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（ARR）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

腾讯研究院 AI 经济学研究小组专注于 AI 经济学前沿问题研究，聚焦人工智能对经济结构、产业效率、社会福利的深层影响，以跨学科视角，追踪研究AI技术演进中的经济学新命题、新模式，后续将围绕AI经济学议题持续输出研究内容。

*本文为腾讯研究院"长文的春天"活动征文

文章信息来自于腾讯研究院，不代表白鲸出海官方立场，内容仅供网友参考学习。对于因本网站内容所引起的纠纷、损失等，白鲸出海均不承担侵权行为的连带责任。如若转载请联系原出处。

友情提醒：白鲸出海目前仅有微信群与QQ群，并无在Telegram等其他社交软件创建群，请白鲸的广大用户、合作伙伴警惕他人冒充我们，向您索要费用、骗取钱财！