Zhu Shuai of CCID Research Institute: Global AI investment logic is undergoing new changes

相关专题top start 相关专题top end 期货推广begin 期货推广end 秒拍begin 秒拍end 视频播放器start 视频播放器end 行情图begin 行情图end

全球AI竞争当前很大程度上围绕模型能力、芯片性能和算力规模展开，但巨额资本开支与商业回报之间并非简单的正比关系。如何让基础设施投入更有效地转化为经济效益，正在成为全球AI产业需要回答的重要问题。

人工智能（AI）正成为全球科技巨头争夺的“战略高地”，围绕芯片、数据中心和算力基础设施的投资持续升温。然而，随着投入规模不断扩大，市场关注点正在发生重要变化：过去，企业主要比拼谁能更快获得先进芯片、建设更大规模的数据中心；如今，投资者更加关注巨额投入能否转化为持续的收入增长、现金流和生产率提升。

10月29日，亚马逊公布第三季度财报。财报呈现两面性，一方面，AWS（Amazon Web Services）收入、公司营业利润率创下新高；另一方面，营收、每股收益、广告业务第四季度营收指引收入均不及预期。该公司三季度资本支出大幅增长，AI成本激增，出现负现金流问题。这是投资者失望的主要原因，并直接体现为亚马逊股价一度暴跌7%，反映出市场对亚马逊在AI领域巨额开支的忧虑。这并不意味着全球AI投资热潮即将退去，相反，云计算、智能编程和企业级AI服务的增长，正在为基础设施建设提供新的需求支撑。但巨额资本开支与商业回报之间并非简单的正比关系。如何避免把算力规模等同于产业竞争力，如何让基础设施投入更有效地转化为技术进步和经济效益，正在成为全球AI产业需要回答的重要问题。

过去几年，全球AI竞争很大程度上围绕模型能力、芯片性能和算力规模展开。大型科技企业不断扩大数据中心建设，争夺先进芯片、电力和网络资源，希望通过提前布局获得未来市场的先发优势。这种投入具有现实基础：前沿模型训练需要大量计算资源，AI应用普及也会持续带动推理算力需求。

但当投资规模达到数千亿美元量级，单纯扩大基础设施已不足以构成长期优势。数据中心建设需要承担芯片采购、能源供应、网络连接和日常运维等持续成本，设备还面临技术迭代与更新压力。企业即使拥有充足算力，如果缺乏稳定的付费客户、有效的业务场景和合理的服务定价，也难以确保投资获得可持续回报。评价AI投资不能只看资本开支规模、收入增速或芯片采购量，还需要综合考察业务结构、资金来源、运营效率和未来收入的可持续性。

与此同时，AI技术本身也在改变算力投资的经济逻辑。模型压缩、推理优化、专用芯片和软硬件协同技术不断发展，有望降低单位任务的计算成本。另一方面，随着AI应用从少数专业场景走向办公、制造、科研和消费服务，使用门槛下降也可能催生更多需求。因此，未来算力市场既可能出现效率提升带来的成本下降，也可能出现应用扩张带来的总需求增长。真正决定企业竞争力的，是能否在技术效率与市场规模之间建立可持续的商业模式。

算力投资扩张面临三重考验

企业的算力投资主要面临三重考验。首先，基础设施建设需要接受实际需求的检验。不同类型的AI任务对算力的要求差异很大，前沿模型训练需要高性能计算资源，而大量企业级应用更看重推理成本、响应速度、数据安全和部署便利性。如果一味追求高端芯片数量和理论算力规模，却没有充分考虑用户需求和应用结构，就可能出现资源配置与实际业务不匹配的问题。

其次，重资产扩张可能增加企业的经营和融资压力。AI基础设施涉及芯片、服务器、网络设备、制冷系统、数据中心和能源保障等多个环节，建设周期长、前期投入大、运营成本高。如果终端应用的付费需求增长不及预期，或者市场竞争导致服务价格持续下降，企业就可能面临利用率不足、利润空间收窄和投资回收周期延长等挑战。对于依赖外部融资、客户集中度较高的企业而言，融资环境变化还可能进一步放大风险。

再次，技术迭代可能改变既有投资的价值。随着算法效率提高、模型架构演进和专用芯片发展，同样规模的硬件资源能够完成的任务可能不断增加。如果企业仅依据当前技术路线和短期需求预测进行大规模扩张，未来就可能面临设备利用率、更新周期和资产回收方面的不确定性。这并不意味着算力需求会因此下降，而是说明基础设施投资必须为技术路线变化保留弹性，避免将短期技术优势简单等同于长期竞争优势。

全球AI投资逻辑的变化，为中国发展人工智能提供了重要启示。中国拥有较为完整的制造业体系、丰富的产业应用场景和持续扩大的数字化需求，可以把这些优势转化为AI产业发展的现实动力，在保持必要投入的同时，更加注重资源配置效率和应用价值。

一是坚持需求牵引，推动算力建设与产业发展相匹配。根据不同地区的能源条件、产业基础和实际需求，合理布局算力基础设施，统筹考虑训练、推理及行业应用的不同需要。对新增项目，应综合评估服务对象、预期负载、能源成本、运维能力和投资回收周期，避免单纯以投资额、设备数量和理论算力规模衡量项目成效。

二是强化软硬件协同，提升单位算力的经济价值。算力竞争不仅是芯片竞争，也涉及算法、模型、编译工具、网络架构和系统调度。支持企业通过模型优化、推理加速、异构计算和软硬件协同设计，提高现有算力资源的利用效率，降低AI应用的综合成本。对广大中小企业而言，能够以合理价格获得稳定、安全、适配自身业务的算力服务，往往比直接建设大型算力设施更有实际意义。

三是以真实应用检验技术投入，推动AI与实体经济深度融合。围绕制造业研发设计、生产控制、质量检测、供应链管理和设备运维等场景，推动AI从试点展示走向规模化应用。对于企业而言，不仅要考察模型性能和技术先进性，还要评估应用成本、使用频率、生产效率改善程度和安全合规成本。通过建立可量化的投入产出评价机制，让AI项目真正解决生产经营中的具体问题，形成可复制、可推广的商业模式。

此外，还需要完善差异化投融资机制，增强产业发展的长期韧性。人工智能基础研究、关键技术攻关和共性平台建设具有长期性，需要稳定支持。未来AI产业的竞争优势，不仅取决于能够建设多少算力，更取决于能否以更低成本、更高效率和更可靠的服务，将算力转化为技术创新、企业生产率和产业升级的新动能。对中国而言，把握全球AI投资逻辑变化的关键，在于坚持技术创新与产业应用并重，以实际需求牵引资源配置，以系统效率提升产业竞争力，在全球人工智能发展中形成更加可持续的优势。（作者是赛迪研究院研究员） news_keyword_pub,stock, 正文下iframe 正文下iframe 总声明 总声明 文末二维码 start 文末二维码 start

文末二维码 start 文末二维码 start 编辑姓名及工作代码 编辑姓名及工作代码