2025年固收深度研究：AI革命与投资的再思考

AI 革命与投资的再思考

AI 投资正成为驱动全球经济增长的核心引擎，各国均在加速推进相关战略布局。我们在前 期《AI 投资-日渐清晰的基本面亮点》（2025 年 3 月 3 日）、《美国 AI 基建外溢的中观观察》 （2025 年 9 月 13 日）报告中，已对其经济影响与产业结构进行了系统梳理。当前市场围 绕“海外 AI 投资泡沫风险”、“投资持续性”和“商业化落地节奏”等话题的讨论逐渐升温。 相关信号呈现分化特征，从资金集中度、市场叙事强度及资产累计涨幅等指标显现海外 AI 投资领域存在过热倾向；但从头部企业盈利兑现能力、投资规模占 GDP 比重及硬件实际使 用率等角度来看，AI 相关开支具备较强的现实支撑，商业化落地较慢、产能偏紧等现象也 表明产业可能仍处于早期发展阶段。 在此背景下，我们进一步围绕 AI 投资及产业周期等展开探讨，同时分析可能一些的预期差 因素，具体从如下几个视角展开：一是宏观视角，聚焦 AI 投资所处的阶段，以及短期与长 期可能存在的预期差因素；二是中观视角，关注 AI 产业链中算力、模型与应用层的投资逻 辑及彼此间的差异；三是微观视角，关注企业的投资的资金来源、资产负债表持续性与潜 在风险；四是纵向视角，通过复盘过往科技革命的演进历程，为本轮 AI 投资提供相关启示。

宏观视角：海外 AI 资本开支是否过剩？

今年科技公司 AI 资本开支持续加速，市场对供需赋予强劲的增长预期，同时引发了市场对 海外投资“泡沫”的担忧。需求端来看，AI 应用渗透加速与模型训练推理消耗支撑算力长 期需求上升，IDC、AIDC 产业峰会等机构均预测，未来十年间全球算力需求年均增速将超 过 20%。供给端配套同步加速，科技巨头资本开支指引积极，2025/2026 年美国全社会 AI 投资规模预计将达 4600 亿、5600 亿美元，分别占 GDP 的 1.5%、1.8%。IDC 预测未来十 年全球数据中心相关硬件投资有望保持 20%左右的增速。供需高增背景下，缺乏商业模式 企业跟风投资、数据中心订单累计、AI 标签公司融资等行为引发海外市场“泡沫”担忧， IMF 等皆公开强调了投资过度与回报下滑的尾部风险。

当前算力整体处于供不应求状态，Scaling law（扩展法则）依然有效的背景下，算力“军 备竞赛”继续支撑行业投资意愿。一方面来看，当前算力需求快速增长，而数据中心建设 并未能完全跟上步伐。科技公司云业务高增、2025 年 H1 美国数据中心租金率攀升至近十 年高位、空置率降至 2.3%的历史低点等数据，均印证了算力资源的紧缺格局。另一方面来 看，当前 Scaling law 仍是推动 AI 技术进步的核心原理，特别适用于大规模计算、AI 算法 优化和多模态训练等领域，GPT 系列、Gemini 3.0 等模型性能突破，仍与模型规模和训练 数据的扩展密切相关，一定程度上证明当前海外 AI 投资尚未存在明显泡沫。在此背景下， 当前市场对于 AI 投资观点较为分化，产能紧缺、“军备竞赛”与投资过剩讨论并存。

我们认为，短期算力紧缺与“军备竞赛”逻辑下，以数据中心为代表的重资产仍处在前期 建设阶段，供需高增长预期整体较为均衡。此外，与 1950s 英国铁路建设、2000s 美国互 联网泡沫时期相比，当前投资规模占 GDP 比、杠杆水平与估值等指标并不极端，叠加头部 企业盈利兑现、流动性充裕及融资才刚启动的现实背景，AI 投资“总量过剩”风险判断尚 且过早。相关风险需待产能完成基本部署、中下游发展路线明确、竞争格局稳定后才能逐 步落地验证。不过，AI 投资落地的过程中，需关注几个潜在的预期差因素。 向上的预期差因素：当前市场对海外 AI 资本开支（Capex）的讨论更偏向“见顶风险”，但 从产业供需格局与约束条件分析，以下潜在因素可能会推动 AI 投资前景进一步超预期：其 一，当前多数资本开支假设对企业侧商业化落地节奏偏谨慎，若后续 AI 成功深度嵌入供应 链、工业控制、内容生产等普适性环节，企业端 AI 部署有望成为刚性基础设施支出；其二， 随着算力成本曲线下移、模型智能化水平提升及融资环境改善，此前持观望态度的企业将 加速入局；其三，若地缘限制边际缓和，尤其是 AI 芯片出口限制松动，中国及其他市场参 与者或启动“补偿性加速布局”；其四，模型层方面，当前市场预期普遍围绕头部“单一大模 型”的算力需求展开测算，若后续多模态与视频、机器人基础模型放量，叠加主权/行业/企业 自有模型加速发展，或将显著加剧训练侧算力负载压力。

向下的预期差因素： 一是，往近了看，海外 AI 投资预期形成较多“未完成订单”，后续观察能否如预期节奏落 地，面临如下潜在风险： 1）配套滞后风险。数据中心建设存在明显的“短板效应”，任一配套环节推进偏慢都会拖 累整体项目落地节奏。其中，美国电力供给已成为当前制约数据中心扩张的核心瓶颈，并 网、变电及上网容量的交付进度直接决定算力落地速度。目前硅谷等地已出现因电网建设 滞后导致数据中心延期投运的案例。IEA 预计，2025-2030 全球数据中心电力需求年增速将 超 15%，远超过去五年 1.7%的增速水平，也高于发达国家电网与电力建设的承载能力，超 20%的数据中心项目或将面临延期风险。根据 UptimeInstitute 数据，美国过去三年有半数 数据中心至少经历过一次重大停电事故。DominionEnergy 警示，美国大型数据中心接入电 网的等待时间可能较过去五年增加 1-3 年，英国这一周期最长可达 7-24 年，德国更是长达 7-26 年。此外，地缘冲突可能引发供应链中断，AI 芯片、稀土及高端设备等关键物资供给 受限，亦有可能形成新的产业短板。当然，换个角度来看，相关配套的短缺可能带来一定 的产业链溢出，可能拉动短缺环节的量价与盈利。 2）循环订单中断风险。AI 的强叙事催生大量远期订单，不少科技公司由此形成“投资换订 单”的业务循环模式，英伟达、OpenAI 与甲骨文的三角闭环最为典型。这一模式虽在短期 内推动 AI 估值扩张，但基于远期订单的业务循环存在兑现风险，任意节点的业务受阻都会 影响履约进度与落地效果。例如模型层财务承压、应用端商业化遇阻、算力端替代性供应出现等，均会对循环业务造成扰动。甲骨文 2026 财年 Q2 自由现金流-100 亿美元显示其流 动性压力，且考虑到包括 OpenAI 在内的大批新客户的订单要从 2027 年才开始执行，以及 此类公司的支付压力，市场对此类债务及收入兑现的担忧大幅上行。我们认为，合理规模 范围内，头部企业的生态绑定在资源获取、融资成本及生态构建上具备显著优势，竞争力 较强且盈利具备持续性，但需关注其资产负债表的承接能力；部分二三线厂商及小型项目 的合作绑定存在泡沫，本质上缺乏稳定需求方的支撑。

二是，往远了看，好的技术≠无限的投资，远期过剩风险仍是市场的担忧点。 1）规格错配风险。现代大模型训练依赖优质算力，包括高端 GPU 集群及高质量网络、电 力与温控配套。传统数据中心的适配度与需求持续下滑，且难以通过简单升级满足需求。 但在科技公司“军备竞赛”逻辑推动下，仍有部分低规格（效能不足）、地理偏远（缺电与 气候制约）或依赖地方订单（需求持续性弱）的数据中心开工建设，这类项目未来闲置风 险较高，属于远期过剩产能。近两年美国不少企业为节省空间成本，将数据中心建于中西 部偏远地区，此类项目极易受到野火、风暴等极端天气影响，算力充裕后被淘汰的概率较 高。 2）需求逻辑变更风险。AI 需求沿“应用落地→模型接入/训练升级→算力扩张”链路传导。 在此背景下，中下游业务需求若出现大幅调整，将直接影响上游算力需求。具体需关注三 点潜在变化：一是算法技术突破，Deepseek 等轻量化训练模式、量子计算等技术可提升算 力利用率，若未来 ScalingLaw 失效，将对算力需求产生较大扰动；二是模型层完成出清， 若模型端市场完成洗牌并形成稳定格局，被淘汰的中小模型对应的训练算力需求会大幅缩 减；三是应用端商业化受阻，模型部署进度放缓或将直接导致算力供过于求。

中观视角：AI 产业链的哪些环节更为受益？

AI 投资涉及多个层次，算力、模型、应用等不同环节的投资逻辑差异较大，产业链各环节 面临的机遇与挑战亦不尽相同。具体从如下几个方面进行分析：

第一，算力层来看，“数据中心”受益于 Capex 最直接的环节，其产业链条较长，不同组 件供需格局决定其风险与受益情况。 算力层方面，“数据中心”产业投资规模最大且涉及链条较长。2025 年为例，科技巨头 AI 资本开支中，数据中心投资规模约占为总 Capex 的 1/3~2/3。且涉及的链条最为复杂，本 质是“芯片+配件→服务器（机柜）+配套→数据中心”的全产业链条，外加电力等基础设 施。我们在此前 2025 年 9 月 14 日的报告《美国 AI 基建外溢的中观观察》已详细进行梳理。 而在数据中心建设过程中，产业链不同环节受益情况与面临投资风险有所差异，可以通过 供需视角进行分析： 一是需求视角，各组件在数据中心的成本占比决定其需求增量。根据 Semianalysis 等研究， 我们对数据中心产业链成本进行拆分，具体包括： ①IT 设备(80%)：包括服务器(65%)+网络设备(10%)（交换机、路由器等）+存储(5%)；其 中，服务器整机产业链较为复杂，主要包括芯片生产和服务器组装环节，前者可以分为半 导体材料（硅片、光刻胶等）、芯片设计、芯片制造（光刻机、刻蚀机等晶圆代工设备）、 封装测试（高密度互联设备等）四个步骤；后者是指将 AI 芯片结合内存、存储、光模块等 其他电子元件和零部件（印刷电路板等）组装成服务器（机柜） ②电气设备(7%)：包括不间断电源、开关设备、备用发电机等； ③温控设备(3%)：包括冷却塔、冷水机等； ④建筑工程成本(10%)：包括建筑成本、安装成本、工程费等。 此外，从发展趋势来看，未来数据中心偏向高密度发展，意味着单位算力可以对应更低的 建筑与配套成本，服务器占比会进一步提升。

二是供给视角，各组件自身的市场格局与技术路线决定了供给弹性。服务器芯片与高端冷 却设备等处于相对稳固的寡头格局，技术门槛高、迭代周期长，追赶难度大，此类品种供 给弹性有限。相比之下，普通存储介质、基础网络设备（如通用交换机）以及通用电气元 件（如母线、低压开关）等环节供应商分散、可替代性强，易出现抢生产与过度投资。电 力的供给弹性最低，已成为当前制约美国数据中心规模扩张的核心因素。

综合供需分析，我们进行如下判断：1）芯片、服务器的需求受益明确，供给端垄断特征明显。具体来看，AI 相关的 GPU 和 DPU 设计英伟达明显领先，但近期谷歌 TPU 对其生态形成挑战；半导体设备（光刻机等）由荷 兰、美国、日本等少数巨头垄断；材料（硅、光刻胶与封装材料）领域，美日德领先地位 较为明显。此类产品供需配合相对较好，投资过剩风险较低，但地缘政治会导致的供应链 风险较大； 2）开关、温控等零部件在数据中心投资中所占份额有限，基础存储、网络与电气等设备市 场格局分散，企业竞赛扩产容易催生泡沫； 3）电力生产供应弹性最低，为数据中心发展核心制约，能源对应较高的溢价水平； 4）土地资源稀缺性亦在上升，偏远地区土地成本低但配套成本高，项目需进行权衡； 5）国内来看，关注 AI 基础设施建设对“卖铲子”型公司的溢出效应，我国 PCB、光模块、 嵌入式液冷、UPS、电池等产业优势明显，在“军备竞赛”中盈利可预见性较强。

第二，模型层来看，“开源+赢者通吃”的运行逻辑下，科技巨头具备持续竞争优势，尾部 项目存在同质化淘汰风险，关注技术突破与市场出清对上游的影响。 当前模型层投资已呈现“偏内卷化”特征，头部效应逐步明显。世界人工智能大会数据显 示，截至 2025 年 7 月，全球已发布大模型 3755 个，其中中国企业贡献 1509 个。开源模 式加速模型迭代速度，“略快、略便宜”成为新模型核心卖点。然而，在“赢者通吃”的竞 争机制下，真正具备主导地位的开发商数量有限。头部模型企业依托大流量入口、云平台、 行业生态、独特数据资源及高水平人才团队，具备持续竞争优势；而大量长尾、同质化模 型被替代风险较高，难以形成稳定收费模式覆盖前期训练成本，后续行业出清。 近期，谷歌 Gemini 与 OpenAI GPT 模型屡次新版本实现对彼此的超越，从多模态、推理能 力到编程等多个核心领域展开竞争，头部优势更加明显，且竞争有所加剧。但从当前阶段 来看，AI 用户呈现“多模型部署”特征，根据 Menlo Ventures 报告，截至 2024 年美国 60% 的企业（营收超 50 亿美元）同时使用 2 种以上基础模型，仅 19%依赖单一模型，客户在模 型之间的较低的切换成本，导致模型层暂时难以锁定长期收益。 当前竞争正从单点模型比拼，演变为以“模型层”为中枢的生态链之争。中游模型层的参 与者多为科技巨头，开始呈现出全生态链竞争的特征，一方面向上通过大额资本开支储备 算力，另一方面向下竞争应用接入，参与竞争的壁垒升高，规模较小的模型企业难有延续 性发展。具体来看，当前最典型的生态链竞争案例为谷歌链和英伟达链，谷歌依托 TPU+ 云+Gemini，打通“芯片-云-模型-应用”，有望在广告与企业云场景持续放大协同；英伟达 则以 GPU、CUDA 与开发者生态为核心，深度绑定各大云厂与 AI 初创公司。 此外，模型层技术更新与竞争格局演变对上游需求影响较大，我们前文已进行讨论。轻量化训练模式、ScalingLaw 失效与模型层完成出清会导致算力需求大幅下降。

第三，应用层来看，商业化模式仍处试验阶段，降本增效短期已有效果，垂类项目投资“过 剩”风险较低，关注端侧部署对产业的增量影响。 应用层是价值兑现的核心环节，但当前商业化节奏明显滞后于资本投入，使用习惯、转换 成本等制约下游落地决策。当前能够实现规模化、可量化回报的项目占比很低，MIT 的研 究显示，2025年全球约95%的AI投资企业尚未看到具有意义的投资回报；The Data Experts 的统计显示，2025 年全球仅有 25%的项目产生正向 ROI，其中仅有 16%能突破试点阶段 实现规模化落地。虽然有 26%的机构成功推出了可用产品，但仅有 4%获得“显著”回报。 背后有两方面原因，一方面是成本端模型层格局尚未明朗，转换成本、风险厌恶与不确定 性仍然压制着绝大多数企业的落地决策，且模型幻觉等问题尚未被解决；另一方面是需求 端客户付费意愿不足、使用习惯尚未成熟，难以形成固定收费模式。 “降本增效”成为现阶段最务实的商业化路径。谷歌、OpenAI 等巨头及中小企业大模型应 用均围绕降低运营成本、提升业务效率展开，在企业服务（客服）、内容创作（音视频）、 跨境电商（营销）多个行业形成商业模式，比如谷歌、Meta、腾讯等在财报中均有表述。 与此同时，降本增效策略集中体现海外巨头裁员潮上，与传统经济衰退期裁员不同，微软、 宝洁等皆呈现大幅裁员与盈利向好的现状，BuzzFeed/HP/Verizon 等公司披露裁员计划， 且明确声明 AI 与流程自动化为原因。 风险层面来看，通用与垂类应用投资面临的风险不同。具体来看，应用层投资分为两类， 一是面向大众的通用功能性模型，包括消费者 AI 工具（个性化推荐、语音助手等）、泛 SaaS 平台（文档写作、项目跟踪等泛行业辅助工作）等，此类模型壁垒低，竞争激烈导致需求 端付费模式尚不明朗，对上游基础模型依赖高，成本端溢价能力弱，整体商业化存在不确 定性；另一类是基于自身行业优势，深度嵌入垂类应用场景的模型，需求刚性且容易落实 付费模式，供给端“行业数据+流程深度+合规”形成竞争壁垒，当前难言过剩。 与此同时，端侧部署与混合 AI 有潜力催化下一轮创新、投资与商业化周期。随着 AI 快速发 展与计算需求的提升，AI 在云端和终端同时运算的混合 AI 架构必要性上升，端侧在成本、 能耗、隐私与时效方面具备多重优势。当前 AI 推理工作在手机、PC 等边缘终端运行的案 例逐步增多，但尚处于技术验证期。一方面来看，手机、PC、车机等端侧硬件的换机与升 级或能带来新一轮的资本开支与产业机会；另一方面来看，端侧+混合 AI 有望启发新的计 费模式与应用形态，为云厂商、平台与垂直行业打开第二轮商业化空间。

综合来看，AI 产业链各环节投资逻辑差异较大，市场竞争格局亦有所不同。自上到下，体 现为从垄断到竞争的特征： ①上游算力较为复杂，半导体与芯片为核心，供给整体高度集中，英伟达主导 AI 芯片设计， 台积电主导制造高端产能； ②数据中心层呈现中度集中特征，根据 Canalys 等机构 2025 年 Q2 统计，亚马逊、微软、 谷歌合计占全球 AI 数据中心算力的 65%，但阿里云、Oracle 等参与者在特定市场有竞争力； ③基础模型层呈现头部竞争格局，根据 IQPC 数据，2025 年 H1，OpenAI/Anthropic/Meta/ 谷歌市占率分别为 32%/25%/15%/13%； ④应用层呈现高度分散的特征，根据 IQPC 数据，截至 2025 年 Q3 全球有近 2 万家 AI 应用 企业，但头部 10 家市占率仅 12%。 此外，我们还需关注中美在 AI 产业链部署过程中的路径选择差异。具体来看，①中国具有 “制造业基础+应用场景+数据规模+成本效率”的优势，采用场景驱动+产业应用的路径， 硬件开支相对偏谨慎，强调应用先行、后补底层，风险在于基础层话语权不足；②美国具 有“高端人才+技术创新+国际影响+风险资本”的优势，采用重资产算力+基础模型的路径， 旨在抢占全球基础层的网络效应与技术壁垒，风险在于重资产投入的可持续性与盈利压力。