与风光电站通过专用输电线路直接连接。二是完善长期购电协议机制，稳定存量项目的绿电供给。可引入电价与绿电消纳量联动的浮动定价机制，激励数据中心主动提高绿电使用比例。三是创新商业模式，鼓励电力企业与算力企业成立合资实体，或将算力补贴与绿电消纳比例挂钩，以市场化方式引导资源配置。
（二）巩固低成本模型路线的比较优势
DeepSeek的成功表明低成本路线是可持续的，应从算法、生态和人才三个维度加以巩固。一是加大算法效率研发支持。设立“AI算法效率优化”专项计划，针对MoE架构、强化学习等方向提供研发补贴和税收减免。二是激励开源生态发展。对主动开源核心技术的企业给予研发费用加计扣除优惠及公共算力资源支持，巩固中国在开源模型领域的先发优势。三是加强底层人才建设。实施AI全栈工程师引进计划，夯实低成本路线的长期人才基础。
（三）推动AI应用高质量发展，从浅层尝试向深度应用迈进
应用层是AI投资回报链条的终端。目前商业化验证严重滞后，需要从落地模式、应用拓展和资本机制三方面加以纠偏。
一是以应用场景为牵引，释放需求侧投资潜力。围绕制造业、金融等重点领域，推动AI规模化落地示范，通过降低算力使用成本推动AI从“可用”向“好用、常用”转变，形成需求扩张倒逼供给提升的良性循环。二是依托现有职业技能培训补贴体系，进一步扩大AI基础技能培训覆盖人群，面向中老年群体和新就业形态劳动者提供更具针对性的普惠课程，扩大AI熟练用户基数。三是完善投融资机制。发挥政策性金融和产业基金的引导作用，鼓励发展耐心资本，创新算力租赁等模式，降低企业使用门槛。
（四）阻断AI裁员负向循环，促进AI普及普惠
良性的AI变革应让人类更好地适应技术发展，而非简单压缩人力成本。需要在提升效率与维护就业之间建立平衡机制，同时推动AI惠及更广泛群体。一是建立AI提效与就业稳定的挂钩机制。对利用AI提效但坚持不裁员的企业，给予税收优惠或Token使用补贴。二是探索增强型社会保障。适时开展全民基本服务等增强型社保试点，为可能受AI替代影响的劳动者提供过渡性保障。三是促进AI普及普惠。将AI订阅服务纳入新型服务消费支持范围，通过Token补贴等方式降低居民使用门槛，引导用户从浅层体验向深度使用转化，鼓励“一人公司”、“超级个体”等新就业形态发展。
总体来看，全球AI投资正处于“硬件狂奔、应用待考”的关键阶段。资本的高度集中既推动了基础设施的快速建设，也埋下了回报错配和杠杆累积的隐患。中国在电力成本、模型效率、芯片替代和应用规模等方面已形成差异化优势，但这一窗口期并非无限。如何在全球AI的泡沫风险与产业变革机遇之间找准平衡点，将是下一阶段政策设计的核心命题。
