全球AI投资：硬件狂飙与应用落差
2026年，全球AI投资持续高涨，仅四大科技巨头的年度资本支出预计突破6000亿美元。但一个日益突出的结构性矛盾是：资本高度集中于电力、芯片、数据中心等硬件环节，应用端的商业回报远未兑现。与此同时，估值杠杆攀升、循环交易隐现、就业替代效应初步显现等风险正在同步积累。本文沿用英伟达“五层蛋糕”框架，逐层梳理全球AI投资现状，分析潜在风险，并探讨中国的差异化优势与政策路径。
本文认为，我国AI投资呈现出与全球相异的结构性优势。中国电力成本仅为美国的五分之一以下，DeepSeek验证了低成本模型路线的可行性，国产芯片加速推进。为了加快推动我国AI发展，打造智能经济新形态，建议如下：一是加强算电协同，降低电力对算力的约束；二是巩固低成本模型路线的比较优势；三是推动AI应用高质量发展，防范虚假繁荣；四是阻断AI裁员负向循环，促进AI普及普惠。
全球AI投资集中涌入硬件与大模型
2026年初，英伟达CEO黄仁勋提出了AI产业“五层蛋糕”框架：能源、芯片、基础设施、模型、应用，本报告沿用这一框架，逐层分析全球AI投资现状。当前资本高度集中于底层硬件环节，应用层投入产出严重失衡。
（一）电力瓶颈倒逼科技巨头向重资产转型
电力供给已成为制约全球AI产业发展的关键瓶颈。据美国劳伦斯伯克利国家实验室预测，美国数据中心用电量到2028年将占全国用电量的6.7%—12%，但电网老化严重、备案装机缺口达需求的50%、社区反对导致超千亿美元项目搁置或延期。面对电力瓶颈，科技巨头的应对策略呈逻辑递进：先签购电协议、再自建电厂、后布局核电，行业正从轻资产向重资产根本性转变。
在购电协议阶段，核电资源争夺尤为激烈。核电站因其高稳定性和零碳排放，成为科技巨头争抢的首选电力来源。但美国近20年仅一座大型核电落地，截至2026年初AI数据中心核电PPA合计签约7400MW，合同期限普遍为20年，但新签难度也正在加大。
政策压力进一步倒逼科技巨头自建电厂。2026年1月，白宫联合电网运营机构PJM启动“可靠性紧急拍卖”，要求科技巨头竞标自建或全额资助新建发电厂，并签订长达15年的电力购买协议 （PPA） ，总规模预计超150亿美元。3月，白宫召集七家科技巨头签署《电力用户保护誓言》，承诺自行建设发电资源，并全额承担电力传输基础设施升级费用。科技巨头由此加速从“轻资产”云服务商向“重资产”能源运营商转型。
在更长期内，科技巨头正押注小型模块化核反应堆 （SMR） ，但商业化面临三重不确定性。截至2025年年中，超过20笔重大SMR投资已签署，这一领域正从概念验证阶段进入资本密集投入阶段。然而审批周期长、成本超预算和需求高度集中等因素，制约着大规模商用进程，预计在2030年之后方可实现。
除此之外，2025年下半年起，国外科技巨头相继布局太空数据中心，试图利用太空太阳能和真空散热突破地面能源瓶颈。太空方案不受天气影响、真空环境天然散热、不受土地和电网约束，但发射成本高昂、在轨维护和硬件替换困难、通信延迟约20至40毫秒等。当前技术验证仅处于单颗卫星运行单台GPU水平，距大规模商业化部署尚有较大差距。
（二）AI芯片产业重心从训练转向推理
推理正在取代训练成为AI芯片需求的主引擎。英伟达CEO黄仁勋在GTC 2026大会上指出，推理的拐点已经到来。如果说训练是一次性资本开支，推理则是持续性运营支出，即每一次用户调用都需要大量实时计算，需求随使用量线性增长。据德勤预测，推理在AI算力中的占比已从2023年的三分之一升至2026年的三分之二，长期有望超过80%。
推理市场的竞争格局与训练市场不同。训练依赖GPU的全栈能力，切换成本较高。推理则更注重每词元 （Token） 成本和效率，专用芯片 （ASIC） 具有优势，综合成本可比GPU低30%—50%以上。目前，国外科技巨头均已推出或正在部署推理自研芯片。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。据花旗预测，到2028年AI加速芯片市场规模将达3800亿美元，其中ASIC将占据25% 的份额。
这一趋势在中国同样显著，根据IDC预测，中国GenAI IaaS市场中训练工作负载占比将从2024年的76%下降至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%。据中金公司研报，2024年中国AI芯片总出货量超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%升至约42%。
（三）数据中心投资高速增长
数据中心是AI硬件投资的最终载体，投资规模正以前所未有的速度扩张。据Gartner数据，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四家超大规模运营商2025年共投入3575亿美元，同比增长65% （图1） 。据华尔街预测，2026年资本支出将继续增长70%至6082亿美元的规模。此外，多项超百亿美元的数据中心重大投资项目也在密集落地。例如，OpenAI/Oracle/软银联合发起的“星际之门计划”投资规模高达5000亿美元，AWS佐治亚州扩张投入350亿美元，微软承诺在英国投入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。
尽管投资加速，但短期算力供需仍然偏紧。据高盛数据，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%。据伯恩斯坦估计，到2028年底约23GW自建数据中心产能上线，但在此之前托管与租赁仍是关键补充。
电力约束正在改变数据中心选址逻辑。AI训练负载 （200MW至1GW以上） 对延迟不敏感但功率极高，正在加速向电力富余的偏远地带迁移；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核心城市。这一差异正在深刻改变全球数据中心的选址逻辑，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投资热潮下，头部模型公司估值屡创新高。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8520亿美元估值完成1220亿美元融资，并均计划于年内上市 （表1） 。
数据来源：OpenAI、Anthropic官网、Reuters
其他知名模型企业融资动态同样活跃。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 （Moonshot） 在2026年3月份开启新一轮10亿美元的融资，估值达到180亿美元，是去年底估值的四倍多。
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投资链条的价值验证环节，但当前的商业化进度滞后于投资节奏。根据红杉资本的测算模型，AI基础设施每1美元的GPU投入，需要应用端产生约4美元的收入，整条投资链条的商业逻辑才能成立。以此推算，仅英伟达2025年1937亿美元的数据中心收入，就意味着市场需要产生约7750亿美元的应用端营收，而应用端实际营收仅约1500至2000亿美元，缺口超过6000亿美元。
这一缺口的直接体现是，头部模型企业的亏损比收入扩张得更快。根据The Information数据，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，但随后Anthropic 4月份公布的年化收入已增长至300亿美元 （图2） ，反超OpenAI，收入增长迅猛。
但是，根据华尔街日报数据，Anthropic预计最早在2028年扭亏为盈，OpenAI则要到2030年。其中的关键因素在于训练和推理成本的大幅扩张。华尔街日报数据显示，预计到2029年，Anthropic仍能将训练和推理成本控制在640亿美元，而OpenAI的同期训练和推理成本预计将达到1846亿美元，约为Anthropic的三倍。此外，根据The Information报道，OpenAI内部文件预计公司2026年将亏损140亿美元，为2025年早期预测的三倍。这意味着OpenAI要在2030年扭亏为盈，前提是在四年内将收入再扩大三倍，但这一目标与当前OpenAI的经营水平相比存在相当大的挑战。
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源，在于应用端的商业化严重滞后。B端方面，即使2026年初开源AI智能体框架OpenClaw风靡全球，但AI智能体的整体商业化进程仍较为缓慢。微软Copilot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对企业的息税前利润 （EBIT） 有一定程度的影响，但其中大多数人表示AI对EBIT的贡献不足5%。C端方面，商业模式仍未跑通。以OpenAI为例，2025年12月至2026年2月，周活用户增长2亿，但付费渗透率仅提高0.8个百分点，说明新增用户中绝大多数是免费用户，增量用户的付费意愿呈边际递减。资本市场对AI商业化进展的容忍度正在下降，需要高度关注资本市场对应用回报的态度转变，及其向国内的传导。
（二）美国股市整体高估，产业链杠杆快速攀升
当前，在美股整体高估基础之上，AI板块估值压力尤为突出。今年以来，美国纳斯达克指数和道琼斯工业指数触及历史高位后回落。对两大股指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） 进行分析后显示，道琼斯四项指标已突破十年危险值，纳斯达克市净率和市销率双双突破危险值，市场正为科技企业增长支付前所未有的高溢价。尤其是，两大指数风险溢价自2023年前后降至负值并持续至今，意味着持有股票的风险补偿已不足以覆盖系统性风险，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，则可能通过港股通、中概股联动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更难以辨识。彭博社追踪了芯片厂商、云厂商与AI独角兽间的循环交易 （图3） 。其循环交易主要表现为三种关键路径，一是微软、亚马逊、谷歌等平台企业与OpenAI和Anthropic之间的资金循环；二是英伟达与OpenAI、xAI、Mistral等之间的投资关系；三是英伟达与CoreWeave、Nscale、Nebius等新云厂商之间的投资关系。这种循环交易推高了账面收入，但也强化了风险的传导，一旦链条上的某家企业收入不及预期即可能触发连锁风险。
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5家超大云厂商，以及CoreWeave、Nebius两家新云厂商的梳理显示，2025年全年债务发行总额达1218亿美元，同比增长531%。2026年仅一季度 （截至3月19日） 已发行1051亿美元，接近去年全年总额，超过此前任何一个完整年度。因此，一旦产业链上某一环节无法按时偿债，杠杆风险将沿产业链和循环链加倍放大，并有可能向国内传导。
（三）AI对劳动力市场的结构性冲击初步显现
当前AI技术的劳动替代属性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；亚马逊三个月内裁撤3万人，约占全球企业员工总数近10%；Meta计划裁员20%，涉及超1.6万人。据美国Challenger公司2026年4月2日发布的报告，AI在2026年3月首次成为美国裁员首要原因，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13%，而2025全年仅为5%，占比急剧攀升。
更值得警惕的是，资本市场正对“AI裁员”给予积极回应。Block宣布裁员近一半当天股价暴涨24.8%，单日市值增加120亿美元。这表明AI当前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，效率红利实为“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不断累积。2026年2月，海外机构Citrini Research发布报告，提出“智能替代螺旋”的恶性循环链条：企业以AI替代人力获利润改善—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“幽灵GDP”，即经济增长未能转化为国民收入与消费力，最终引发信贷违约与系统性风险。
当前该螺旋尚处起步阶段，政策窗口仍存，但若缺乏前瞻性制度安排，劳动力市场结构性失衡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
中国AI算力的核心竞争力在于电力成本。根据信通院测算数据，电力成本占数据中心运营总成本的60%至70%，直接决定词元 （Token） 的全球定价。中西部清洁能源潜力巨大，仅内蒙古、宁夏、甘肃三省截至2025年底的太阳能装机已达142GW、风电装机165GW。西部绿电用电成本可低至每度0.3元以下，中国模型每百万Token输入成本仅需0.5至1.5美元，而美国模型为2.5至10美元，差距达5倍以上。同时，与美国面临的电力瓶颈不同，中国电力供给充裕，2024年中国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
市场需求扩张吸引资本投资持续涌入，并带动国产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，其中，摩尔线程和沐曦股份登陆科创板，壁仞科技港交所上市，燧原科技科创板IPO获受理。另一方面，国产芯片企业的经营状况也得到大幅改善。2025年，寒武纪全年营收64.97亿元，归母净利润20.59亿元，实现扭亏为盈与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，分别同比增长243.4%和121.3%，归母净利润的亏损也大幅收窄。
除前述投融资进展外，我国在芯片领域同样具有结构性优势。一是在成熟制程方面具有规模优势。我国在28nm及以上成熟制程制造领域已占据重要地位。据TrendForce集邦咨询统计，我国成熟制程产能的全球占比预计在2027年将增至33%；SEMI甚至预测2028年该比例将达约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，供货的确定性对行业发展的影响更加突出。当前，海外高端AI芯片的交付周期和配额面临较大不确定性，而国产芯片的供应稳定性，则为我国AI行业发展提供了重要保障。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“Day 0”首日适配。软硬件生态协同的日趋完善，正推动国产芯片加速发展。
（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，但发展路径呈现出显著的结构性差异。中商产业研究院数据显示，2025年我国数据中心市场规模约为3180亿元，预计2026年将达到3621亿元，同比增长14%。国家数据局也披露，2022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，同时还吸引了超过2000亿元的私人投资。目前，已部署195万个服务器机架，使用率约为63%。财报数据也显示，2025年，我国主要云服务商百度、阿里、腾讯的资本支出达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证明了以极低成本实现顶级模型性能的可行性。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定价只有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发布后随即将英伟达GB200出货量预测下调三分之一。目前英伟达、亚马逊、微软均已接入DeepSeek-R1，表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，也为在全球市场以价格优势获取更多份额提供了可能。
（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居全球前列。根据Questmobile的数据，国内AI原生应用月活突破7.22亿，用户基础为商业化提供了广阔空间。经历激烈价格竞争后，商业化正迎来拐点。智谱2025年全年营收超7.24亿元，同比增长132%，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%后，调用量反而增长400%，MaaS平台年度经常性收入（A RR ）达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。为了加快推动我国AI发展，打造智能经济新形态，建议如下：
（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及算电协同，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升绿电使用比例。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具备可持续性，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投资回报链条的终点，当前商业化验证严重滞后，需从落地模式、应用拓展和资本机制三方面纠偏。
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基础技能培训的覆盖人群，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熟练用户的人群基础。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变革应当是让人更好地适应AI发展，而非简单降低人力成本。需要在提效与稳就业之间建立平衡机制，同时推动AI惠及更广泛人群。一是建立AI提效与就业稳定的挂钩机制。对利用AI提效后而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的社会保障试点，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。
总的来说，全球AI投资正处于“硬件狂飙，而应用待验证”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泡沫风险与产业变革机遇之间找到平衡，将是下一阶段政策设计的核心命题。
本期文章由腾讯研究院AI经济学研究小组：陈维宣、陈楚仪、王诗卉、贾诗玥、李安怡完成
本文来自微信公众号 “腾讯研究院”（ID：cyberlawrc），作者：陈维宣、陈楚仪、王诗卉、贾诗玥、李安怡，36氪经授权发布。
