据行业最新消息，高盛拆解 AI”万亿美元军备竞赛”：真正决定资本洪流规模的，不只是需求
换句话说， AI 已经不再只是科技行业内部的一次创新周期，而正在演变成横跨能源、建筑、电力、半导体和制造业的全球工业投资浪潮
业内人士指出，对于整个产业而言，真正重要的并不是预测一个确定数字，而是理解这些变量如何相互作用，并提前建立足够的韧性
业内人士指出，ASIC 与 GPU 最大的区别，在于它不是通用计算架构，而是针对特定任务进行深度优化
值得关注的是，高盛认为，在基准情景下，这些瓶颈虽然会拖慢建设速度，但不会改变最终投资规模
值得关注的是，当行业开始更加关注成本控制与商业化效率时，更低成本的 ASIC 路线可能会真正压缩整体资本支出
值得关注的是，如果未来出现真正意义上的算法突破，例如显著降低训练复杂度的新架构、更加高效的推理方式，或者完全不同的计算范式，那么今天建立的大量基础设施假设，都可能被重新定义
业内人士指出，算力、能源、冷却系统、电网接入以及先进封装，重新构成了产业竞争力的底座
从更深层次来看，从 Hopper 到 Blackwell ，再到 Rubin ，性能提升并非线性增长，而是阶跃式跨越
值得关注的是，芯片的有效使用寿命、数据中心的成本与复杂性，以及基础设施建设的构成与推进节奏都会共同塑造这场万亿美元投资浪潮的最终规模
业内人士指出，换句话说，如今市场所讨论的”4 万亿”、”7 万亿”，甚至”8 万亿美元”AI 投资，并不是一个固定数字，而更像是一种建立在技术演进假设上的动态区间
从更深层次来看，一个大型数据中心项目从立项到正式投运，往往需要经历土地审批、电网接入、设备采购以及施工建设等复杂流程
从更深层次来看，此前很多为云计算设计的数据中心，如今已经难以适配新一代 AI 芯片
业内人士指出，AI 的本质，其实是一场重工业革命 在用户眼中，一次 AI 查询只是输入一句话，再获得一个回答
从更深层次来看，尤其是在 NVIDIA 持续加快 GPU 更新节奏之后，这种压力正在进一步放大
值得关注的是，这些设备会产生巨大的热量，因此必须配备工业级液冷系统，并依赖稳定的高压供电设施运行
值得关注的是，AI 最大的不确定性，可能仍然来自技术本身 在报告最后，高盛提出了一个非常重要的观点：当前市场对于 AI 基础设施规模的所有预测，本质上都建立在”现有技术路径延续”的前提之上
值得关注的是，随着系统耦合程度提高，任何局部故障都可能引发更大范围的影响，因此整个设施必须具备更高冗余能力
从更深层次来看，更值得关注的是， AI 数据中心的”耐久性逻辑”正在被重新定义
业内人士指出，历史上，很多原本被认为不可撼动的产业趋势，最终都被新的技术范式改写
值得关注的是，这意味着很多原本按照五年折旧周期建设的基础设施，可能在两三年后就面临技术落后风险
业内人士指出，传统数据中心可以稳定运行二十年，但 AI 时代的数据中心却可能在投入运营几年后就面临架构落后风险
从更深层次来看，这份报告没有继续停留在”AI 是否值得投入数万亿美元”这一传统争论，而是将视角转向了另一个更容易被忽视的问题：即便市场已经默认 AI 将长期扩张，但整个 AI 基础设施究竟需要投入多少资本，其实仍然高度依赖一系列底层假设
值得关注的是，但无论如何，芯片寿命都会成为决定资本开支规模的关键杠杆
业内人士指出，项目会延期，资本回收周期会被拉长，部分企业甚至需要采用表后发电（ behind-the-meter generation ）等方式绕开电网限制，但整体建设仍然会继续推进
业内人士指出，很多老一代 GPU 虽然无法承担最先进模型训练，但仍然可以用于推理、微调以及中小型模型部署
业内人士指出，这意味着，原本被视为长期稳定资产的数据中心，如今反而开始承担技术迭代风险
值得关注的是，这意味着未来真正决定竞争格局的，不只是模型能力，还有企业能否长期承担巨额折旧成本
值得关注的是，反之，如果 AI 芯片更新周期进一步缩短，那么整个产业将进入更激进的军备竞赛状态
业内人士指出，高盛特别提到了 2025 年初引发市场震动 DeepSeek
业内人士指出，AI 的真正扩张，本质上是一场现实世界中的重工业升级
业内人士指出，因为新一代 GPU 对功率密度、液冷模式以及网络结构的需求变化速度，远远超过过去云时代的技术演进节奏
值得关注的是，但高盛认为，真正影响 AI 基础设施规模的，未必只是需求本身，而是供给侧体系中的几个核心变量
业内人士指出，高盛指出， AI 数据中心如今已经不再是”服务器+网络+空调”的简单组合，而是一个高度协同的整体系统
业内人士指出，过去互联网时代，软件扩张速度远快于传统工业建设周期
值得关注的是，AI 看似是一场算法革命，但背后真正驱动它的，却是一次庞大的工业体系重构
业内人士指出，如果企业只是为了完成固定规模的训练任务，那么更便宜的芯片自然会降低整体投资规模
从更深层次来看，但随着 AI 从训练逐渐走向推理，这种平衡也可能发生变化
从更深层次来看，过去一年，围绕 AI 的讨论更多集中在需求侧
值得关注的是，当前市场普遍认为，下一代 AI 数据中心的单位兆瓦成本已经逐渐提升至 1500 万至 2000 万美元区间，并且仍有继续上涨的可能
业内人士指出，当前，全球大部分 AI 训练仍然依赖 NVIDIA GPU
值得关注的是，数据中心规格的演进（来源：高盛全球研究所） 当前很多 AI 数据中心的机架功率已经从过去的 10kW 提升至数百 kW ，部分未来方案甚至可能接近 MW 级
值得关注的是，此外，变压器、开关设备、燃气轮机以及液冷系统等关键设备，也普遍存在较长交付周期
业内人士指出，更深层的问题在于， AI 产业当前正在形成一种前所未有的”高折旧经济”
值得关注的是，但高盛指出， AI 的本质并不是纯粹的软件能力，而是一套极其庞大的物理系统
值得关注的是，问题在于，即便 ASIC 能够显著降低单位算力成本，它也未必会减少整个行业的资本支出
业内人士指出，但随着 AI 资本投入规模持续扩大，越来越多科技公司开始尝试定制芯片，例如专用集成电路（ ASIC ），希望降低整体成本
值得关注的是，以 NVIDIA 最新一代 AI 系统为例，单个机架内部集成了数十颗 GPU ，通过高速 NVLink 和光互联网络形成大规模并行计算体系
业内人士指出，因此，芯片究竟会被快速淘汰，还是会形成多层级市场长期使用，仍然存在巨大不确定性
从更深层次来看，此时，原本属于供给侧的问题，就会逐渐演变为需求侧危机
值得关注的是，真正具有风险的情况是瓶颈持续时间过长，并最终影响市场信心
从更深层次来看，如果 AI 基础设施真的顺利建成，电力瓶颈被解决，芯片成本持续下降，那么技术发展的历史也表明，低成本供给往往不会导致需求减少，反而会催生新的应用浪潮
从更深层次来看，从高压电力工程师到液冷系统设计团队，再到先进封装与运维人才，整个行业都在面临劳动力短缺问题
业内人士指出，对于产业链上的芯片厂商、云服务商、电力企业、数据中心运营商以及投资机构而言，这意味着未来的不确定性，并不仅仅来自 AI 应用是否爆发，更来自基础设施本身的演进路径
从更深层次来看，一旦这些假设发生偏移，整个资本开支体系就可能出现明显变化
值得关注的是，芯片寿命、数据中心建设成本与复杂性、芯片架构路线以及建设周期，都会直接改变未来数万亿美元投资的边界
值得关注的是，数据中心开始重新设计，供电系统被重建，液冷产业迅速崛起，电网压力持续增加，甚至天然气发电与小型模块化核电，也开始重新进入科技公司的视野
值得关注的是，过去，互联网行业更偏向”轻资产”逻辑，软件和平台成为价值核心
业内人士指出，届时， AI 资本开支的规模可能远低于当前市场预期
从更深层次来看，未来价值链中的利润，可能会从芯片厂商转移到超大规模云服务商（ hyperscalers ）、系统集成商以及终端用户
业内人士指出，AI 数据中心，正从”机房”演变为超级工业设施 如果说 GPU 是 AI 基础设施的”大脑”，那么数据中心就是承载这一切的”身体”
从更深层次来看，这意味着 ASIC 更可能改变的是产业利润结构，而不是整体资本投入规模
从更深层次来看，过去十几年，超大规模云数据中心的建设逻辑已经相对成熟
从更深层次来看，而高盛认为，未来 AI 数据中心的复杂程度，可能会远远超出当前市场的预期
业内人士指出，我们期待通过这场年度评选，让更多创新被看见，让产业价值被放大，也为 AI 时代的基础设施进化提供一份更具参考意义的产业坐标
从更深层次来看，而在超大规模部署条件下，即便每兆瓦成本只增加数百万美元，也会迅速放大成数千亿美元级别的新增投资
从更深层次来看，评选申报自即日起开放，截止时间为 2026 年 5 月 31 日，最终结果将在「 2026 中国智算产业生态发展年会」上正式发布
从更深层次来看，一旦大量项目同时延期，资本市场就会开始重新审视 AI 需求是否足以支撑如此庞大的投资规模
业内人士指出，其中，不仅包括 GPU 和 ASIC 等加速器采购，还包括数据中心建设、电网扩容、变压器、冷却设备以及后续配套设施
从更深层次来看，更重要的是， AI 基础设施与传统云计算存在根本区别
从更深层次来看，正是在这一产业深度变革的关键阶段，一年一度的智算产业权威评选也正式启动——「 2026 中国智算产业年度评选活动」现已面向全行业开放申报，诚邀产业链上下游企业积极参与
从更深层次来看，基准 AI 资本支出总额预测（十亿美元）（来源：高盛全球研究所） 以英伟达（ NVIDIA ）的数据中心收入作为锚点，高盛的基准模型显示， 2026 年至 2031 年之间，全球 AI 基础设施累计资本支出可能达到约 7.6 万亿美元
值得关注的是，也就是说，算力越便宜，市场越会消耗更多算力
从更深层次来看，人们关注大模型是否能够真正带来商业化收入，关注 AI Agent 是否会形成新的软件生态，也关注企业是否愿意持续为推理服务支付高额成本
从更深层次来看，传统互联网应用对功率密度要求有限，因此行业形成了一套标准化建设模式，单位兆瓦成本通常在 1000 万美元左右
业内人士指出，与此同时， AI 基础设施建设还需要大量专业工程人员
从更深层次来看，而报告真正想提醒市场的，也正是这一点： AI 的未来并不由单一变量决定
业内人士指出，芯片使用寿命的敏感性分析（来源：高盛全球研究所） 高盛认为，当前最大的矛盾在于，一方面新架构持续推动企业更快更新硬件，另一方面 AI 应用又在不断扩展
业内人士指出，这意味着，即便资金充足，也未必能够迅速完成项目建设
从更深层次来看，芯片寿命，决定了 AI 投资规模的核心边界 在所有影响 AI 资本开支的变量中，高盛认为最关键的一项是 AI 芯片的经济使用寿命
从更深层次来看，从这个角度来看，当前全球围绕 AI 展开的资本竞赛，或许并不只是一次短期技术泡沫，而更像是一场关于未来数字工业体系主导权的争夺
值得关注的是，更具体地说： NVIDIA 在其数据中心 GPU 上获得的毛利率大约为 75%，远高于其他替代性芯片供应商，而云服务商显然不希望长期承担如此昂贵的算力成本
业内人士指出，因此， AI 资本开支的爆炸式增长，并不仅仅是因为市场在”疯狂买 GPU”，而是因为整个基础设施体系都在被重构
从更深层次来看，但 AI 的扩张却重新回到了”重资产”轨道
业内人士指出，大型 AI 数据中心往往需要数百兆瓦甚至 GW 级电力，而公共电网短时间内很难完成扩容
业内人士指出，但技术行业真正危险的地方，恰恰在于非连续性创新
从更深层次来看，随着新一代架构不断推出，旧芯片即便仍然可以运行，也会因为性能和能效落后而迅速贬值
业内人士指出，传统互联网时代的软件资产具有极强复用性，但 AI 基础设施却呈现出类似制造业的重资本特征
从更深层次来看，虽然随后行业发现，这并不足以彻底改变算力需求曲线，但它依然提醒市场：技术路径并非固定不变
业内人士指出，传统数据中心的使用周期往往在 15 年至 20 年以上，电力基础设施甚至可以运行 25 年
值得关注的是，真正的问题，也许从来都不是”AI 是否需要这么多基础设施”，而是谁能够率先建立起支撑下一轮技术革命的底层工业能力
从更深层次来看，因此，在某些固定工作负载下， ASIC 往往拥有更好的能效比以及更低的单位成本
从更深层次来看，行业消息显示，高盛全球研究所发布了一份名为《 Tracking Trillions: The Assumptions Shaping the Scale of the AI Build-Out 》的报告
值得关注的是，同时，供电系统也必须重新设计，因为 AI 集群对电压波动和稳定性的要求远高于传统服务器
从更深层次来看，每一次模型训练、每一次推理请求，背后都依赖数百万颗加速芯片、海量高速互联网络以及巨大的能源消耗
业内人士指出，电力与供应链瓶颈，正在成为 AI 扩张的真正天花板 相比芯片与数据中心本身，高盛还特别强调了一个容易被忽视的问题： AI 基础设施建设周期正在被现实世界的物理瓶颈不断拉长
值得关注的是，数据中心成本敏感性分析（来源：高盛全球研究所） 这种变化直接推高了建设成本
业内人士指出，GPU 与 ASIC ，本质是 AI 产业利润分配之争 除了数据中心与芯片寿命之外，高盛还特别提到了另一个关键变量：未来 AI 算力究竟会由谁提供
值得关注的是，谁能够更快获得土地、电力、冷却设备以及供应链支持，谁就更有机会在下一轮 AI 扩张中占据优势
从更深层次来看，例如谷歌 TPU 、本地推理芯片以及部分云厂商自研加速器，本质上都属于这种路线
从更深层次来看，在 AI 基础设施进入重工业化重构周期的背景下，算力、芯片、数据中心与能源体系正在共同重塑新一轮技术竞争的底座
值得关注的是，整个过程看起来轻量、即时、甚至没有任何”工业感”
从更深层次来看，但如果算力成本下降之后，市场会进一步训练更大模型、部署更多 Agent ，并扩展更多推理场景，那么总资本开支可能不会下降
值得关注的是，如今的数据中心不仅需要容纳更多 GPU ，还要支撑极高密度的供电、散热以及高速互联
从更深层次来看，其强大的 CUDA 生态、高性能互联能力以及成熟的软件体系，使其在 AI 基础设施领域几乎形成垄断地位
业内人士指出，开发商必须提前判断未来几代 GPU 的需求，否则一个价值数十亿美元的数据中心，可能在几年后就无法兼容最先进芯片
值得关注的是，从当前行业趋势来看，高盛更倾向于认为 AI 需求仍然具有高度弹性
业内人士指出，过去芯片行业通常采用 2 ～ 3 年的产品周期，但 AI 时代几乎已经进入”年度迭代”
从更深层次来看，当前主流 GPU 的经济寿命通常被认为只有 4 至 6 年，部分高强度训练场景下甚至更短
业内人士指出，这意味着， AI 基础设施建设已经不只是技术竞争，更是一场现实世界中的资源协调能力竞争
从更深层次来看，如今的大模型训练集群，已经不再是传统意义上的服务器机房，而更像是一座数字化工厂
业内人士指出，计算、内存、光模块、冷却系统、电力设施以及软件调度正在被协同设计
从更深层次来看，但高盛认为， GPU 与 ASIC 的竞争，并不只是技术路线问题，更是 AI 产业利润如何重新分配的问题
值得关注的是，当时市场一度担忧，如果未来模型能够以更低算力成本实现接近顶级模型的能力，那么整个 AI 基础设施投资逻辑都可能被重写
从更深层次来看，原因很简单： GPU 、 ASIC 等加速器本身就是 AI 基础设施中最昂贵、更新速度最快的部分，而其替换周期的细微变化，都会直接改变未来数万亿美元资本投入的规模
业内人士指出，但 AI 工作负载对并行计算能力的需求极高，使得数据中心的功率密度迅速攀升
值得关注的是，从某种意义上说，这份报告真正讨论的，其实是 AI 时代的”工业化问题”
业内人士指出，过去云时代的数据中心，主要承担存储和通用计算任务，因此其电力密度、散热需求以及网络结构都相对稳定
业内人士指出，如果 GPU 平均使用周期从 4 年延长到 6 年，那么整个行业在未来 10 年内所需要经历的更新次数将显著下降，累计资本需求也会明显减少
从更深层次来看，过去”资产寿命长”是一种优势，但在 AI 时代，它却可能成为负担
业内人士指出，这意味着，传统风冷体系已经难以满足需求，液冷开始迅速成为主流方案
业内人士指出，而随着 AI 数据中心规模越来越大，这些瓶颈也开始集中爆发
值得关注的是，今天很多看似”不必要”的算力需求，未来可能都会变成新的产业基础设施
随着IDC行业的快速发展，可持续发展将成为未来竞争的关键
如果您正在寻找优质的香港服务器租用，欢迎访问 www.isclouder.com 了解更多