文/中國金融網(CFN) 大河

2026年，資本的定義正在被重寫。

在阿波羅全球管理公司首席經濟學家Torsten Slok看來，AI已經不再是單純的科技敘事，而是正在重塑宏觀經濟基本面——他3月接受彭博采訪時警告，大規模AI基礎設施建設在初期將推高通脹，使新任美聯儲主席凱文·沃什期望中的快速降息難以實現。交易員的預期已經急劇轉向，目前預計美聯儲今年加息的概率約為80%，AI建設浪潮推高芯片和電力成本被認為是重要推手。

AI正在同時扮演兩個看似矛盾的角色——它既是推動生產力躍升的技術革命，也是一輪持續拉高芯片、電力和勞動力成本的投資熱潮。投資者面對兩個相互博弈的方向：AI紅利的高漲預期，和AI建設本身的成本壓力。撥開迷霧，需要回歸一個根本判斷：AI的賽道究竟有多大？現在的投資熱潮處于這條賽道的哪個階段？

當前圍繞AI的所有躁動與焦慮，都可以歸結為同一個結構性事實——賽道才剛鋪完第一段，終點遠未到來。

第一層 萬億級資本正在澆筑AI的物理底座

全球AI競賽的坐標起點，不在云端，而在物理世界的最底層。

英偉達CEO黃仁勛提出的“五層蛋糕”框架——能源、芯片、基礎設施、模型、應用——揭示了一個殘酷的真相：AI不再是運行在云端的純粹代碼，而是一套完整的系統工程。每一層都支撐著上一層的運轉，而最底層的能源層和芯片層，正在吞噬最大規模的資本支出。

美國科技四大巨頭已經用數字表達了野心。2026年，Meta預計投資1350億美元、微軟1050億美元、谷歌1850億美元、亞馬遜2000億美元，四家總投資額相比去年大幅增加70%。這個規模的資本開支，在一年前還難以想象。OpenAI與甲骨文等發起的“星際之門”計劃，更計劃投入5000億美元擴建AI基礎設施。

中國的棋盤比美國更為龐大。按照2030年累計投資10萬億人民幣的規劃，中國正在成為全球AI基建的重資產擔當。這座“基建高地”的基石，始于四年前一項極具遠見的戰略工程——“東數西算”。

截至2025年底，中國在用算力中心機架數已超1000萬個，形成通算、智算、超算等多元協同格局。更關鍵的數據是智能算力——2025年，中國智能算力規模已躍升至1053 EFLOS，算力市場規模高達8351億元，同比增長超30%，算力總規模與智能算力規模均位居全球第二。全國在用智算總規模達159萬PFlops，其中八大國家樞紐節點已建成智算規模達138.8萬PFlops，占全國比重超過80%。

在這套體系中，“東數西算”實現了東部蓬勃的算力需求與西部充沛綠色電力的精準對接。貴州深山、寧夏戈壁、甘肅沙漠中，算力樞紐正在崛起。更精妙的設計在于算電協同——白天用電高峰時，系統暫停非緊急AI訓練任務，減輕電網壓力；夜間風電充沛時，算力中心全速運轉，吞掉多余綠電。2026年一季度，算電協同在西部樞紐的試點驗證了理論：以甘肅樞紐蘭州數據中心集群為代表的智算中心，在“風光水儲”多能互補的調節下，綠電使用率持續提升。

電力支撐算力，算力優化電力，這是中國在AI基建底層構建起的獨特壁壘。而這一壁壘的優勢，源于中國在重工業基礎設施領域二十年的累積效應。美國原計劃新建的數據中心近一半延期或取消，關鍵原因是變壓器等電力設備短缺——而中國占據全球60%的變壓器產能，光模塊領域全球前十廠商中七家是中國企業，“易中天”三家更占據了800G/1.6T高速光模塊六成市場份額。

全球光模塊產業鏈格局的變化是最具說服力的橫截面。2026年初，國金證券研報指出，中國算力正從“云端訓練”向“訓練+推理”雙輪驅動轉型，國產算力全鏈景氣有望量價齊升，行業景氣將從核心芯片向AIDC、云與算力服務、配套電力設備及服務器外溢。這不是一輪單點突破，而是一場涵蓋整個制造產業鏈的集體產能釋放。當這場釋放的規模達到10萬億級別，對全球產業鏈的沖擊才剛開始顯現。

第二層 AI落地的“死亡谷”：萬億投資與企業回報之間的落差

巨額資本涌入AI基建，但大模型能力轉化為商業價值的路徑，遠比預想中崎嶇。

麻省理工學院2025年的一份研究報告揭示了令人震驚的數據：高達95%的企業AI項目達不到預期。這個數字意味著，每一百家試圖用AI改造業務的企業中，只有五家真正看到成效。另一項基于公開數據的調查進一步佐證了這一困境：42%的企業在2025年放棄了AI項目，而2024年這一數字僅為17%。

這不是技術能力的問題——DeepSeek-V4在數學、STEM、競賽型代碼領域的能力已可比肩世界級閉源大模型，其V4-Pro版本更超越了所有已公開的開源模型。問題的根源，在于技術能力與真實業務場景之間的轉化路徑本身是斷裂的。

跨國企業實踐表明，美國企業投入的300億至400億美元生成式AI投資中，高達95%的試點項目未能轉入實際生產階段。表面上看是技術問題，深層看是組織結構與數據基礎的缺失：企業數據是“臟”的、組織結構是僵化的、流程是不適配的。一家連鎖餐飲企業遇到的情況具有代表性：通用預測模型在平穩期能應對補貨需求，可一旦遇到“突發暴雨+國慶促銷+門店裝修”的多重擾動，就徹底失靈。AI學習了正常情況下的數據模式，但無法處理現實中多變量交織的復雜場景，而在真實商業世界中沒有這樣的保護。

更深層的結構性障礙在于：在標準化程度較高的環節AI能夠高效替代人力，但在需要行業經驗、現場判斷的環節，機器根本無法理解“為什么A方案優于B方案”背后的柔性邏輯。人類經驗難以被數字化、場景遷移能力本質上是機器學習的盲區。AI替代的是“重復性作業”，但復雜的運營決策、客戶關系維護、跨部門協同調度等，仍是當前AI能力的邊界之外。

中國傳統企業切入AI賽道時，這些困難被成倍放大。蓮花控股自2023年跨界算力租賃起，三年間又切入AI一體機和半導體材料，標的公司創始人公開表態：“消費+AI科技”雙輪驅動。但現實數據并不樂觀——2025年其算力服務業務營收僅1.22億元，占總營收的3.53%，凈利潤虧損2857.86萬元，而同期主營業績的高速增長才是利潤的主要來源。同樣的故事在安奈兒上演——跨界算力背后，這家企業已連續虧損五年，累計虧損近5億元。

另一個傳統企業群興玩具經歷了五次重組并購失敗，至今智算租賃業務仍在增收不增利的困局中掙扎。扎心的事實是：95%企業AI項目失敗、42%項目被放棄——這些數據共同揭示了當前AI產業化進程的核心瓶頸。大規模基建正在打通，小規模試點也許可行，但大規模推廣的商業模式仍在試錯階段。AI能否從大廠的“硬核探索”變成無數中小企業的“常規標配”，才是衡量AI產業是否真正成熟的標尺。目前，這一標尺遠未達到。

在比特世界的基礎設施已經鋪開，原子世界的產業化落地遠未成熟的這一事實，恰恰解釋了資本市場的焦慮：巨額投資何時才能帶來匹配的財務回報？2026年的答案很可能是——等待。

第三層 AI的社會代價：訓練師、記憶與就業

在AI競賽的宏大敘事之下，三個被長期忽略的變量正在匯聚，迫使我們重新審視AI的社會效應。

第一個變量，是AI訓練師群體的結構性轉型。

歷史上，數據標注是教會AI識別知識的基礎過程。AI訓練師的工作正在質變——不再只是告訴AI“答案是什么”，而是教會AI“為什么是這個答案”。林知夏反復聽AI生成的粵語語音，判斷哪個鼻音不準、哪句語調不夠自然，把自己十余年的母語直覺拆解成可量化的測評標準，教給AI。周以恒在字節跳動負責數據策略，每天做的事是把決策邏輯、任務拆解、推理鏈路抽象成規則文檔，再下發給數千名外包標注員。

產業最新趨勢被大廠內部稱為“蒸餾自己”——員工把過去只存在于個體經驗中的工作習慣、判斷邏輯、決策經驗記錄下來，結構化、模塊化后輸入系統，訓練出能模擬自身工作的數字分身。這個過程的終點是：AI完成學習后，訓練師不再是設計規則的“出題人”，他們貢獻的能力最終不再稀缺。

AI訓練師的宿命是一個關于行業變革的殘酷寓言——新技術創造新崗位的同時，也在加速削弱這些崗位的獨特性。每一個為AI“賦予認知”的人都清楚一點：越成功，越快被替代。

第二個變量，是AI記憶功能對個體心理和社會認同的塑造。

自2024年ChatGPT上線記憶功能以來，AI助手開始自動記錄用戶的對話歷史、偏好乃至情緒狀態，并在后續互動中主動引用這些記憶。對用戶來說這像是更加“懂我”，對自我認知而言這構成了未經審視的風險。ChatGPT會根據用戶過去透露的情感狀態進行情感干預。一位經歷了親人去世的用戶發現，在自己已經完全走出悲傷之后，AI仍然反復提及已逝親人。

這種認知鎖定效應與社交媒體的推薦算法在底層邏輯上同構——算法選擇呈現給用戶的信息，從而塑造用戶的世界觀。但AI記憶的危險指數遠高于此：社交媒體塑造的是你“看到什么”，AI記憶塑造的是你認為自己是“誰”。

2025年，UCSF精神科醫生報告了12名因長期使用聊天機器人而出現“AI精神病”癥狀的青少年患者——妄想、思維混亂、幻覺，AI的記憶功能在多次對話中持續強化了偏執主題。電子隱私信息中心已在起草針對青少年的立法，核心條款之一是要求在會話之間清除AI記憶，以防止有害心理狀態的層層疊加。

第三個變量，是人工智能對就業市場的結構性沖擊。

英偉達CEO黃仁勛在2026年初接受媒體采訪時明確表示，部分企業高管把裁員歸咎于AI是“偷懶”和不負責任的做法。他堅稱，AI真正具備廣泛生產力只是近半年的事，近年企業尤其是服務業裁員潮并非由AI推動。OpenAI CEO山姆·阿爾特曼同樣樂觀，承認原以為AI對入門級白領職位的沖擊會比實際情況更嚴重，但事實并非如此。

然而，工業界的冷靜樂觀與宏觀數據的冷酷現實之間存在顯著落差。基礎文案、內容編輯、數據錄入、初級平面設計、基礎翻譯等高度重復性崗位正在被大模型批量替代。這些崗位的主要從業者是80后群體——他們用十幾年青春積累的“重復經驗”，在AI的大規模部署面前，正在快速貶值。

上述三個變量——認知型勞動者的職業重塑、記憶對個體心理的再塑造力量、以及就業市場的代際不平等——共同構成了AI社會代價的基本輪廓。它們不像萬億投資數字那樣容易量化，但作用于人的深度和廣度，不亞于任何一次工業革命。

第四層 終極想象的重置：AGI與科學的“終極工具”

2026年的AI競賽最終將走向哪里？谷歌DeepMind CEO、諾貝爾化學獎得主德米斯·哈薩比斯在一次深度訪談中，給出了一個穿透喧囂的戰略預見。

哈薩比斯將AGI定義為“具備人類心智全部認知能力的系統”，并用量化標準勾勒了其達成條件——例如，給AI設定1910年知識截止時間，看看它能否像愛因斯坦一樣在1915年獨立提出廣義相對論。目前的答案顯然是否定的。

但他同時描繪了AI作為“終極科學工具”的前景。AlphaFold在一年內預測了科學界已知的兩億個蛋白質結構，并免費向全球研究者開放。下一步，團隊正試圖模擬整個細胞。哈薩比斯提出，如果未來能建立足夠真實的細胞模擬系統，大量生物實驗就能在計算機中完成，實驗室將主要負責驗證而非探索——“虛擬細胞”將徹底改變基礎生物學與藥物研發的速度。

在他勾勒的藍圖中，AGI的最終實現可能需要類似Transformer級別的重大突破。眼前的Transformer參數規模雖然仍在擴大，但能否單靠這條路抵達AGI，仍是一個開放問題。但這些突破發生的場所，已經可以精確勾勒——就在黃仁勛所定義的五層蛋糕的全部層級之上：能源層保障算力供給，芯片層實現算力承載，基礎設施層打通全國調度，模型層持續逼近人類認知，而應用層，將在全社會釋放新的生產力。

這是一條漫長但清晰的路。從10萬億元到AGI，從硬核投資到終極工具，AI賽道的敘事正在從“講故事”進化為“做基建”，從資本市場熱詞變為國家基礎設施——這正是萬億藍海遠非終點的根本原因。

中金評論：AI競賽，不亞于任何一次工業革命

“10萬億的投入不是終點，而是讓這場全球競賽變得更有韌性的起點。”

中國金融網董事長何世紅認為，2026年AI產業正站在“能力構建”與“價值釋放”的臨界點上。一方面，大規模基建投資是必要的——中國在制造端、電力端、運輸端的重工業產能，在AI基建鏈條上找到了新的釋放場景；另一方面，AI對經濟增長的真正貢獻——生產率紅利——尚未在企業端規模兌現。95%的AI項目達不到預期，既是對泡沫的非典型清算，也是對“技術與業務脫節”的深刻警示。

他強調，從商業化角度看，AI賽道的核心不在于10萬億投入或千億級交易本身，而在于如何跨越從“試點”到“規模推廣”的死亡谷。技術本身不是障礙，障礙在于數據基礎、組織形態、人才結構、管理層認知——是這些系統性問題，阻礙了AI在企業端的深度滲透。

何世紅認為，2026年可能是AI產業的分水嶺：頂層的大模型能力已經具備，底層的基礎設施正在鋪開，中間層——讓AI從PPT走進車間、門店和辦公桌——才是決定萬億投資回報率的關鍵。而那些能夠完成這一跨越的企業，將贏得未來十年核心競爭格局中的杠桿位置。

AI賽道的故事，遠不止于芯片、光模塊和算力中心。它關乎人類心智的邊界在多大程度上可以被數字系統模擬與超越，關乎萬億級投資能否真正轉化為影響億萬普通人生活的生產力進步。在“AI基建狂魔”的表象之下，一個涉及經濟結構、社會心理和人類認知的深層重塑正在進行。它的意義不亞于人類的工業革命，甚至不亞于文字與印刷術的出現。而這一切，才剛剛開始。