文/CFN 大河

 2026年，资本的定义正在被重写。

在阿波罗全球管理公司首席经济学家Torsten Slok看来，AI已经不再是单纯的科技叙事，而是正在重塑宏观经济基本面——他3月接受彭博采访时警告，大规模AI基础设施建设在初期将推高通胀，使新任美联储主席凯文·沃什期望中的快速降息难以实现。交易员的预期已经急剧转向，目前预计美联储今年加息的概率约为80%，AI建设浪潮推高芯片和电力成本被认为是重要推手。

AI正在同时扮演两个看似矛盾的角色——它既是推动生产力跃升的技术革命，也是一轮持续拉高芯片、电力和劳动力成本的投资热潮。投资者面对两个相互博弈的方向：AI红利的高涨预期，和AI建设本身的成本压力。拨开迷雾，需要回归一个根本判断：AI的赛道究竟有多大？现在的投资热潮处于这条赛道的哪个阶段？

当前围绕AI的所有躁动与焦虑，都可以归结为同一个结构性事实——赛道才刚铺完第一段，终点远未到来。

第一层 万亿级资本正在浇筑AI的物理底座

全球AI竞赛的坐标起点，不在云端，而在物理世界的最底层。

英伟达CEO黄仁勋提出的“五层蛋糕”框架——能源、芯片、基础设施、模型、应用——揭示了一个残酷的真相：AI不再是运行在云端的纯粹代码，而是一套完整的系统工程。每一层都支撑着上一层的运转，而最底层的能源层和芯片层，正在吞噬最大规模的资本支出。

美国科技四大巨头已经用数字表达了野心。2026年，Meta预计投资1350亿美元、微软1050亿美元、谷歌1850亿美元、亚马逊2000亿美元，四家总投资额相比去年大幅增加70%。这个规模的资本开支，在一年前还难以想象。OpenAI与甲骨文等发起的“星际之门”计划，更计划投入5000亿美元扩建AI基础设施。

中国的棋盘比美国更为庞大。按照2030年累计投资10万亿人民币的规划，中国正在成为全球AI基建的重资产担当。这座“基建高地”的基石，始于四年前一项极具远见的战略工程——“东数西算”。

截至2025年底，中国在用算力中心机架数已超1000万个，形成通算、智算、超算等多元协同格局。更关键的数据是智能算力——2025年，中国智能算力规模已跃升至1053 EFLOS，算力市场规模高达8351亿元，同比增长超30%，算力总规模与智能算力规模均位居全球第二。全国在用智算总规模达159万PFlops，其中八大国家枢纽节点已建成智算规模达138.8万PFlops，占全国比重超过80%。

在这套体系中，“东数西算”实现了东部蓬勃的算力需求与西部充沛绿色电力的精准对接。贵州深山、宁夏戈壁、甘肃沙漠中，算力枢纽正在崛起。更精妙的设计在于算电协同——白天用电高峰时，系统暂停非紧急AI训练任务，减轻电网压力；夜间风电充沛时，算力中心全速运转，吞掉多余绿电。2026年一季度，算电协同在西部枢纽的试点验证了理论：以甘肃枢纽兰州数据中心集群为代表的智算中心，在“风光水储”多能互补的调节下，绿电使用率持续提升。

电力支撑算力，算力优化电力，这是中国在AI基建底层构建起的独特壁垒。而这一壁垒的优势，源于中国在重工业基础设施领域二十年的累积效应。美国原计划新建的数据中心近一半延期或取消，关键原因是变压器等电力设备短缺——而中国占据全球60%的变压器产能，光模块领域全球前十厂商中七家是中国企业，“易中天”三家更占据了800G/1.6T高速光模块六成市场份额。

全球光模块产业链格局的变化是最具说服力的横截面。2026年初，国金证券研报指出，中国算力正从“云端训练”向“训练+推理”双轮驱动转型，国产算力全链景气有望量价齐升，行业景气将从核心芯片向AIDC、云与算力服务、配套电力设备及服务器外溢。这不是一轮单点突破，而是一场涵盖整个制造产业链的集体产能释放。当这场释放的规模达到10万亿级别，对全球产业链的冲击才刚开始显现。

第二层 AI落地的“死亡谷”：万亿投资与企业回报之间的落差

巨额资本涌入AI基建，但大模型能力转化为商业价值的路径，远比预想中崎岖。

麻省理工学院2025年的一份研究报告揭示了令人震惊的数据：高达95%的企业AI项目达不到预期。这个数字意味着，每一百家试图用AI改造业务的企业中，只有五家真正看到成效。另一项基于公开数据的调查进一步佐证了这一困境：42%的企业在2025年放弃了AI项目，而2024年这一数字仅为17%。

这不是技术能力的问题——DeepSeek-V4在数学、STEM、竞赛型代码领域的能力已可比肩世界级闭源大模型，其V4-Pro版本更超越了所有已公开的开源模型。问题的根源，在于技术能力与真实业务场景之间的转化路径本身是断裂的。

跨国企业实践表明，美国企业投入的300亿至400亿美元生成式AI投资中，高达95%的试点项目未能转入实际生产阶段。表面上看是技术问题，深层看是组织结构与数据基础的缺失：企业数据是“脏”的、组织结构是僵化的、流程是不适配的。一家连锁餐饮企业遇到的情况具有代表性：通用预测模型在平稳期能应对补货需求，可一旦遇到“突发暴雨+国庆促销+门店装修”的多重扰动，就彻底失灵。AI学习了正常情况下的数据模式，但无法处理现实中多变量交织的复杂场景，而在真实商业世界中没有这样的保护。

更深层的结构性障碍在于：在标准化程度较高的环节AI能够高效替代人力，但在需要行业经验、现场判断的环节，机器根本无法理解“为什么A方案优于B方案”背后的柔性逻辑。人类经验难以被数字化、场景迁移能力本质上是机器学习的盲区。AI替代的是“重复性作业”，但复杂的运营决策、客户关系维护、跨部门协同调度等，仍是当前AI能力的边界之外。

中国传统企业切入AI赛道时，这些困难被成倍放大。莲花控股自2023年跨界算力租赁起，三年间又切入AI一体机和半导体材料，标的公司创始人公开表态：“消费+AI科技”双轮驱动。但现实数据并不乐观——2025年其算力服务业务营收仅1.22亿元，占总营收的3.53%，净利润亏损2857.86万元，而同期主营业绩的高速增长才是利润的主要来源。同样的故事在安奈儿上演——跨界算力背后，这家企业已连续亏损五年，累计亏损近5亿元。

另一个传统企业群兴玩具经历了五次重组并购失败，至今智算租赁业务仍在增收不增利的困局中挣扎。扎心的事实是：95%企业AI项目失败、42%项目被放弃——这些数据共同揭示了当前AI产业化进程的核心瓶颈。大规模基建正在打通，小规模试点也许可行，但大规模推广的商业模式仍在试错阶段。AI能否从大厂的“硬核探索”变成无数中小企业的“常规标配”，才是衡量AI产业是否真正成熟的标尺。目前，这一标尺远未达到。

在比特世界的基础设施已经铺开，原子世界的产业化落地远未成熟的这一事实，恰恰解释了资本市场的焦虑：巨额投资何时才能带来匹配的财务回报？2026年的答案很可能是——等待。

第三层 AI的社会代价：训练师、记忆与就业

在AI竞赛的宏大叙事之下，三个被长期忽略的变量正在汇聚，迫使我们重新审视AI的社会效应。

第一个变量，是AI训练师群体的结构性转型。

历史上，数据标注是教会AI识别知识的基础过程。AI训练师的工作正在质变——不再只是告诉AI“答案是什么”，而是教会AI“为什么是这个答案”。林知夏反复听AI生成的粤语语音，判断哪个鼻音不准、哪句语调不够自然，把自己十余年的母语直觉拆解成可量化的测评标准，教给AI。周以恒在字节跳动负责数据策略，每天做的事是把决策逻辑、任务拆解、推理链路抽象成规则文档，再下发给数千名外包标注员。

产业最新趋势被大厂内部称为“蒸馏自己”——员工把过去只存在于个体经验中的工作习惯、判断逻辑、决策经验记录下来，结构化、模块化后输入系统，训练出能模拟自身工作的数字分身。这个过程的终点是：AI完成学习后，训练师不再是设计规则的“出题人”，他们贡献的能力最终不再稀缺。

AI训练师的宿命是一个关于行业变革的残酷寓言——新技术创造新岗位的同时，也在加速削弱这些岗位的独特性。每一个为AI“赋予认知”的人都清楚一点：越成功，越快被替代。

第二个变量，是AI记忆功能对个体心理和社会认同的塑造。

自2024年ChatGPT上线记忆功能以来，AI助手开始自动记录用户的对话历史、偏好乃至情绪状态，并在后续互动中主动引用这些记忆。对用户来说这像是更加“懂我”，对自我认知而言这构成了未经审视的风险。ChatGPT会根据用户过去透露的情感状态进行情感干预。一位经历了亲人去世的用户发现，在自己已经完全走出悲伤之后，AI仍然反复提及已逝亲人。

这种认知锁定效应与社交媒体的推荐算法在底层逻辑上同构——算法选择呈现给用户的信息，从而塑造用户的世界观。但AI记忆的危险指数远高于此：社交媒体塑造的是你“看到什么”，AI记忆塑造的是你认为自己是“谁”。

2025年，UCSF精神科医生报告了12名因长期使用聊天机器人而出现“AI精神病”症状的青少年患者——妄想、思维混乱、幻觉，AI的记忆功能在多次对话中持续强化了偏执主题。电子隐私信息中心已在起草针对青少年的立法，核心条款之一是要求在会话之间清除AI记忆，以防止有害心理状态的层层叠加。

第三个变量，是人工智能对就业市场的结构性冲击。

英伟达CEO黄仁勋在2026年初接受媒体采访时明确表示，部分企业高管把裁员归咎于AI是“偷懒”和不负责任的做法。他坚称，AI真正具备广泛生产力只是近半年的事，近年企业尤其是服务业裁员潮并非由AI推动。OpenAI CEO山姆·阿尔特曼同样乐观，承认原以为AI对入门级白领职位的冲击会比实际情况更严重，但事实并非如此。

然而，工业界的冷静乐观与宏观数据的冷酷现实之间存在显著落差。基础文案、内容编辑、数据录入、初级平面设计、基础翻译等高度重复性岗位正在被大模型批量替代。这些岗位的主要从业者是80后群体——他们用十几年青春积累的“重复经验”，在AI的大规模部署面前，正在快速贬值。

上述三个变量——认知型劳动者的职业重塑、记忆对个体心理的再塑造力量、以及就业市场的代际不平等——共同构成了AI社会代价的基本轮廓。它们不像万亿投资数字那样容易量化，但作用于人的深度和广度，不亚于任何一次工业革命。

第四层 终极想象的重置：AGI与科学的“终极工具”

2026年的AI竞赛最终将走向哪里？谷歌DeepMind CEO、诺贝尔化学奖得主德米斯·哈萨比斯在一次深度访谈中，给出了一个穿透喧嚣的战略预见。

哈萨比斯将AGI定义为“具备人类心智全部认知能力的系统”，并用量化标准勾勒了其达成条件——例如，给AI设定1910年知识截止时间，看看它能否像爱因斯坦一样在1915年独立提出广义相对论。目前的答案显然是否定的。

但他同时描绘了AI作为“终极科学工具”的前景。AlphaFold在一年内预测了科学界已知的两亿个蛋白质结构，并免费向全球研究者开放。下一步，团队正试图模拟整个细胞。哈萨比斯提出，如果未来能建立足够真实的细胞模拟系统，大量生物实验就能在计算机中完成，实验室将主要负责验证而非探索——“虚拟细胞”将彻底改变基础生物学与药物研发的速度。

在他勾勒的蓝图中，AGI的最终实现可能需要类似Transformer级别的重大突破。眼前的Transformer参数规模虽然仍在扩大，但能否单靠这条路抵达AGI，仍是一个开放问题。但这些突破发生的场所，已经可以精确勾勒——就在黄仁勋所定义的五层蛋糕的全部层级之上：能源层保障算力供给，芯片层实现算力承载，基础设施层打通全国调度，模型层持续逼近人类认知，而应用层，将在全社会释放新的生产力。

这是一条漫长但清晰的路。从10万亿元到AGI，从硬核投资到终极工具，AI赛道的叙事正在从“讲故事”进化为“做基建”，从资本市场热词变为国家基础设施——这正是万亿蓝海远非终点的根本原因。

中金评论：AI竞赛，不亚于任何一次工业革命

“10万亿的投入不是终点，而是让这场全球竞赛变得更有韧性的起点。”

中国金融网董事长何世红认为，2026年AI产业正站在“能力构建”与“价值释放”的临界点上。一方面，大规模基建投资是必要的——中国在制造端、电力端、运输端的重工业产能，在AI基建链条上找到了新的释放场景；另一方面，AI对经济增长的真正贡献——生产率红利——尚未在企业端规模兑现。95%的AI项目达不到预期，既是对泡沫的非典型清算，也是对“技术与业务脱节”的深刻警示。

他强调，从商业化角度看，AI赛道的核心不在于10万亿投入或千亿级交易本身，而在于如何跨越从“试点”到“规模推广”的死亡谷。技术本身不是障碍，障碍在于数据基础、组织形态、人才结构、管理层认知——是这些系统性问题，阻碍了AI在企业端的深度渗透。

何世红认为，2026年可能是AI产业的分水岭：顶层的大模型能力已经具备，底层的基础设施正在铺开，中间层——让AI从PPT走进车间、门店和办公桌——才是决定万亿投资回报率的关键。而那些能够完成这一跨越的企业，将赢得未来十年核心竞争格局中的杠杆位置。

AI赛道的故事，远不止于芯片、光模块和算力中心。它关乎人类心智的边界在多大程度上可以被数字系统模拟与超越，关乎万亿级投资能否真正转化为影响亿万普通人生活的生产力进步。在“AI基建狂魔”的表象之下，一个涉及经济结构、社会心理和人类认知的深层重塑正在进行。它的意义不亚于人类的工业革命，甚至不亚于文字与印刷术的出现。而这一切，才刚刚开始。