Smothering Height：摩根大通对AI科技的2026展望
2026年1月，J.P.Morgan 发布了关于 AI 科技的 2026 展望，取名为 Smothering Height（令人窒息的高度）。
四家超大规模科技企业及其所依托的半导体生态企业，市值在短短数年间从 3 万亿美元攀升至 18 万亿美元；而自 2022 年 11 月 ChatGPT 推出以来，范围更广的 42 家人工智能相关企业贡献了标普 500 指数 65% 至 75% 的营收、利润与资本支出。这道护城河真的坚不可摧吗？
博客作者对图文做了深度的解读，并做了总结。并没有按照原文进行全部直译，需要精确文章内容的读者请自行寻找原文。
因为下文洋洋洒洒五万字，解读的非常详细，所以我简单用一千字来总结下面的内容。文章深度解读了 AI 狂欢背后的四重警报：对盛宴持续的担忧、现实瓶颈、中国的崛起与地缘风暴。这篇文章要告诉你的，是一个被狂热资本和头条新闻所掩盖的真相：当前席卷全球的生成式人工智能浪潮，正同时踩着资本的油门、电力的刹车、地缘的雷区和技术竞赛的独木桥前行。它远不止是技术突破，更是一场考验美国基础设施极限（站在美国的角度）、全球供应链韧性和大国战略定力的全面压力测试。
一、 盛宴与隐忧：万亿美金赌一个未来？
当前，科技巨头正将史无前例的资本砸向AI芯片和算力，驱动了一场堪比互联网泡沫的基建热潮。然而，危险信号已现：
应用迷雾：大多数企业仍在“节流”（用AI替代人工）上打转，难以实现“开源”（创造新增收入）。AI对生产率的巨大提升（预测可达15%）仍是宏观愿景，微观盈利之路坎坷。
会计魔法：为美化报表，公司正悄然延长昂贵GPU设备的折旧年限。一旦潮水退去，巨额资产减记可能席卷而来。
最大风险源：行业面临一个悖论：最大的创新引擎OpenAI本身，因其非营利结构、巨额烧钱和不确定的商业化路径，成了整个生态中最不可预测的“X因素”。
二、 硬约束：当 AI 的胃口撞上电网的极限
Sam Altman 的警告正在成为现实：电力，而非芯片，可能成为 AI 发展的终极瓶颈。美国的数据中心电力需求正呈指数级增长，但电网建设滞后、天然气供应紧张、可再生能源尚无法稳定承载基荷。自备电厂（BYOG）设想美好却实施艰难。这场算力竞赛，正在演变为一场对国家能源体系的“压力测试”，电价飙升和供电短缺将是未来几年的常态。
三、 挑战者：中国正在构建另一套游戏规则
西方的技术壁垒，正在被中国用国家意志和差异化路径逐渐侵蚀。
集群对抗芯片：当美国用英伟达的顶级芯片建立优势时，华为选择了一条“硬核”道路——用成千上万颗性能稍逊的国产芯片，通过先进光互联技术组成超级集群，在系统层面追赶。代价是更高的功耗和成本，但目标是绝对的算力规模和自主可控。
全产业链突围：从清洁能源到核技术，中国在全力打造不依赖外部（特别是阿斯麦光刻机）的半导体产能。虽然顶尖制程仍有代差，但在“够用”的层面，其产能扩张和性能提升速度惊人。
四、 风暴眼：台海与全球科技的“阿喀琉斯之踵”
所有风险中，最具颠覆性的地缘炸弹埋在台湾海峡。
无法替代的台积电：全球超过90%的最先进芯片产自台湾，这种集中度使台积电成为比俄罗斯天然气更关键的全球单一供应点。其在美欧的设厂计划，远水难解近渴。
脆弱的生命线：台湾高度依赖能源和粮食进口，海上封锁对其是致命打击。而大陆的军事力量，特别是海、空、天基力量，已形成对台的压倒性优势和高度战备倾斜。
统一的“历史趋势”：中国将统一视为二战后的既定秩序，并以不断增强的军事演习和压力测试来推进这一目标。西方（尤其是美国）的干预意愿和能力，将成为决定局势走向的最大变数。
简而言之，我们正见证的不仅是一场技术革命，更是一场关于资本信心、物理极限、技术路线和地缘政治的复合型赌局。美国的优势建立在现有技术生态和资本规模上，但正被自身的电网和能源政策制约；中国的追赶依靠举国体制和差异化战略，但受限于基础技术和效率。而连接这两极的台湾海峡，则悬着一条足以勒断全球数字文明喉咙的供应链。
AI 的未来，将在这四重风险的共振中决定。
如果感兴趣，请继续往下读，并提前放出大纲，点击页面右侧可自行跳转。
一、光明的前景：大规模的资本开支，估值背后的风险
二、潜在风险 1：超大规模科技企业遭遇 “元宇宙式” 滑铁卢
- 2.1 基于数据科学基准测试的生成式人工智能模型发展进程
- 2.2 Gen AI 落地应用率
- 2.3 利润与就业
- 2.3.1 节流（降本）易，开源（增收）难
- 2.3.2 宏观与微观的共振：生成式人工智能有望推动美国生产率提升 15%
- 2.3.3 观点交锋：麻省理工与沃顿商学院的观点大相径庭，无论从字面还是实际意义上而言
- 2.4 生成式人工智能相关评述
- 2.4.1 财报电话会议评述
- 2.4.2 Revenue
- 2.5 GPU 及网络设备折旧的相关问题
- 2.5.1 折旧的延长与会计上的微操
- 2.5.2 无论如何，若折旧年限回落至以往水平，届时会出现怎样的局面？
- 2.6 为何生成式人工智能领域的资本开支热潮或将延续，而来自 OpenAI 的市场风险又将何在？
- 2.6.1 GenAI 资本开支热潮的看跌逻辑：红利几乎被基础设施商（半导体、电力）独占
- 2.6.2 GenAI 资本开支热潮的看多逻辑：应用前景的无限性
- 2.6.3 管中窥豹：地球上最大的风险是 OpenAI 这家公司
三、潜在风险 2：美国发电能力制约因素
- 3.1 从理论预警到现实约束
- 3.1.1 理论预警：来自 Sam Altman 的警告
- 3.1.2 现实约束：电价的直接表现
- 3.1.3 能源供应链的短缺：设备供应和电网
- 3.1.4 电力的贸易政策和进口规模：结构性困境
- 3.2 AI 数据中心对美国电力供应带来的史无前例的挑战
- 3.2.1 OpenAI 对数据中心的需求拆解
- 3.2.2 电力供应受限的各类迹象
- 3.2.3 数据中心对天燃气供应的挑战：增量为美国日均总产量 3-4%，且无法替代
- 3.2.4 自备发电模式 BYOG 可否？难
- 3.2.5 全球天然气储备储备足够，可缓解美国的困境
- 3.2.6 用户侧光伏 + 储能的配置能否替代燃气轮机提供基荷电力？不行
- 3.2.7 闲置的产能可否利用？不能
四、潜在风险 3：中国凭借自主光刻 - 半导体技术突破技术壁垒 —— 这是时间问题，而非能否实现的问题
- 4.1 中国的创新势不可挡：清洁能源，AI，与核科学
- 4.2 中国正在探索多元的发电方式
- 4.3 中国、制裁与技术壁垒(英伟达/台积电/阿斯麦)
- 4.3.1 中国 vs 美国的产业格局：中国仍然没有先进制程
- 4.3.2 华为 vs 英伟达：差距继续扩大
- 4.3.3 华为之路：押注集群，减少进口依赖美国的优势：推理阶段的规模化
五、潜在风险 4：中国与台湾
- 5.1 世界对台湾的依赖，远超欧洲对俄罗斯能源的依赖
- 5.2 关于台积电：独特且无法离开台湾
- 5.2.1 台积电的独特性有多高？极高
- 5.2.2 台积电在亚利桑那州的项目：影响很小
- 5.3 台湾地区面对海上封锁或隔离时的脆弱性有多高？极高。
- 5.3.1 台湾进口的全面依赖：能源与食物5.3.2 局势正在升温，矛头直指台湾的海上供应
- 5.4 台海，台海
- 5.4.1 台湾回归中国，是二战后国际秩序的核心内容之一
- 5.4.2 中国与台湾地区军力：图胜千言
- 5.4.2.1 2026 年 1 月 1 日更新：祖国统一势不可挡
- 5.4.2.2 中国大陆在海空力量上对台湾地区拥有绝对且不对称的优势
- 5.4.2.2 中国海军的快速扩张和美国海军的相对停滞
- 5.4.2.3 中国空军的快速现代化进程
- 5.4.2.4 中国对台海方向的高度军事倾斜
- 5.4.2.5 天基侦察与作战支援能力上的快速扩张
Appendix
- 标普 500 指数人工智能板块 42 只成分股（中英对照 + 主营业务）
一、光明的前景：大规模的资本开支，估值背后的风险
市场史上最坚固的护城河真的坚不可摧吗？
在一轮由技术进步、科技行业资本开支激增与狂热投机共同推动的上涨行情后，可以得出如下结论：自 2022 年 ChatGPT 推出以来，标普 500 指数的收益、企业利润及资本开支中，有 65% 至 75% 均来自 42 家涉足生成式人工智能领域的企业。换言之，生成式人工智能这一投资主线的热度，已然盖过了美国股市的其他板块。若失去这 42 只人工智能概念股的拉动，标普 500 指数的表现将落后于欧洲、日本和中国的股市。更能印证这一点的是，过去三个季度，科技行业的资本开支对美国国内生产总值增长的贡献率达到 40% 至 45%，而 2023 年前三季度这一比例还不足 5%。
科技的护城河，其核心根基由英伟达的芯片设计、台积电的芯片制造以及阿斯麦的光刻机共同构筑。仅四家半导体企业与四家超大规模科技企业的市值，便从七年前的 3 万亿美元增长至如今的 18 万亿美元。这些企业的股票占发达市场股市总市值的约 20%，占全球股市总市值（含新兴市场）的约 16%。
- AI 板块是绝对的增长引擎：无论是价格回报、盈利增长还是研发投入，AI 相关股票的表现都远超市场平均水平，也显著优于欧洲、日本和中国市场。
- 直接 AI 公司表现最突出：直接从事 AI 技术开发的 28 家公司，在回报、盈利和研发投入上均领跑，是 AI 浪潮中的最大受益者。
- 市场高度依赖 AI：标普 500 指数的涨幅和盈利增长，有三分之二以上来自 AI 板块，显示出市场对 AI 主题的高度依赖。
这场产业变革仍将依赖进口实现。美国半导体产业生态迄今未受到特朗普新关税政策的过多波及，进口渠道因此保持畅通。如右侧数据所示，与护城河相关的行业正享受更大范围的关税豁免 —— 此处的关税豁免率，指美国当前进口商品中，免于缴纳对等关税、芬太尼相关关税及特定产品 232 条款关税的占比。针对半导体行业的 232 条款调查目前仍在进行中，不过调查结果或为承诺在美国本土开展生产的企业提供大幅关税豁免。
四家超大规模科技企业正将营收中越来越大的比例投入资本开支与研发。Meta 的资本开支和研发投入占营收比重创下 70% 的历史新高，该公司在三季度财报电话会议中还提及，将大举增加投入，以在人工智能军备竞赛中保持竞争力。作为参照，标普 500 指数成分股企业的资本开支及研发投入营收占比中位数仅为 10%。与过往的资本开支热潮（如赌场、航空、光纤电缆、燃气轮机领域）不同的是，此次的投入热潮资金来源此前基本为企业内部产生的现金流 —— 这一状况直至近期才发生改变。
我们划定的 28 只直接人工智能概念股，总市值占标普 500 指数的 50%，而净负债占比仅为该指数的 5%。
第二张图表展示了科技及通信企业中，通过债务而非经营现金流融资的资本开支与股息占比参考指标。尽管近期资本开支大幅增加，但截至 2025 年三季度，此类债务融资规模仍处于极低水平，与上世纪 90 年代末的情况形成鲜明对比。
即便计入四季度人工智能相关债务的激增，许多人工智能企业的净负债 / 现金流比率仍为负值 —— 原因是其持有的现金及有价证券
超过了总负债（见第三张图表）。尽管如此，信贷市场已开始察觉到企业融资方式从现金流转向债务融资的这一变化，下一页将对此展开详述。自我们 9 月份指出甲骨文公司面临的经营挑战以来，其股价已下跌约 35%，信用利差扩大了 90 个基点。
多数直接人工智能概念股的自由现金流 / 营收比率，均大幅高于标普 500 指数整体水平；不过如第 15 页数据所示，超大规模科技企业的现金余额占资产的比重正持续下降。
两大债务特例企业：甲骨文与 Meta 开启通过债券市场为数据中心融资的进程
甲骨文：OpenAI 承诺每年向甲骨文支付 600 亿美元费用，用于获取甲骨文尚未建成的云计算设施服务，而这些设施的运行将需要 4.5 吉瓦的电力支持（相当于 2.25 座胡佛水坝或 4 座核电站的供电量）。由于甲骨文的自由现金流比率与超大规模科技企业相去甚远，该公司去年已开始在贷款、债券及项目融资市场大举举债。
Meta 与蓝猫头鹰资本合作，将在路易斯安那州打造亥伯龙数据中心综合体。该项目由一家合资特殊目的实体（SPV）负责融资，Meta 持有该实体 20% 的股份，蓝猫头鹰资本持有 80%；蓝猫头鹰资本旗下主体发行了 270 亿美元的投资级债券为项目建设融资，且这笔债务显然不会对 Meta 的信用评级造成影响。具体细节如下：
- Meta 签订了为期 4 年的可续期经营租赁协议，协议将于 2029 年亥伯龙数据中心竣工后正式生效。Meta 为该特殊目的实体提供了一项残值担保（RVG），该担保金额会随时间逐步递减，但始终高于未偿债务，且将在 20 年后降至零。从债券投资者的角度来看，在大多数情况下，Meta 承担的定期租金支付义务与残值担保义务，实际相当于一项三净租赁安排。
- 标准普尔目前在分析 Meta 的信用风险时，不会将该项担保义务纳入合并报表；仅会在 2029 年租赁付款开始后（假设 Meta 因某种原因在 8 年后终止租赁），将估算的 8 年租赁付款现值计入 Meta 的经调整债务。标准普尔表示，若如今就做出该项调整，Meta 的杠杆率仅会上升 0.2 倍，远低于其下调 Meta 评级的 1.0 倍临界值。因此，标准普尔维持了 Meta 的 AA - 信用评级。
- 由于该项残值担保目前为虚值状态，标准普尔未将其纳入杠杆率计算；换言之，该残值担保属于或有义务，仅在两种情况下生效：一是 Meta 终止租赁，二是蓝猫头鹰资本出售该项目后，所得收益不足以偿付该特殊目的实体债券持有人的债务。标准普尔认为，该残值担保的金额下降速度将快于项目价值的贬值速度，因此即便 Meta 终止租赁，也无需履行残值担保付款义务（不过标准普尔会对此进行定期重新评估）。如此一来，这笔债务便成功实现表外处理。
- 抛开金融工程手段，从实际经济层面出发并合并该特殊目的实体的债务来看：Meta 年初的净负债与税息折旧及摊销前利润（EBITDA）比率为负值；截至三季度，该比率升至 6.6%；纳入 2025 年 10 月发行的 300 亿美元债券后，比率进一步升至 37%；若合并亥伯龙项目相关债务义务，该比率将升至 63%。尽管这一数值仍远低于标普 500 指数成分股企业 2 倍的中位数，但与年初相比，已形成截然不同的债务格局。
估值水平：虽处高位，但未必如你所想那般夸张
许多分析师将估值视为当前人工智能周期面临的首要风险。但如下文数据所示，美国股市的估值逻辑存在内在一致性：企业盈利能力越强（横轴），市场赋予其的估值水平就越高（纵轴）。这种关联不仅体现在左侧图表中的各行业层面，将右侧图表中的个股纳入分析后，该规律依然成立。你或许会认为这条估值与盈利的关联曲线斜率过高 —— 或许确实如此；但如果仅孤立看待 “高估值” 这一表象，就会忽略科技行业相较市场其他板块而言，具备异常高的利润率这一关键前提。
另一项分析也得出了类似结论：摩根士丹利资本国际全球科技指数（MSCI World Technology Index）的市盈率相对盈利增长比率（PEG 比率，即市盈率除以预期盈利增长率），与摩根士丹利资本国际全球股票指数（MSCI World Equity Index）整体的 PEG 比率并无显著差异。
最后一组需谨记的数据：2025 年，标普 500 指数的预期市盈率（forward P/E）仅上涨约 3%；该指数年内至今 18% 的涨幅中，其余部分均由盈利增长贡献。
尽管当前科技行业资本开支占 GDP 的比重已超过互联网泡沫时期，但科技板块的估值水平仅约为互联网泡沫顶峰时的一半；美国科技企业的市盈率相对盈利增长比率（PEG）近年来仅为 1 至 3 倍，而互联网泡沫时期该指标曾达到 4 至 8 倍。同样重要的是，股市对 “未盈利新创企业” 的市值和开支依赖度已大幅降低 —— 这类成立时间短、尚未实现盈利的企业曾在互联网泡沫繁荣期扎堆登陆股市，特殊目的收购公司（SPAC）热潮时期亦是如此。
倘若估值、关税、融资能力以及未盈利新创企业这些因素，都不会对坐拥竞争壁垒的企业构成即时威胁，那么真正的威胁究竟是什么？本年度的市场展望报告将详细分析，现有竞争壁垒在中期内可能面临的各类潜在风险。报告后续还将用数个篇幅，探讨其他相关议题。
二、潜在风险 1：超大规模科技企业遭遇 “元宇宙式” 滑铁卢
在四大护城河风险中，此项风险的紧迫性最强。2022 年第四季度以来，四家超大规模科技企业已在资本开支与研发投入上耗资 1.3 万亿美元，其中绝大部分资金均投向生成式人工智能领域。这些投入最终能否转化为与之匹配的利润回报？倘若不能，这些坐拥竞争壁垒的企业或将重蹈 2022 年元宇宙概念遇冷的覆辙 —— 彼时七大科技巨头的股价曾腰斩过半。
本节将生成式人工智能相关的海量信息归为六大类，化繁为简。
- 基于数据科学基准测试的生成式人工智能模型发展进程
- 企业端生成式人工智能的落地应用率
- 生成式人工智能对企业利润及就业的影响（含麻省理工学院 / 沃顿商学院人工智能差距研究成果）
- 超大规模科技企业的营收、自由现金流利润率、现金余额及生成式人工智能相关评述
- 图形处理器及网络设备折旧相关问题探讨
- 生成式人工智能领域资本开支热潮持续的动因，以及来自 OpenAI 的市场风险
2.1 基于数据科学基准测试的生成式人工智能模型发展进程
AI在基准测试和特定任务（如编程、医学研究）上已超越人类，但这源于针对性优化，非通用能力。其短板显著：幻觉率高，未特训任务表现差。真实价值在于人机协作——当AI完成初稿再由人类修正，效率可提升约1.5倍。当前能力是“特化突破”而非“全面进化”。
生成式人工智能模型的能力提升体现在方方面面，下方首幅图表综合了其在 10 项不同基准测试中的性能得分。但无需对这些结果过度追捧，因为只要通过足够多的试错，所有基准测试的结果都可被操纵。
- 若提前针对相关素材开展训练，人工智能模型在图像识别、中等难度阅读理解、视觉推理、语言理解以及竞赛级数学运算领域的表现，能与人类持平甚至超越人类。
- OpenAI o3 模型在 Codeforces 编程竞赛中，成绩优于 99% 的人类参赛者。
- Otto-SR 是一款用于医学研究整合的语言模型（适用于科克伦系统综述），人类需要 12 个工作年才能完成的一篇综述，该模型仅用 2 天就完成了复刻；其识别相关研究的精准度、从研究资料中提取数据的准确率，均高于人类研究员。
- 可见 2025 年多数模型在解决 GitHub 实际工程问题时，能力提升速度十分显著，谷歌的模型表现尤为突出。
人工智能模型在部分领域仍存在明显短板，尤其是在未接受过专门训练的任务中：
- 左下侧图表为人工智能分析机构统计的各模型幻觉率数据（幻觉率定义为：所有提问中模型给出错误回答的占比），部分模型的幻觉率高得令人震惊。
- 仅有少数模型能通过预训练，在隐性推理能力上实现实质性提升（如谷歌双子星模型、安索普作品模型）；其他模型的性能得分提升，更多依赖于增加推理阶段的算力投入。右下侧图表是这一现象的佐证：模型在未借助思维链工具的情况下完成数学题求解。
尽管我向来对人工智能企业那些自利的宣传材料心存警惕，但仍发现 OpenAI 2025 年 9 月发布的一份报告内容颇具参考价值。该公司分析师经评估发现，人工智能模型完成实际工作任务的能力已接近专业人类水平：
- 开放人工智能推出了 GDPval 基准测试体系，该体系用于评估人工智能在现实场景中完成具有经济价值工作的能力。测试任务涵盖法律、金融、工程等 44 个职业领域，例如制作商业复盘演示文稿、起草遗嘱、绘制工程蓝图。
- 拥有约 14 年行业经验的人类专家设计了这些测试任务，此类任务通常需要普通人耗时 7 小时完成。人工智能模型与人类受试者共同完成任务，再由人类专家对成果进行评分。
- 尽管评分专家整体上更认可人类完成的工作，但在软件工程等领域，评委们更青睐部分人工智能工具的成果。请注意右下侧图表中，人工智能处理的软件工程任务复杂度正持续提升。
- 若人类专家与人工智能工具协同工作（先由人工智能尝试完成任务，再由人工仅对问题进行修正），工作成本与效率均可实现约 1.5 倍的优化。
2.2 Gen AI 落地应用率
美国 IT 行业为 AI 付费的企业比例在 2025 年已超过 70%；美国成人使用生成式 AI 的比例一年内从 45% 升至 55%，增长主要来自非工作场景（如娱乐、创作），使用率从 35% 升至近 50%。有 36% 的职业，其 25% 的工作任务会用到 AI。但以上数据无法体现企业或个人愿意为 AI 支付多少费用。也无法体现平台通过广告等模式能获得多少收入。因此，广泛应用不等于已形成清晰的盈利模式。
多项调研数据均显示人工智能应用率呈上升趋势，前三幅图表列出的正是这一趋势下的典型应用领域。Anthropic 发布的第四幅图表则展示了不同人工智能任务渗透率对应的职业占比（纵轴为职业占比，横轴为人工智能任务渗透率）—— 例如，有 36% 的职业会在 25% 的工作任务中运用人工智能。
OpenAI 2025 年 12 月发布的一份报告指出：“企业端的人工智能应用规模正持续扩大，与业务流程的融合程度也不断加深。GPT 用量同比增长 8 倍，各企业通过 API 的推理 Tokens 同比激增 320 倍。这一数据表明，采用 AI 的企业数量有所增加，且企业的人工智能使用强度也显著提升。”
需要明确的是，这类调研并不能反映出企业或个人用户愿意为这些模型支付多少费用，也无法体现出平台在用户使用模型的过程中能通过广告获得多少收益。
这四张图表从不同维度呈现了美国生成式 AI 的落地应用现状与趋势，我们逐一拆解：
- 左上：分行业 AI 付费订阅率（2023 年 1 月–2025 年 9 月）：这张图追踪了美国各行业企业为 AI 模型、平台和工具付费的比例变化。
- 信息技术（IT）行业一马当先，付费订阅率在 2025 年突破 70%，是所有行业中最高的。
- 金融保险、教育服务等行业的付费率也快速攀升，在 2025 年均突破 40%。
- 所有行业的曲线都在 2024 年底至 2025 年出现明显加速，反映出 AI 付费应用进入爆发期。
- 美国政府估算的整体企业付费率（深灰线）始终低于各行业实际水平，说明行业头部效应明显。
- 右上：分行业 AI 使用率（美国人口普查局数据，2024 年 8 月–2025 年 10 月）：这是美国人口普查局基于 20 万家企业样本，统计的各行业 “正在使用 AI” 的企业占比，包含三个时间节点的数据。
- 信息、专业科技等行业的 AI 使用率最高，2025 年 10 月已超 35%，且未来 6 个月的预期增长也最显著。
- 从时间维度看，所有行业的 AI 使用率都在持续提升，其中教育、金融等行业的增速尤为突出。
- 住宿餐饮、运输仓储等传统行业的使用率相对偏低，但也呈现明确的增长趋势。
- 左下：成人生成式 AI 使用率（2024 年 8 月–2025 年 8 月）：这是基于 2.5 万位成人受访者的调研，统计了生成式 AI 在整体、非工作场景和工作场景下的使用率变化。
- 整体使用率从 2024 年 8 月的 45% 攀升至 2025 年 8 月的 55%，一年增长 10 个百分点。
- 非工作场景（如个人内容创作、娱乐） 的使用率增长最快，从 35% 升至近 50%。
- 工作场景 的使用率虽有波动，但也从 33% 增至 37%，说明 AI 在办公场景的渗透相对平缓但稳步推进。
- 右下：AI 在各职业中的任务渗透深度（Anthropic 数据）：这张图展示了不同职业中，“至少有 X% 的任务由 AI 完成或辅助完成” 的职业占比。
- 约 36% 的职业，会在 25% 的工作任务中运用 AI，这与你之前提到的调研结论完全吻合。
- 曲线快速下降的形态表明：只有极少数职业会在超 60% 的任务中依赖 AI，多数职业的 AI 应用仍处于 “部分任务辅助” 的阶段。
2.3 利润与就业
AI对利润和就业的宏观影响已显现：生产率（尤其是科技业）显著提升，但微观回报高度分化：金融、科技等行业回报乐观，多数企业则降本增收幅度有限。当前影响本质是效率革命开端：企业普遍节流（降本）易，开源（增收）难，尚未引发大规模就业颠覆。这是远水（宏观潜力）解近渴（微观分化）的过渡期。
2.3.1 节流（降本）易，开源（增收）难
第一张图表追踪了报告可量化 AI 收益的企业数量，第二张图表则按类型细分了这些收益，其中最常见的是劳动生产率提升及其他成本节约。
- 左图：报告可量化 AI 收益的企业占比：这张图对比了标普 500 指数成分股企业（蓝色柱），与摩根士丹利分析师识别出的 AI 应用企业（金色柱）中，能报告可量化 AI 收益的企业占比变化。
- 两类企业的占比都在持续攀升，且 AI 应用企业的增长速度更快，到 2025 年 Q3 时已突破 23%。
- 标普 500 企业的占比也在 2025 年 Q3 达到约 15%，说明越来越多的企业开始看到 AI 带来的切实、可衡量的价值。
- 右图：企业财报 / 电话会议中提及 AI 收益的频次（按类型划分）：这张图统计了 13,500 份财报与电话会议记录中，企业提及各类 AI 收益的季度次数。
- 最突出的收益是劳动生产率提升（蓝色部分），这也是增长最快的类别，到 2025 年 Q3 时单季度提及次数已超 100 次。
- 成本节约及其他财务影响（红色部分） 紧随其后，说明 AI 降本增效的价值已成为企业的普遍共识。
- 其他如 “产品创新 / 开发” 和 “销售、营销、客户增长” 等收益也在增长，但频次相对较低，反映出 AI 的价值目前仍以内部效率优化为主，对外业务的贡献还逐步显现。
下一张图表更贴近我们想要衡量的 AI 实际影响：即企业因采用生成式人工智能而实现的营收增长与成本下降。需要注意的是，从目前的反馈来看，绝大多数受访者认为 AI 带来的成本与营收收益规模相对较小（蓝色与灰色柱形）。
2,854 位受访者为样本，按业务领域横向划分，左侧展示成本下降幅度，右侧展示营收增长幅度。每个颜色块代表不同的变化区间：
- 成本下降的核心发现：在所有业务领域，蓝色块（成本下降≤10%）都占据最大比例，说明多数企业目前通过 AI 实现的成本节约幅度相对温和。在 “战略与企业金融”、“人力资源” 和 “风险、法律与合规” 等领域，红色块（成本下降≥20%）的占比明显更高，反映出 AI 在这些高人力成本、规则密集型领域的降本效果更突出。
- 营收增长的核心发现：灰色块（营收增长≤5%）在所有领域都占绝对主导，这印证了之前提到的 “AI 带来的营收收益目前规模较小” 的结论。“战略与企业金融”、“供应链 / 库存管理” 和 “市场营销与销售” 的绿色块（营收增长≥10%）占比相对较高，表明 AI 在优化供应链效率和驱动客户增长方面，已能为部分企业带来显著的营收提升。
2.3.2 宏观与微观的共振：生成式人工智能有望推动美国生产率提升 15%
高盛最新发布的研究报告指出，人工智能应用已开始推动劳动生产率提升，并以以下两张图表作为佐证。从数据来看，自 ChatGPT 推出后，美国整体非农生产率与科技行业生产率均高于新冠疫情前的水平（详见表格），不过这一结果也可能纯属巧合。
尽管上述图表所对应的人工智能应用场景目前仍主要局限于编程、客户服务和咨询领域，但高盛预测，人工智能的落地应用将逐步拓展至其他行业。该机构还估算，生成式人工智能有望推动美国生产率提升 15%，并凭借其释放的营收价值带来 8 万亿美元的净现值增量。考虑到美国劳动力增长因人口老龄化、低生育率及特朗普政府移民政策预计将出现下滑，同时叠加关税引发的通胀压力、美元走弱和高财政赤字等因素，美国若要维持国内生产总值增长并压低通胀，或许需要人工智能为生产率带来大幅提振。
- 微观预期与宏观数据共振：企业和学术界的乐观估算，与宏观经济数据中生产率的显著提速形成了呼应。
- 价值释放不均：AI 的生产率提升效果在不同行业、不同企业间差异巨大，目前主要集中在科技和专业服务领域。
- 长期影响仍待观察：虽然短期数据亮眼，但学术界的预测趋于收敛，且宏观增速出现波动，AI 能否持续、广泛地提升生产率，还需要更长时间的验证。
这四张图表从企业估算、学术研究和宏观数据三个层面，交叉验证了 AI 对劳动生产率的提升作用：
- 左上：企业对 AI 提升劳动生产率的估算（百分比）：这是高盛整理的不同企业对 AI 带来的劳动生产率提升幅度的评估。
- 头部效应明显：Anthropic、Autodesk 等 AI 原生或深度应用 AI 的企业，估算提升幅度超过 60%，部分甚至突破 80%。
- 不同行业、不同企业间的估算值差异极大：从 Anthropic 的 80%+ 到 Klarna 的不足 20% 不等，反映出 AI 在不同场景下的价值释放程度差异明显。
- 专业服务与科技领先：德勤、埃森哲等专业服务公司，以及腾讯、SAP 等科技企业的估算值普遍较高，印证了 AI 在知识密集型行业的价值更突出。
- 右上：学术界对 AI 提升劳动生产率的估算（百分比）：这是高盛汇总的近年学术研究对 AI 生产率提升的估算结果。
- 长期共识待形成：不同研究的结论差异仍然很大，说明 AI 对生产率的长期影响还存在不确定性。
- 左下：疫情前 vs ChatGPT 推出后，实际生产率增速对比（年化百分比，基于实际 GDP）：这张表用官方数据对比了两个时期的生产率增速，验证了 AI 的实际影响。
- 全行业提速：非金融企业的年化生产率增速，从疫情前（2016-2020）的 1.1%，跃升至 ChatGPT 推出后（2022-2025）的 3.1%，近期（2023-2025）更是达到 3.9%。
- 科技行业领涨：信息行业的增速从 5.0% 提升至 8.9%，而数据处理细分领域的增速更是从 8.0% 飙升至 12.1%，与 AI 的应用场景高度吻合。
- 增速短期波动：近期（2023-2025）信息行业的增速回落至 6.0%，可能反映了基数效应或短期技术迭代的波动。
- 右下：疫情前 vs ChatGPT 推出后，实际生产率增速对比（年化百分比，基于总产出）：这张表用另一种统计口径（总产出）验证了左下图表的结论。
- 结论高度一致：无论是非金融企业、信息行业还是数据处理领域，用总产出法计算的生产率增速变化趋势，都与实际 GDP 法完全一致。
- 交叉验证可信度：两种统计方法得出的结果相互印证，说明生产率的提升趋势是真实且稳健的，并非单一统计口径的巧合。
2.3.3 观点交锋：麻省理工与沃顿商学院的观点大相径庭，无论从字面还是实际意义上而言
麻省理工学院 2025 年 7 月发布的一篇论文，对生成式人工智能的研究结论较为保守：截至目前，生成式人工智能带来的行业变革仅局限于媒体通信与专业服务领域，且其成功落地的比例，远低于相关调研与试点的开展比例。
MIT 勾勒出当前 AI 落地的 “冷静期” 图景：
- 影响范围有限：AI 的颠覆性变革目前仅局限在媒体通信和专业服务等少数行业。
- 落地转化率极低：从调研到成功落地的漏斗损耗巨大，大多数项目止步于试点阶段。
- 技术与场景适配不足：可靠性差、无法定制、不能持续学习等问题，是阻碍 AI 融入核心业务的关键瓶颈。
- 企业信心受挫：投入高、回报低的现状，正在显著降低企业对 AI 的乐观预期。
以下为该麻省理工学院论文的部分摘录：
- 左上：分行业生成式 AI 冲击指数：这张图衡量了不同行业受 AI 冲击的程度，指数越高代表变革越剧烈。指数的构成包含了头部现有企业的市场份额波动、AI 原生企业营收增长、新型 AI 商业模式的涌现、可归因于 AI 的用户行为变化与可归因于 AI 的管理层架构调整频率多个维度，是一个综合的衡量指标。
- 媒体通信和专业服务是受 AI 影响最深的行业，变革指数接近 2.0 和 1.5，印证了 MIT 论文中 “变革仅局限于这两个领域” 的结论。
- 医疗健康、消费零售等其他行业的变革指数普遍低于 0.5，说明 AI 在这些领域的影响目前还非常有限。
- 右上：生成式 AI 项目部署率：这张图用 “调研→试点→成功落地” 的漏斗模型，揭示了 AI 项目的高流产率。
- 虽然有近 80% 的企业调研过通用大模型，60% 调研过任务型 AI，但最终成功落地的比例仅为 40%（通用大模型）和 5%（任务型 AI）。
- 这清晰展示了 “雷声大、雨点小” 的现状：企业对 AI 的探索热情很高，但能真正将其转化为稳定生产力的寥寥无几。
- 任务型 AI 的落地率尤其低，反映出定制化场景的技术和实施难度更高。
- 左下：生成式 AI 融入核心工作流的主要障碍：这张图列出了企业在实际应用中遇到的最普遍痛点。
- “在极端场景下失效且无法自适应” 是最大的痛点，近 70% 的受访者提到了这一问题，反映出 AI 的可靠性和泛化能力仍不足。
- “每次都需要手动输入大量上下文”和“无法定制适配我们的特定工作流” 也是高频问题，说明 AI 与现有业务的融合度不够。
- “无法从我们的反馈中学习” 则直指当前 AI 缺乏持续迭代能力的短板。
沃顿商学院与麻省理工学院不仅地理位置相距 300 英里，在对生成式人工智能影响的看法上更是大相径庭。2025 年 10 月，沃顿商学院发布了《Accountable Acceleration: Gen AI Fast-Tracks into the Enterprise 负责任的加速：生成式人工智能快速融入企业》报告。该学院针对美国员工超 1000 人、营收达 5000 万美元的商业机构中 801 位资深决策者展开调研，结果显示，他们对企业生成式人工智能的投资回报率和未来 AI 支出的看法，比麻省理工学院的研究更为乐观（见图表中的蓝色和金色柱形）。这正是调研的局限性所在：它们无法替代对实际利润与支出数据的追踪，而且样本量往往偏小、缺乏代表性。
这两张来自沃顿商学院的图表，从企业规模和行业两个维度，展示了生成式 AI 的投资回报率（ROI）分布，与 MIT 的保守结论形成了鲜明对比。
- 规模与行业的影响：中等规模企业和金融、科技行业从 AI 中获益更多，而超大型企业和零售行业则相对谨慎。
- 乐观源于主观感受：沃顿的数据是企业的自我评估，而非基于实际利润的客观数据，这也印证了 “调研无法替代实际财务数据追踪” 的观点。
- 上图：按企业规模划分的生成式 AI 投资回报率：整体乐观，超大型企业反映保守，而中等规模企业最为乐观。
- 下图：按行业划分的生成式 AI 投资回报率，金融与科技最乐观，专业服务紧随其后，零售行业最保守。
这张图表展示了未来 12 个月，企业在不同职能领域对生成式 AI 的预算投入计划，从中可以清晰看出企业的投资优先级和趋势。
技术和运营是当前最核心的投资领域，而在法律、管理等风险敏感型领域则相对谨慎。尽管 MIT 的研究揭示了当前落地的痛点，但企业仍普遍愿意加大投入，显示出对 AI 长期价值的押注。
- 全领域投入增长是共识：几乎所有企业都计划增加或维持 AI 预算，仅有极少数（如市场营销领域）表示会减少投入。整体来看，80% 的企业计划增加 AI 预算（19% 大幅增加 + 43% 适度增加 + 26% 小幅增加），反映出企业对 AI 的长期信心。
- 技术与运营部门是投入重点：这两个部门的高投入，与 AI 在技术研发和流程自动化上的直接价值高度相关。
- IT 部门：计划 “大幅增加” 预算的比例最高（26%），叠加 52% 的 “适度增加”，是所有部门中投入增长最激进的。
- 运营（Ops）部门：“大幅增加” 预算的比例也达到 29%，说明企业将 AI 视为优化核心运营效率的关键。
- 法律与管理部门相对保守：这种谨慎源于这些部门的工作高风险、强合规属性，AI 的落地需要更长时间的验证。
- 法律部门：仅有 9% 计划 “大幅增加” 预算，是所有部门中最低的，同时有 19% 选择 “维持不变”。
- 管理部门：虽然 “适度增加” 的比例较高（50%），但 “大幅增加” 的比例仅为 16%。
- HR 与采购部门的增长意愿明确：人力资源（HR）和采购（Purch）部门计划 “大幅 + 适度 + 小幅增加” 预算的比例都超过了 85%，说明 AI 在人才管理和供应链优化等场景的价值正在被快速认可。
2.4 生成式人工智能相关评述
尽管超大规模云服务商迄今已投入巨额资本，但想要追踪其人工智能业务的盈利情况仍存在难度。据我们了解，微软是目前唯一一家披露人工智能专项营收的超大规模云服务商；当然，其他部分上市及非上市企业的人工智能专项营收数据，也将在下文第四张图表中呈现。鉴于超大规模云服务商的自由现金流利润率正逐步走低、现金余额持续下降，若要支撑当前的估值水平，2026 年其人工智能投资必须找到更清晰的盈利路径。而显卡及网络设备的折旧问题，让这条盈利路径变得更加模糊，相关问题我们将在下一页展开探讨。
至于供应商融资方面，英伟达已于 11 月向华尔街分析师发布说明，试图结合背景厘清该问题。
据英伟达方面披露：2025 年，公司向非上市企业投资 47 亿美元，该金额仅占其营收的 3%；这些被投企业的资金主要来自英伟达之外的第三方渠道，其营收也主要来源于第三方客户，而非英伟达自身。英伟达并未依赖大规模的供应商融资安排，且公司的应收账款周转天数（DSO）始终稳定在 53 天。
2.4.1 财报电话会议评述
- 微软推理业务：创下公司业务发展史上最快达成 100 亿美元年化营收的纪录，业务增长受算力供应不足的制约【2025 年第一季度】……“人工智能业务营收超出市场预期”【2025 年第三季度】
- 亚马逊云科技人工智能业务是 “千载难逢的机遇”，年化营收已达数十亿美元规模，但需 “在实现客户商业化变现之前” 提前进行基础设施投入【2024 年第三季度】…… Rufus 月度用户数同比增长 140%，年化增量销售额有望突破 100 亿美元【2025 年第三季度】
- 谷歌基于生成式人工智能模型开发的产品营收同比增长超 200%。AI Max for Search 已被数十万广告主采用，目前是谷歌增长最快的人工智能驱动型搜索广告产品。仅 2025 年第三季度，该产品就带来了数十亿次的新增净搜索查询量【2025 年第三季度】
2.4.2 Revenue
这四张图共同描绘了超大规模云服务商在 AI 时代的财务画像：
- 云业务仍是基本盘：传统云服务营收持续增长，是支撑企业投入 AI 的现金流基础。
- 现金流压力凸显：自由现金流利润率和现金储备的双降，表明 AI 的巨额投入正在消耗企业的财务 “弹药”。
- AI 营收是破局关键：微软 Azure 和 OpenAI 等企业的 AI 营收增长，是目前最明确的亮点，也是市场维持乐观预期的核心支撑。
- 盈利紧迫性提升：如果 AI 业务不能在 2026 年实现更清晰的盈利路径，当前的高估值将面临严峻挑战。
超大规模云服务商的季度云业务营收（左上）：整体增长，AWS 和 Azure 保持绝对领先
所有头部云服务商的营收都在持续增长，其中亚马逊 AWS 以超过 350 亿美元的季度营收遥遥领先，保持绝对龙头地位。微软 Azure 的增长最为稳健，已成为全球第二大云服务商，其季度营收突破 200 亿美元，与 AWS 的差距在逐步缩小。谷歌云与 Oracle Cloud 也在加速增长，但与前两名仍有明显差距。
超大规模云服务商自由现金流利润率（右上）：所有企业利润率下滑，AWS 低于标普 500 中位数
但是从短期上来看，并没有那么乐观，自由现金流利润率呈现健康度分化：Meta、微软和 Alphabet 的自由现金流利润率长期高于标普 500 中位数（约 12%），而亚马逊的利润率长期在低位徘徊，甚至一度为负。所有企业的利润率在 2025 年都呈现下降趋势，这与它们为 AI 算力投入巨额资本支出密切相关。这印证了之前提到的”资本压力”：超大规模云服务商正面临现金流利润率下滑的压力，需要 AI 业务尽快实现盈利来支撑。
超规模云服务商现金及等价物占总资产的比例（左下）：普遍下滑，亚马逊最严峻，这些企业急需盈利
所有头部企业的现金储备占比都在持续下降，从 2019 年的 40%-50% 区间，普遍跌至 2025 年的 15%-25% 区间。亚马逊最严峻：亚马逊的现金储备占比从 20% 左右跌至 15% 以下，反映出其在 AI 基础设施上的投入最为激进，消耗了大量现金。压力信号：现金储备的下降，进一步加剧了市场对这些企业 “需要 AI 尽快盈利” 的预期。
追踪 AI 年化营收（右下）：微软领先，原生 AI 企业崛起，新兴玩家追赶
微软 Azure 的 AI 年化营收增长最快，已突破 180 亿美元，是唯一披露 AI 专项营收的超大规模云服务商，也是当前最明确的 AI 营收赢家。OpenAI、Anthropic 等 AI 原生企业的营收也在快速增长，OpenAI 的年化营收已突破 120 亿美元，显示出纯 AI 业务的巨大潜力。CoreWeave、xAI 等专注于算力和模型的新兴企业，也开始贡献显著营收，反映出 AI 产业链的价值正在向不同环节扩散。
2.5 GPU 及网络设备折旧的相关问题
2.5.1 折旧的延长与会计上的微操
自 2020 年以来，超大规模云服务商普遍延长了 GPU 与网络资产的折旧年限。背后的原因如下：
- 旧款芯片仍可连续使用数年；即使是英伟达 A100 芯片，在投入使用 2-3 年后仍能维持高利用率，并产生正向利润。
- 新芯片推出后，旧 GPU 并不会完全报废，处理器可被重新用于推理任务，或转售给新兴市场国家。
- 更换 GPU 的成本高昂，因为可能需要同步升级供电和暖通空调（HVAC）设备，因此部分用户不会在每次芯片迭代时都更换硬件。
尽管如此，过去一年里，新云服务商和超大规模云服务商客户支付的 GPU 小时租赁费率普遍下降了 20%-25%。这一趋势或许可以部分解释，为何 CoreWeave 的股价自 2025 年 6 月的高点下跌超 50%（不过较其 3 月的 IPO 发行价仍上涨了 90%）。
这两张图共同描绘了当前 GPU 市场的 “降本” 与 “承压” 并存的局面：算力价格下行是大趋势：随着产能提升，GPU 租赁价格普遍下跌，对算力供应商的盈利能力构成挑战。企业通过会计政策应对成本压力：延长折旧年限是云服务商缓解硬件投入对利润冲击的重要手段。供需结构存在分化：旧款 GPU 因被转用于推理等场景，出现了阶段性的价格上涨，反映出 AI 算力需求的复杂性。
英伟达 GPU 小时租赁费率（2024 年 11 月 vs 2025 年 12 月）：租金普遍下跌意味着资产不在紧缺，特殊情况反映资产布局和客户需求
Neoclouds 租金普跌：A100、H100 等主流型号的租金在过去一年里下降了 22%-26%，说明随着新 GPU 产能释放，市场算力供给增加，导致价格下行。Hyperscalers 分化：H100 的租金下降了 21%，与 Neoclouds 趋势一致。A100 的租金反而上涨了 15%，这可能是因为 Hyperscalers 将旧款 A100 转用于推理任务，导致这类特定算力出现阶段性供不应求。AWS 的特殊情况：AWS 的 H100 和 A100 租金分别下降了 24% 和 26%，但 H200 租金上涨了 11%，反映出其自身算力布局和客户需求的特殊性。租金的普遍下跌直接压缩了 CoreWeave 等 Neoclouds 的利润空间，这也是其股价大幅回调的重要原因之一。
GPU / 网络设备折旧年限假设（2020-2025 年）:普遍延长这就年限，短期提升盈利，长期承担风险，AWS 回调至 5 年
所有企业都在持续延长折旧年限，例如 Meta 从 3 年延长至 5.5 年，微软和谷歌从 3 年延长至 6 年。旧款 GPU 仍能高负荷运行并产生利润，且更换硬件成本高昂，因此企业通过延长折旧年限来平滑财务报表上的成本压力。亚马逊在 2025 年将折旧年限从 6 年回调至 5 年，这可能是因为其对硬件更新速度的预期发生了变化，或是为了更谨慎地反映资产价值。延长折旧年限可以在短期内提升企业的账面利润和现金流，但也意味着未来需要承担更长时间的资产减值风险。
2.5.2 无论如何，若折旧年限回落至以往水平，届时会出现怎样的局面？
AI算力硬件的“速朽时代”正在冲击财务报表。若因 GPU 年故障率 9% 及 Blackwell 新品替代，将折旧年限从 5 - 6 年强制缩至 3 年，五大科技巨头营业利润率将普降 6%-14%，每股收益缩水 6%-17%。这揭示了 AI 军备竞赛的隐藏成本：技术迭代越猛，硬件资产沉没越快，高资本支出正迅速侵蚀账面利润。这是重资产追逐尖端技术的必然财务代价。
这一变化可能由以下因素触发：
（a）超大规模云服务商在翻新现有数据中心时，用新 GPU 替换并淘汰旧款设备；
（b）有证据证实数据中心 GPU 的年故障率约为 9%；
（c）即便是推理任务，用户也开始选择 Blackwell 系列 GPU，这可能会导致前代芯片的价值大幅缩水
该表格以 2022 年 ChatGPT 推出后新增的 GPU 及网络设备为样本，估算了若将其折旧年限缩短至 3 年，对企业折旧费用、利润率及每股收益（EPS）的影响。由于企业相关披露信息不完整，我们基于表格下方所列的若干假设进行了测算。结果显示：除甲骨文（Oracle）的下滑幅度会更大外，其余企业的每股收益和营业利润率预计将下调 6%-8%。
下一步，超大规模云服务商可能会增加相关信息披露，阐明其 GPU 及网络设备折旧年限假设的依据，这在一定程度上有望缓解这一问题。此外，特朗普政府允许英伟达向中国出口 H200 芯片的决定，或有助于支撑相关资产的长期价值，并巩固当前的折旧年限假设。
主要影响数据
| 指标 | 亚马逊 | Meta | 微软 | 谷歌 | 甲骨文 |
|---|---|---|---|---|---|
| 折旧费用变化 | 从 103.15 亿美元增至 171.92 亿美元 | 从 73.94 亿美元增至 135.56 亿美元 | 从 83.65 亿美元增至 167.31 亿美元 | 从 86.67 亿美元增至 173.35 亿美元 | 从 25.09 亿美元增至 50.17 亿美元 |
| 营业利润率变化 | 下降 9%（11.0%→10.0%） | 下降 8%（43.2%→40.0%） | 下降 6%（46.3%→43.4%） | 下降 7%（32.2%→29.9%） | 下降 14%（30.4%→26.2%） |
| 每股收益（EPS）变化 | 下降 7%（7.17→6.64） | 下降 7%（23.22→21.52） | 下降 7%（14.11→13.19） | 下降 6%（10.29→9.70） | 下降 17%（4.38→3.62） |
- 普遍负面影响：所有企业的营业利润率和 EPS 都会因折旧年限缩短而下降，其中甲骨文的受冲击最严重，其利润率和 EPS 分别下降 14% 和 17%，这与其当前折旧年限最长（6 年）有关。
- 微软和谷歌相对稳健：这两家企业的利润率和 EPS 降幅在 6%-7% 之间，是五家中最小的，反映出其业务结构对硬件折旧的缓冲能力更强。
- 亚马逊的独特性：虽然亚马逊的折旧年限调整幅度（从 5 年→3 年）小于其他企业，但因其 AI 资本支出占比假设较低（20%-50%），实际影响幅度仍处于中等水平。
2.6 为何生成式人工智能领域的资本开支热潮或将延续，而来自 OpenAI 的市场风险又将何在？
2.6.1 GenAI 资本开支热潮的看跌逻辑：红利几乎被基础设施商（半导体、电力）独占
当前AI浪潮呈现清晰价值链分化：红利几乎被基础设施商（半导体、电力）独占，其股价超额收益超 60%；而寄望于 AI 增收或降本的应用企业，股价与大盘持平甚至跑输。同时，模型市场正加速碎片化（“Other”类模型消耗量陡增），侵蚀头部玩家份额。这表明，AI的产业红利目前是高度集中的“上游硬科技盛宴”，下游应用层的规模化商业价值兑现与市场回报，仍远未到来。
已有不少企业的案例表明，将生成式人工智能应用于供应链与物流管理（如 CH Robinson）、移动广告及广告竞价自动化（如 AppLovin）、提升客户服务的效率与响应速度（如 Mr. Cooper Group）后，企业盈利与股价均实现了上涨。Palantir 和 Databricks 也属于典型案例：二者将人工智能深度融入业务流程，且该技术已成为企业盈利增长的重要驱动力。但从全市场维度来看，截至目前，仅有人工智能基础设施供应商斩获了丰厚的超额收益。那些被认为将从人工智能产品销售、人力成本降低中受益的一众企业，其股价表现与标普 500 等权重指数持平。
倘若这一态势持续，那么除人工智能基础设施相关标的外，生成式人工智能赛道仍将是精选个股的逻辑，而非具备长期普涨性的赛道逻辑。
当前 AI 行业的 “冰火两重天”：基础设施是确定的赢家：在资本开支热潮下，AI 硬件和算力供应商获得了最明确的收益。应用层分化严重：大多数 AI 应用企业并未带来超额回报，只有少数个股表现亮眼。头部模型面临竞争压力：模型市场的碎片化正在加剧，OpenAI 等头部玩家的市场地位正面临挑战。
截至目前，仅 AI 基础设施企业获益（相对于标普 500 等权重指数的超额收益，2023 年 12 月 31 日 = 100）：基础设施一骑绝尘，AI 应用公司表现平淡，AI 受益公司跑输大盘。AI 的红利目前高度集中在基础设施环节，而在应用层和效率提升层的企业尚未兑现市场预期。
- AI 基础设施企业一骑绝尘：半导体、电力设备等基础设施企业的指数回报一路走高，截至 2025 年底已突破 160，大幅跑赢市场。这印证了 “仅基础设施供应商获得超额收益” 的结论。
- AI 赋能营收的企业表现平淡：提供 AI 产品和服务的软件企业指数回报仅在 100-110 区间波动，基本与大盘持平。
- AI 生产力受益者表现最差：那些期望通过 AI 降低人力成本的企业，其指数回报一路下滑至 90 以下，跑输大盘。
右图：通过 OpenRouter API 调用的 Token 消耗量（单位：万亿 Token）：Other 爆发，头部被稀释，OpenAI 最为危险
- “Other” 类别爆发式增长：未被单独列出的其他模型的 Token 消耗量在 2025 年底出现了陡峭的攀升，占据了总消耗量的最大份额。这说明市场上涌现出大量中小模型，正在快速分流头部模型的流量。
- 头部模型份额被稀释：GPT、Claude 等头部模型的 Token 消耗虽然也在增长，但占比被不断压缩。Grok 等新模型的异军突起，进一步加剧了市场的碎片化。
- OpenAI 的市场风险：这一趋势对 OpenAI 构成了直接威胁，因为它意味着其核心产品 GPT 的市场份额正在被众多竞争对手蚕食，长期来看可能影响其定价能力和营收增长。
2.6.2 GenAI 资本开支热潮的看多逻辑：应用前景的无限性
当前AI算力需求正经历指数级爆发，API 周调用 Tokens 半年内增长超十倍。但若以 2030 年 50 亿用户、人均日耗 160 万 Tokens 的理想场景估算，现有全球AI 专用算力将被完全耗尽，无法支撑企业级应用与模型训练。这揭示了行业核心矛盾：应用前景的无限性与物理算力的有限性。云巨头们的万亿押注，实为一场与摩尔定律赛跑、以填补巨大供需缺口的豪赌。
上面右图展示了开发者通过 OpenRouter 应用程序接口（API）调用产生的 Tokens 消耗量：2025 年初周消耗量尚不足 0.5 万亿，到年末已攀升至 6-7 万亿。尽管 API 调用产生的 Tokens 消耗仅占总消耗量的一小部分，但却是衡量人工智能行业活跃度的一个有趣且高频的指标。无独有偶，谷歌的月 Tokens 消耗量也实现百倍增长，从 2024 年 4 月的 9.7 万亿增至 2025 年 7 月的 980 万亿。
我并非未来学家，也向来回避这类推演，但不妨做一个思维实验：未来面向 C 端用户的推理任务所需的计算能力，与当前的人工智能工作负载处理能力相比，差距究竟有多大？
- 假设到 2030 年代，全球有 50 亿人使用人工智能（当前全球互联网用户为 60 亿）；
- 每位用户每日因搜索、代码辅助、各类智能代理、后台助理及创意创作等需求，消耗约 160 万 Tokens。这一需求规模相较于当前水平将出现爆发式增长，且其前提是人工智能在日常生活中的应用模式发生根本性转变。所有用户的 Tokens 总消耗量将达到每日 8×10¹⁵个（8 千万亿）；
- 要承接每日 8 千万亿个 Tokens 的处理需求，需要多大的算力支撑？根据半导体行业分析机构 SemiAnalysis 的数据，若使用英伟达 GB200 显卡，通过 Dynamo TRT 张量推理引擎及 MTP 多张量处理技术，将 DeepSeek 的 R1 0528 模型以 FP4 四精度运行，结合用户交互强度（每位用户每秒 Tokens 处理量 70 至 130 个）的差异，每兆瓦算力每秒可输出 100 万至 400 万个 Tokens。据此计算，要满足 C 端用户推理任务的 8 千万亿 Tokens 需求，需投入 23-92 吉瓦的有效推理算力。目前全球数据中心的总算力为 125 吉瓦，但据估算，其中仅有约 20 吉瓦可处理人工智能工作负载（区别于传统企业级工作负载）。
- 因此，基于上述假设，即便现有人工智能算力能够满足未来 C 端用户的推理需求，也将完全没有剩余算力来承接企业、政府 / 国防领域的推理需求，或是低延迟推理场景（如机器人、自动驾驶汽车、仓储自动化、配送机器人、农业及商用无人机）的需求，更无法支撑基础大模型的训练算力。
这并非是对未来的预测，我只是想借此说明，当前我所看到和听到的一些乐观论点究竟是基于何种逻辑。摩根大通的人工智能专业人士协助我梳理了以下可能影响未来人工智能工作负载算力需求的因素；显然，超大规模云服务商正押上全部身家，赌的就是这些因素中的核心部分。
云计算资源需求增长
- 推理模型的 Tokens 消耗量是非推理模型的 20 至 40 倍。越来越多的智能代理将采用推理模型，且大多数代码开发任务也将使用推理模型。
- 我们仍处于发展的极早期阶段，许多垂直领域的专用模型（例如法律、金融等）仍处于起步阶段。
- 多数大型企业尚未规模化落地 AI 应用场景（尤其是高并发场景）。
- 创意工作对 Tokens 的消耗极大，而大多数工作室、广告公司及个人内容创作者仍处于使用这项技术的初期阶段。
- 智能代理将被广泛用于持续监控生产环境中的软件服务，覆盖开发运维、安全运维、异常检测等场景：这些场景往往对输入 Tokens 的需求极高。
- 医疗健康 / 药物发现领域的 AI 应用尚处早期，其算力需求可能成为巨大的未知变量。
- 越来越多的数据将适配 AI 处理，同时 AI 也将生成更多数据，形成正向飞轮效应。
- 欺诈检测、推荐系统与个性化服务正逐步转向基于 Transformer 的架构，这类架构所需的算力远高于传统模型。
云计算资源需求下降
- 模型集成、专家混合架构、GPU 技术进步、推理优化及专用加速器等技术，将持续通过降低特定工作负载的算力需求来削减成本。
- 大型企业可能从通用模型转向经后训练的小型专用模型。
- 随着 Adding Accelerator 成本的降低，AI 算力将逐步向边缘设备、个人电脑及移动设备迁移。
2.6.3 管中窥豹：地球上最大的风险是 OpenAI 这家公司
OpenAI的野望揭示了AI行业的核心矛盾：其营收预测三个月内上调 50% 的极度乐观，正撞上冰冷的物理极限：为实现2030年目标所需的30吉瓦电力，已接近美国全年新增供电总量。这意味着一家公司的算力军备赛，可能耗尽全行业能源预算。OpenAI 不仅是最大单体风险，其困境更预示着整个 AI 竞赛的终极瓶颈：电力，而非算法，将成为增长的硬边界。
理解这一看多逻辑有个更简单的方式：参考 OpenAI 的最新预测数据。有数据显示，从用户增长、商业化变现及模型 / 产品能力来看，OpenAI 已领先竞争对手 6 至 12 个月。第一张表格能清晰看到，OpenAI 在 2025 年年中对 2027 年的业绩预测，仅时隔三个月就被其自身更新的 2027 年预测大幅超越。
若能保持当前发展轨迹，OpenAI 预计截至 2030 年，其模型训练所需的算力仍将超过推理算力。但结合第二张表格来看，要实现这些预测目标，OpenAI 到 2030 年需要 30 吉瓦的新一代算力支撑 —— 这无疑是一道艰巨的关卡。正如我们在下一部分将阐述的，即便扣除新能源发电的间歇性与可靠性折损，2024 年全美新增的电力装机容量也仅为 25 吉瓦。受联合循环涡轮机交付延迟、电网并网瓶颈、小型模块化反应堆与核聚变项目的时间表被过度乐观预估，以及已关停但仍具备运营条件的核裂变电站重启机会有限等因素影响，能源问题或将成为人工智能产业发展的重要制约因素，这一话题我们将展开探讨。
尽管 OpenAI 是一家非上市公司，但其对整个人工智能赛道而言，堪称最大的单一企业风险来源，其影响甚至超过英伟达。目前 OpenAI 的年化营收有望达到 100 至 200 亿美元，已与企业合作伙伴达成总计 1.4 万亿美元的合作承诺；而其营收来源仍仅依赖订阅费和开发者 AI 服务费用，搜索引擎 / 广告、云计算、硬件销售相关收入寥寥无几甚至为零。在布拉德・格斯纳的 BG2 播客节目中，当被追问这一问题时，奥尔特曼回应道：“如果你想卖掉股份，我可以帮你找到买家。我只能说…… 到此为止吧。” 与此同时，OpenAI 首席经济学家透露，GPT 的查询请求中，有 72% 与商业用途无关。未来 12 至 18 个月，这家公司的发展注定充满变数。
一个 “野心与风险并存” 的故事：OpenAI 的增长前景极为乐观：其业务预测的持续上调，反映出模型能力和商业化进展远超预期。算力与电力投入是巨大挑战：要实现这些目标，需要投入的 GPU 和电力规模，已经接近甚至超出了当前全球能源和硬件供应链的承载极限。能源是最大的不确定性：30 吉瓦的电力需求，与美国新增电力供应的现实之间存在巨大缺口，这可能成为 OpenAI 乃至整个 AI 行业发展的最大制约因素。
左表：OpenAI 预测持续上调（2027 年展望）：这张表对比了 OpenAI 在 2025 年年中与 10 月底对 2027 年的两次预测，反映出其业务增长预期的快速提升。
- 营收预期大幅跃升：2027 年营收预测从 600 亿美元上调至 900 亿美元，增幅达 50%，显示其对商业化能力的信心显著增强。
- 用户与变现能力双升：周活跃用户数从 14 亿上调至 18 亿（+29%），付费订阅用户从 5800 万增至 7600 万（+31%），同时付费用户的 ARPU（每用户平均收入）也从 740 美元增至 880 美元（+19%），印证了其商业化路径的有效性。
- 算力与 Token 需求爆发：推理算力成本从 210 亿美元增至 300 亿美元（+43%），API 令牌处理量从每分钟 110 亿增至 170 亿（+55%），反映出用户活跃度和模型复杂度的快速提升。
- 免费用户价值凸显：免费用户 ARPU 从 7 美元增至 12 美元（+71%），增幅最大，表明 OpenAI 在探索免费流量变现上取得了进展。
右表：当前与未来 GPU 和电力需求：这张表量化了支撑 OpenAI 增长所需的硬件和能源投入，揭示了其面临的巨大挑战。
- GPU 需求呈指数级增长：
- 用于推理的 B200 GPU 等效数量将从 2024 年的 7.2 万台激增至 2030 年的 197.5 万台。
- 用于训练的 GPU 等效数量将从 12 万台增至 223.1 万台，显示训练需求的增长速度甚至超过了推理。
- 电力需求成为关键瓶颈：
- 年度新增电力容量需从 2024 年的 0.5 吉瓦，增至 2030 年的 5.6 吉瓦，累计容量将达 30.2 吉瓦。这一需求与 “美国 2024 年全年仅新增 25 吉瓦电力” 的现实形成了尖锐矛盾，凸显了能源供应对 AI 发展的硬约束。
OpenAI 为维持其领先地位所需要投入的惊人算力成本，也解释了为何能源和 GPU 供应会成为制约 AI 发展的核心瓶颈。如果这些预算成为现实，OpenAI 的资本开支将对全球算力基础设施和能源供应体系构成巨大考验。
算力预算呈爆发式增长
- 2024 年总算力预算仅为 50 亿美元，到 2028 年预计将飙升至 1110 亿美元（推理 300 亿 + 训练 810 亿），随后在 2030 年回落至 1050 亿美元。
- 这一增长速度反映了 OpenAI 对模型训练和推理需求的急剧扩张。
训练算力始终是投入重点
- 在整个预测期内，训练算力成本（棕色柱）始终高于推理算力成本（蓝色柱），尤其在 2028 年达到峰值 810 亿美元，是当年推理成本的 2.7 倍。
- 这印证了之前的结论：OpenAI 预计到 2030 年，训练所需的算力仍将超过推理。
推理算力的增长同样显著
- 推理算力成本从 2024 年的 20 亿美元增长到 2030 年的 490 亿美元，年复合增长率高达 73%。
- 这主要是由用户规模扩大、模型复杂度提升以及多智能体应用普及所驱动。
预算峰值出现在 2028 年
2028 年是整个周期的投入高峰，之后预算开始回落，可能是因为届时新一代模型的训练效率提升，或是规模化效应带来了成本优化。
整体结论
三、潜在风险 2：美国发电能力制约因素
3.1 从理论预警到现实约束
人工智能的爆炸式发展正日益受制于能源物理现实。大模型训练耗电每年翻倍，数据中心用电增量将占全美负荷增长三分之二，直接印证了“智能成本终将与能源成本趋同”的论断。然而，尽管新能源装机快速增长，其间歇性导致实际可用电力（ELCC）增长缓慢。市场已发出明确警报：PJM容量电价飙升、企业不惜以两倍市价锁定核电，都表明稳定电力供应的稀缺性正成为AI发展的核心瓶颈。我们已从理论预警步入现实约束。
3.1.1 理论预警：来自 Sam Altman 的警告
“最终，智能的成本、人工智能的成本，将与能源成本趋同。人类能拥有多少智能、其普及程度如何，将受制于能源的充裕度。”
—— 山姆・奥尔特曼，2025 年 5 月参议院证词
“2026 年和 2027 年的峰值负荷预测增幅，几乎完全源于现有及规划中的大型数据中心向电网新增的用电负荷。”
—— 监控分析公司，PJM 独立市场监管机构，2025 年 10 月
尽管芯片设计领域的能源效率每年约提升 40%，但数据中心的用电量目前仅占美国电力总需求的 4% 至 8%，其用电增量却预计将占据全美电力负荷增长的三分之二。我们是否正愈发接近电力制约的瓶颈？不妨从一个问题切入：如果能以更低成本获取基荷电力，微软与星座能源为何要耗资重启三里岛的退役核反应堆，还签订了 20 年、每兆瓦时 110-130 美元的供电协议（约为全美 20 年电力采购协议均价的两倍）？
3.1.2 现实约束：电价的直接表现
前沿大模型的训练所需电力每年翻倍；历经多年低增长后，数据中心的建设与电力相关支出正持续攀升；在数据中心高度集中的 PJM 电力竞争市场，容量电价更是一路飙升。第四张图表最具参考价值：若扣除能源供应的可靠性与间歇性折损（即对太阳能、风能、水力发电的出力进行折算），新增发电及储能装机的实际增长幅度会平缓得多。
美国 AI 发展面临的能源困境：需求端爆炸式增长：AI 模型训练和数据中心的电力需求正在指数级上升。供应端增长乏力：新能源的快速扩张并未带来稳定电力供应的同步增长，实际可用电力的增长速度远低于需求。市场已发出警报：PJM 市场的电价飙升和企业高价锁定电力的行为，都表明能源约束正在成为 AI 产业发展的现实瓶颈。
左上：训练前沿 AI 模型所需的电力（MW）：电力需求指数级增长
电力需求呈指数级增长：从 2018 年的不足 0.1 兆瓦，到 2025 年 Grok-3 模型所需的 100 多兆瓦，训练大模型的电力需求以每年 2.2 倍的速度增长。
直接印证核心论点：这直观体现了奥尔特曼 “AI 成本终将与能源成本趋同” 的判断，模型训练的电力消耗正成为 AI 发展的刚性成本。
右上：美国建筑支出（单位：十亿美元，经季节性调整年化率）：数据中心支出快速增长
- 数据中心支出快速增长：代表数据中心的棕色曲线近年加速上扬，其增速已超过办公楼（蓝色），并正在逼近电力设施（红色）的支出规模。
- 资本开支转向算力基建：这反映出市场正为满足 AI 需求，在数据中心和电力基础设施上投入巨额资金，印证了 “数据中心用电增量将占全美负荷增长三分之二” 的预测。
左下：PJM 容量电价飙升（基础剩余拍卖价，美元 / 兆瓦）
电价创历史新高：在数据中心高度集中的 PJM 电力市场，容量电价从 2024 年的不足 50 美元 / 兆瓦，飙升至 2027/2028 年的 350 美元 / 兆瓦，若不设上限甚至会达到 530 美元 / 兆瓦。
市场信号强烈：这一飙升是电力供应紧张的直接体现，也解释了微软为何愿意以两倍于市场均价的价格重启三里岛核电站 —— 他们正在为未来的电力供应锁定成本。
补充说明
- 二者均为美国电力系统的核心组织，RTO（区域输电组织） 是美国跨州电网运营、电力市场交易的核心主体（如前文提到的 PJM 就是美国最大的 RTO），MAAC（中大西洋地区委员会） 是服务美国中大西洋沿岸各州的区域性电力协调机构，隶属于北美电力可靠性公司（NERC）体系，负责该区域电网的规划、可靠性管理与跨机构协调。
- PJM 区域（“数据中心走廊”：弗吉尼亚州、宾夕法尼亚州、马里兰州、俄亥俄州）现有及规划中的数据中心装机容量达 67 吉瓦，其次是德州的 ERCOT 电网（20 吉瓦）和加州的 CAISO 电网（含加州、内华达州，8 吉瓦）。
- 推动 PJM 容量电价飙升的因素包括：火电资产退役、为维持发电机组超期运行而支付的费用、数据中心规模扩张，以及向考虑间歇性的容量计算公式转型。
- 容量电价 Capacity payments 本质上是支付给发电企业的 “保险费”，用于保障其在用电高峰时段能提供约定的电力供应或需求响应。
右下：美国新增发电与储能装机容量（铭牌容量 vs ELCC 加权容量，单位：吉瓦）：电力的名义与实际供应的巨大差距
名义与实际供应的巨大差距：蓝色的铭牌容量（即装机容量）近年快速增长，但棕色的 ELCC 加权容量（考虑了新能源间歇性后的实际可用容量）增长平缓。
能源供应的真实瓶颈：这揭示了一个关键现实 —— 尽管美国在大力建设新能源，但实际可用的稳定电力供应增长非常有限，无法满足 AI 数据中心爆发式的电力需求。
补充说明
- 摩根大通采用了 PJM、MISO、ERCOT 和 CAISO 这几家区域输电组织提供的有效负荷承载能力（ELCC）估算值，来生成经调整的序列值。
- ELCC 是指在电网净负荷最高时段，某一特定电源预计可提供的可靠容量（以铭牌容量的百分比表示），它反映了该电源的间歇性与可靠性。
尽管许多公用事业公司对数据中心收取的电价高于其他用户，但这类上浮后的电价通常仍不足以覆盖新增发电容量的成本。
共同指向一个核心矛盾：电力
- 电价倒挂：数据中心支付的电价，不足以支撑电力公司新建电厂的成本。
- 设备短缺：即便电力公司愿意投资，燃气轮机等核心发电设备也面临价格暴涨和交付延迟。
左侧图表：数据中心专用电价仍低于新增发电成本
所有电力公司向数据中心收取的专用电价（棕色柱），最高也仅为约 50 美元 / 兆瓦时。而新建的带补贴的太阳能 + 储能项目成本约为 60-70 美元 / 兆瓦时，无补贴的则更高。联合循环燃气轮机的成本更是接近 100 美元 / 兆瓦时。
这直观印证了 “数据中心电价不足以覆盖新增发电容量成本” 的结论。电力公司若为满足数据中心需求而新建电厂，在现有电价水平下会面临亏损。
右侧说明：燃气轮机争夺战打响；发电设备的供应危机，直接加剧了电力供应的紧张
- 燃气轮机价格飙升、交付周期暴增：
- 联合循环燃气轮机的价格在过去 24 个月里从每千瓦 1200 美元涨到 2500 美元，交付周期长达 3-7 年。
- 单循环燃气轮机的价格也从每千瓦 800 美元涨到 1500 美元，交付周期 3-4 年。
- 替代方案浮出水面：
- 由于燃气轮机供应紧张，部分公司开始转向 Bloom Energy 的固体氧化物燃料电池作为替代。
- 这反映出电力供应的紧迫性。
3.1.3 能源供应链的短缺：设备供应和电网
与此同时，燃气轮机供应出现短缺，而恰逢 PJM 和 ERCOT 区域均预计数据中心将带来大规模用电负荷的激增。供应受阻的还不只是燃气轮机：输变电设备（变压器、电容器组、中高压开关）目前的交付周期已长达 3 至 5 年。
能源供应链的全面承压：
- 设备端供不应求：全球燃气轮机订单远超产能，导致交付延迟和价格飞涨。
- 电网端接入困难：数据中心的并网申请激增，但电网的审批和建设速度严重滞后。
- 供需矛盾加剧：这些问题叠加，使得美国数据中心的电力供应面临设备和电网的双重瓶颈，进一步强化了 “能源是 AI 发展硬约束” 的判断。
左图：全球燃气轮机订单，2001 年至 2030 年全球燃气轮机的订单量，揭示了发电设备的供应危机。
订单量暴增：从 2025 年开始，全球燃气轮机订单量（棕色柱）出现井喷式增长，预计在 2027 年达到 100 吉瓦以上的峰值，远超历史水平。
产能瓶颈凸显：图中的黑色虚线代表当前的生产极限（约 60 吉瓦），而未来的订单量将长期远超这一产能，意味着交付周期会持续拉长、价格也将维持高位。
直接影响：这解释了为何前文提到燃气轮机价格翻倍、交付周期长达 3-7 年，因为全球需求已经超出了制造商的生产能力。
右图：ERCOT 大型负荷并网申请指数增长，审批严重滞后
申请量呈指数级增长：大型负荷并网申请总量从 2024 年的不足 20 吉瓦，预计在 2030 年将突破 200 吉瓦，反映出数据中心在德州的爆发式增长。
并网审批严重滞后：在 2030 年的申请中，绝大多数（蓝色柱）仍处于 “未提交研究” 或 “审核中” 的阶段，而真正已经 “通电运行”（灰色柱）的项目占比极低。
电网接入瓶颈：这说明即便电力公司愿意供电，电网的接入和扩容能力也严重不足，成为数据中心落地的又一道关卡。
3.1.4 电力的贸易政策和进口规模：结构性困境
尽管半导体产业链能享受大幅的关税豁免政策，但用于建设发电装机的美国电气设备进口产品却无法享受同等待遇。
美国能源产业存在结构性困境。政策资源错配：政府优先保障了半导体产业链的关税豁免，却让发电产业链承担了更高的进口成本，加剧了电力供应的紧张。依赖进口且成本高企：美国发电设备的进口额持续飙升，但关税和全球供应短缺推高了成本，使得电力基础设施的扩张难以为继。AI 发展的潜在风险：这种政策和供应链上的双重压力，最终会传导到 AI 产业，成为其长期增长的制约因素。
左图：发电与半导体产业的关税豁免对比，半导体极高豁免权，但发电产业被忽视
- 半导体产业链享受极高豁免：计算机零件、整机和半导体的关税豁免比例都在 70%-80% 以上（红色柱），政策上得到了大力扶持，以保障 AI 芯片的供应。
- 发电产业链豁免比例低：燃气轮机、变压器、电机等发电设备的豁免比例普遍在 20%-70% 之间（棕色柱），远低于半导体产业链，导致进口成本更高。
- 政策差异的影响：这种关税政策上的差异，使得电力设备的进口和建设成本被人为抬高，进一步加剧了电力供应的瓶颈，与半导体产业的顺畅发展形成鲜明对比。
右图：美国发电设备进口额飙升，昂贵且不可靠
- 进口额持续飙升：从 2021 年的约 1200 亿美元一路攀升至 2025 年的 2000 亿美元以上，反映出美国本土发电设备产能不足，严重依赖进口。
- 需求与成本双升：进口额的暴涨，既是因为数据中心带来的电力需求激增，也与前文提到的燃气轮机等设备价格飙升直接相关。
- 供应链脆弱性凸显：美国发电设备高度依赖进口，而进口成本又因关税和全球供应紧张而上升，这使得其电力基础设施的扩张变得更加昂贵和不可靠。
3.2 AI 数据中心对美国电力供应带来的史无前例的挑战
3.2.1 OpenAI 对数据中心的需求拆解
数据中心电力需求的部分预测数据触目惊心。单是 OpenAI 一家企业，就宣布达成了四项合作协议，这些合作需要新增 30.5 吉瓦的电力供应。作个直观对比：这一规模相当于美国核电发展黄金期里，历时 5 年建成的核电装机峰值容量的约 75%—— 而这仅仅是人工智能生态中一家企业的电力需求。此外，如前文所述，扣除电力容量的间歇性与可靠性折损后，2024 年全美新增的电力装机容量也仅有 25 吉瓦。而 30.5 吉瓦的电力负荷，还需要消耗英伟达 2025 年约三倍的 GPU 出货量，且所需的高带宽内存，更是超过了当前全球的总供应量。
2025 年 9 月，《信息报》的一篇文章援引奥尔特曼在一份内部备忘录中的表述称，其最终目标是到 2033 年实现 250 吉瓦的电力规模（!!!），这一数值相当于美国电力峰值消耗量的三分之一。
以 OpenAI 为代表的 AI 巨头，其电力需求已达到可与美国国家级基建项目媲美的规模。美国现有的电力供应和建设能力，无论是历史参照还是当前增速，都难以匹配这种爆发式的需求。数据中心正朝着超大型化发展，未来三年都会保持高强度建设，这将持续推高对电力的刚性需求。
左上：OpenAI 已公布合作项目的电力需求：OpenAI 与英伟达、博通、AMD、甲骨文四家企业合作所需的电力规模总需求高达 30 吉瓦，这一需求相当于美国 2024 年全年新增的可靠电力装机总量，且仅来自一家公司的合作项目。
右上：美国历年建成核电站装机量（5 年滚动合计）30.5 吉瓦 ≈ 美国核电黄金期 5 年建设量的 75%：图中显示，美国在核电发展的鼎盛时期（1970-1990 年），5 年累计建成的核电装机峰值约为 40 吉瓦。
左下：美国数据中心装机容量的历史与预测趋势。预计到 2028 年将突破 100 吉瓦，美国在用数据中心的电力装机容量正快速增长，。
右下：美国按规模和年份划分的数据中心新增量反映，大型化趋势明显，以及未来三年都是高峰。
超大型数据中心成为主力：近年新增的数据中心中，100-500 兆瓦甚至 500-1000 兆瓦的超大型项目占比显著提升，这些正是 AI 大模型训练和推理的核心基础设施。
未来 3 年仍是高峰：预计 2026-2028 年将是新增高峰，这与 OpenAI 等企业的扩张计划高度吻合，进一步加剧了电力供应的压力。
3.2.2 电力供应受限的各类迹象
- 加利福尼亚州，英伟达总部所在地圣克拉拉市的两处数据中心项目，由数字房地产信托公司与蓝猫头鹰资本开发，目前仍处于闲置状态，原因是公用事业公司尚未做好供电准备。
- 道明尼能源近期表示，部分数据中心项目的竣工周期需耗时 5 至 7 年；亚马逊则与伯克希尔・哈撒韦旗下的一家公用事业公司陷入法律纠纷，争议焦点为数据中心的电力接入事宜。
- 美国北美电力可靠性公司指出，当前多数数据中心的建设选址，其电网基础可靠性本就处于 “高风险” 状态。
- 据 CBRE 世邦魏理仕的数据显示，数据中心市场需求极度旺盛，开发商往往能在项目竣工前数年就完成租赁签约；目前美国在建的所有数据中心项目中，已有 74% 的产能提前敲定租户。
3.2.3 数据中心对天燃气供应的挑战：增量为美国日均总产量 3-4%，且无法替代
据该柱状图显示，彭博新能源财经（BNEF）预测，到 2030 年数据中心或将使美国的天然气日需求量增加 30 至 40 亿立方英尺。结合 2025 年美国干天然气日均总产量约 1070 亿立方英尺的背景来看，这一增量规模不容小觑。彭博新能源财经还预测，截至本十年末，新接入电网的各类数据中心，从穿透式核算角度来看，约 60% 的电力供应将依赖天然气发电。
数据中心对美国天然气需求的巨大拉动，以及能源结构转型的现实挑战。数据中心将显著推高天然气需求：到 2030 年，仅数据中心一项就可能让美国天然气日需求增加 30-40 亿立方英尺。能源转型速度跟不上算力需求：尽管新能源在发展，但为数据中心供电的主力仍是天然气和煤炭，凸显了 AI 发展与能源转型之间的矛盾。天然气供应面临新压力：数据中心的爆发式增长，将给本已紧张的美国天然气供应和电力系统带来更大挑战。
左图：2030 年数据中心的天然气需求（十亿立方英尺 / 日），总需求 50 亿立方，新增 40 亿立方。
- 总需求约 50 亿立方英尺 / 日：这一规模由三部分构成，包括当前数据中心的现有需求、新建数据中心接入电网带来的新增需求，以及用户侧新增需求。
- 新增需求占大头：新建数据中心接入电网带来的新增需求（棕色部分）和用户侧新增需求（红色部分）是主要增量，合计约 40 亿立方英尺 / 日。
- 增量意义重大：这个增量相当于 2025 年美国干天然气日均总产量的约 3-4%，是一个不容忽视的规模（2025 年美国干天然气的日均产量约为 1070 亿立方英尺）。
behind the meter：电力行业术语，指用户侧、表后（即电网计量表之后的设备），通常指数据中心等大型用户自行安装的备用发电或储能设备产生的用电需求，区别于直接从电网购电的 “表前需求”。
右图：新增并网数据中心的燃料构成（发电占比），天然气仍为核心主力
- 天然气是绝对主力：在整个预测期内，天然气（灰色部分）始终是发电的最大来源，其占比从 2025 年的约 70% 上升到 2030 年的约 60%。
- 煤炭仍占一定比例：煤炭（深棕色部分）在初期仍有贡献，但占比持续下降。
- 新能源增长缓慢：风电和太阳能的占比虽然在提升，但到 2030 年合计仍不足 20%，无法改变以化石能源为主的格局。
3.2.4 自备发电模式 BYOG 可否？难
那自备发电模式（BYOG：Bring Your Own Generation）又将如何发展？目前仅有 1% 的数据中心依靠自有现场发电系统供电，而布鲁姆能源公司的一项调查显示，到 2030 年，预计 38% 的数据中心将部分依靠自有电力，另有 27% 的计划完全采用自有现场发电模式。左侧图表所示的电网并网审批周期过长，或许正是这一趋势的原因所在。表格中列出了多种现场发电方案，各类方案均有其对应的成本、交付周期及性能特点。
从提交电网并网申请到实现商业运营所经历的时间变化，清晰揭示了美国电网接入的延迟问题正在持续恶化。这主要是因为数据中心等大型用电负荷的井喷式增长，超出了电网的扩容和审批能力。这种漫长的等待周期，正是越来越多的数据中心转向自备发电（BYOG）的核心原因，正如前文提到的调查显示，到 2030 年将有大量企业选择自建发电设施。
- 整体趋势持续延长：从 2000 年到 2024 年，无论哪个百分位的项目，所需时间都呈现明显的上升趋势。
- 75% 的项目耗时超 70 个月：到 2024 年，75% 的项目（红色线）从申请到运营需要超过 70 个月（约 6 年）的时间，部分时段甚至接近 80 个月。
- 中位数耗时超 50 个月：项目的中位耗时（黄色线）也突破了 50 个月（约 4 年），这意味着一半的项目都需要等待这么久。
- 最快的项目也耗时增加：即便是耗时最短的 25% 项目（蓝色线），现在也需要近 40 个月（约 3 年）才能完成并网。
配备现场发电设施的数据中心（现有及规划项目）
- xAI Colossus 1 and 2（xAI 巨像 1 号、2 号项目），OpenAI/Oracle Stargate（星际之门项目），Microsoft Three Mile Island（微软三哩岛项目），Equinix 数据中心，CoreWeave 数据中心，Meta Socrates South（Meta 苏格拉底南部项目）
燃气发电领域的新晋入局者
通用电气能源、三菱、西门子三家企业长期主导该行业，而新晋入局者为市场带来了更多选择：
- 韩国斗山能源：H 级燃气轮机
- 芬兰瓦锡兰：改装船用发动机
- 美国超音速航空技术公司：喷气式发动机改装的航改型燃气轮机
- 美国卡特彼勒：燃气轮机、往复式发动机
核心信息解读
| 发电类型 | 核心特点 | 适用场景 |
|---|---|---|
| 航改型燃气轮机 | 单机容量 30-60MW，启动速度快（10 分钟），但效率低（35-40%） | 适合需要快速响应、中等规模供电的数据中心 |
| 工业燃气轮机 | 单机容量 5-50MW，成本较低（1000-1300 美元 / 千瓦），效率低 | 适合预算有限、对规模和灵活性要求不高的场景 |
| 小型联合循环燃气轮机 | 单机容量 40-100MW，效率较高（40-55%），但启动较慢 | 适合追求较高能效、可接受一定启动时间的中大型项目 |
| 中速 / 高速往复式发动机 | 单机容量 3-20MW，占地小（5-15MW / 英亩），启动速度快（5-10 分钟） | 适合土地紧张、需要频繁启停调峰的小型项目 |
| 燃料电池 | 单机容量极小（0.325MW），效率最高（50-55%），交付周期极短（3-4 个月），但成本极高 | 适合作为基础负荷电源或对环保、噪音要求极高的场景 |
| H 级联合循环燃气轮机 | 单机容量 600-1000MW，效率最高（50-60%），但交付周期最长（36-60 个月）、成本高 | 适合超大型数据中心园区或需要长期稳定供电的项目 |
- 没有 “完美” 方案：不同方案在成本、效率、启动速度和交付周期上各有取舍，需要根据数据中心的规模、预算和需求来选择。
- 快速交付成关键：像燃料电池（3-4 个月）和往复式发动机（15-24 个月）的短交付周期，对急需电力的项目极具吸引力。
- 效率与规模的平衡：联合循环燃气轮机和燃料电池效率最高，但要么规模过大、要么成本过高，未必适合所有场景。
3.2.5 全球天然气储备储备足够，可缓解美国的困境
彭博新能源财经还指出，液化天然气(Liquefied Natural Gas) 的需求增长或将造成美国天然气市场供应趋紧，同时该机构预测，单是数据中心的天然气需求，就可能让美国在 2030 年从天然气供应过剩状态转为供应短缺。但目前全球液化天然气市场正显现出供应过剩的隐忧，这或将为美国本土天然气消费预留出更多余量。
全球 LNG 过剩缓解美国本土压力：全球 LNG 市场的供应过剩，为美国数据中心的天然气需求提供了外部缓冲。自备发电成本仍具挑战：尽管太阳能 + 电池的模式在环保上更优，但在经济上仍难以与纯天然气发电竞争，这也解释了为何数据中心仍高度依赖天然气。
左图：全球 LNG 产能利用率，供应过剩已成定局
这张图展示了全球 LNG 出口产能、进口量和利用率的长期趋势：
- 产能快速扩张，利用率持续下滑：全球 LNG 出口产能（黄色线）和进口量（蓝色线）都在持续增长，但产能利用率（红色虚线）在 2022 年达到峰值后开始急剧下降，预计到 2030 年将跌破 85%。
- 供应过剩已成定局：这印证了 “全球 LNG 市场将出现供应过剩” 的判断，意味着更多的 LNG 资源可以回流到美国本土市场，缓解数据中心带来的天然气需求压力。
- 对美国的影响：这种全球供应过剩，为美国数据中心的天然气需求提供了缓冲，也削弱了 “数据中心将导致美国天然气短缺” 的风险。
右图：美国拉斯维加斯一座 1GW 规模的 “behind the meter”（用户侧）数据中心，在不同光伏和天然气组合配置下的每兆瓦时（MWh）成本
- 成本随太阳能占比升高而上升：无论是否享受税收抵免（ITC），发电成本都随着太阳能占比的提升而增加，最高可达 160 美元 / 兆瓦时。
- 补贴的作用不改变趋势：40% 的 ITC 补贴能有效降低成本，但无法逆转成本随光伏占比上升的趋势。
3.2.6 用户侧光伏 + 储能的配置能否替代燃气轮机提供基荷电力？不行
光伏能行么？不行
正如我们将在今年晚些时候发布的能源专题中讨论的，即使计入 40% 的投资税收抵免（ITC），光伏 + 储能的度电成本（每兆瓦时）仍远高于联合循环燃气轮机。右侧上方的图表就是这一分析的一个例证。不过，对于对电价敏感度较低、更关注快速投产的运营商而言，光伏 + 储能或许可行；对人工智能基础设施开发商来说，哪怕只是为了保障电力供应而延迟数月，都可能意味着数十亿美元的收入损失。鉴于 Intersect Power 拥有 6 吉瓦光伏和 12 吉瓦时储能（现有 + 规划），谷歌在 2025 年 12 月对该公司的收购值得关注。
那核电呢？不行
我会在 3 月的年度能源报告中展开讨论，但目前仅有 2-3 座尚未拆除的退役核电站可能重启（宾夕法尼亚州的三里岛核电站、密歇根州的帕利塞兹核电站以及爱荷华州的杜安・阿诺德核电站）。至于小型模块化反应堆（SMR），我仍持怀疑态度，因为它们正呈现出逆向学习曲线的特征。核电刚商业化时，1960 至 1980 年间的学习曲线经验让开发商和工程师将反应堆规模扩大至约 1 吉瓦，以便将高额固定资本成本分摊到更多兆瓦时的发电量上。
目前没有足够的证据表明模块化能以具备成本效益的方式实现，我这里说的 “具备成本效益”，是指小型模块化反应堆（SMR）的单位造价达到每兆瓦 400 万至 600 万美元，或者其每兆瓦时的成本不超过电网电价的 2 倍。
全球核电站平均装机容量（单位：兆瓦）随建设年份的变化趋势，核心体现了核电发展早期 “学习曲线驱动机组大型化” 的逻辑
- 1950-1980 年代：平均装机容量持续上升，从不足 100 兆瓦增长到约 1200 兆瓦。这对应 “核电商业化初期的学习曲线”—— 通过扩大机组规模，分摊核反应堆的高额固定成本（如安全设施、核心设备），从而降低度电成本。
- 1990 年代前后的波动：图中标注的 “India self-reliance era（印度自主核电时期）” 是波动的关键原因之一。印度在这一阶段建设了一批中小型核电站（如本土技术的压水堆），拉低了全球平均装机容量，导致曲线出现明显下降。
- 2000 年后：平均容量维持在 1000-1400 兆瓦区间波动，整体仍保持大型化的主流方向。
量子计算？不行
那量子计算能否作为降低数据中心电力需求的一种手段呢？比如，在复杂数学运算中用量子计算替代图形处理器（GPU）？目前来看，这种应用最早也要数年之后才能实现。我或许会在 2026 年的能源专题报告中也探讨这一话题。
3.2.7 闲置的产能可否利用？不能
一些分析师指出，美国燃气发电厂存在闲置产能。理论上，若数据中心愿意接受 “用电限制”（即在特定时段削减用电量），这些闲置产能可支撑新增数据中心接入电网。
左侧图表汇总了美国所有联合循环燃气电站（总装机容量约 310 吉瓦）在 2024 年的利用率情况，多数电站的利用率集中在 50% 至 75% 之间；右侧图表则展示了美国能源信息署（EIA）统计的 2016-2020 年各地区联合循环燃气电站利用率，结果与 2024 年类似（多数利用率仍处于中低区间）。
换句话说，若数据中心愿意在用电高峰期接受 “用电限制”—— 此时段数据中心需减少电力消耗，或切换至用户侧备用柴油发电机供电 —— 那么电网或可容纳更多数据中心接入。
但这里存在两个问题。首先，联合循环燃气电站每年通常需要 7-8 周的停机时间进行维护与检修，因此多数电站的实际运行状态已接近最大产能。其次，部分电网专业人士认为，燃气电站的闲置产能或需求响应措施并不足以应对新增需求。美国区域输电组织 PJM 的独立市场监管机构 —— 监控分析公司（Monitoring Analytics）在 2025 年 11 月的报告中，以非常明确的措辞指出，新增数据中心负荷需要专门的新增发电容量，仅靠需求响应或用电灵活性措施是远远不够的：
- “由于输电成本上升、能源市场价格上涨及容量市场价格走高，新增大型数据中心负荷已对其他用户产生显著影响…… 若因缺乏充足的可调度容量，导致新增大型数据中心负荷无法获得可靠供电，却仍一味接受这类负荷接入电网，并非合理的推进方向，也绝非任何意义上的解决方案。”
- “当前 PJM 区域的发电容量不足以满足大型数据中心的负荷需求，且在可预见的未来仍将存在缺口。这是一个简单的事实问题。市场层面的解决方案应是为新增大型数据中心负荷设立排队机制：在具备充足供电容量前，这些负荷不得接入电网。对于新增规模空前的大型数据中心负荷所引发的问题，该方案无需通过大规模财富转移即可解决。”
- “声称新增大型数据中心负荷可作为需求侧资源、无需新增发电容量，这一说法属于监管层面的虚构……PJM 并无权力强制应急需求侧资源削减用电负荷。若相关方案仅纳入需求侧措施，而非新增实际发电容量，也不能将需求侧措施作为负荷接入电网的强制性条件。”
- “为新增大型数据中心负荷实施排队机制，是应对此类负荷影响的唯一可执行方案，同时也能要求新增大型数据中心负荷承担其原本可能转嫁至其他用户的大部分成本与风险。”
部分学者及咨询公司对监控分析公司（Monitoring Analytics）的观点持反对意见。他们认为，通过将 “灵活电网接入” 与 “用户侧发电容量” 相结合，“数据中心可提前数年实现全面运营，同时既能保障供电可靠性，又能提升所有用户的用电经济性”。我对这一观点并不认同。此类由谷歌资助的分析报告可能受到两方面因素影响：（a）超大规模科技公司（hyperscaler）及数据中心企业单纯追求更快的电网接入速度；（b）可再生能源支持者从根本上反对任何形式的天然气资源开发。最终的裁决者将是电力公司（utilities）以及负责运营电网、对用户负有责任的独立系统运营商（Independent System Operators，简称 ISO）。
我们将在 2026 年的能源专题报告中展开更多探讨，但需指出的是，在美国电力需求 20 年停滞不前之后，如今该国正面临新的用电需求压力 —— 这些需求主要来自数据中心、电动汽车（EV），以及商业、工业和住宅供暖的电气化转型。1950 年至 2006 年间，美国发电量年均增长 2% 至 4%；在此期间，新增发电容量的 70% 至 90% 来自少数几类大型发电设施，即燃煤电站、核电站和燃气电站。如今能否维持这样的增长速度，却是另一回事 —— 尤其是考虑到当前熟练能源领域劳动力存在短缺问题。
不过，有一个国家在新增发电容量方面并无太多困扰，那就是中国 —— 接下来我们将对此展开讨论。
美国电力系统正面临 “需求激增（数据中心、EV 等）+ 供应不足（装机增长慢）+ 劳动力短缺” 的三重压力，而中国在发电能力扩张上具备显著优势。
左上：1950 年以来美国发电量与新增装机结构，后期增长乏力，而且更依赖可再生能源
- 1950-2020 年持续上升，从约 500 TWh 增长至近 4000 TWh，反映美国电力需求长期扩张。
- 1950-2000 年期间，煤电、核电、气电在新增装机中的占比长期维持在70%-90%；2010 年后占比大幅下降（最低接近 0%），说明美国后期新增装机逐渐转向可再生能源等非传统电源。
右上：美国电力供需缺口预测，缺口持续放大
- 未来峰值用电所需的供电能力（单位：吉瓦，GW），2024-2032 年持续上升（从约 1060GW 增至 1240GW）。
- 预计可提供的峰值供电能力，2026 年后增长放缓，与 “所需供电能力” 的缺口持续扩大：说明美国电力供应将难以满足未来需求。
左下：美国能源行业招工难度，难度很高
- 制造业 / 精炼、安装 / 维修、管理 / 专业、销售岗位中，“非常困难（Very difficult）” 的占比均较高（红色部分）；
- 几乎无 “非常容易（Very easy）” 的岗位：反映美国能源领域熟练劳动力短缺，将制约发电设施的建设与运营。
右下：中美发电量对比，中国完胜
- 红线（China）：中国发电量（单位：太瓦时，TWh），1990-2025 年高速增长（从约 600TWh 增至超 10000TWh）；
- 蓝线（US）：美国发电量，同期增长缓慢（从约 3000TWh 增至约 4000TWh）：体现中国发电能力的扩张速度远超美国。
四、潜在风险 3：中国凭借自主光刻 - 半导体技术突破技术壁垒 —— 这是时间问题，而非能否实现的问题
4.1 中国的创新势不可挡：清洁能源，AI，与核科学
我们先从一个基本前提说起：中国已在多个行业领域稳步攀登创新价值链。第一张图表显示，中国已跻身全球创新指数前十；第二张图表则表明，在出口产品复杂度方面，中国与美国正逐步缩小差距。此外，中国在清洁能源专利、人工智能专利以及核工程研究领域的发展速度，也已超过世界其他国家和地区。
中国在创新能力和高端产业（出口复杂度）领域，正快速缩小与美国的差距，从 “低端制造” 向 “高端创新” 转型的趋势明确。
- 中国跻身全球创新指数前十：美国长期稳居创新指数前 5，排名稳定；2012 年中国排名约 35 位，此后持续快速上升，2024 年已进入前 10：说明中国创新能力显著提升。
- 中国出口产品的技术含量、附加值在向美国靠拢：美国出口复杂度长期处于前 15 名，保持高端；1998 年中国排名约 35 位，此后持续攀升，2023 年已接近美国。
中国在清洁能源、人工智能这两大战略技术领域，已通过专利布局建立起显著的创新领先优势，技术研发的规模和速度远超美国、欧盟等传统创新强国。
- 清洁能源专利：2000-2015 年，各国申请量均处于较低水平；2015 年后，中国申请量爆发式增长，2020 年已远超 “全球其他国家总和”，而美国、欧盟的申请量基本保持平稳 —— 说明中国在清洁能源技术研发上已形成绝对优势。
- AI 专利：2010 年中国占比约 15%，此后持续攀升；2016 年后超越美国和 “全球其他国家总和”，2022 年占比接近 70%—— 中国已成为全球 AI 专利的最大贡献者，美国、其他国家的占比则逐步下降。
中国在核科学与工程领域的研究影响力正快速提升，逐步从 “跟跑” 转向 “并跑”，而欧美传统核技术强国的优势在逐渐减弱。
2008-2015 年：欧盟、美国的高被引论文数量长期领先（均在 400-600 篇区间），中国处于较低水平（不足 200 篇）；
2015 年后：中国的数量持续快速上升，2022 年已接近 350 篇，大幅缩小与欧美（约 400-450 篇）的差距；而欧盟、美国的数量则呈波动下降趋势。
中国主动选择的创新合作伙伴：欧美反垄断监管机构
欧盟监管机构与拜登政府领导下的联邦贸易委员会（FTC，由莉娜・汗执掌）曾释放信号，称将阻止亚马逊收购 iRobot 公司，随后该交易宣告终止。自那以后，iRobot 已裁员半数，且刚刚提交了破产申请。就连《纽约时报》都惋惜表示，如今一家中国供应商将接管该公司。
与欧美形成鲜明对比的是，中国机器人企业获得了政府的大力支持：中国机器人产业园区获得的资金支持，是美国同类园区的 20 至 40 倍。而 iRobot 那些享受高额补贴的中国竞争对手 —— 科沃斯（Ecovacs）与石头科技（Roborock），将从 iRobot 的衰落中获益。
4.2 中国正在探索多元的发电方式
中国突破技术壁垒依赖创新与规模化发电能力两方面。中国正在大力发展各类发电形式，其能源消费电气化进程的推进速度位居全球首位，同时也是高压直流输电线路部署领域的世界领先者。自 2019 年以来，各国发电量变化情况如下：中国增加了 2500 太瓦时，美国增加了 221 太瓦时，而欧洲则减少了 110 太瓦时。
中国既通过 “多元电源（煤电 + 清洁能源）” 实现了发电量的大规模扩张，又在能源消费端快速推进电气化，为产业发展（如半导体、数据中心）提供了充足的电力支撑。
- 中国分电源发电量：
- 总发电量高速增长：2000-2024 年，中国总发电量从约 1000 太瓦时飙升至近 10000 太瓦时；
- 煤电仍是基础：棕色区域（煤电）始终是发电量的最大组成部分，支撑了电力供应的基本盘；
- 清洁能源快速扩张：蓝色（水电）、浅蓝色（风电）、黄色（光伏）等清洁能源的占比持续提升，体现中国能源转型的进展。
- 各国 “电力在终端能源消费中的占比”（电气化率）
- 中国、日本领先：红色（中国）与灰色（日本）的占比持续攀升，2025 年接近 40%，远超其他地区；
- 其他地区相对滞后：美国、欧洲等地区的电气化率长期低于 35%，中东、俄罗斯等地区则不足 20%—— 体现中国能源消费电气化的推进速度全球领先。
这些成就的取得，很大程度上得益于中国对本国龙头支柱产业的扶持。尽管美国政府对 MP 材料公司的投资，是为缩小这一差距所做的姗姗来迟的努力，但无论从何种角度来看，中国都是全球奉行重商主义最典型的国家 —— 在 ITIF Mercantilist Index 信息技术与创新基金会的重商主义指数排名中，中国位列榜首，战略与国际研究中心针对各国产业政策支出的分析报告也给出了同样的排名。不妨看看右侧图表中，政府补贴在中国企业利润中所占的巨大比重。
中国通过大规模的产业政策支出，为企业提供了远超其他经济体的全方位支持。补贴重点集中在软件、科技硬件、汽车、半导体等战略新兴产业，直接推动了这些领域的快速发展与国际竞争力提升。
- 中国的产业政策支出占比是全球最高的（约 1.8%），远超韩国、法国、德国、美国等其他主要经济体（普遍在 0.3%-0.7% 区间）。中国支出中，占比最大的部分是 “低于市场利率的信贷” 和 “其他税收优惠”，再加上 “政府研发支持” 和 “直接补贴”，构成了全方位的产业扶持体系。
- 中国各细分行业上市公司直接补贴占利润的比例：软件与服务行业补贴占比最高，接近 40%，其次是科技硬件和汽车行业，占比也都超过 30%。半导体、自动驾驶等行业的补贴占比同样显著（20%-30% 区间），体现了政府对战略科技和高端制造领域的重点倾斜。相比之下，制药、家居产品等行业的补贴占比相对较低（10%-20% 区间）。
MP 材料公司与英特尔：美国产业政策的两种迥异路径
对 MP 材料公司（稀土企业）：实打实的 “需求兜底”，稳赚不赔，简单说，政府把 MP 的价格风险和销售问题全解决了，企业只管生产就行。
美国政府给这家做稀土（钕、镨，造磁铁、新能源设备的核心原料）的公司，开了双重 “定心丸”。价格托底 10 年：稀土市场价不管跌到多少，政府都按 110 美元 / 公斤收，跌的部分政府补，保证公司不会亏；产能全包了：公司要建第二座磁铁工厂，现在还没动工呢，美国国防部就说 “造出来的东西我全买”，直接锁定了未来所有销路。
对英特尔（芯片企业）：只给钱，不管销路，钱还带附加条件
美国《芯片法案》原本说给英特尔 120 亿补贴，结果实际只给了 30 亿，剩下 90 亿被改成了 “政府投资”，还附带规矩：如果英特尔卖了一半以上的制造业务，政府能趁机买更多股份。最关键的是：政府没给英特尔找任何新买家，也没承诺买它的芯片。美国政府觉得英特尔的问题只是 “缺钱、现金流不够”，但其实英特尔还有大麻烦 —— 之前造的 13、14 代处理器有质量问题，就算英伟达、软银给它投了钱，也不敢说要用英特尔的生产线造东西。现在大家都在看：美国政府会不会下一步硬逼苹果、英伟达、高通这些企业，必须用英特尔的生产线？目前还没谱。
4.3 中国、制裁与技术壁垒(英伟达/台积电/阿斯麦)
中国的人工智能产业发展仍高度依赖通过官方渠道及黑市获得的西方芯片，在先进制程芯片的生产领域，中国也落后于美国及其盟友，尤其是 14 纳米及以下制程的芯片制造环节。核心问题在于：这一局面究竟能以多快的速度改变？
4.3.1 中国 vs 美国的产业格局：中国仍然没有先进制程
中国 AI 产业的发展目前仍高度依赖西方的先进芯片，自研替代的进展有限。中国的半导体制造能力主要集中在成熟制程，在 14nm 以下的先进制程上与美国及其盟友存在巨大差距，这也是其难以摆脱外部依赖的核心原因。
- 2017-2025 年，蓝色部分（西方芯片）始终是主流。特别是 2024 年，超过 25 个模型完全依赖西方芯片，体现了中国 AI 发展对英伟达等西方芯片的依赖。
- 中国产能集中在成熟制程：中国的红色产能主要集中在 >130nm 和 15-28nm 等成熟 / 落后制程，在 8-14nm 和 7nm 及以下 的先进制程上几乎没有产能。美国及其盟友垄断先进制程：蓝色部分（美国及其盟友）在 7nm 及以下、8-14nm 等先进制程上占据绝对主导地位，是全球先进芯片制造的核心力量。
制裁举措加快了中国打造自主半导体产业生态的步伐，其发展进展可从一系列表态、行动及实际成效中窥见一斑：
- 中国政府承诺为本土半导体产业提供前所未有的、近乎无上限的资金支持。国内发起设立第三期国家集成电路产业投资基金，规模达 480 亿美元，超过前两期基金规模之和，且基金运作期限从以往的 10 年延长至 15 年。据悉，该基金的设立目标为攻克半导体产业生态等各类 “卡脖子技术”。
- 2025 年 4 月，华为发布 910C 芯片，填补了彼时受美国出口限制的英伟达 H20 芯片的市场空白。此后美国虽解除了 H20 芯片（英伟达 H100 芯片的改良版本）的出口禁令，但中国方面已开始限制本土企业使用这款改良芯片。2025 年 12 月，美国再度批准英伟达 H200 芯片对华出口。
- 华为正依托旗下各关联企业及合作方，致力于打造全垂直整合型企业，业务布局覆盖晶圆制造设备（华海清科）、芯片设计（海思半导体）、芯片制造与先进封装等全产业链环节，其中还包括自主研发的高带宽内存相关业务（鹏芯微、福建晋华）。华海清科所建晶圆厂的产能，最早有望在明年超越中芯国际。
- 据悉，华为昇腾 910C 芯片的晶圆代工良率已从 2024 年 9 月的 20% 提升至约 40%，目前该芯片的产量已占中国 AI 芯片总产量的 75% 以上。华为的目标是将新一代制程节点的代工良率提升至 60%，达到行业通用标准；而成熟制程节点的代工良率，行业要求则需达到 75% 至 85%。
- 中国科研人员正研发可产生 13.5 纳米波长极紫外激光的技术方法。路透社 2025 年 12 月的一篇报道证实，深圳一支由前阿斯麦工程师组成的研发团队，已研制出极紫外光刻机的功能原型机，该设备计划于 2028 至 2030 年实现量产。
4.3.2 华为 vs 英伟达：差距继续扩大
从单芯片各项指标来看，英伟达在多个方面仍领先于华为。若将华为的 910C 神经网络处理器与英伟达即将推出的 R100 图形处理器作对比，英伟达在最后一列指标上的优势还将进一步扩大。
华为 910C NPU 与 NVIDIA B300 GPU 的单芯片性能对比表
| 指标 | 华为 910C | NVIDIA B300 | NVIDIA 相对华为的倍数 | 说明 |
|---|---|---|---|---|
| BF16 稠密算力（teraflops） | 780 | 2,250 | 2.9× | NVIDIA 的算力是华为的近 3 倍，1 teraflop 代表每秒 1 万亿次浮点运算。 |
| 高带宽内存（HBM，GB） | 128 | 288 | 2.3× | B300 的高速堆叠内存容量是 910C 的 2.3 倍，这对大模型训练至关重要。 |
| HBM 带宽（TB/s） | 3.2 | 8.0 | 2.5× | 内存数据传输速度差距明显，直接影响芯片处理效率。 |
| 节点内带宽（GB/s） | 700 | 1,800 | 2.6× | 服务器内部多芯片间的数据传输能力，B300 大幅领先，利于多芯片集群扩展。 |
| 热设计功耗（TDP，W） | 310 | 1,100 | 3.5× | 单芯片硬件本身的功耗，B300 的硬件功耗显著更高。 |
| 服务器整机功耗（kW） | 1.455 | 2.014 | 1.4× | 包含散热、网络等全链路的总功耗，差距比单芯片小。 |
| 全链路功耗效率（W/teraflop） | 1.87 | 0.90 | 0.5× | 这是关键指标：华为每产生 1 teraflop 算力需要 1.87 瓦，而 NVIDIA 仅需 0.9 瓦，说明 B300 的算力能效是 910C 的约 2 倍。 |
- 单芯片性能：NVIDIA B300 在算力、内存容量 / 带宽、节点内带宽等核心硬件指标上全面领先，优势在 2.3–3.5 倍之间。
- 能效表现：NVIDIA B300 的全链路功耗效率更高，用更低的单位功耗就能输出更强算力，这是数据中心场景下的核心竞争力。
- 备注信息：表格底部标注了 “整机功耗” 的计算方式，它不仅包含芯片本身的热设计功耗，还纳入了服务器散热、网络等配套系统的能耗，这是更贴近实际部署的指标。
4.3.3 华为之路：押注集群，减少进口依赖
华为选择以“超级集群”对抗英伟达的“超级芯片”，是在单芯片性能受限下的战略突围。其路线图显示，计划在2026年推出的Atlas 950 SuperPoD集群算力将达8 EFLOPS FP8。然而，这条路径代价高昂，其当前集群产品功耗是英伟达同类产品的10倍，且依赖全光互联等复杂技术，整体生态效率仍有代差。
这也是为什么华为选择在集群层面而非单芯片层面展开竞争。下表展示了华为的技术路线图，其集群将由 384 至超过 15,000 颗独立芯片组成。
华为宣称：目前其产品在集群层面的表现已与英伟达旗鼓相当；计划于 2026 年推出的 Atlas 950 SuperPod 集群，在算力上将达到英伟达同期规划产品（Rubin NVL144）的 6.7 倍，内存容量达到 15 倍，节点内带宽达到 62 倍；到 2027 年，华为将在所有维度实现全面领先。
没错，但有一点需要注意：系统性能绝非仅由每秒百亿亿次浮点运算（Exaflops）的算力规模决定。对于华为而言，若要成百甚至上千颗芯片协同工作，其整个生态系统（包括基于光网络的低延迟互联、高带宽内存（HBM）的带宽与容量，以及训练软件）都必须表现得极为出色。与英伟达等西方厂商主要依靠铜线实现节点内扩展不同，华为的节点内扩展完全由光网络驱动。这种方案在西方成本高得令人望而却步，但中国对短期利润的顾虑较少，且受限于服务器物理尺寸，不得不依赖光网络技术。
额外的硬件和电力成本十分高昂。据估算，华为 CloudMatrix 384 产品的成本是同类英伟达产品的 2 倍；到 2026 年，其集群产品在相同计算精度下，每万亿次浮点运算（teraflop）的功耗可能是英伟达的 6 到 10 倍。尽管我们目前还无法对 Atlas 960 的能效做出准确估算，但我认为华为在这一方面仍将显著落后于英伟达。此外还有空间占用问题：大约需要 7 架 Ascend 910C NPU 服务器，才能达到 1 架英伟达 B300 GPU 服务器的算力水平。而且我们这里主要聚焦英伟达，实际上谷歌的 Ironwood Pod 效率也远高于华为：该集群包含 9,216 颗 TPU，在 FP8 精度下可提供 42 Exaflops 的算力，集群级能效仅为 0.23 瓦 /teraflop。
因此，华为计算集群目前可能仅由获得补贴的中国国有企业，以及受政策压力或明确要求必须采购的中国企业使用。
2025 年，字节跳动采购的英伟达芯片数量位居中国企业之首，但如今中国已禁止字节跳动及其他中国企业，将此类芯片用于国家出资新建的推理数据中心。下文所示的推理芯片供应过剩，是中国通过官方渠道和黑市囤积英伟达芯片、本土芯片厂商在产品性能上逐步追平所带来的副产品。中国本土芯片的性能跑分已超越英伟达 H20 芯片（但仍不及 2025 年 12 月获准对华销售的英伟达 H200 芯片）。
另一个能体现中国对西方技术依赖度下降的信号是，阿斯麦（ASML）宣布其营收的中国市场占比，将从 2024 至 2025 年的 25% 至 40% 降至 20%。
值得关注的关键节点：寒武纪作为中国对标英伟达的核心芯片企业之一，且获中国科学院背书，中国本土企业对其芯片的落地采用速度将会有多快？
本土芯片性能快速提升、企业市值高涨、对西方设备依赖度下降，体现了产业的快速发展。
挑战面：推理芯片产能过剩、高端芯片性能仍落后于英伟达、依赖政策补贴与国有采购，暴露出产业在技术、效率与市场竞争力上的短板。
左上：中国推理芯片的供需过剩（2025-2030）：2025-2030 年间，中国推理芯片的供给（金色线）增速远快于需求（蓝色线），预计到 2030 年供给将突破 11,000 Exaflops，而需求仅约 5,000 Exaflops，将出现严重的产能过剩。这是中国通过官方和黑市囤积英伟达芯片、本土厂商产能追赶共同作用的结果。
右上：NVIDIA 的高端芯片（B300、B200 等）在性能和带宽上全面领先华为的 Ascend 910B/910C。美国仅允许英伟达 H20、H200 两款芯片对华销售，限制了其他高性能芯片的流入。华为 Ascend 910C 的性能已超越英伟达被允许销售的 H20 芯片，但仍落后于 H200 及更高端的 B 系列芯片。
左下：中国市场在 ASML 营收中的占比（红色线）从 2023 年的约 15% 飙升至 2025 年的近 37%，但预计 2026 年将回落至 20% 左右。这一变化反映出中国对西方半导体设备的依赖度正在下降，也印证了此前 “中国减少对西方技术依赖” 的判断。
右下：以 2023 年 1 月为基准（100 点），寒武纪的市值（红色线）在 2025 年出现爆发式增长，最高突破 2,500 点，涨幅远超英伟达（蓝色线）。这体现了资本市场对中国本土 AI 芯片企业的高预期，但也反映出市场热度与短期投机性。
美国的优势：推理阶段的规模化
美国AI优势根植于巨量资本与算力部署构筑的体验壁垒，非benchmark分数所能反映。中国在测试分数上快速追赶，但实际推理算力规模与美国存在数量级差距，且英伟达领先持续扩大。中国正通过自主供应链与不同发展路径降低外部依赖，但构建对等的计算实力仍需长期投入。
在实际用户体验层面，美国仍坐拥巨大优势：其核心壁垒建立在模型训练的资金投入与推理阶段的计算能力之上，而非数据科学基准测试跑分；后者正是中国当前正逐步追赶的指标。不妨看看 2023-2025 年超大规模算力厂商的实际投入差距（美国 6940 亿美元 vs 中国 1240 亿美元），或是 2025 年新增的计算能力差距（英伟达一家就达 18 zettaflop，而中国不足 1 zettaflop）。再看右侧图表：采用美国商务部的测算公式（该公式会对芯片性能按不同计算精度进行标准化换算，亦是界定对华芯片出口管制阈值的依据），美国未来部署的计算能力规模远超中国：这还未计入 H200 等销往中国的美国芯片。
这些指标更能真实反映行业的核心壁垒，因为人工智能的大部分技术突破，均由两大因素驱动：模型规模，以及为推理任务调配更多计算资源的能力（即规模效应定律）。换言之，中国在推理阶段的计算能力规模化部署水平，与美国目前的水准相去甚远。同时需注意，英伟达并非停滞不前。英伟达新款 Rubin 系列 GPU 的能效或再提升 70%。从这一角度来看，华为的服务器产品受限于体积与功耗要求，目前在海外市场鲜少有买家。
综合来看，中国要打造并筑牢自身的行业壁垒，仍有漫长的路要走：无论以何种标准衡量，中国的技术均落后美国 1 至 3 代，但实际进展或许超出投资者的预期。不过，鉴于中国采取了与西方及其亚洲盟友截然不同的发展路径（包括产业补贴、为维护国家安全和构建本土供应链甘愿承担更高成本、大力建设发电、输电与配电体系，以及屡见不鲜的工业间谍行为），中国对中国台湾地区及台积电的技术依赖正逐步降低，这一点值得重点关注，我们将在下文中探讨这一话题。
模型性能层面：中国正快速缩小与美国的差距，但这种追赶可能部分依赖对美国模型的技术复用，而非完全自主的突破。计算产能层面：英伟达的领先优势在未来几年内还将进一步扩大，华为的产能规模仍难以望其项背，这也意味着中国在推理阶段的计算能力规模化部署上，仍面临巨大挑战。
- 左图：美国（蓝色线）的模型性能始终领先，从 2024 年 1 月的约 1,220 分上升到 2025 年初的约 1,380 分。中国（红色线）的模型性能提升速度更快，从 2024 年 1 月的约 1,110 分快速追至 2025 年初的约 1,360 分，与美国的差距大幅缩小。这印证了此前分析中 “中国在基准测试跑分上正快速追赶美国” 的结论，不过结合之前的内容，这种追赶可能部分依赖模型蒸馏等技术，而非完全自主的原生训练。
- 右图：全球 AI 计算产能预测，尽管华为的产能在逐年增长，但与英伟达的差距仍在持续扩大，这也支撑了 “美国在计算能力部署规模上仍拥有压倒性优势” 的判断。
五、潜在风险 4：中国与台湾
5.1 世界对台湾的依赖，远超欧洲对俄罗斯能源的依赖
世界高度依赖台湾的先进半导体芯片已不是秘密；微妙之处在于估算依赖程度。左侧图表采用基于数量的简单方法，右侧图表则聚焦美国，同时计入从台湾直接进口及通过第三方中介进口的价值。第三和第四张图表展示了美国按国别划分的半导体及计算机零部件进口情况，但第三张图表中的台湾数据被低估，因为美国国际贸易委员会的数据未追踪台湾芯片运往其他国家进行组装和封装的流向。
关键结论是：以地缘政治对比为例，全球和美国对台湾芯片的依赖程度，远超欧洲在俄罗斯入侵乌克兰前对俄罗斯能源的依赖。
全球和美国对台湾地区半导体的依赖，尤其是先进制程芯片，已成为比俄乌冲突前欧洲对俄能源依赖更严峻的地缘经济风险点。这种依赖不仅体现在直接进口上，还包括通过第三方国家 / 地区进行封装、组装后的间接进口，实际依赖度被官方数据低估。
- 全球对台湾地区先进芯片的依赖度，远高于俄乌冲突前欧洲对俄罗斯能源的依赖，这凸显了台湾地区在全球半导体供应链中的 “不可替代” 地位，也揭示了其背后巨大的地缘政治风险。
- 欧洲对俄罗斯能源的依赖：2021 年，欧洲约 22% 的一次能源消费来自俄罗斯进口。
- 全球半导体对台湾地区的依赖：全球约 62% 的半导体产能依赖台湾地区。
- 全球先进半导体对台湾地区的依赖：在更关键的先进制程芯片领域，全球依赖度超过 92%。
- 美国对台湾地区半导体的依赖，在计入间接进口后显著提升，尤其是在逻辑芯片这类对 AI、算力至关重要的产品上，依赖度接近一半，这也解释了美国为何将半导体供应链安全视为核心战略议题。
- 直接进口占比：美国直接从台湾地区进口的半导体，按价值计算占其总进口量的约 19%。
- 存储芯片的直接 + 间接依赖：若计入经第三方中转的间接进口，美国对台湾地区存储芯片的依赖度约为 24%。
- 逻辑芯片的直接 + 间接依赖：对于更核心的逻辑芯片，美国的直接 + 间接依赖度高达约 44%。
核心依赖：无论是传统半导体还是 AI 相关硬件，台湾地区都是美国最关键的进口来源之一，尤其是在 AI 硬件领域，其重要性在近年大幅提升。供应链策略：美国一方面通过扩大从墨西哥的进口来分散风险，另一方面持续限制从中国大陆的进口，这既反映了其供应链安全的考量，也凸显了地缘政治对贸易的深刻影响。
- 美国在传统半导体领域的进口来源虽较分散，但台湾地区和韩国仍是核心依赖对象，而对中国大陆的进口则维持在较低水平。
- “所有其他国家”（黑色线）的进口额始终最高，且呈上升趋势，反映了全球半导体供应链的分散性。
- 马来西亚（浅棕色线）曾是早期主要进口来源，但后续呈波动下降。
- 台湾地区（蓝色线）和韩国（黄色线）的进口额呈稳步上升趋势，其中台湾地区的增长尤为明显。
- 在 AI 相关硬件（含 GPU、大型计算机等）领域，美国对台湾地区的依赖度急剧攀升，这与台湾地区在高端芯片制造中的主导地位直接相关；同时，墨西哥的快速增长则体现了美国为分散供应链风险、推动 “近岸外包” 的策略。
- 台湾地区（蓝色线）的进口额出现爆发式增长，从 2021 年的约 100 亿美元飙升至 2025 年的近 170 亿美元，在所有来源中增幅最大。
- 墨西哥（浅绿线）的进口额也大幅上升，反映出 “近岸外包” 策略的影响。
拜登的台湾时刻、预测与2024年大选
1979年，美国承认中华人民共和国，并终止与台湾的外交关系，开启了美国在台湾独立问题上采取”战略模糊”政策的时代。拜登并非首位在”美国是否协防台湾”问题上偏离战略模糊方针的美国总统；乔治·沃克·布什在2001年4月的访谈中曾作出类似表态。但白宫和国务院随即通过声明”美国政策未变”收回布什的言论，同日稍晚布什重申遵循”一个中国”政策，并建议台湾勿宣布独立。与之形成对比的是，拜登多次宣称美国将军事防卫台湾，留下可怜的杰克·沙利文竭力收拾残局。这种屡次偏离战略模糊方针的行为，正是我在2024年1月《展望报告》中预测拜登将因健康原因在民主党全国代表大会前退选的部分依据。
5.2 关于台积电：独特且无法离开台湾
5.2.1 台积电的独特性有多高？极高
台积电的独特性有多高？极高。美国对台积电的依赖程度有多深？同样极高，至少在本十年结束前都是如此。
全球市值前十的企业中，有八家在很大程度上依赖台积电的供应（仅有的例外是台积电自身和沙特阿美）。对这些企业而言，其合计 2 万亿美元营收中，超过三分之一来自使用台积电产品的硬件。数字经济、汽车经济与工业生产经济都离不开台积电，若失去它，全球经济将陷入停滞。
台积电的产业生态以新竹、中部科学园区和南部科学园区三大基地为核心。其中新竹园区贡献了台积电约 60% 的产值，聚集了 150 余家半导体相关企业，涵盖集成电路设计公司、晶圆代工厂及测试封装厂商。台湾地区内任意两座台积电晶圆厂之间的车程均不超过 3 小时，这为协同协作与资源共享提供了便利。正如我们在 2025 年 9 月《市场观察》中所探讨的，台湾地区的 “国家发展基金” 仍是台积电的最大股东，持股比例为 6%-7% 并拥有董事会席位，政府还通过优惠水电价格、税收抵免、建设工业园区与研究中心等方式为台积电提供支持。
正如台积电创始人张忠谋所担忧的，台积电的美国亚利桑那州工厂（目前）的运营效率远低于台湾本土厂区。此外，在安靠科技（Amkor）计划于 2028 年建成支持台积电亚利桑那工厂的美国本土配套设施之前，所有在亚利桑那生产的台积电芯片仍需送回台湾进行封装、切割和测试。
2025 年台积电5 纳米晶圆在台湾本土工厂（Fab 18）与美国亚利桑那工厂（Fab 21）的成本与经济效益对比，清晰揭示了两地生产的巨大差异。
| 项目 | 台湾 Fab 18 | 美国 Fab 21 | 差距倍数 |
|---|---|---|---|
| 总资本支出（Fab capex） | 270 亿美元 | 143.8 亿美元 | 美国约为台湾的 0.53 倍（但产能仅为台湾的 1/4 左右） |
| 每月晶圆开工量 | 90,000 片 | 24,000 片 | 台湾产能是美国的 3.75 倍 |
| 原材料成本 | $1,520 | $3,040 | 美国是台湾的 2 倍 |
| 人工成本 | $1,800 | $3,600 | 美国是台湾的 2 倍 |
| 折旧成本 | $1,500 | $7,289 | 美国是台湾的 4.86 倍（因设备成本高、产能利用率低） |
| 每片晶圆总成本 | $6,681 | $16,123 | 美国是台湾的 2.41 倍 |
| 每片晶圆毛利率 | $10,819（62%） | $1,377（8%） | 台湾毛利率是美国的 7.86 倍 |
- 成本差距悬殊：美国工厂的每片晶圆总成本是台湾本土工厂的 2.4 倍，主要源于更高的人工、原材料和折旧成本，尤其是折旧成本，因美国工厂设备投入高但产能利用率低。
- 盈利能力天差地别：台湾工厂的毛利率高达 62%，而美国工厂仅为 8%，凸显美国本土制造在经济上的低效性。
- 资本效率低下：美国工厂的资本支出仅为台湾的一半，但产能仅为台湾的 1/4，说明其资本投入的产出效率远低于台湾。
5.2.2 台积电在亚利桑那州的项目：影响很小
台湾地区的 N-1 技术管制规则是否会升级为 N-2 规则？
台积电亚利桑那州工厂一期初期将量产 4 纳米 / 5 纳米芯片。此前台湾地区当局一直执行 N-1 技术管制规则，仅允许台积电出口比其最先进制程至少落后一代的技术。有报道称，台湾地区正考虑将该规则调整为 N-2 规则。目前台积电在台即将启动 2 纳米芯片的量产工作，而其亚利桑那州工厂二期则计划于 2027 年量产 3 纳米芯片。
亚利桑那州的这项项目，核心目的是重建美国数十年前放弃的部分半导体供应链，即便这意味着要付出更高的成本。美国商务部长勒特尼克制定了一项目标：到 2028 年特朗普任期结束前，将美国 40% 的半导体需求实现本土制造。届时，全球先进制程芯片的需求预计将从 2024 年的每月 85 万片晶圆开工量，增长至 140 万片。从美国市场的需求占比来看，我们估算台积电先进制程晶圆业务的营收中，约 75% 来自美国客户，这意味着 2028 年美国的先进制程芯片需求约为每月 100 万片晶圆开工量。若图表中预估的产能目标能够达成，到本十年末，美国在先进制程芯片生产方面的自给率或能达到 30% 至 35%，但届时其对中国台湾地区的依赖程度仍将处于较高水平。
整体来看，美国本土到 2028-2030 年的先进制程总产能预计约为32 万片 / 月。距离完全自给仍存在的巨大差距。
美国本土先进制程产能构成（每月晶圆开工量）：美国本土到 2028-2030 年的先进制程总产能预计约为 32 万片 / 月
- 台积电亚利桑那工厂（金色部分）：一期 2.4 万片、二期 2.4 万片、三期 5 万片，合计约 9.8 万片 / 月
- 英特尔本土工厂（蓝色部分）：现有产能 14.5 万片 / 月，未来新增产能 5 万片 / 月，合计约 19.5 万片 / 月
- 三星德州工厂（红色部分）：为高通、特斯拉代工的预估产能，约 2.72 万片 / 月
距离完全自给仍存在的巨大差距：
- 自给率预估：结合前文提到的美国届时约 100 万片 / 月的先进制程需求，这 32 万片 / 月的产能意味着美国的自给率约为30%-35%，与图表标题的预测完全吻合。
- 仍高度依赖台湾：这也意味着美国仍有 65%-70% 的先进制程芯片需求需要依赖进口，而台湾地区作为全球最大的先进制程芯片供应地，仍将是美国最核心的依赖对象。
- 产能主体：英特尔的现有及新增产能是美国本土最大的贡献者，而台积电亚利桑那工厂的贡献则相对有限。
5.3 台湾地区面对海上封锁或隔离时的脆弱性有多高？极高。
核心结论：台湾地区或许是全球对封锁最为敏感的发达经济体。
5.3.1 台湾进口的全面依赖：能源与食物
台湾地区是全球对外进口依赖度最高的地区之一：其一次能源消费的 90% 都依靠化石燃料进口。在这一或许是史上最不明智的能源政策调整中，台湾地区本土核电占发电量的比例从 20 世纪 80 年代的 50% 降至如今的仅 5%。
取而代之的是，进口液化天然气如今占其发电量的 40%，而台湾地区的本土天然气储备仅能维持 10 至 11 天，我初次看到这些数据时，几乎难以相信。台湾地区还计划通过扩建现有液化天然气接收站、新建接收站的方式，进一步提高对液化天然气的依赖。这一风险显而易见，新加坡贸易枢纽的液化天然气供应商在与台湾地区的交付合同中，均要求加入不可抗力及战争行为相关条款，以防出现无法交货、不得不寻找其他买家的情况。
台湾地区的食品供应也有约 60% 依赖进口，据台湾地区农业主管部门数据，其热量摄入的 67% 来自进口食品。如下文所示，在食品进口依赖度前十的地区中，除中国香港地区外，台湾地区是中东以外唯一的上榜地区。尤为特殊的是，相较于食品进口依赖度前十的其他地区，台湾地区的耕地占比要高得多。
台湾地区是全球对封锁最敏感的发达经济体” 这一判断：能源端：几乎完全依赖进口化石燃料，且核电占比暴跌，LNG 储备严重不足。食品端：尽管耕地充足，却高度依赖进口，热量摄入的三分之二来自外部。风险叠加：能源与食品的双重高度依赖，使得台湾地区在海上封锁面前几乎没有缓冲空间。
左上：台湾地区的化石燃料净进口占比约 90%，与新加坡、中国香港地区处于全球最高水平。这意味着台湾地区的能源供应几乎完全依赖外部进口，一旦海上运输中断，能源体系将迅速陷入危机。
右上：台湾地区核电占发电量的比例从 1980 年代的约 50% 骤降至如今的仅 5%，发电量也从峰值的约 42 太瓦时降至约 12 太瓦时。核电占比的大幅下降，导致台湾地区不得不严重依赖进口液化天然气（LNG）发电，而 LNG 储备仅能维持 10-11 天，进一步加剧了能源脆弱性。
左下：台湾地区的食品进口价值占比约 60%，在全球 GDP 超过 500 亿美元的地区中，是中东以外唯一进入前十的地区，仅低于卡塔尔、中国香港地区等依赖进口的经济体。结合其 67% 的热量摄入依赖进口的数据，可见台湾地区的食品供应对外部输入的依赖度极高。
右下：台湾地区的耕地占比约 22%，远高于卡塔尔、中国香港地区、阿联酋等食品进口依赖度高的经济体。这一矛盾凸显：尽管拥有相对充足的耕地，台湾地区却仍高度依赖食品进口，反映出其农业生产体系的结构性缺陷，进一步放大了封锁风险。
5.3.2 局势正在升温，矛头直指台湾的海上供应
第一张地图标注出了台湾地区为数不多的几大进口货运核心港口，其中仅高雄港就承担了台湾地区 57% 的进口货运量，涵盖集装箱货物、石油及液化天然气等品类。第二张地图中，红色阴影区域为赖清德发表台湾地区领导人就职演说后，中国大陆开展 “联合利剑 - 2024A” 军事演习的海域。下一页的图表则展示出两岸军力的悬殊差距、中国大陆军事力量的快速发展，以及部署在台湾海峡内及周边的中国大陆军事装备占比情况。
经济上：台湾地区的进口依赖高度集中在少数港口，极易被封锁切断。军事上：中国大陆的演习区域直接覆盖台湾地区的关键海上通道，具备实施封锁的能力。风险叠加：经济依赖与军事威慑的结合，凸显了台湾地区在冲突面前的极端脆弱性。
台湾地区的进口高度集中于少数几个港口，尤其是高雄港，这意味着一旦这些港口被封锁，台湾地区的能源、粮食和工业物资供应将直接陷入瘫痪。
高雄港：$159.0 亿，占台湾地区总进口量的 57%
基隆港：$67.8 亿；台中港：$21.7 亿；台北港：$20.0 亿
中国大陆 “联合利剑 - 2024A” 军事演习区域，此次演习是 1996 年以来规模最大的一次，展示了中国大陆具备对台湾地区实施海空封锁的军事能力，也与左图揭示的经济脆弱性形成呼应：台湾地区的核心进口港口完全处于演习的威慑范围内。
- 红色阴影区域覆盖了台湾地区周边的领海、毗连区及关键水道，形成了环绕台湾岛的封锁态势。
- 演习区域包含金门、马祖、东引等离岛附近海域，直接针对台湾地区的海上交通线。
5.4 台海，台海
5.4.1 台湾回归中国，是二战后国际秩序的核心内容之一
习近平主席 President Xi：
“No one can sever our family bonds, and no one can stop the historical trend of reunification of the motherland”
“任何人都无法割裂我们的骨肉亲情，任何人都无法阻挡祖国统一的历史大势。”
“Taiwan’s return to China is a central element of the post-World War II international order”
“台湾回归中国，是二战后国际秩序的核心内容之一。”
It’s impossible to know what President Xi’s timetable is…
In 2024, China massed dozens of navy and coast guard vessels in the largest maritime exercise targeting Taiwan and the Western Pacific since 1996. This was the first time such a large-scale maritime operation involved multiple Chinese commands, and in 2024 Chinese probing of Taiwanese air and maritime boundaries increased by 60% vs 2023. In September 2025, hacked documents revealed that Russia is using battlefield experience to train Chinese airborne units in areas such as dropping heavily armored vehicles from high altitudes using special purpose parachute systems, and is selling China heavy-lift transport aircraft, light amphibious vehicles, self-propelled anti-tank guns and airborne armored personnel carriers. In a conflict over Taiwan, Russia’s supply of oil, gas and other natural resources could become strategic backup for China. It’s impossible to know what President Xi’s timetable is, or to what lengths China would go to achieve Xi’s goals.
It’s also possible that reunification would not disrupt Western access to TSMC chips, and that China would not exercise leverage should it control Taiwan’s output. But given how China has been flexing its muscles regarding critical minerals, I wouldn’t bet on it. I would also not be surprised to learn that China sees Trump’s second term as a window during which the US is inclined towards non-intervention in a Taiwan conflict given the “Trump Corollary to the Monroe Doctrine” outlined in a December 2025 US National Security Strategy document. In other words, the US may focus militarily on the Western Hemisphere instead; the record $11 bn US arms sales package to Taiwan announced in December may be more of an economic arrangement than a military one. Wall Street Journal, December 10, 2024 38 Washington Post, September 26, 2025 and the British Royal United Services Institute China and Taiwan
简单讲，这段分析描绘了一幅“台海局势正在升温，相关各方都在为未来可能发生的变故进行准备和博弈”的图景，并特别指出了美国政治变化可能带来的新变数。它是一份基于现有动向的战略推测，而非对必然结果的断言。
- 中国的核心立场非常明确，就是坚持“台湾是中国的一部分，必须也必然统一”。这是所有行动的根本出发点。
- 不只是嘴上说，实际动作也多了、力度也更大了。比如2024年举行了多年未见的大规模海军演习，日常对台海空域的巡航和警巡也大幅增加。这被外界看作是“秀肌肉”，施加压力。
- 一个值得注意的信息是，俄罗斯正在向中国提供一些空降作战相关的武器装备和训练（比如重型装备空投）。这暗示如果未来有行动，可能不只有海上力量。同时，俄罗斯的能源也可能成为中国的战略后备。
- 分析推测，中国可能认为，如果特朗普再次当选美国总统，基于他可能奉行的“美国优先”政策（文中提到一个“门罗主义推论”），美国军事介入台海冲突的意愿会降低。这或许会被中国视为一个行动的“机会窗口”。最近美国宣布的对台巨额军售，在这种分析视角下，可能更多被看作是经济行为而非坚定的安全承诺。
- 没人确切知道中国的时间表到底是什么，以及统一的具体方式。它也无法保证统一后台积电的芯片供应一定不会对西方断供——考虑到中国在其他关键资源（如矿产）上的做法，这种风险是存在的。
5.4.2 中国与台湾地区军力：图胜千言
5.4.2.1 2026 年 1 月 1 日更新：祖国统一势不可挡
习近平主席在新年贺词中宣告：“祖国统一是历史大势，不可阻挡。” 此次讲话之前，中国人民解放军在台湾岛北部及西南部海域开展了 “正义使命” 军事演习，参演装备包括远程火箭炮、驱逐舰、轰炸机和战斗机，且抵近至台湾岛海岸 24 海里范围之内。中国军方表示，此次演习旨在展示解放军具备切断台湾地区获取外部支援通道的能力，以及实施封锁作战的实力，演习中出动了两栖攻击舰和无人机，重点演练了精准打击、夺取并控制关键港口等科目。
5.4.2.2 中国大陆在海空力量上对台湾地区拥有绝对且不对称的优势
中国大陆在海空力量上对台湾地区拥有绝对且不对称的优势，尤其是在台湾附近部署的兵力，已具备实施全面封锁和两栖登陆的能力。台湾地区的海空力量仅能满足基本防御需求，在缺乏外部支援的情况下，难以抵御大规模军事行动。
海军力量对比
| 装备类型 | 中国（全军） | 中国（台湾附近部署） | 台湾地区 |
|---|---|---|---|
| 航空母舰 | 2 艘 | 1 艘 | 0 艘 |
| 两栖攻击舰 | 3 艘 | 3 艘 | 0 艘 |
| 驱逐舰 | 42 艘 | 30 艘 | 4 艘 |
| 护卫舰 | 47 艘 | 30 艘 | 22 艘 |
| 登陆舰 | 57 艘 | 50 艘 | 50 艘 |
| 攻击潜艇 | 47 艘 | 31 艘 | 4 艘 |
| 核动力攻击潜艇 | 6 艘 | 2 艘 | 0 艘 |
| 核动力弹道导弹潜艇 | 6 艘 | 6 艘 | 0 艘 |
| 导弹巡逻艇 | 60 艘 | 60 艘 | 43 艘 |
- 核心优势：中国大陆在航母、两栖攻击舰、驱逐舰和潜艇等主力舰种上拥有绝对数量优势，尤其是在台湾附近部署的兵力，已足以形成压倒性的海上封锁与打击能力。
- 台湾地区短板：台湾地区没有航母、两栖攻击舰或核潜艇，仅有的 4 艘驱逐舰和 4 艘潜艇在数量和技术上均处于劣势。
空军与海军航空兵对比
| 装备类型 | 中国（全军） | 中国（台湾附近部署） | 台湾地区 |
|---|---|---|---|
| 战斗机 | 1900 架 | 750 架 | 300 架 |
| 轰炸机 / 攻击机 | 500 架 | 300 架 | 0 架 |
| 运输机 | 500 架 | 40 架 | 50 架 |
| 特种任务飞机 | 250 架 | 150 架 | 20 架 |
- 压倒性优势：中国大陆在战斗机数量上是台湾地区的 2.5 倍，且拥有台湾地区完全没有的轰炸机 / 攻击机部队，具备强大的空中打击和封锁能力。
- 封锁能力支撑：部署在台湾附近的 750 架战斗机和 300 架轰炸机，足以在冲突中快速夺取制空权，并切断台湾地区的空中补给线。
5.4.2.2 中国海军的快速扩张和美国海军的相对停滞
虽然美国海军在单舰吨位、技术水平和全球部署经验上仍具优势，但中国海军在数量上的快速增长，已显著提升了其在西太平洋等关键区域的军事存在与封锁能力。这一趋势也进一步强化了中国在台海周边的军事优势。
- 数量反超：中国海军在舰艇数量上已经实现对美国的反超，且这一差距还在持续扩大。
- 中国海军（红色线）：从 2005 年的约 220 艘主力舰艇，一路快速增长至 2020 年的约 350 艘，预计到 2030 年将突破 400 艘。其增长速度远超美国，在 2015 年前后舰艇数量就已超过美国。
- 美国海军（蓝色线）：数量长期维持在 280–290 艘左右，2020 年前后略有增长后又趋于平稳，预计到 2030 年也仅小幅增长至约 295 艘。
- 扩张重点：中国的增长包括了驱逐舰、护卫舰、潜艇和两栖舰艇等适合近海及区域拒止作战的舰种上，这与其在台海、南海等区域的战略需求高度契合。
- 美国的停滞：美国海军规模受预算和造舰周期限制增长乏力，其全球部署的需求也分散了可用兵力。
5.4.2.3 中国空军的快速现代化进程
4.5 代机和 5 代机的大规模列装，大幅增强了中国在台海、南海等区域的制空能力，也为实施区域拒止和封锁提供了坚实的空中支撑。
- 全面现代化：中国空军已完成从以 2、3 代机为主到以 4.5 代机为核心、5 代机为尖刀的代际升级，整体技术水平和作战能力实现了质的飞跃。
- 规模持续扩大：战斗机总数量从 2009 年的约 1600 架增至 2024 年的约 2100 架，在数量和质量上均有显著提升。
- 老旧机型（2 代、3 代）：数量大幅减少，2 代机从 2009 年的约 600 架降至 2024 年的不足 200 架，3 代机也从约 400 架缩减至不足 100 架，显示出老旧装备的快速淘汰。
- 主力机型（4 代、4.5 代）：4 代机数量先增后稳，而 4.5 代机（如歼 - 10C、歼 - 16）则呈现爆发式增长，从 2009 年的约 500 架增至 2024 年的近 1000 架，成为当前空军的绝对主力。
- 最先进机型（5 代机）：以歼 - 20 为代表的 5 代机从 2018 年左右开始列装，数量持续上升，预计 2024 年将达到约 200 架，标志着中国空军进入隐身时代。
5.4.2.4 中国对台海方向的高度军事倾斜
中国将其最核心的两栖作战、近海封锁和战略威慑力量，几乎全部部署在台湾海峡附近，表明台海是其当前首要的军事关切。
两栖作战与近海舰艇：对台湾地区实施封锁和两栖登陆的作战准备
- 两栖攻击舰和海岸巡逻艇的部署占比高达100%；中型登陆舰、护卫舰、驱逐舰等主力舰艇的部署占比也在 70%-90% 之间
潜艇力量：对台湾地区海上交通线的封锁能力
- 核动力弹道导弹潜艇的部署占比为100%；攻击型潜艇的部署占比也达到65%
空中力量：在台海方向的空中打击和制空权争夺能力已得到重点强化
- 特种任务飞机的部署占比约60%；轰炸机 / 攻击机的部署占比约60%；战斗机的部署占比约42%
两栖舰艇、潜艇和轰炸机的高比例部署，直接服务于对台湾地区实施海空封锁和两栖登陆的作战目标。这种大规模兵力部署既是实战准备，也是对 “台独” 势力和外部干涉的直接威慑。
5.4.2.5 天基侦察与作战支援能力上的快速扩张
中国已建成庞大的天基侦察、情报与导航网络，这为在台海冲突中实施精准打击、战场监控和指挥控制提供了核心保障。
直接服务台海战略：这些卫星的部署大幅提升了对台湾地区及周边海空目标的持续监控能力，是实施封锁和两栖作战的关键支撑。
侦察卫星（ISR）主导增长：侦察、监视与情报（ISR）卫星是增长最快的类别，从 2014 年的约 30 颗增至 2024 年的约 115 颗，占比接近一半，直接服务于对台海等区域的实时监控需求。
电子情报 / 信号情报（ELINT/SIGINT）卫星：数量从 2014 年的约 10 颗增至 2024 年的约 80 颗，显著提升了对敌方雷达、通信信号的截获与分析能力。
军民深度融合：大量 “军民两用” 卫星的发射，既服务于军事需求，也支撑了民用遥感、通信等领域，体现了中国 “军民融合” 战略的深度推进。
- 总数量爆发式增长：卫星发射总量从 2014 年的约 70 颗，增长至 2024 年的约 265 颗，十年间规模扩大了近 4 倍。
- 导航卫星：数量从 2014 年的约 15 颗增至 2024 年的约 45 颗，为精确制导武器和作战平台提供了关键支撑。
Appendix
1. 标普 500 指数人工智能板块 42 只成分股（中英对照 + 主营业务）
| 板块分类 | 英文名称 | 中文官方译名 | 核心主营业务 |
|---|---|---|---|
| 直接人工智能概念股（28 只） | NVIDIA | 英伟达 | 图形处理器（GPU）、AI 芯片设计与研发，数据中心 AI 算力解决方案、游戏硬件等 |
| Microsoft | 微软 | 操作系统、办公软件、云服务（Azure）、AI 大模型研发、企业数字化解决方案等 | |
| Apple | 苹果 | 消费电子（手机 / 电脑 / 平板）、移动操作系统、AI 终端应用研发、生态服务等 | |
| Alphabet | 字母 | 搜索引擎（Google）、安卓系统、云服务（GCP）、AI 大模型、自动驾驶、互联网广告等 | |
| Amazon | 亚马逊 | 电商平台、云服务（AWS）、AI 云计算与算力服务、物流配送、智能零售等 | |
| Meta | Meta | 社交平台（脸书 / INS）、元宇宙技术研发、AI 社交算法、虚拟现实（VR/AR）等 | |
| Broadcom | 博通 | 半导体芯片设计（通信 / 存储 / AI 芯片）、半导体器件、网络硬件解决方案等 | |
| Tesla | 特斯拉 | 新能源汽车研发生产、自动驾驶 AI 算法、储能设备、新能源动力系统等 | |
| Oracle | 甲骨文 | 企业级数据库、云服务、AI 企业管理解决方案、云计算基础设施、软件授权等 | |
| Palantir | 帕兰提尔 | 大数据分析平台、AI 数据挖掘与风控、政府 / 企业级数据分析解决方案、隐私计算等 | |
| AMD | 超威半导体 | 微处理器、GPU 芯片、AI 算力芯片、服务器处理器、消费电子硬件芯片等 | |
| Salesforce | 赛富时 | 客户关系管理（CRM）软件、企业云服务、AI 智能营销 / 客户服务解决方案等 | |
| IBM | 国际商业机器公司 | 大型计算机、企业云服务、AI 量子计算、区块链技术、企业数字化转型解决方案等 | |
| Uber | 优步 | 网约车 / 外卖平台、AI 智能调度算法、出行大数据分析、本地生活服务等 | |
| ServiceNow | 思杰系统 | 企业流程管理软件、云服务、AI 智能工作流解决方案、数字化办公系统等 | |
| Qualcomm | 高通 | 移动芯片设计、5G 通信技术、AI 终端芯片、物联网芯片、半导体专利授权等 | |
| Arista | 锐捷网络 | 云计算网络设备、数据中心交换机、AI 网络基础设施、企业级网络解决方案等 | |
| Adobe | 奥多比 | 创意设计软件、PDF 工具、AI 设计工具、企业数字营销、创意内容生态等 | |
| Micron | 美光科技 | 半导体存储芯片（内存 / 闪存）、AI 存储解决方案、数据中心存储硬件、消费电子存储等 | |
| Palo Alto | 帕洛阿尔托网络 | 网络安全设备、AI 智能安防、防火墙、云安全、企业级网络安全解决方案等 | |
| Intel | 英特尔 | 微处理器（CPU）、AI 芯片、数据中心硬件、半导体制造、物联网芯片等 | |
| Crowdstrike | 克劳德斯特里克 | 云端网络安全、AI 威胁检测、终端安全、反病毒软件、网络安全服务等 | |
| Cadence Design | 楷登电子 | 电子设计自动化（EDA）软件、半导体芯片设计工具、AI 芯片设计解决方案等 | |
| Dell | 戴尔 | 计算机硬件（台式机 / 笔记本 / 服务器）、数据中心设备、AI 算力硬件、企业 IT 解决方案等 | |
| NXP | 恩智浦 | 汽车半导体、物联网芯片、AI 边缘计算芯片、安全芯片、工业半导体等 | |
| Fortinet | 飞塔信息 | 网络安全设备、防火墙、AI 智能防护、云安全、工业网络安全解决方案等 | |
| HP | 惠普 | 计算机硬件、打印机、办公设备、AI 终端硬件、中小企业 IT 解决方案等 | |
| Super Micro Computer | 超微电脑 | 服务器硬件、AI 算力服务器、数据中心设备、云计算硬件、定制化 IT 基础设施等 | |
| 人工智能基础配套股（8 只） | NRG | 恩吉能源 | 电力生产与供应、新能源发电（风电 / 光伏）、数据中心供电解决方案、能源零售等 |
| Vistra | 维斯塔能源 | 电力生产、天然气发电、储能服务、数据中心专属供电、能源管理解决方案等 | |
| NextEra | 新纪元能源 | 风电 / 光伏等新能源发电、电力传输、储能系统、清洁能源解决方案、数据中心供电等 | |
| Southern | 南方电力 | 电力生产与配送、传统能源发电、电网运营、工业 / 商业供电、数据中心基础供电等 | |
| Constellation | 星座能源 | 核能发电、天然气发电、电力供应、清洁能源项目、数据中心稳定供电解决方案等 | |
| Public Service Enterprise | 公共服务企业集团 | 电力与天然气供应、电网运营、新能源发电、居民 / 商业 / 工业供电、能源基础设施运营 | |
| Entergy | 安特吉公司 | 核能发电、传统能源发电、电力配送、电网维护、数据中心专属供电服务等 | |
| NiSource | 尼索思能源 | 天然气与电力供应、能源管网运营、居民 / 商业供电 / 供气、能源基础设施管理等 | |
| 人工智能资本设备股（6 只） | Eaton | 伊顿公司 | 电力设备、工业自动化部件、AI 数据中心电源解决方案、液压系统、汽车零部件等 |
| Trane | 特灵科技 | 暖通空调（HVAC）设备、数据中心温控解决方案、楼宇节能系统、工业制冷设备等 | |
| Johnson Controls | 江森自控 | 楼宇自动化系统、数据中心温控与节能设备、暖通空调、消防与安防设备等 | |
| Quanta | 广达服务 | 电信 / 电力基础设施建设、数据中心工程建设、AI 算力基建施工、通信网络工程等 | |
| GE Vernova | 通用电气维诺瓦 | 燃气轮机、发电设备、新能源动力系统、数据中心发电设备、工业动力解决方案等 | |
| EMCOR | 安科尔集团 | 机电工程建设、数据中心基础设施施工、暖通消防工程、工业设施建设与维护等 |
Smothering Height：摩根大通对AI科技的2026展望
http://vincentgaohj.github.io/Blog/2026/02/02/Smothering-Height-摩根大通对AI科技的2026展望/
