# 高盛AI基建报告：7.6万亿美元的AI“超级工厂”，钱到底花在哪？

大家平时用AI聊天、生成图片时，可能觉得这只是屏幕上的几行字，但AI的背后是一个**比很多国家GDP还大的物理基建工程**。2026年4月高盛全球研究院发布的《追踪万亿：决定AI建设规模的核心假设》，打破了“AI投资只看需求”的误区——其实“建AI要花多少钱”本身，就存在巨大的不确定性，完全取决于4个关键选择。

## 一、先看基线：未来5年，全球要给AI花7.6万亿美元
报告先给出了一个行业普遍认可的“基准线”：**2026-2031年，全球AI基础设施总投资约7.6万亿美元**，这笔钱会分成三部分花：
- **AI芯片（计算）**：5.1万亿美元（占比67%），是绝对大头
- **数据中心建设**：2.15万亿美元（占比28%）
- **电力配套**：0.36万亿美元（占比5%）

从年度来看，AI投资会逐年暴涨：2026年花7650亿美元，到2031年每年要花1.6万亿美元，相当于每天烧掉44亿美元。

## 二、4个“牵一发而动全身”的关键假设
报告最核心的发现是：**这7.6万亿不是固定数字，只要下面4个假设稍微变一点，总投资就能上下浮动几万亿美元**。

### 1. AI芯片能用多久？影响最大，差2年差出1.76万亿美元
AI芯片（比如英伟达的GPU）是AI的“发动机”，但它不像大楼能用20年、电网能用25年，它的“经济寿命”（不是坏了不能用，而是用着不划算了）只有3-7年。

这是所有变量里**影响最大的一个**：
- 如果芯片平均3年就淘汰，2026-2031年光芯片折旧就要花3.99万亿美元
- 如果能用到7年，折旧总费用只有2.23万亿美元
- 两者相差**1.76万亿美元**，相当于整个数据中心的总投资

为什么寿命这么不确定？
- 英伟达现在每年更新一代GPU，每代性能都是“跳级式”提升，老芯片跑新模型会越来越不划算
- 但老芯片也不是没用了：可以用来做简单的AI推理、边缘计算、合成数据生成，现在A100、H100这些“老款”芯片的租金依然很高，说明实际寿命可能能到5-6年以上。

### 2. 数据中心有多贵？每兆瓦多花400万，总投资多5700亿
以前的普通云数据中心，建1兆瓦容量（大概能放几百个普通服务器）只要1000万美元。但AI数据中心因为功率密度暴涨，成本已经翻了一倍多：
| 数据中心类型 | 单机架功率 | 冷却方式 | 每兆瓦建设成本 |
|--------------|------------|----------|----------------|
| 传统云数据中心 | 5-15千瓦 | 风冷 | ~1000万美元 |
| 未来AI“超级工厂” | 500+千瓦 | 全液冷 | 1500-2000万美元 |

报告基线用的是1500万美元/兆瓦，总数据中心投资2.15万亿美元。如果成本涨到1900万美元/兆瓦，总投资就会变成2.72万亿美元，**多花5730亿美元**。

更麻烦的是：现在建的AI数据中心，可能2年后就不够用了。因为下一代芯片的功率和散热要求会更高，今天的设计可能明天就过时了。

### 3. 用谁的芯片？只影响谁赚钱，不影响总花钱
现在90%以上的AI计算用的是英伟达的GPU，它的毛利率高达75%。很多公司在研发自己的专用芯片（ASIC），成本比GPU低很多。

但换芯片会不会减少总投资？**关键看“需求弹性”**：
- 如果需求是“固定的”（比如就训练几个大模型）：换便宜的ASIC，总投资会减少
- 如果需求是“弹性的”（计算越便宜，大家就用得越多，做更大的模型、更多的应用）：总投资不变，只是钱从英伟达手里流到了云厂商和用户手里

报告认为，现在AI还处于“弹性需求”阶段——计算便宜了只会催生更多需求，所以芯片架构的变化主要影响**利润分配**，不改变总投资规模。

### 4. 建设会不会延期？延期太久会让大家不敢投
现在AI基建面临很多瓶颈：电力审批要等好几年、变压器和冷却设备缺货、懂AI数据中心的工人不够。这些问题会让项目延期，但**基线情况下只是拉长建设时间，总投资不变**。

真正的风险是“恶性循环”：如果太多项目同时延期，投资者会怀疑“AI能不能及时赚到钱”，进而推迟或取消投资计划。现在还没到这个地步，但缓冲空间很小——只要几个大项目延期，就会引发市场对整个AI投资逻辑的质疑。

## 三、这3件事看起来很重要，其实不影响总投资
报告特别指出，很多媒体热议的话题，其实对7.6万亿的总投资规模影响很小，它们只会影响**谁赚钱、什么时候赚钱**：
1. **训练vs推理的比例**：推理变多只是让AI公司更快赚到钱，不改变需要建多少基础设施
2. **内存价格波动**：内存涨价只是让芯片成本里的内存占比变高，总投资变化不大
3. **自备电还是电网电**：自备电虽然更贵，但电力只占总投资的5%，就算全用自备电，总投资也涨不了多少

## 四、最终结论：AI投资不是“定数”，而是“选择题”
1. **7.6万亿只是基线，不是预言**：AI基建的总投资高度依赖上面4个假设，实际数字可能比这高很多，也可能低很多。没有谁能准确预测最终会花多少钱。
2. **创新是最大的变数**：如果出现能大幅降低计算需求的技术突破（比如更高效的模型算法），整个投资格局会被彻底改写。2025年DeepSeek的技术突破就曾让市场短暂恐慌过。
3. **AI会陷入“越建越不够用”的循环**：如果我们真的克服了所有瓶颈，把7.6万亿的基建建好了，计算成本会大幅下降，进而催生更多现在根本想不到的AI应用——结果就是，我们需要建更多的基础设施。

简单来说：AI的未来不是“要不要花这么多钱”，而是“我们愿意为了更快的AI进步，接受多高的成本和多大的不确定性”。

# 高盛AI基建投资核心数据一页纸对比表（2026-2031年）
## 一、核心基线投资数据
| 投资类别 | 2026-2031年总投资 | 占总投资比例 | 年度投资变化 |
|----------|-------------------|--------------|--------------|
| **AI芯片（计算）** | **5.1万亿美元** | 67% | 2026年4940亿美元 → 2031年1.13万亿美元 |
| **数据中心建设** | **2.15万亿美元** | 28% | 2026年2320亿美元 → 2031年4360亿美元 |
| **电力配套** | **0.36万亿美元** | 5% | 2026年390亿美元 → 2031年650亿美元 |
| **总计** | **7.6万亿美元** | 100% | 2026年7650亿美元 → 2031年1.6万亿美元（日均44亿美元） |

## 二、四大关键假设对总投资的影响对比
| 关键假设 | 报告基线值 | 下限值 | 上限值 | 总投资变化幅度 | 核心影响逻辑 |
|----------|------------|--------|--------|----------------|--------------|
| AI芯片经济寿命 | 5年 | 7年 | 3年 | 芯片折旧减少1.76万亿美元 → 增加1.76万亿美元 | 芯片是最大成本项，每延长1年寿命，累计折旧减少约4400亿美元；老芯片可用于推理、边缘计算等低要求场景 |
| 数据中心建设成本 | 1500万美元/兆瓦 | 1100万美元/兆瓦 | 1900万美元/兆瓦 | 数据中心投资减少5730亿美元 → 增加5730亿美元 | 单机架功率从传统15kW暴涨至未来500+kW，需全液冷、高冗余设计；现有数据中心可能2年后就无法适配下一代芯片 |
| 芯片架构选择 | 英伟达GPU占75% | 100%专用芯片（ASIC） | 100%英伟达GPU | 总投资基本不变 | 当前处于**弹性需求阶段**：计算越便宜，催生的需求越多，总支出不变，仅改变利润分配（英伟达毛利率75%远高于ASIC厂商） |
| 建设延期程度 | 小幅延期（仅拉长周期） | 无瓶颈 | 严重瓶颈（需求信心崩溃） | 总投资不变 → 可能大幅缩减 | 电力审批、设备缺货、专业工人不足是主要瓶颈；严重延期会引发投资者对AI盈利周期的怀疑，导致投资推迟或取消 |

## 三、被高估的影响因素（不改变总投资规模）
| 媒体热议话题 | 实际影响 | 核心原因 |
|--------------|----------|----------|
| 训练vs推理比例变化 | 仅影响盈利速度 | 推理变多只是更快变现，不改变需要建设的基础设施总量 |
| 内存价格大幅波动 | 仅影响芯片成本结构 | 内存涨价只是让芯片成本中内存占比升高，总投资变化<5%；长期产能会跟上需求 |
| 自备电vs电网电选择 | 仅影响电力成本结构 | 电力仅占总投资5%，即使全用自备电，总投资涨幅也<2% |

## 四、最终核心结论
1. **7.6万亿是基线而非预言**：实际总投资可能在5-10万亿美元之间波动，完全取决于上述4个关键假设
2. **创新是最大变数**：若出现大幅降低计算需求的算法突破，整个投资格局将被彻底改写
3. **越建越不够用的循环**：若基建顺利建成，计算成本下降会催生更多未知AI应用，最终需要更多基础设施