作者：老王
核心判断：中美算力投资的差距首先是资本组织方式和基础设施扩张能力的差距。头部基座模型公司的融资与股东结构进一步表明，美国已形成战略资本、芯片、云和模型相互绑定的闭环，中国则呈现创始团队、平台资本、产业基金与公开市场并存的分层结构。2026年更可能是全球资本开支增速的高位区间，而不是实际算力需求的最终顶峰；资本市场交易的却是未来回报的边际变化，估值拐点可能早于资本开支峰值。
摘要
人工智能竞争正在由模型能力竞赛扩展为算力、能源、网络和资本组织能力的综合竞争。头部基座模型公司的融资与股东结构，是观察这种资本组织能力的前置指标：美国战略投资者往往同时是芯片、云和数据中心供给方，股权关系与长期算力合同相互强化；中国则由创始团队、互联网平台、市场化机构、国资与产业基金及公开市场共同提供资本，平台内部模型还直接依赖母公司资产负债表。两国在私人AI投资和企业资本开支上的差距十分显著，但这种差距不能直接等同于模型能力差距，也不能简单推导为长期产业胜负。随着全球数据中心投资进入数千亿美元规模，判断算力投资是否接近顶峰，已经成为比预测单一企业资本开支更重要的问题。本文认为，应将公告峰、设备订单峰、资本开支峰、投运峰、经济回报峰和资本市场预期峰区分开来；只有当新增供给持续超过可商业化需求，并伴随利用率、价格、订单和资本回报同步转弱时，才可以确认算力投资周期真正见顶。拐点之后出现的也未必是整个AI产业泡沫破裂，更可能是估值、建设和信用三个层次依次出清。
关键词：人工智能；基座模型；融资；股东结构；算力投资；数据中心；中美比较；投资顶峰；资本市场
一、融资与股东结构先定义了算力竞争的资本边界
基座模型公司处于算法研发与算力采购的交界处，其融资规模不仅反映市场对模型能力的估值，也决定企业能够购买多少芯片、签订多长的云合同以及承受多久的亏损。因此，股东是谁往往与融资多少同样重要：当云厂商、芯片公司既是股东又是供应商时，股权投资可以与算力预留、设备供给和客户分发形成闭环；当资金来自多个财务投资人、地方基金或公开市场时，资本来源更分散，但算力供给与商业化责任也可能分属不同主体。
美国头部独立模型公司已进入超大额融资阶段。OpenAI于2026年2月宣布1100亿美元新投资，Amazon、NVIDIA和SoftBank分别投入500亿、300亿和300亿美元；在2025年10月重组完成时，OpenAI基金会持股26%并通过专属治理权控制集团董事会，Microsoft约持股27%，其余47%由员工及其他投资者持有，2026年新一轮投资完成后各方比例将相应变化。[21][22] Anthropic于2026年5月完成650亿美元H轮融资，投后估值9650亿美元；该轮由多家大型资产管理机构领投，并包含超大规模云厂商此前承诺的150亿美元，其中Amazon投入50亿美元。Amazon同时是Anthropic的主要云与训练伙伴，说明战略股权、专用芯片和长期算力合同已经合并为同一资本安排。[23] xAI于2026年1月完成200亿美元E轮融资，投资者包括Valor、Fidelity、卡塔尔投资局和MGX，NVIDIA与Cisco作为战略投资者参与；一个月后xAI被SpaceX收购，其独立股权口径随之改变。[24][25]
图1 头部基座模型公司的股东结构决定资本与算力如何结合
数据来源：OpenAI、SoftBank、Anthropic、xAI、港交所招股书及公开资料；金额为各公司最新或累计公开资本事件，包含私募融资与IPO，口径不同，不作直接加总。
中国头部模型公司的融资规模较小，资本来源却更具层次。智谱招股书披露，上市前历轮融资合计约83.64亿元人民币，2026年1月港股IPO又募集约43.5亿港元；上市前创始团队及员工持股平台通过一致行动合计持有约32.8%，外部股东覆盖腾讯、美团、市场化创投、社保及地方产业基金和中东战略资本。[26][27] MiniMax上市前融资约15.56亿美元，港股IPO募集约48.18亿港元；创始人通过B类多重投票权维持控制，阿里是主要外部股东，米哈游、腾讯和IDG等亦持股。[28] DeepSeek则长期主要依托创始人梁文锋及幻方的自有资金与既有算力，完整股权比例和可比外部融资金额未见正式公开披露，代表了另一种创始人控制、非典型风险资本驱动的路径。[29]
上述样本并不覆盖全部头部模型。Gemini、Llama以及中国的通义、混元、豆包和文心等模型属于大型科技公司内部业务，通常没有独立融资与股东表，其研发和算力开支直接由母公司现金流承担，相关资金将在后文企业资本开支中体现。即便如此，独立模型公司的股东结构仍清楚揭示了核心差异：美国资本不仅金额更大，而且股东常能同时提供芯片、云、数据中心和全球分发渠道；中国的资本组织更分散，政策性和产业性资金能够延长研发周期，但投资主体、算力运营主体与最终付费客户之间的链条通常更长。这正是两国算力投资差距首先表现为资本组织方式差距的微观证据。
二、算力正在从技术投入演变为宏观资本周期
过去两年，人工智能产业最重要的变化之一，是投资重心由单纯的模型研发迅速向芯片、服务器、数据中心、电网、冷却和高速互连扩散。模型仍然是价值创造的入口，但决定模型能否大规模服务用户的，已经不只是算法，而是能否持续获得电力、先进加速卡、内存、网络和资本。算力由企业内部的一项技术成本，转变为影响半导体、建筑、电力设备、能源和金融市场的系统性投资变量。
国际能源署估计，全球数据中心投资自2022年以来接近翻倍，2024年已达到约5000亿美元。JLL估计，全球数据中心供给能力由2025年的约103GW提高到2026年的约115GW，到2030年可能接近200GW。[13][14] 这意味着，即使不考虑芯片研发、模型训练和软件生态，仅数据中心物理基础设施本身，也已经形成一个跨年度、长交付周期的投资超级周期。
图2 全球数据中心供给能力仍处于扩张通道
数据来源：JLL《2026 Global Data Center Outlook》；2030年为预测值。
这种扩张具有明显的自我强化特征。云厂商为了保证前沿模型和大客户的供给能力而提前建设，模型企业又因算力可获得性提高而扩大训练和推理规模，芯片与电力设备企业则根据云厂商的远期订单扩产。资本、算力和需求彼此推动，但建设周期通常长于应用商业化周期，这也为未来的阶段性过剩埋下了条件。
三、中美比较首先需要拆分投资口径
讨论“中美AI投资规模”时，最常见的问题是把私人融资、企业资本开支、政府预算、产业基金和产业产值混合计算。私人融资反映资本市场对AI企业的风险偏好，资本开支反映云厂商和平台企业对基础设施的实际采购，政府预算和引导基金体现国家战略支持，产业产值则反映已经形成的收入或增加值。这些口径可以共同描述产业，但不能直接相加。
在可比性较高的私人投资口径下，斯坦福《AI Index 2026》显示，2025年美国私人AI投资约2858.8亿美元，中国约124.1亿美元，美国约为中国的23.1倍；其中美国生成式AI私人投资约1636.4亿美元，中国约14.8亿美元，差距超过百倍。若看2013年至2025年累计投资，美国约7572.7亿美元，中国约1318.3亿美元，差距收窄至约5.75倍。[1] 这说明2024年至2025年的新增融资高度集中在美国，尤其集中于少数前沿模型和算力平台公司。
图3 美国私人AI投资规模显著高于中国
数据来源：Stanford HAI《AI Index Report 2026—Economy》；单位为十亿美元。
私人投资数据能够说明资本市场的深度，却不能完整覆盖中国的政府引导基金、国有企业内部投资和地方基础设施支出。斯坦福估计，2000年至2023年中国政府引导基金向各行业累计部署约9120亿美元，其中约1840亿美元可能流向AI企业。[1] 与之相比，美国联邦政府FY2025提出的AI研发投资约为33亿美元，重点是基础研究、国家实验室和公共科研能力。[9] 两个数字的周期、范围和资金性质完全不同，不能据此得出“中国政府投入是美国的多少倍”之类的简单结论。
四、美国：由超大规模云厂商驱动的资本密集型扩张
美国算力投资的核心主体不是政府，而是Amazon、Microsoft、Alphabet和Meta等拥有稳定现金流、全球客户和云平台入口的超大规模科技公司。根据截至2026年7月30日的企业公开指引，Amazon全年现金资本开支约2200亿美元，Microsoft按日历年口径约1900亿美元，Alphabet约1950亿至2050亿美元，Meta约1300亿至1450亿美元，四家公司名义合计约7350亿至7600亿美元。[2][3][4][5] 这一合计只能用于观察量级：Amazon采用现金资本开支口径，Meta明确包含融资租赁本金，各家公司在租赁确认和现金支付等方面并不完全可比。这些数字也都是全公司资本开支，仍包括物流、办公设施、卫星和其他基础设施，不能全部认定为AI支出；但AI数据中心、芯片和网络无疑是增长的核心来源。
图4 四家美国大型科技公司的资本开支进入超大规模区间
数据来源：Amazon、Microsoft、Alphabet、Meta公开业绩材料与资本开支指引；Amazon为现金资本开支，Meta包含融资租赁本金，不同口径的名义合计仅供规模观察。
美国模式的最大特点，是资本、客户和技术平台集中于同一批企业。云厂商既采购芯片和建设数据中心，又投资前沿模型公司，还通过云服务、API、办公软件、广告和消费产品回收投资。对这些企业而言，建设算力不仅是销售GPU租赁服务，也是在争夺模型入口、开发者生态和企业数据。即使短期AI收入不足以覆盖全部资本开支，只要算力能够强化云市场份额、提高客户迁移成本或保护现有业务，其战略价值仍可能支持继续投资。
这种体系同时带来更高的集中度与财务风险。算力设备迭代速度明显快于传统数据中心建筑，GPU、网络和内存的经济寿命可能短于会计折旧年限。如果新一代芯片迅速降低单位Token成本，上一代设备即使仍能运行，也可能在经济意义上提前过时。当年资本开支可以推高未来的折旧、电力和融资成本，最终要求AI收入、云业务增长和毛利润同步兑现。
五、中国：政策牵引、平台企业与国产生态并行
中国算力投资主体更加多元。阿里巴巴宣布未来三年投入至少3800亿元人民币建设云和AI基础设施；腾讯2025年总资本开支约792亿元人民币，第四季度支出主要投向AI基础设施。[6][7] 百度、字节跳动、华为以及中国移动、中国电信、中国联通也在建设训练、推理和云服务能力。与美国相比，中国平台企业的资本开支规模较小，但电信运营商、地方国资和区域智算平台承担了更大比例的基础设施建设。
截至2026年3月底，中国智能算力总规模已达到约188万PFLOPS（FP16），八大国家枢纽节点占比超过80%。[10] 这一布局体现出“东数西算”从单纯建设数据中心向全国算力调度、算电协同和区域集群化发展。中国的优势在于电力基础设施、工程建设成本、制造供应链和丰富的产业应用场景；约束则主要来自先进芯片、高带宽内存、部分高速互连和软件工具链。
中国早期数据中心还暴露出一个重要的结构性问题：理论算力供给与有效、可商业化算力之间存在差距。国家信息中心披露，2022年中国在用数据中心上架率约58%，低于欧美约65%的平均水平；以公有云方式提供的算力占比仅约28%。[11] 另有行业调查称，截至2024年11月，全国已投运智算中心接近150个，另有约400个在建或规划项目，部分三四线城市中小型智算中心利用率不足30%。这一估计并非统一官方统计，但足以说明局部供给与需求错配问题。[12]
低利用率并不意味着中国整体算力过剩。不同区域、芯片和业务之间可能同时存在“高质量算力紧缺”和“低质量算力闲置”。部分早期项目由产业招商和建设补贴驱动，缺少长期客户；部分西部项目受到时延、带宽费用、数据合规和数据迁移成本约束；不同国产算力卡在编译器、算子库、通信库和模型框架上的差异，又使理论PFlops难以直接转化为可用训练和推理吞吐。由此形成的不是简单的总量过剩，而是结构、位置、软件生态和商业模式共同造成的错配。
六、中美差距的本质是资本组织方式与回收路径不同
美国的优势首先体现在市场化融资规模和企业自由现金流。风险资本能够为模型企业承担早期亏损，云厂商能够以数千亿美元资本开支提供算力，公开市场和私募信贷又能继续为数据中心开发商融资。芯片、模型、云和应用之间由商业合同连接，价格信号相对清晰，但也更容易在竞争和估值推动下形成重复投资。
中国模式则更强调基础设施先行、国产替代和产业协同。地方政府、运营商和国有资本能够在市场需求尚未完全形成时建设算力节点，弥补私人资本对长周期基础设施投资的不足。然而，如果考核仍然偏重投资额、机架数和理论算力，而不是付费利用率、模型吞吐和收入，就容易出现“建成即闲置”或“可运行但不经济”的项目。值得注意的是，资本投入差距并未等比例转化为模型性能差距。斯坦福数据显示，截至2026年3月，中美顶级模型在部分综合基准上的差距已收窄至约2.7%。[16] 这并不能证明中国的每一美元投资都更有效，因为公共资金、企业内部投入、能源和人力成本并未完全统计，基准分数也不能代表稳定性、全球服务能力和生态规模。但它至少说明，算力资本开支的边际产出正在从“更高的榜单分数”转向更低延迟、更高并发、更强冗余和更广泛分发。
七、算力投资顶峰不是一个时间点，而是一组错位的峰值
对行业交流而言，最重要的认识是：算力投资不存在一个可以由单一年度资本开支确认的“顶峰”。至少需要区分五个时点。首先出现的是公告峰，即企业和政府公布的投资额、园区数量和规划GW；随后是设备订单峰，表现为GPU、HBM、先进封装、光模块、交换机、液冷和变压器订单达到最高增速；第三是资本开支峰，即企业实际支付设备采购和工程款；第四是投运峰，即数据中心完成并网、服务器上架并形成可用算力；最后才是经济回报峰，即算力收入、Token调用、云服务毛利润和现金流达到周期高点。这些峰值之间通常相差数个季度乃至一至三年。一个2026年公布的GW级项目，可能在2027年至2029年才陆续通电。因此，即使2026年成为资本开支同比增速的高点，也不能据此判断2026年就是实际算力供给峰值，更不能判断AI需求已经见顶。相反，公告和资本开支放缓可能只是电网、变压器、许可和建设周期造成的供给约束。
从目前的数据看，全球尚未出现物理算力投资全面见顶的充分证据。JLL预计全球数据中心容量从2025年至2030年仍需新增约97GW。[13] IEA则指出，满足到2030年的用电增长需要全球年度电网投资在目前约4000亿美元基础上提高约50%。[15] 这意味着，在应用需求转弱之前，电力和工程约束可能先让资本开支增速出现阶段性下降，形成“受限性放缓”，而不是“需求性见顶”。
八、判断顶峰应同时观察需求、利用率、价格和回报
第一组指标是需求。应观察AI云收入、API Token调用量、企业AI预算、推理请求、训练排队时间和合同剩余履约义务。Token单价下降本身不是见顶信号，因为模型压缩、量化和芯片升级本来就会降低价格。真正需要警惕的是，价格下降以后，调用量和客户数量仍不足以吸收新增算力。
第二组指标是利用率。最具解释力的不是机架上架率，而是付费卡时利用率、GPU或NPU的有效忙碌程度、显存和网络使用率、任务完成时间以及数据中心空置率。如果新投运算力连续两至四个季度快于工作负载增长，同时付费利用率下降10至15个百分点，说明供需关系正在实质性转弱。
第三组指标是价格。云端GPU租赁价格、推理服务每百万Token价格、二手GPU价格和数据中心租金能够反映边际供需。价格下降并不必然代表过剩；如果单位成本下降带来更快的需求扩张，行业仍处在成长阶段。只有当价格、利用率和订单同时下降，才接近周期见顶。
第四组指标是投资回报。算力收入至少应覆盖电力、网络、运维、设备折旧和融资成本。可以用“AI相关收入减去现金运营成本”与“AI设备折旧加资金成本”的比率观察现金覆盖能力。若覆盖率长期低于一，新增AI毛利润又连续无法覆盖新增资本开支带来的折旧，企业最终必须削减投资或延长设备使用周期。
第五组指标是上游订单。GPU、HBM、先进封装、光模块、交换机、液冷和电力设备的交货周期，是资本开支的领先指标。交货周期持续缩短、取消或延期订单上升、二手设备价格下跌和库存累积，通常先于数据中心资本开支见顶。反过来，如果设备仍然短缺、客户仍愿意预付款锁定产能，即使上市公司资本开支增速放缓，也不能确认周期结束。
第六组指标是项目转化率。行业应从追踪“宣布了多少GW”转向追踪“多少GW已经开工、并网、上架并产生收入”。若大量项目因电网、许可或社区反对而延迟，表明供给受到约束；若已通电项目找不到客户、预租率下降并取消后续阶段，则说明需求正在转弱。两者对设备、电力和数据中心运营商的影响完全不同。
九、技术效率既可能推迟顶峰，也可能提前顶峰
模型蒸馏、稀疏化、量化、推测解码、低精度计算和专用推理芯片，都在降低单位任务所需算力。从供给角度看，这些进步等同于新增了一批“虚拟算力”，可能减少未来硬件采购。但是，单位推理越便宜，AI越容易进入搜索、办公、视频、软件开发、机器人和科学计算，调用量又可能呈数量级增长。这就是算力领域的杰文斯效应。
因此，总算力需求大体取决于“任务数量增长”与“单任务算力下降”的乘积。只有当效率改善持续快于任务数量增长时，算力需求才会进入平台期。如果多模态视频、实时智能体和具身智能成为主流，即使单次Token成本快速下降，总体推理需求仍可能继续上升。由此可见，不能仅凭某个高效模型发布就判断算力投资见顶，也不能仅凭Token调用增长就忽略单位成本下降。
十、未来三种情景：峰值可能落在不同年份
基准情景下，2026年至2027年可能成为全球算力资本开支增速的高位区间，而绝对资本开支和实际通电容量的峰值更可能出现在2027年至2029年以后。原因是当前仍有大量已签约数据中心、芯片和电力项目尚未交付，云厂商也仍将算力视为争夺平台地位的战略资产。
上行情景下，AI Agent、视频生成、科学智能、自动驾驶和机器人带来持续高强度推理需求，模型降本引发使用量更快增长，电力成为主要瓶颈。在这一情景中，资本开支增速可能波动，但实际算力投资顶峰将推迟至2030年以后，投资重心逐步由GPU转向电网、发电、液冷、网络和边缘推理。
下行情景下，企业AI应用的付费转化慢于预期，模型效率快速提升，云厂商之间的价格竞争压低毛利，同时项目延期和融资成本上升。资本开支增速可能在2026年率先见顶，绝对支出在2027年至2028年进入平台期。最先承压的通常不是拥有稳定云客户的头部平台，而是没有长期合同、依靠高杠杆融资或仅凭远期电力指标估值的独立数据中心和算力租赁企业。
中国可能出现更加明显的结构性分化。传统通用机柜、部分缺乏客户的地方智算中心和代际落后的设备，可能已经越过局部投资高点；高端国产AI芯片集群、软件适配、推理算力、全国调度、液冷改造和算电协同仍处于投入上升阶段。因此，讨论“中国算力是否见顶”没有太大意义，更有意义的是判断哪一类算力、哪个区域和哪一种商业模式正在见顶。
十一、资本市场对AI的预期：从稀缺性溢价转向现金流检验
资本市场对AI的定价不是对当期利润的简单外推，而是同时交易三项预期。第一项是最终需求，即AI能否形成足够多的付费用户、企业合同和可持续收入；第二项是投资周期的长度，即云厂商是否需要连续多年维持超常资本开支；第三项是终局回报，即单位算力价格下降以后，收入增长能否抵消折旧、电力、网络和融资成本。只要投资者相信需求增长和平台战略价值足以覆盖回报滞后，资本开支越高反而可能被视为未来竞争壁垒；当这一信念减弱，同样的资本开支就会由增长信号转为现金流压力。
美国联邦储备委员会汇总的公开数据显示，Amazon、Google、Meta、Microsoft和Oracle在2025年的资本开支约4120亿美元，相当于美国名义GDP的约1.31%；2025年第四季度单季达到约1310亿美元。与此同时，从ChatGPT发布到2025年末，Nvidia、Broadcom和AMD市值分别累计上涨约975%、636%和179%，三家公司在标普500中的合计权重于2025年末达到11.2%。[18] 这些数据说明AI投资已经同时成为宏观需求变量和股票指数集中度变量。价格上涨可以反映真实的利润增长，也会使市场对少数企业的执行、技术领先和客户需求更加敏感。
当前市场的核心预期仍偏向“投入先行、收入后置”。国际能源署指出，最大型科技企业2025年资本开支已超过4000亿美元，并预计2026年再增长约75%；但其同时强调，数据中心扩张会受到投资回报预期、市场情绪、融资条件和宏观环境影响。[17] 这意味着市场并不是等待AI收入绝对下降才调整价格，而是在比较“新增收入预期的上修速度”和“新增资本成本的上修速度”。如果资本开支继续上调，AI收入和自由现金流预期却不再上调，估值拐点就可能出现。
因此，资本市场的预期峰往往早于资本开支统计峰。股票价格反映未来现金流，其拐点常发生在增量信息转弱之时，也就是所谓二阶变化：资本开支仍在增长，但增速不再超预期；数据中心仍在签约，但预租和租金不再改善；芯片收入仍创新高，但订单能见度或毛利率开始回落。对于上游芯片、HBM、光模块和电力设备企业，订单增速和客户集中度是关键；对于云厂商，AI收入、剩余履约义务、自由现金流和折旧是关键；对于数据中心开发商与算力租赁商，预租率、租户信用、项目转化率、债务期限和再融资利差更重要。
一个更可操作的资本市场拐点判断，是观察三组“剪刀差”。一是资本开支增速与AI相关收入增速之差，差值持续扩大意味着回收期拉长；二是新增折旧与新增毛利润之差，前者连续快于后者会压缩自由现金流；三是公告容量与已通电、已预租容量之差，差值扩大说明规划热度没有转化为现金收入。单个季度不足以确认趋势，但若上述剪刀差连续两至四个季度恶化，并伴随信用利差上行或项目取消增加，资本市场大概率已经越过预期峰。
图5 资本市场通常先交易预期回报的拐点
资料来源：本文分析框架。图示为传导关系，不代表定量预测。
十二、拐点过后的泡沫：不是AI消失，而是资本结构重新定价
算力周期越过拐点以后，所谓“泡沫破裂”通常不会表现为AI技术突然失去价值，而是不同资产按现金流质量重新定价。应把泡沫拆成三层：估值泡沫是对远期收入和利润率给予过高倍数；建设泡沫是缺乏客户、并网条件或软件生态的项目过度开工；信用泡沫则是利用短期债务、私募信贷、证券化和复杂合作结构为长周期资产融资。一家公司可以不存在建设泡沫，却仍有估值泡沫；一个数据中心也可能有真实客户，却因债务期限错配而暴露信用风险。
第一阶段通常是估值出清。市场不必等到收入下降，只要收入增速无法继续高于预期，芯片、云、数据中心和电力设备的估值倍数就可能压缩。此时产业数据仍然强劲，企业订单和资本开支甚至仍在创新高，容易出现“基本面很好但股价下跌”的背离。对指数而言，风险来自权重集中：IMF在2026年4月《全球金融稳定报告》[19]中指出，AI相关企业估值偏高且市场集中度上升，少数大型公司若无法产生足以支撑估值的回报，可能通过投资者情绪把调整传导至更广泛市场。
第二阶段是建设与资产出清。资本成本上升或预租下降后，未开工项目会被延期，已开工项目会缩减后续阶段，通电但利用不足的项目则可能出现租金下调、设备延长使用、折旧年限调整或资产减值。美国联储基于项目数据估计，美国数据中心投资到2026年第二季度可能达到约3700亿美元的年化水平，但在不同项目计划假设下，2027年预测区间可从约3600亿美元扩大到9300亿美元。[20] 如此宽的区间本身就表明，远期公告量不等于确定投资，项目取消率和从计划到开工的转化率将决定峰值高度。
第三阶段才可能演变为信用出清。IMF指出，数据中心正在更多依赖银行、私募信贷、证券化以及能源和技术企业之间的合作融资；投机性预租、租户高度集中、技术快速过时和并网延期会放大风险。如果AI资本开支突然收缩并叠加顺周期信用收紧，数据中心贷款人可能面临再融资压力，压力还可能通过银行与非银行金融机构的联系扩散。[19] 在这一阶段，最脆弱的通常是没有长期合同、债务期限短、建设成本超支、依赖单一客户或把未通电土地按满负荷估值的项目。
泡沫出清可能有三种路径。温和路径是“时间换空间”，估值横盘而盈利逐步追上，资本开支增速下降但绝对规模维持高位；中性路径是价格调整，股票估值和算力租赁价格下降，行业通过兼并重组集中到现金流更强的运营商；激烈路径是资产和信用同时调整，项目取消、设备折价、资产减值与再融资困难相互强化。哪一种路径发生，取决于终端AI收入能否在折旧高峰到来前加速、利率与信用环境是否稳定，以及高杠杆项目占整个产业链融资的比例。
中美两国的泡沫形态也会不同。美国更可能先体现为上市公司估值压缩、私募AI企业融资降温以及数据中心私募信贷风险；但头部云厂商拥有广告、软件、电商和云业务现金流，承受周期调整的能力较强。中国则可能更多表现为部分地方项目利用率偏低、设备代际落后、资产收益不足和财政或国企资产负担，价格发现速度相对较慢。两者共同的结果，是资本从“拥有多少算力”转向“谁拥有付费客户、可迁移的软件生态、低成本电力和可持续现金流”。
因此，拐点后的关键不是争论“AI是不是泡沫”，而是识别泡沫位于哪一层、由谁持有以及能否被现金流消化。互联网泡沫之后数字经济仍持续扩张，类似地，AI基础技术可以长期改变生产方式，同时其中一批资产仍可能因购买价格过高、建设位置错误或融资结构脆弱而遭受损失。技术趋势与投资回报并不矛盾，真正需要区分的是产业长期价值和特定时点的资产价格。
十三、结语：从规模竞赛转向有效算力与资本回报
中美算力投资差距是真实且显著的。美国依靠超大规模科技公司的现金流和资本市场，在先进芯片、数据中心和云服务上形成了远高于中国的投入规模；中国则依靠运营商、平台企业、地方国资和国产生态形成更分散的供给体系。美国模式的主要风险是资本开支过度集中、折旧上升和商业回报滞后，中国模式的主要风险是建设目标与真实需求脱节、软硬件适配不足以及理论算力难以转化为有效产出。
当前最需要避免的，是把“资本开支增速放缓”误读为AI需求终结，也把“规划容量继续增长”误读为投资必然有效。真正的顶峰必须由一组相互印证的信号确认：新增供给持续超过商业需求，付费利用率下降，算力和设备价格转弱，上游订单减少，项目预租率下降，并且AI收入无法覆盖折旧、电力和资金成本。因此，2026年更像是算力投资由单纯追求规模转向检验效率与回报的分水岭。资本市场可能先于产业统计形成拐点，拐点后的调整也会优先淘汰缺乏客户和融资韧性的资产。行业竞争不会因为资本开支增速见顶而结束，而会由“谁购买了更多芯片、宣布了更多GW”，转向“谁能把每一瓦电、每一张卡和每一元资本转化为更稳定、更低成本、更可持续的AI服务”。这才是判断中美算力竞争和下一轮产业格局的关键。
参考资料
[1]Stanford HAI, AI Index Report 2026 — Economy。私人AI投资、生成式AI投资及中美比较
[2]Amazon Q2 2026 Earnings。2026年资本开支信息
[3]Microsoft FY2026 Q3 Earnings。资本开支及AI基础设施构成
[4]Alphabet Q2 2026 Earnings Release。资本开支与云业务数据
[5]Meta Q2 2026 Results。2026年资本开支指引
[6]阿里巴巴：未来三年投入至少3800亿元建设云和AI基础设施。企业投资计划
[7]腾讯2025年年度业绩材料。资本开支数据
[8]国家发展改革委：国家创业投资引导基金有关说明。政府引导资金口径
[9]NITRD, FY2025 Supplement to the President’s Budget。美国联邦AI研发预算
[10]国家数据局：国家算力基础设施建设进展。2026年中国智能算力规模
[11]国家信息中心：AI时代公有云的发展趋势、挑战和解决方案。数据中心上架率和公有云占比
[12]数字中国：利用率仅三成，“沉睡”的算力如何激活。智算中心利用率调查
[13]JLL, 2026 Global Data Center Outlook。全球数据中心容量与预测
[14]IEA, Energy and AI。全球数据中心投资与能源需求
[15]IEA, Electricity 2026。电网投资与电力需求预测
[16]Stanford HAI, AI Index 2026 — Technical Performance。中美前沿模型性能差距
[17]IEA, Key Questions on Energy and AI。2025—2026年大型科技企业资本开支与市场情绪敏感性
[18]Federal Reserve Board, Monitoring AI Adoption in the US Economy。科技企业资本开支、AI芯片企业市值与指数集中度
[19]IMF, Global Financial Stability Report, April 2026。AI相关估值集中、数据中心融资与金融稳定风险
[20]Federal Reserve Board, Estimating Aggregate Data Center Investment with Project-level Data。美国数据中心投资预测及项目转化不确定性
[21]OpenAI, Scaling AI for Everyone。2026年1100亿美元新投资及战略投资者
[22]OpenAI, Our Structure。OpenAI基金会治理权及2025年重组时点股权结构
[23]Anthropic, Series H Funding。650亿美元H轮融资、估值及投资者结构
[24]xAI, Series E Funding。200亿美元E轮融资与主要投资者
[25]xAI, xAI Joins SpaceX。SpaceX收购xAI
[26]港交所：智谱上市前融资与公司结构。上市前融资总额、创始团队一致行动及投资者结构
[27]港交所：智谱招股书。港股发行规模与募集资金
[28]港交所：MiniMax招股书及配售结果。上市前融资、主要股东、多重投票权及IPO规模
[29]Reuters：DeepSeek与幻方的资金及控制关系。创始人控制及早期资金来源
